2016

elementos de
probabilidade e
estatstica:
princpios, conceitos, DEFINIES, teoria
e aplicaes em engenharia

MEMRIA DE LEITURA AMPLIADA, IMPLEMENTADA

(GeoGebra, MS-Excel, Maple, MatLab ou R) E COMPARTILHADA

DEPARTAMENTO ACADMICO DE MATEMTICA

JOSE DONIZETTI DE LIMA

 PREFCIO
muito comum sentir a angstia dos acadmicos quando se deparam com as dificuldades de
aprendizado inerentes a esta complexa e instigante disciplina, que exige conhecimento de
matemtica acumulados nos ensinos fundamental, mdio e clculo diferencial e integral. Nesse
sentido, essas notas de aula, foram elaboradas com o objetivo de minimizar as dificuldades
enfrentadas pelos acadmicos, conscientizando-os sobre os desafios reais do mundo prtico e
fixando/consolidando conceitos.
As apostilas e slides, foram elaborados, de forma simples, clara, concisa e lgica abordando assuntos
indispensveis para um bom curso de Probabilidade e Estatstica destinados aos cursos de
Engenharia. Embora o clculo das probabilidades pertena ao campo da Matemtica, sua incluso
aqui se justifica pelo fato da maioria dos fenmenos de que trata a Estatstica ser de natureza
probabilstica ou aleatrios (do latim alea = sorte). Este texto destina-se aos acadmicos matriculados
na referida disciplina, ou a quem possa interessar, devendo servir como um guia para as aulas, que
so realizadas durante o semestre letivo.
O texto que se segue constitui uma simples compilao de apontamentos, alguns deles retirados a
partir das referncias indicadas no final do mesmo. Pretende-se fornecer, em forma de texto
orientador, o desenvolvimento dos sumrios referentes s aulas correspondentes aos contedos
essenciais a essa disciplina e no substituir a leitura das referncias. Assim, estas notas de aula
seguem de perto a bibliografia referenciada e que correspondem aos livros textos desta disciplina,
sugere-se a sua aquisio e/ou consulta a nossa biblioteca. Referencias especificas, so apresentadas
antes dos textos.
Adverte-se o leitor de que nestas notas de aulas se far um estudo muito elementar de alguns
tpicos e aos interessados em maiores detalhes (demonstraes), sugere-se as referncias que
aparecem ao longo do texto ou no final do mesmo. A resoluo dos exerccios propostos
fundamental para entendimento dos assuntos aqui abordados.
A utilizao de softwares especficos acompanhar todo o desenvolvimento terico. Pretende-se que
o acadmico adquira habilidades na utilizao de recursos computacionais no tratamento de
problemas envolvendo probabilidade e estatstica. Assim, sempre que possvel so evidenciadas
potenciais aplicaes, bem como formas de resoluo de exerccios e/ou problemas nos softwares
(Microsoft Excel e/ou R e/ou Statgraphics Centurion). Este ltimo um software proprietrio,
porm disponibiliza uma verso completa para avaliao grtis durante 30 dias, no site:
http://www.statgraphics.com/downloads.htm. Propositalmente, os resultados fornecidos pelos
softwares so apresentados, para que o acadmico motive-se a executar e estudar os programas aqui
apresentados. Recomenda-se que o acadmico observe atentamente cada resultado, interpretando-
o corretamente. A maioria dos programas (resoluo de exerccios/problemas da engenharia)
discutido nas aulas, e desse modo espera-se que esse material facilite a assimilao dos contedos.
Meus interesses de pesquisa esto centrados nas reas de Otimizao Numrica, Programao Linear
e No-Linear, Estatstica univariada e multivariada, Anlise Gerencial de Custos, Engenharia
Econmica, com temas ligados Engenharia de Produo (minha rea de doutoramento), nas quais
publiquei artigos e apresentei trabalhos em congressos. Interesso-me por questes de ensino
fundamental, mdio e superior e defendo a resoluo de problemas como motor fundamental da
aprendizagem. TEXTOS ENTRE ASPAS NO SO DE MINHA AUTORIA.
O processo de melhoria contnua parte da identificao das oportunidades de melhoria. Assim,
crticas e sugestes, bem como correo de eventuais erros no material, sero bem recebidas.
donizetti@utfpr.edu.br. Notas do autor. Pato Branco, maro de 2016.

2
 FRASES: Pare e reflita ou simplesmente reflita...
Analise o passado, administre o presente e planeje o futuro.
"O homem no nada em si mesmo. No passa de uma probabilidade infinita. Mas ele o
responsvel infinito dessa probabilidade". Albert Camus.
"O que tem sido acreditado por todos, e sempre, e em toda a parte, tem toda a
probabilidade de ser falso". Paul Valry.
H trs tipos de mentira: as mentiras, as mentiras srias e a estatstica. Benjamin Disraeli.
Os nmeros no mentem; mas os mentirosos forjam os nmeros
Se torturarmos os dados por bastante tempo, eles acabaro por admitir qualquer coisa.
Algumas pessoas usam a estatstica como um bbado usa um poste de iluminao - para servir de
apoio e no para iluminar. Andrew Lang (historiador):
As teorias cientficas lidam com conceitos, no com a realidade. Embora elas sejam formuladas para
corresponder realidade, esta correspondncia aproximada e a justificativa para todas as
concluses tericas baseada em alguma forma de raciocnio indutivo. Athanasios Papoulis.
Os mtodos estatsticos fornecem ferramentas importantes para a engenharia, com teor descritivo e
analtico para operar com a variabilidade presente nos dados observados. Prof. Von Zuben.
DCA/FEEC/Unicamp.
Quanto mais se aprende, mais se descobre que no se sabe nada diante da dimenso das coisas a
serem aprendidas...
A mente que se abre a uma nova ideia jamais volta ao seu tamanho original. Albert Einstein
Tudo deve tornar-se o mais simples possvel, porm, no simplificado. Albert Einstein
No se pode ensinar coisa alguma a algum; pode-se apenas auxili-lo a descobrir por si mesmo".
O professor aquele que transfere o que sabe e aprende o que ensina. Cora Coralina, poetisa
brasileira
Nada mais difcil, e por isso mais precioso, do que ser capaz de decidir. A pior deciso a
indeciso.
Devemos sempre observar o processo de construo do conhecimento, para isso, torna-se
imprescindvel considerar a participao do acadmico ao longo do processo de aprendizagem
(GUIDORIZZI, 2001).
A aprendizagem o fruto exclusivo do trabalho ativo do acadmico, cabendo ao instrutor as tarefas
de propor problemas desafiantes, orientar o estudante na sua resoluo, e fornecer os elementos
tericos essenciais para possibilitar a atividade deste (GUIDORIZZI, 2001).
Excelncia... no um ato, mas um hbito. Aristteles
O que distingue o homem no a grandeza do gnio, mas a alteza do carter.
A Matemtica a honra do esprito humano Leibniz
A educao o transporte para o futuro.
Nenhum pas se desenvolveu sem investimento em capital humano.
A utilizao de diversos recursos multimdia fomenta a busca de informaes, a reflexo sobre elas e
a reconstruo do conhecimento. Alm disso, otimiza a interao dos acadmicos entre si e com o
professor.

3
SMBOLOS MATEMTICOS
SMBOLO L-SE
= Igual
Diferente (exemplo: 1 / 3 0,33 )
Aproximadamente (exemplo: 1 / 3 0,33 )
Coincidentes (exemplo: retas coincidentes)
No coincidentes
% Por cento (indica uma diviso por 100, por exemplo: 5% = 5/100)
Mais ou menos (exemplo: x 2 4 x 4 x 2 )
Maior que
Maior ou igual a
Menor que
Menor ou igual a
Tal que, de modo que, de maneira que, de forma que
Qualquer que seja ou todo elemento
Implica
Se, e somente se
Existe
No existe
nico
Pertence
No pertence
Unio
Interseco
Est contido
Contm
A B A no est contido em B
N Conjunto dos nmeros naturais
Z Conjunto dos nmeros inteiros
Q Conjunto dos nmeros racionais

Q c ou Q ' ou I Conjunto dos nmeros irracionais

Conjunto dos nmeros reais

{ } ou Utilizado para indicar conjunto vazio
* Indica a excluso do elemento zero
// Paralelas ou paralelos (exemplo: retas paralelas)
Perpendicular ou ortogonal (exemplo: retas perpendiculares)
c.q.d . Conforme queramos demonstrar
Somatrio
Produtrio
Infinito
f :A B f uma funo do conjunto A no conjunto B
lim f ( x) L Limite da funo f quando x tende a p igual a L.
x p

df dy Notaes usadas para representar a

f ' ( x), y ' , , , Dx ( f ), Dx ( y ) derivada de uma funo: y f (x) .
dx dx
f ( x) dx Integral indefinida da funo f em relao a varivel x.

b Integral definida da funo f em relao a varivel x, de a at b.

a
f ( x) dx
Integral imprpria

f ( x) dx

4
Alfabeto Grego
Fonte: http://www.profwillian.com/_diversos/alfa_grego.asp

SMBOLOS ESTATSTICOS
Smbolo L-se Utilizado para indicar
Alfa (alpha) Nvel de significncia (erro tipo I)
Beta (beta) Erro tipo II. (1 ) = Poder do teste estatstico
Gama (gamma) Distribuio gama
Sigma (sigma) Desvio-padro populacional
2 Sigma ao quadrado Varincia populacional
s2 s ao quadrado Varincia amostral
s s Desvio-padro amostral
Teta (theta) Vetor....
Mi (mu) Mdia populacional
x x barra Mdia amostral
Qui Qui-quadrado
Experimento Aleatrio (ou estocstico)
Pi Populao
E Letra E Evento
mega Espao amostral
S Space Espao amostral
Unio (ou reunio)

Proporo (populao)
x~ Mediana
G Mdia Geomtrica
H Mdia Harmnica
MP Mdia Ponderada
Experimento aleatrio
P(E) Probabilidade de ocorrer o evento E
http://glossario.spestatistica.pt/

5
 SUMRIO
PROBABILIDADE E ESTATSTICA
Captulo 01 INTRODUO............................................................................................................aa
Captulo 02 ELEMENTOS DE PROBABILIDADE TEORIA ELEMENTAR DE PROBABILIDADE..............zz
Captulo 03 VARIVEIS ALEATRIAS...................................................................................................zz
Captulo 04 DISTRIBUIES DE PROBABILIDADES..............................................................................zz
Captulo 05 INFERNCIA ESTATSTICA................................................................................................zz
Captulo 06 ESTIMAO......................................................................................................................zz
Captulo 07 TESTE DE HIPTESE..........................................................................................................zz
Captulo 08 CONTROLE ESTATSTICO DE PROCESSO..........................................................................zz
Captulo 09 ANLISE DE VARINCIA...................................................................................................zz
Captulo 10 ATIVIDADES PRTICAS SUPERVISIONADAS (APS)
Listas de exerccios-problemas propostos para a reviso dos conceitos...............................................xx
Segundo Loesch (2012), os fundamentos matemticos necessrios para o estudo de Probabilidade e
Estatstica, incluem: Teoria elementar dos conjuntos, Anlise combinatria, Clculo (diferenciao,
integrao, pontos extremos) e lgebra linear (matrizes e suas operaes, determinantes, valores
caractersticos). Assim, foram elaborados os seguintes apndices:
1) TEORIA ELEMENTAR DOS CONJUNTOS
2) ANLISE COMBINATRIA E NMEROS BINOMIAIS
3) ESTATSTICA DESCRITIVA
4) ANLISE DE CORRELAO E REGRESSO
5) INTRODUO ESTATSTICA MULTIVARIADA (ANLISE MULTIVARIADA DE DADOS)
PREFCIO: APOSTILA = MEMRIA DE LEITURA COMPARTILHADA Uma seleo ou sntese do que entendo
como relevante para os acadmicos dos cursos de engenharia, seja para a formao profissional, pessoal ou
para despertar o interesse sobre algo. claro que escrevi boa parte do texto, elaborei aplicativos
computacionais para ilustrar teoremas e vislumbrar potenciais aplicaes.
Trabalho prtico em dupla: estudo de caso real ou anlise crtica de um artigo, de sua rea de estudo,
que utilizou tpicos da Probabilidade e Estatsticas (nesse caso, os clculos tm que ser refeitos) que
foram abordados no semestre ou tpicos avanados. Sugere-se fazer tambm o trabalho envolvendo
o Controle Estatstico do Processo (CEP).
Probabilidade: O QUE ? COMO CALCULAR? Probabilidade = Possibilidade = Chance?
QUESTES:
1) Qual o papel da Probabilidade e Estatstica no seu curso de Engenharia?
2) Assista ao documentrio O Prazer da Estatstica, disponvel em:
http://www.youtube.com/watch?v=xLr68J2yDJ8, acesso em: 03 de maro de 2013. O que mais lhe
chamou a ateno? Consegue identificar/vislumbrar aplicao(es) no seu curso de graduao?
Qual(is)?
3) Escolha um autor que contribuiu de forma relevante no processo de desenvolvimento da
Probabilidade e Estatstica. Identifique/caracterize a(s) sua(s) descoberta(s) e em que (so)
utilizada(s) na atualidade? Pesquise um dos fundadores/pesquisadores/construtores da Estatstica
e descreva a sua contribuio para essa Cincia e visualize potenciais aplicaes para a sua rea de
estudo. AVALIAO DA PARTE HISTRICA.
6
 SONDAGEM
1) O que voc entende por Estatstica? Cite um exemplo de aplicabilidade em sua rea de atuao,
rea de estudo (seu curso).
2) O que voc entende por mdia? Cite exemplos numricos.
3) O que voc entende por mediana? Cite exemplos numricos.
4) O que voc entende por desvio-padro? Cite exemplos numricos.
5) Escreva tudo que conseguir relacionar Estatstica, como objeto de estudo.
6) Voc j estudou Probabilidade e Estatstica? Quando? De 1 a 10 qual a nota para seus
conhecimentos em Probabilidade e Estatstica?
7) Voc consegue visualizar a importncia da Estatstica para o seu curso?
8) Escreva pelo menos dois pontos que meream a sua crtica do ponto de vista estatstico: Para
predizer o resultado de uma eleio municipal, um pesquisador de opinio pblica telefona a
pessoas selecionadas aleatoriamente da lista telefnica da cidade.
Resposta: Do ponto de vista estatstico, a realizao dessa pesquisa demonstra no mnimo os
seguintes problemas: (i) nem todos os eleitores tm telefone; (ii) nem todos eleitores que tm
telefone, tm seus nomes na lista; e (iii) no considera o nmero de eleitores por residncia.
9) Escreva pelo menos dois pontos que meream a sua crtica do ponto de vista estatstico: Para
avaliar a opinio do pblico sobre a estratgia que certo plano de sade est adotando para
aumentar o nmero de adeptos ao mesmo, um pesquisador envia o formulrio pelo correio,
sendo que no mesmo consta a seguinte pergunta aos entrevistados: Voc acha que essa prtica
injusta deve ser interrompida? O formulrio dever ser devolvido via correios.
Resposta: Do ponto de vista estatstico a realizao dessa pesquisa demonstra dois problemas no
mnimo: (i) a forma de coleta de dados, na qual o participante escolhe se quer ou no responder, ou
seja, permite ao elemento da amostra escolher se quer ou no participar da mesma; e (ii) a pergunta
tendenciosa, ou seja, induz a resposta do entrevistado.
10) Ao elaborarmos os questionrios de pesquisa devemos ser imparciais, veja o exemplo a seguir:
Qual a sua opinio a respeito do atendimento exercido pelo Sistema nico de Sade (SUS)?
Atende plenamente as necessidades.
Atende parcialmente as necessidades.
No atende as necessidades.
No utilizo.
No conheo.
11) Qual a sua opinio sobre a pesquisa estatstica?
12) Quais os pontos que merecem crticas em uma pesquisa realizada por meio de formulrios
enviados pelo correio tradicional ou por correio eletrnico (e-mail)?
13) Quais os pontos que merecem crticas em uma pesquisa realizada por telefone?
14) Pesquise um dos fundadores/pesquisadores/construtores da Estatstica e descreva a sua
contribuio para essa Cincia e visualize potenciais aplicaes para a sua rea de estudo.
15) Elabore uma questo e responda-a.

7
 O planejamento de uma pesquisa

Dois tipos de pesquisas empricas (BARBETTA et al., 2010)

DE LEVANTAMENTO: Caractersticas de interesse de uma populao so levantadas (observadas
ou medidas), mas sem manipulao.
EXPERIMENTAL: Grupos de indivduos (ou animais, ou objetos) so manipulados para se avaliar
o efeito de diferentes tratamentos.
ESTRATGIAS NO PLANEJAMENTO DE EXPERIMENTOS (BARBETTA et al., 2010)
Reconhecer, estabelecer e delimitar claramente o problema;
Identificar os possveis fatores que podem afetar o problema em estudo;
Verificar quais fatores que podero ser mantidos fixos e, portanto, no tero os seus efeitos
avaliados no estudo experimental;
Identificar, para cada fator, o intervalo de variao e os nveis que entraro no estudo;
Escolher um projeto experimental adequado, isto , saber como combinar os nveis dos fatores de
forma que se possa resolver o problema proposto com o menor custo possvel;
Escolher a resposta adequada, ou seja, a varivel Y que mede adequadamente o resultado (a
qualidade, o desempenho, etc.) do processo; e;
O planejamento de como ser a anlise dos dados do experimento.
DICAS (Carla ten Caten, 2007)
Antes de se iniciar a COLETA DE DADOS fundamental definir qual a sua finalidade, isto , onde os
dados sero utilizados, de que forma sero usados, o que se busca conhecer com esta informao.
fundamental que sejam registradas todas informaes. Se isso no for feito neste momento,
depois no ser possvel utilizar os dados coletados analisando-os por turno ou por produto.
O processo se comunica atravs de DADOS que so coletados.

8
 DICAS PARA O ESTUDO DE CASO PRTICO (adaptado de KUME, 1993)
1. Como coletar dados?
1.1 Tenha objetivos bem definidos
Dados so um guia para nossas aes. A partir de dados aprendemos fatos pertinentes, e tomamos
providncias apropriadas baseadas em tais fatos. Antes de coletar dados, importante definir o que
se pretende fazer com eles.
Em uma fbrica de mquinas, foi feita uma inspeo por amostragem no recebimento de um certo
tipo de pea comprada fora. Um lote que deveria ser rejeitado foi, excepcionalmente, aceito para
manter a produo dentro do programado. Entretanto, no se tomou nenhuma providncia especial
quanto ao lote aceito. Isto significa que tanto os lotes que estavam conforme a especificao, como
os que no estavam, seguiram para o processo seguinte. Estes dados certamente estavam sendo
coletados para determinar a aceitabilidade dos lotes, mas no foram utilizados para nada.
No controle da qualidade, os objetivos da coleta de dados: (i) controle e acompanhamento do
processo de produo; (ii) anlise de no-conformidades, e (iii) Inspeo.
Qualquer coleta de dados tem o seu prprio propsito e deve ser seguida por aes.
1.2 Qual o seu propsito?
Uma vez definido o objetivo da coleta de dados, os tipos de comparaes a serem realizadas tambm
so determinados e isto, por sua vez, identifica o tipo dos dados que devem ser coletados. Por
exemplo, suponha que haja um problema envolvendo variao em uma caracterstica da qualidade
de um produto. Se for coletado apenas um dado por dia, impossvel determinar a variao que
ocorre ao longo de um dia. Ou, caso se deseje descobrir de que maneira so produzidos produtos
defeituosos por dois operrios, necessrio colher seus dados em separado para que seja possvel
analisar o desempenho de cada operrio. Se a comparao de um em relao a outro revela uma
clara diferena, a ao corretiva que elimina a diferena entre os operrios ir tambm reduzir a
variao no processo.
Este modo de dividir um grupo em diversos subgrupos com base em certos fatores, chamado de
estratificao. A estratificao muito importante. necessrio tornar habitual a aplicao da
estratificao, no seu raciocnio, em todos os tipos de situaes.
Ento, suponha que se queira saber a relao entre a quantidade de um componente e a dureza do
produto. Em um caso como este, em que se deseja saber se h uma relao entre os valores de duas
caractersticas, os dados precisam estar disponveis em pares. Se os dados forem coletados em pares
eles podero ser analisados atravs do uso de um diagrama de disperso.
1.3 As medies so confiveis?
Mesmo que as amostras tenham sido coletadas apropriadamente, ser feito um julgamento errado
se a prpria medio no for confivel. Por exemplo, inspees realizadas por um certo inspetor
apontaram uma frao defeituosa muito diferente da dos demais inspetores, e um cuidadoso exame
posterior revelou que o equipamento de medio era inadequado.
No caso de uma inspeo sensorial, como a inspeo visual, diferenas devidas aos prprios
inspetores so muito comuns. Este fato precisa ser levado em considerao quando da coleta e
anlise de dados.
1.4 Encontre maneiras corretas para registrar os dados
Aps a coleta dos dados, vrios mtodos estatsticos so utilizados para analis-los, de modo que eles
se tornem uma fonte de informao. Ao coletar dados, importante disp-los de forma clara para

9
facilitar o posterior tratamento. Em primeiro lugar, a sua origem precisa ser claramente registrada.
Dados cuja origem no seja claramente conhecida, tornam-se inteis. Com frequncia, so obtidas
poucas informaes teis, apesar de gastar-se uma semana na coleta de dados sobre caractersticas
da qualidade, porque as pessoas esquecem de anotar em que dias da semana eles foram coletados,
quais foram as mquinas que executaram o processo, quais foram os operrios, quais lotes de
materiais foram envolvidos, e assim por diante.
Em segundo lugar, os dados precisam ser registrados de tal modo que possam ser facilmente
utilizados. Como so frequentemente utilizados mais tarde, para calcular estatsticas, tais como
mdias e amplitudes melhor que j sejam anotados em uma maneira que facilite esses clculos. Por
exemplo, dados envolvendo 100 peas, obtidos atravs da realizao de 4 medies por dia (s 9 h,
11 h, 14 h e 16 h) durante 25 dias, deveriam naturalmente ser registrados em uma folha de dados,
como se observa na Tabela a seguir, na qual os horrios esto dispostos na horizontal e os dias esto
listados verticalmente. Desta forma, os clculos dirios podem ser feitos considerando os valores em
cada linha, e os clculos por horrio, com os valores contidos em cada coluna. Se a inteno de
coletar dados de forma contnua, deve ser providenciada, de antemo, uma quantidade de folhas de
registro padronizadas.
Tabela Um Exemplo de Folha de Dados
Hora
Data
9 h 11 h 14 h 16 h
1/02 12,3 11,5 13,2 14,2
2/02 13,2 12,5 14,0 14,0
3/03 ... ... ... ...

2 Folhas de Verificao
Como exposto na seo anterior, quando for preciso coletar dados, essencial esclarecer sua
finalidade e ter valores que reflitam claramente os fatos. Alm dessas premissas, em situaes reais
importante que os dados sejam coletados de uma maneira simples e em um formulrio fcil de usar.
Uma folha de verificao um formulrio de papel no qual os itens a serem verificados j esto
impressos, de modo que os dados possam ser coletados de forma fcil e concisa. Suas principais
finalidades so duas: (i) facilitar a coleta de dados; e (ii) organizar os dados simultaneamente coleta,
para que possam ser facilmente usados mais tarde.
A coleta e o registro dos dados parecem ser fceis, mas, na realidade, no so. Usualmente, quanto
mais pessoas processam dados, maior a possibilidade do aparecimento de erros de escrita. Por esta
razo, a folha de verificao na qual os dados podem ser registrados atravs de marcas ou smbolos
simples, e imediatamente organizados sem necessidade de rearranjo manual posterior torna-se
uma poderosa ferramenta de registro. A seguir, so apresentados alguns exemplos de folhas de
verificao.
Exemplo ilustrativo 1 Folha de verificao para a distribuio do processo de produo
Suponha que queiramos conhecer a variao nas dimenses de um certo tipo de pea cuja
especificao de usinagem seja 8,300 0,008 mm. Para estudar a distribuio dos valores
caractersticos do processo, so normalmente usados histogramas. Valores como a mdia e varincia
so calculados com base no histograma e a forma da distribuio tambm examinada de vrias
maneiras.
Na construo de um histograma, muito incmodo coletar uma grande quantidade de dados e, em
seguida, desenhar um grfico mostrando a distribuio das frequncias. Uma maneira mais simples
classificar os dados exatamente no instante de sua coleta. A Figura a seguir um exemplo de
formulrio que pode ser previamente preparado. Cada vez que uma medio feita, uma marca (por
ex. x colocada na quadricula apropriada, para que se tenha o histograma pronto no momento em
que as medies forem encerradas. Quando for necessrio fazer uma estratificao usando uma

10
nica folha de verificao, melhor utilizar cores ou marcas diferentes para posteriormente permitir
sua distino.

Figura Folha de verificao para distribuio do processo produtivo

Exemplo ilustrativo 2 Folha de verificao para item defeituoso
A Figura a seguir mostra uma folha de verificao usada no processo de inspeo final de um certo
produto de plstico. O inspetor faz uma marca sempre que encontra um defeito. No fim do dia, ele
pode verificar rapidamente a quantidade total e os tipos de defeitos que ocorreram.
O mero conhecimento da quantidade total de defeitos no nos leva s aes corretivas, mas se uma
folha de verificao como a dessa Figura for utilizada, pistas muito importantes podem ser obtidas
para a melhoria do processo, porque os dados mostram claramente quais tipos de defeitos so
frequentes e quais no so.

Figura Folha do Verificao para itens defeituosos

Ao usar essa folha de verificao, como foi o caso do exemplo ilustrativo 1, ser impossvel
estratificar os dados posteriormente, por exemplo, conforme o perodo do dia (manh e tarde), uma
vez que os dados j foram coletados. Portanto, quando a estratificao considerada necessria,
este fato deve ser considerado desde o incio da preparao da folha de verificao.
necessrio definir claramente, de antemo, como os defeitos devem ser registrados quando forem
encontrados dois ou mais num mesmo produto e, ento, dar instrues completas para as pessoas
que faro a contagem. No caso da ltima Figura, 42 entre 1.525 itens apresentaram defeitos.
Entretanto, a quantidade total de defeitos foi de 62 porque, em alguns casos, foram encontrados dois
ou mais defeitos em um mesmo item.
11
 CAPTULO 1 INTRODUO
Apresentao:
A presente apostila trata dos principais tpicos da estatstica descritiva e da estatstica indutiva que
faz parte do currculo de um curso de graduao em Engenharia. Procuramos resumir aqui os
conhecimentos que julgamos necessrios para termos um ponto de apoio em nossos primeiros
passos a caminho da Estatstica Inferencial.
No h pretenso de esgotar o assunto nesta apostila, mas simplesmente de auxiliar na compreenso
dos princpios bsicos da cincia Estatstica. Como os conhecimentos so progressivos e ordenados,
ela deve ser lida a partir do captulo inicial.
Os exerccios propostos foram escolhidos para esclarecer melhor o assunto e para acrescentar
conhecimento. Assim, de fundamental importncia a sua resoluo e discusso com colegas e
professores.
Como sabemos, todas as cincias tm suas razes na histria do homem. A Matemtica, que
considerada a cincia que une clareza do raciocnio a sntese da linguagem, originou-se do
convvio social, das trocas, da contagem, com carter prtico, utilitrio e emprico. O surgimento e o
desenvolvimento da Estatstica no foi diferente.
A cincia no se baseia apenas em medies. Mesmo nas cincias que dependem grandemente de
mtricas quantitativas, a medio apenas no suficiente. As quantificaes devem permitir
comparaes. Isso implica a aceitao comum da sua fidedignidade, um modo de quantificar e
expressar a incerteza associada s medies, bem como s inferncias delas derivadas.
A estatstica moderna proporciona s cincias empricas uma tecnologia quantitativa. uma lgica e
uma metodologia para a quantificao da incerteza e para uma anlise das consequncias dessa
incerteza no planejamento e interpretao da experimentao e da observao. A estatstica
moderna muito mais do que uma caixa de ferramentas, um saco de truques, ou uma miscelnea de
tcnicas isoladas. H uma unidade subjacente aos mtodos estatsticos.
A Estatstica, no um ramo da Matemtica Aplicada. Para os estatsticos uma outra cincia, assim
como a Fsica, e no apenas uma parte da matemtica, opinio esta que partilho. Como toda cincia,
podemos dizer que a sua essncia a observao e o seu objetivo bsico a inferncia (raciocnio,
concluso, deduo, induo, ou seja, inferir: deduzir pelo raciocnio).
Podemos dizer ainda, que todo conhecimento humano est dominado pela noo de medida, ou que
os estudos cientficos, econmicos, estatais, tm seus fatos apresentados numericamente. Essa
apresentao organizada recebe o nome de Estatstica. Estatstica o estudo das populaes, das
variaes e dos mtodos de reduo de dados (FISHER, 1970).
A Estatstica uma coleo de mtodos para: planejar experimentos, obter dados, organizar, resumir,
analisar, e concluir sobre as informaes coletadas (BERTOLO, 2008). A Estatstica aplicada a
problemas biolgicos e/ou na rea de sade chamada de Bioestatstica ou Biometria. Bioestatstica
a Estatstica aplicada s cincias da vida (BERQU, SOUZA e GOTLIEB, 1981).
A combinao de ferramentas matemticas e estatsticas, nas mais diversas reas da cincia tem
contribudo fundamentalmente para o desenvolvimento tecnolgico da humanidade. Na qumica,
esta combinao tambm conhecida como quimiometria e a sua aplicao verificada em diversas
atividades, tais como: utilizao de mtodos de anlise e de processos industriais, a anlise e
extrao de informao relevante em dados qumicos, imagens digitais e hiperespectral, entre outros
(texto do Prof. Dr. Vanderlei Aparecido de Lima, 2012).
Motivao:

12
A utilizao de mtodos estatsticos tem se tornado imprescindvel nas mais diversas reas do
conhecimento humano, exigindo do acadmico de graduao e ps-graduao um maior
comprometimento com a disciplina. Porm, o excesso de formulaes e clculos contidos na
literatura existente, acaba provocando um certo desinteresse quanto real aplicao dos mtodos
de anlise de dados.
Todo profissional de Engenharia, no importa sua rea de atuao, est constantemente exposto ao
uso da Estatstica, visto que os textos cientficos raramente deixam de citar algum de seus numerosos
aspectos. Por isso, importante que ele domine, no mnimo, os aspectos bsicos dessa cincia, para
que esteja em condies de julgar aquilo que est lendo.
A maior parte dos livros dessa rea do conhecimento so, para os iniciantes, de difcil compreenso,
talvez pela abordagem excessivamente matemtica. O que procura-se, nesta apostila, apresentar o
tema de um modo compreensvel, para os que no so expert em matemtica. Alm do que, com o
advento das calculadoras cientficas e dos computadores e o surgimento dos softwares estatsticos,
todos passaram a ter condies de executar clculos estatsticos, pelo menos aqueles mais simples
desde que dominem as noes bsicas.
Com o uso de calculadoras avanadas possvel resolver parte dos problemas, pois os clculos se
tornam extremamente simplificados. Ainda assim, torna-se necessrio o conhecimento de conceitos
bsicos. Optamos por sacrificar as demonstraes sempre que estas envolvessem conhecimentos de
Matemtica que julgamos estarem acima das possibilidades dos leitores para os quais escrevemos
esse texto.
Segundo, Ulysses Doria Filho, doutor em Pediatria pela Faculdade de Medicina da Universidade de
So Paulo (FM-USP), grande parte das publicaes na rea da Sade apresenta problemas
metodolgicos e estatsticos. E acrescenta, Yassuhiko Okay, professor titular da Departamento de
Pediatria da FM-USP, podemos ter comido gato por lebre ao aceitar concluses, que careciam de
fundamentao metodolgica e estatstica, de autores de artigos cientficos. No entanto, a estatstica
no realiza milagres. Ela apenas traduz, em linguagem adequada e cientfica, aquilo que o
fenmeno que se investiga est querendo dizer. No h como forar a barra. Um projeto de
pesquisa mal formulado metodologicamente no pode ser salvo pela Estatstica.
VARIABILIDADE
Ribeiro e ten Caten (2000)

Apesar de nossa formao ser basicamente determinstica, ensinando que 1 + 1 igual a 2 e 15 + 5

igual a 20, vivemos em um mundo onde tudo varia. Por exemplo, algum que tem o hbito de
preparar um churrasco no fim de semana pode ter comprado dois quilos de carne inmeras vezes,
mas ele nunca recebeu exatamente 2,00 Kg. Da mesma forma, o seu trajeto para o trabalho pode
incluir um trecho de 15 min., feito de automvel, mais um trecho de 5 min., feito a p, mas voc
nunca fez todo o trajeto em exatamente 20:00 min.
Similarmente, os processos produtivos dependem de vrios parmetros (presso, temperatura,
velocidade, etc.); esses parmetros deveriam ser mantidos em certos nveis, mas eles iro apresentar
variabilidade. Consequentemente, os produtos resultantes de processos de manufatura, ou de
processos de prestao de servio, tambm iro apresentar variabilidade. Um eixo usinado ter um
dimetro final de aproximadamente 50,0 mm. Em um restaurante, voc ser servido em
aproximadamente 20 min.
A variabilidade est sempre presente em qualquer processo onde ocorre a produo de bens ou
servios, independentemente de quo bem ele seja projetado e operado. Se compararmos duas
peas quaisquer, produzidas pelo mesmo processo, suas medidas jamais sero exatamente idnticas.
As medidas feitas em um lote, podem estar todas dentro das especificaes, mas mesmo assim a
variabilidade estar presente.
13
As fontes de variabilidade podem agir de forma diferente sobre o processo. Conforme a fonte de
variabilidade, o resultado pode ser: (i) pequenas diferenas pea-a-pea, em funo da habilidade do
operador ou diferenas de matria-prima, (ii) alterao gradual no processo, em funo do desgaste
de ferramentas ou mudana na temperatura do dia, e (iii) alterao brusca no processo, devido a
alguma mudana de procedimento, ou queda de corrente, ou troca de setup, etc.
As fontes de variabilidade interferem nos processos de produo de bens ou servios, fazendo com
que os produtos finais no sejam exatamente idnticos. Isso pode conduzir a produtos defeituosos,
ou seja, produtos cujas caractersticas no satisfazem a uma determinada especificao.
ROTEIRO BSICO PARA UM PROJETO DE PESQUISA EM ESTATSTICA
1o Passo) Justificativa.
2o Passo) Objetivos da pesquisa.
3o Passo) Formulao das hipteses.
4o Passo) Detalhamento do plano de trabalho estatstico.
5o Passo) Plano de coleta de dados.
6o Passo) Teste piloto.
7o Passo) Instruo aos entrevistados ou aos observadores.
8o Passo) Realizao da pesquisa.
9o Passo) Anlise dos resultados.
10o Passo) Apresentao de relatrios de concluso. VER LIVROS, SLIDES DA UFRGS E LOESCH (CAP. 2)
DICAS PARA A APRESENTAO DO ESTUDO DE CASO
Dicas para a elaborao dos slides:
20 minutos para a apresentao, logo utilize no mximo de 20 lminas (ideal seriam 15 slides),
passando rpido pelo referencial terico e gastando um nmero maior de lminas nos
procedimentos metodolgicos e resultados encontrados, algo assim:
1. Titulo (1 slide)
2. Introduo ou contextualizao (globalizao, concorrncia, por exemplo) (1 slide)
3. Tema (1 slide)
4. Objetivos (1 slide)
5. Justificativa (1 slide)
6. Referencial (2 slides)
7. Procedimentos metodolgicos (2 slides)
8. Resultados (2 slides)
Seja objetivo na reviso terica, destacando os principais achados que vo influenciar teu trabalho;
os slides devem ser objetivos, limpos (pouco texto). Linguagem mais telegrfica.
Evite: excesso de cores; excesso de informao (sempre reduzir apenas para frases-chaves). Alm
disto, no usar todo o espao do slide preciso deixar margem esquerda e direita.
Preze pela qualidade de informaes e dimensionamento.
E por ltimo, sugiro que voc treine bastante para no passar dos 20 minutos.
Utilize o gravador do Power point...
14
 Glossrio, Definies e Conceitos Preliminares
Conjunto: uma coleo de objetos e os objetos de um conjunto so chamados elementos.
A cardinalidade do espao amostral o nmero total de elementos no conjunto. O espao amostral
pode ter cardinalidade finita ou infinita. Por exemplo, no caso do lanamento de um dado de seis
faces, a cardinalidade do espao amostral 6. No caso da escolha de um entre todos nmeros reais,
a cardinalidade infinita. A cardinalidade de um conjunto A pode ser representada por #A.
Eventos mutuamente exclusivos so aqueles que no podem ocorrer simultaneamente. Portanto,
dois eventos A e B so mutuamente exclusivos se a sua interseco nula, isto , A B = . Dito de
outra forma, dois ou mais eventos so mutuamente exclusivos quando a realizao de um exclui a
realizao do(s) outro(s).
Axioma: a palavra axioma usada para indicar uma afirmao formal considerada verdadeira,
dispensando provas (demonstraes). Na Matemtica moderna, os axiomas de uma teoria so
proposies consideradas verdadeiras e em geral no so provados com a estrutura da teoria em
questo. Todas as outras proposies da teoria, tem de ser obtidas de modo puramente lgico a
partir dos axiomas propostos. Em suma, axiomas so os princpios bsicos sob os quais a teoria ser
construda. Referncias: Gnedenko, B.V. The theory of probability. Moscow: Mir Publishers, 1969. SANTANNA, A.S. O
que um axioma. Barueri, SP: Manole, 2003.

Teorema: as propriedades que podem ser obtidas como consequncias lgicas dos axiomas so os
teoremas. No enunciado da maioria dos teoremas existem duas partes: a parte do se, chamada de
hiptese e a parte do ento, chamada de concluso. A argumentao que verifica a veracidade de
um teorema uma demonstrao (ou prova), a qual consiste em mostrar que a concluso
consequncia de se admitir a hiptese como verdadeira.
Varivel: Uma varivel, em estatstica, um smbolo usado para representar qualquer elemento de
um conjunto dado.
Compreende-se como populao o conjunto de indivduos, objetos ou entes que tm pelo menos
uma varivel comum observvel. Uma amostra qualquer subconjunto de elementos extrados da
populao; portanto, uma parte da populao. Contrape-se ao censo, que uma coletnea de
informaes sobre toda a populao. evidente que, atravs do censo, se tem a informao
completa, no apresentando portanto, os riscos a que uma amostra est sujeita. Contudo, nem
sempre o censo possvel. Fatores como custo da amostragem, tempo disponvel ou impossibilidade
de acesso a todos os elementos restringem, na maioria das vezes, a possibilidade de realizao do
censo. Outras vezes, como no controle de qualidade industrial, a produo contnua obriga a
considerar a populao (a produo) teoricamente infinita (LOESCH, 2012).
Encontramos na natureza dois tipos de fenmenos: determinsticos e aleatrios. Os fenmenos
determinsticos so aqueles em que os resultados so sempre os mesmos, qualquer que seja o
nmero de ocorrncias. Nos fenmenos aleatrios, os resultados no so previsveis, mesmo que
haja um grande nmero de repeties do mesmo fenmeno. Nestes, as condies do experimento
podem determinar somente o comportamento probabilstico do resultado observvel (LOESCH,
2012).
Estatstica inferencial Estatstica descritiva:
Estatstica descritiva: aplicao de mtodos numricos (clculo de medidas de tendncia central e
variabilidade, por exemplo), tabelas de frequncias e grficos na organizao e apresentao da
informao em uma forma sucinta.
Estatstica inferencial: estimao pontual de parmetros, estimao de intervalos de confiana e
teste de hipteses, por exemplo.

15
O que uma distribuio de probabilidade?
Ribeiro e ten Caten (2000)

Devido variabilidade inerente do processo, as medidas individuais so diferentes, mas em grupo

elas tendem a formar um padro. Quando o processo estvel, esse padro pode ser descrito por
uma distribuio de probabilidade.

Uma distribuio de probabilidade um modelo matemtico que relaciona um certo valor da varivel
em estudo com a sua probabilidade de ocorrncia.
H dois tipos de distribuio de probabilidade:
Distribuies Discretas: Quando a varivel que est sendo medida s pode assumir certos valores,
como por exemplo os valores inteiros: 0, 1, 2, ... Ocorrem em experimentos que requerem
contagem. Ex.-> Distribuio Binomial, Poisson
Distribuies Contnuas: Quando a varivel que est sendo medida expressa em uma escala
contnua, como no caso de uma caracterstica dimensional. Ocorrem em experimentos que
requerem medidas. Exemplos: tenso eltrica, presso (fora/rea), ... Ex.-> Distribuio Normal
Os conceitos de experimento, espao amostral e evento:
Experimento o termo utilizado em estatstica para indicar a realizao de algo, ou a observao de
algo, que acontece sob certas condies, levando a um resultado. No experimento aleatrio no
podemos prever o que vai acontecer. Exemplo: (i) lanar um dado; (ii) retirar uma carta do baralho.
Espao amostral => todas as possibilidades de um evento.
Devido imprevisibilidade ou ao elemento do acaso no experimento, o tipo de modelo matemtico
usual envolvendo equaes determinsticas inadequado e um novo tipo de estrutura matemtica
necessrio para representar os fenmenos de interesse, denominados processos estocsticos.
Uma vez que o resultado do experimento no previsvel, ele vai ser um dentre os muitos resultados
possveis.
O espao amostral de um experimento aleatrio o conjunto de todos os resultados possveis do
experimento, sendo geralmente denotado por S (space) ou (letra grega mega).
Normalmente, interessante focalizar a ateno em subconjuntos do espao amostral S. Para tanto,
define-se um evento como qualquer subconjunto E do espao amostral S, isto , E S.
Espao amostral, eventos e probabilidades (LOESCH, 2012)
Muito embora no sejamos capazes de afirmar que resultado particular ir ocorrer em um
experimento probabilstico, se pudermos descrever o conjunto de todos os resultados possveis do
experimento, temos seu espao amostral.

16
Para cada experimento probabilstico , o espao amostral associado o conjunto de todos os
resultados possveis de . Um espao amostral pode ser um conjunto finito, infinito enumervel ou
infinito no enumervel. Considerem-se os exemplos a seguir.
Experimento Espao amostral associado
1: lanamento de um dado; observar nmero da face superior 1 = {1, 2, 3, 4, 5, 6}
2: sortear 4 assinantes de uma lista telefnica e contar o 2 = {0, 1, 2, 3, 4}
nmero de assinantes sorteados que sejam do gnero feminino
3: lanar uma moeda at que saia cara pela primeira vez; 3 = {1, 2, 3, 4, 5, ...}
contar o nmero de lanamentos
4: a partir de determinado instante, registrar o tempo 4 = [0, +[
necessrio at que ocorra a primeira ligao telefnica
5: registrar a temperatura em um determinado momento em 5 = [m, M] em que m e M so as
uma determinada localidade temperaturas mnima e mxima possvel.
6: uma moeda lanada duas vezes; observar sequncia de 6 = {(F,F); (F, K); (K, F); (K, K)}, por
resultados considerar F = cara e K = coroa)

No experimento 1 de lanamento de um dado, o espao amostral 1 = {1, 2, 3, 4, 5, 6}. Caso

desejemos nos referir, ao realizar um experimento, ocorrncia de um resultado par, o mesmo fica
caracterizado pelo subconjunto {2, 4, 6} de 1, o qual um evento.
Para maiores detalhes sobre definies, axiomas, e exemplos envolvendo teoria de probabilidade,
favor consultar material de apoio (PAPOULIS, 1991, captulos 1 e 2).
O conceito de varivel aleatria:
Quando uma lmpada entra em operao, o seu tempo de vida no pode ser predito. Esse um
exemplo de varivel aleatria (ou estocstica) contnua. Por outro lado, o lanamento de um dado
uma varivel aleatria (ou estocstica) discreta. O conjunto S = {1, 2, 3, 4, 5, 6} e o intervalo real de
unidades de tempo S = [0, +) so os espaos amostrais correspondentes a esses dois experimentos.
Nesses experimentos, so eventos: nmero par na face que ficou voltada para cima: E = {2, 4, 6} e
lmpada com tempo de vida inferior a 400 unidades de tempo: E = [0, 400).
Assim, uma varivel aleatria uma funo que aloca um ponto do espao amostral a cada resultado
de um experimento aleatrio. Em outras palavras, uma varivel aleatria uma funo associada a
um experimento, sendo que a realizao do experimento leva essa varivel a assumir um valor
dependente do acaso, mas pertencente ao respectivo espao amostral.
Modelos:
Modelos so representaes da realidade em estudo. Alguns tipos de modelos: modelo analgico,
modelo icnico, modelo matemtico, modelo probabilstico, modelo estatstico ou estocstico.

Figura Modelo Matemtico (y = 2x + 3) x Modelo Estatstico (y^ = 5,21x + 10,53)

17
MODELOS Adaptado a partir de Barbetta et al. (2010)

Os modelos podem ser considerados como alguma representao da realidade em estudo,

destacando aspectos relevantes e desprezando detalhes insignificantes. Em geral, eles servem para
simplificar, descrever e facilitar a interpretao daquilo que se est estudando.
Na engenharia, o estudante costuma defrontar com os chamados modelos determinsticos, isto ,
conhecidas as entradas x1, x2, ..., xk, o modelo permite chegar ao resultado y, usando uma funo y =
f(x1, x2, ..., xk). o que acontece, por exemplo, com a Lei de Ohm, em que, dadas a tenso (x 1) e a
resistncia (x2) de um circuito simples, podemos calcular o fluxo da corrente eltrica (y) por:
x
y 1
x2
Muitas vezes, porm, as condies do experimento no permitem deduzir qual o resultado, mas
somente a chance (ou a probabilidade) de possveis resultados. o caso da observao da face
voltada para cima no lanamento imparcial de uma moeda perfeitamente equilibrada. Antes da
realizao do experimento no se tem como dizer o resultado, mas razovel atribuir probabilidade
0,5 para cara e 0,5 para coroa. um exemplo de modelo probabilstico ou estocstico.
Um exemplo menos trivial de modelo probabilstico a descrio do nmero de indivduos que
chegam a uma fila, ou do nmero de pacotes de dados que chegam a um servidor por segundo.
Como veremos futuramente, sob certas condies e admitindo que a taxa mdia de chegadas por
segundo (um valor positivo e fixo), a probabilidade de chegar exatamente k pacotes em um
dado segundo de, aproximadamente:
k e
x
1
P(k ) em que k 0,1, 2, ... e lim 1 2,71828182845905...
! x
x
Esse tipo de modelo pode auxiliar o projetista a planejar a capacidade de um sistema computacional.
Assista ao documentrio disponvel em: http://www.youtube.com/watch?v=xLr68J2yDJ8.
Todo estudante j deve ter-se defrontado com os modelos mecansticos, caracterizados por serem
totalmente deduzidos do conhecimento sobre o fenmeno fsico em questo a Lei de Ohm um
exemplo. De outro lado esto os chamados modelos empricos, que so construdos com base em
observaes reais sobre o problema em estudo. Por exemplo, podemos ter interesse em conhecer a
relao entre a resistncia compresso de um concreto e seu tempo de hidratao. Para isso,
podemos realizar um experimento, que resulta em observaes dessas duas variveis. A Figura
abaixo apresenta os resultados da resistncia (MPa*) de 11 corpos de prova, com tempos de
hidratao entre 10 e 20 dias.
Corpo de Tempo de Resistncia
prova Hidratao (dias) (MPa)
1 10 11,3
2 11 12,1
3 12 16,4
4 13 16,3
5 14 20,2
6 15 20,5
7 16 25,0
8 17 26,4
9 18 26,2
10 19 28,4
11 20 30,2
Figura Resultados de um experimento sobre resistncia compresso de concreto, em funo do tempo de
hidratao dados e grfico
18
A Figura anterior mostra que no se tem uma funo matemtica simples para explicar exatamente
a relao entre as duas variveis em questo. Contudo, o grfico expe os pontos em torno de uma
reta. Ou seja, podemos admitir que a resistncia esperada do concreto se relaciona linearmente com
o tempo de hidratao; e o fato de os pontos observados no estarem exatamente sobre uma reta
porque existem inmeros fatores no controlveis que agem sobre o processo o erro experimental.
Uma funo matemtica que explica aproximadamente o relacionamento entre duas ou mais
variveis, construda com base em dados observados, pode ser considerada um modelo de regresso,
um tipo especial de modelo emprico. Dado um problema, o conhecimento de engenharia
fundamental para escolher adequadamente as variveis e, s vezes, a forma funcional (uma reta,
uma parbola, etc.), mas a construo completa do modelo feita atravs dos dados.
No exemplo em questo, a Figura apresentada sugere que uma reta (y = a + bx) descreve
aproximadamente o relacionamento. As 11 observaes da resistncia (y) para diferentes tempos de
hidratao (x) so usadas para obter valores de a e b adequados, conforme estudaremos
futuramente. A Figura a seguir mostra a equao de regresso analtica e graficamente. O chapu
sobre y para diferenciar o modelo (a reta) dos valores efetivamente observados (os pontos).
y 8,01 1,95 x
em que x o tempo de hidratao e y o valor de resistncia predito pelo modelo.

Figura Exemplo de um modelo emprico para explicar a resistncia de um concreto, em funo do tempo de hidratao.

Obs.: * O pascal (smbolo: Pa) a unidade padro de presso e tenso no sistema internacional (SI).
Equivale a fora de 1 N aplicada uniformemente sobre uma superfcie de 1 m. O nome dessa
unidade uma homenagem a Blaise Pascal, eminente matemtico, fsico e filsofo francs. MPa =
megapascal = 106 pascal.
A Figura a seguir apresenta um programa escrito na planilha eletrnica de clculos MS-Excel que
executa uma regresso linear simples. Veremos isso em um captulo posterior.

Nome do arquivo: Regressao_Linear_Programa_Prof_Donizetti_22outubro2013.xls

19
 FASES HISTRICAS DA ESTATSTICA UM POUCO DE HISTRIA E ALGUMAS ESTRIAS?
Adaptado/compilado a partir de: http://www.alea.pt/html/nomesEdatas/swf/biografias.asp?art=10 e http://www.mat.ufrgs.br/~vigo/historia.html

Primeira Fase:
A origem da palavra Estatstica est associada palavra latina status (Estado). H indcios de que
3000 anos a.C. j se faziam censos na Babilnia, China e Egito e at mesmo o 4 livro do Antigo
Testamento (Nmeros) faz referncia uma instruo dada a Moiss, para que fizesse um
levantamento dos homens de Israel que estivessem aptos para guerrear. Usualmente, estas
informaes eram utilizadas para a taxao de impostos ou para o alistamento militar. O Imperador
Csar Augusto, por exemplo, ordenou que se fizesse o Censo de todo o Imprio Romano (63 a.C. a 14
d.C.).
A palavra "CENSO" derivada da palavra "CENSERE", que em Latim significa "TAXAR". Em 1085,
Guilherme, O Conquistador, solicitou um levantamento estatstico da Inglaterra, que deveria conter
informaes sobre terras, proprietrios, uso da terra, empregados e animais. Os resultados deste
Censo foram publicados em 1086 no livro intitulado "Domesday Book"
(http://www.fordham.edu/halsall/source/domesday1.asp) e serviram de base para o clculo de
impostos.
Contudo, mesmo que a prtica de coletar dados sobre colheitas, composio da populao humana
ou de animais, impostos, etc., fosse conhecida pelos egpcios, hebreus, caldeus e gregos, e se
atribuam a Aristteles 180 (cento e oitenta) descries de Estados, apenas no sculo XVII a Estatstica
passou a ser considerada disciplina autnoma, tendo como objetivo bsico a descrio dos bens do
Estado.
Desde a queda do imprio romano passou praticamente um milnio sem que se conheam
estatsticas importantes, a no ser as realizadas por Pipino, em 758, e por Carlos Magno, em 762,
sobre as terras que eram propriedade da Igreja.
Desde ento, muitos Estados ordenaram estudos para melhor conhecerem determinadas
caractersticas da populao, nomeadamente para determinarem leis sobre impostos e nmero de
homens disponveis para combater. Esta foi a primeira fase do que, hoje, se chama Estatstica.
Segunda Fase:
No sculo XVII, na Inglaterra, iniciou-se uma segunda fase em que j se analisavam grupos de
observaes numricas relacionadas sade pblica, nascimentos, mortes e comrcio. Nesta fase,
distinguiram-se John Graunt (1620-1674) e William Petty (1623-1687), que procuraram leis
quantitativas para traduzir fenmenos sociais e polticos.
A palavra Estatstica foi cunhada pelo acadmico alemo Gottfried Achenwall (1719-1772), que foi
um notvel continuador dos estudos de Hermann Conrig (1606-1681). A escola alem atingiu sua
maturidade com A. L. von Schlozer (1735-1809), mas sempre com ideias diferentes daquelas que
fundamentaram a Estatstica Moderna. Com algum exagero, pode-se dizer que o seu principal legado
foi o termo "STAATENKUNDE", que deu origem designao atual. Na Enciclopdia Britnica, o
verbete "STATISTICS" apareceu em 1797.
Em contraposio natureza eminentemente qualitativa da escola alem, na Inglaterra do sculo
XVII surgiram os aritmticos polticos, dentre os quais destacaram-se John Graunt (1620-1674) e
William Petty (1623-1687). Eles preocuparam-se com o estudo numrico dos fenmenos sociais e
polticos, na busca de leis quantitativas que pudessem explic-los. O estudo consistia essencialmente
de exaustivas anlises de nascimentos e mortes, realizadas por intermdio das Tbuas de
Mortalidade, que deram origem s atuais Tbuas de Mortalidade usadas pelas companhias de
seguros. Um dos resultados mais importantes foi a constatao de que o percentual de nascimento
de crianas do sexo masculino (51%) levemente superior ao do sexo feminino (49%). Dessa forma, a

20
escola dos aritmticos polticos pode ser considerada o bero da Demografia. Um de seus mais
notveis adeptos foi o pastor alemo Sussmilch (1707-1767), com o qual pode-se dizer que a
Estatstica aparece pela primeira vez como meio indutivo de investigao.
John Graunt homem muito estudioso, um dos fundadores da Royal Society, viveu em uma poca
marcada pelo nascimento da cincia moderna. Foi o primeiro estatstico a fazer o tratamento
estatstico de dados demogrficos e a tentar aplicar a teoria a problemas reais. No estudou em
nenhuma universidade mas viveu em um perodo de grande atividade intelectual, marcado pelo
nascimento da cincia moderna.
Em 1662, Graunt publicou o famoso Natural and Political Observations on the London Bills of
Mortality (Observaes Naturais e Polticas da taxa de mortalidade londrina). Este foi o seu primeiro
tratamento estatstico de dados demogrficos. Estudou a mortalidade na cidade de Londres e as
incidncias das causas naturais, sociais e polticas nesse fenmeno. Por meio das Tbuas de
Mortalidade realizadas no auge da peste negra na cidade de Londres, Graunt fez uma anlise
exaustiva do nmero de pessoas que morriam de vrias doenas e estimou o nmero de nascimentos
de homens e mulheres. Foi o primeiro estatstico a fazer observaes entre sexos e mostrou que
nasciam mais homens que mulheres e que por cada 100 pessoas nascidas, 36 morriam aos 6 anos e 7
sobreviviam at aos 70 anos.
Cinquenta cpias da sua obra foram apresentadas Royal Society e foi nomeado um comit para
examinar o livro, o qual deu um parecer favorvel. A sua obra chamou a ateno de Carlos II (Rei de
Inglaterra) que props a Graunt ser scio fundador da Royal Society. Em 1664 foi eleito para o
conselho da Royal Society, onde foi o primeiro participante regular das reunies at Abril de 1666.
Com o seu amigo William Petty (1623-1687) fundou a escola dos "Aritmticos Polticos" que se
preocupava com o estudo numrico dos fenmenos sociais e polticos.
Terceira Fase:
Historicamente, o propsito dos estudiosos da teoria das probabilidades limitava-se aos estudos dos
jogos de azar, cujo interesse estava voltado em planejar estratgias de apostas. A limitao no estudo
da teoria das probabilidades retardou por muito tempo o seu desenvolvimento como disciplina no
campo da Matemtica. At que Pierre-Simon de Laplace publica, em 1812, o livro Theorie
Analytique des Probabilits, no qual aborda a definio clssica de probabilidade. A partir da o
progresso desta teoria no parou, novos estudos foram realizados ao longo do tempo,
proporcionando aos estudiosos a aplicao da probabilidade na soluo de diversos problemas
presentes no cotidiano das pessoas.
O desenvolvimento do Clculo das Probabilidades surge tambm no sculo XVII. A ligao das
probabilidades com os conhecimentos estatsticos gerou uma nova dimenso Estatstica. Considera-
se assim uma nova fase, a terceira, em que se comea a fazer inferncia estatstica. Trs nomes
importantes ligados a esta fase so: Fermat (1601-1665), Pascal (1623-1662) e Huygens (1629-1695).
Outra rea de investigao extremamente importante para o desenvolvimento da Estatstica a
Teoria das Probabilidades. Usualmente, costuma-se atribuir a origem do Clculo de Probabilidades
s questes relacionadas aos jogos de azar que o clebre cavaleiro Mr (1607-1684) encaminhou
Blaise Pascal (1623-1662). No entanto, outros autores sustentam que o Clculo de Probabilidades
teve a sua origem na Itlia, com especial referncia para Luca Pacioli (1445-1517), Girolamo Cardano
(1501-1576), Nicolo Fontana Tartaglia (1500-1557) e Galileo Galilei (1564-1642).
Trs anos depois de Pascal ter previsto que a "aliana do rigor geomtrico" com a "incerteza do
azar" daria lugar a uma nova cincia, Christiaan Huygens (1629-1695) publicou o trabalho
denominado "De Raciociciis in Ludo Aleae", que considerado o primeiro livro sobre o Clculo de
Probabilidades. Alm disso, ainda teve a notvel particularidade de introduzir o conceito de
esperana matemtica.
21
Gottfried Wilhelm von Leibniz (1646-1716) tambm dedicou-se ao estudo do Clculo de
Probabilidades, publicando um trabalho sobre a "arte combinatria" e outro sobre aplicaes s
questes financeiras. Leibniz tambm estimulou Jacques Bernoulli (1654-1705) ao estudo do Clculo
de Probabilidades, cuja grande obra, denominada "Ars Conjectandi", foi publicada oito anos aps a
sua morte. Em Ars Conjectandi de Jacques Bernoulli, foi publicada e rigorosamente provada a Lei
dos Grandes Nmeros de Bernoulli, considerada o primeiro teorema do limite. Pode-se dizer que
graas s contribuies de Bernoulli o Clculo de Probabilidades adquiriu o status de cincia.
Alm da obra pstuma de Bernoulli, o incio do sculo XVII foi marcado pelos livros de Pierre
Rmond de Montmort (1678-1719), denominado "Essai d'Analyse sur les Jeux de Hazard", e de
Abraham De Moivre (1667-1754), intitulado The Doctrine of Chances.
De Moivre era Francs de nascimento, mas desde a sua infncia refugiou-se na Inglaterra devido s
guerras religiosas, fazendo aplicaes ao clculo de anuidades e estabelecendo uma equao simples
para a lei da mortalidade entre 22 anos e o limite da longevidade que fixou em 86 anos. Mais tarde,
na "Miscellanea Analytica", apresentou resultados aos quais Laplace deu uma forma mais geral e que
constituem o segundo teorema limite.
extremamente importante falar, tambm, do reverendo Thomas Bayes (1702-1761) a quem se
deve o conceito de probabilidade inversa, relacionado com situaes em que se caminha do
particular para o geral. No seu livro denominado "Essay towards solving a problem of the doctrine of
chances" (Philosophical Transactions of the Royal Society of London, 1764-65, pstumo), Bayes
formula atravs do teorema que leva seu nome e do postulado que tantas vezes se lhe associa, a
primeira tentativa de matematizao da inferncia Estatstica. Mesmo sem ter publicado nenhum
trabalho com seu nome, em 1742 Thomas Bayes foi eleito membro da Royal Society of London. Para
ver uma relao de alguns trabalhos publicados por Bayes, acesse o site: http://www-groups.dcs.st-
and.ac.uk/~history/References/Bayes.html.
Os estudos dos astrnomos Pierre-Simon Laplace (1749-1827), Johann Carl Friedrich Gauss (1777-
1855) e Lambert Adolphe Jacques Quetelet (1796-1874) foram fundamentais para o desenvolvimento
do Clculo de Probabilidades. Devido aos novos mtodos e ideias, o trabalho de Laplace de 1812,
intitulado "Thorie Analytique des Probabilits", at o presente considerado um dos mais
importantes trabalhos sobre a matria.
Johann Carl Friedrich Gauss, professor de astronomia e diretor do Observatrio de Gottingen, em
1809 apresentou o estudo intitulado "Theoria combinationis Observatorium Erroribus Minimis
Obnoxia", explanando uma teoria sobre a anlise de observaes aplicvel a qualquer ramo da
cincia, alargando o campo de aplicao do Clculo de Probabilidades.
Com Lambert Adolphe Jacques Quetelet, por sua vez, inicia-se a aplicao aos fenmenos sociais. O
seu escrito "Sur l'homme et le dveloppement de ses facults" foi publicado em segunda edio com
o ttulo "Physique sociale ou Essai sur le dveloppement des facults de l'homme", que inclua
pormenorizada anlise da teoria da probabilidade. Quetelet introduziu tambm o conceito de
"homem mdio" e chamou particular ateno para a notvel consistncia dos fenmenos sociais. Por
exemplo, mostrou que fatores como a criminalidade apresentam permanncias em relao a
diferentes pases e classes sociais.
Antoine Augustin Cournot (1801-1877) percebeu a importncia da Teoria das probabilidades na
anlise estatstica, tendo sido o pioneiro no tratamento matemtico dos fenmenos econmicos.
Suas ideias foram publicadas em "Exposition de la thorie des chances et des probabilits".
Na segunda metade do sculo XIX a Teoria das Probabilidades atingiu um dos pontos mais altos com
os trabalhos da escola russa fundada por Pafnuty Lvovich Chebyshev (1821-1894), que contou com
representantes como Andrei Andreyevich Markov (1856-1922) e Aleksandr Mikhailovich Lyapunov
(1857-1918).
22
Contudo, o seu maior expoente foi Andrey Nikolayevich Kolmogorov (1903-1987), a quem se deve
um estudo indispensvel sobre os fundamentos da Teoria das Probabilidades, denominado
"Grundbegrife der Warscheinlichkeitrechnung", publicado em 1933. Em 1950 foi traduzido para o
Ingls sob o ttulo "Foundations of Probability". Para ver uma relao de alguns trabalhos publicados
por Kolmogorov, acesse o site: http://www-groups.dcs.st-and.ac.uk/~history/References/ Kolmogorov.html.
Quarta Fase:
No sculo XIX inicia-se a ltima fase do desenvolvimento da Estatstica, alargando e interligando os
conhecimentos adquiridos nas trs fases anteriores. Nesta fase, inicia-se uma dependncia dos
diferentes ramos do saber relativamente Estatstica. Dois dos grandes nomes associados a esse
desenvolvimento so: Ronald A. Fisher (1890-1962) e Karl Pearson (1857-1936). Mais
detalhadamente, tivemos:
Na ltima metade do sculo XIX, os alemes Helmert (1843-1917) e Wilhelm Lexis (1837-1914), o
dinamarqus Thorvald Nicolai Thiele (1838-1910) e o ingls Francis Ysidro Edgeworth (1845-1926),
obtiveram resultados extremamente valiosos para o desenvolvimento da Inferncia Estatstica,
muitos dos quais s foram completamente compreendidos mais tarde. Contudo, o impulso decisivo
deve-se a Karl Pearson (1857-1936), William S. Gosset (1876-1937) e, em especial, a Ronald A. Fisher
(1890-1962).
Karl Pearson (1857-1936) formou-se em 1879 pela Cambridge University e inicialmente dedicou-se
ao estudo da evoluo de Darwin, aplicando os mtodos estatsticos aos problemas biolgicos
relacionados com a evoluo e hereditariedade. Em 1896, Pearson foi eleito membro da Royal
Society of London.
Entre 1893 e 1912 escreveu um conjunto de 18 artigos denominado Mathematical Contribution to
the Theory Evolution, com contribuies extremamente importantes para o desenvolvimento da
teoria da Anlise de Regresso e do Coeficiente de Correlao, bem como do teste de hipteses de
qui-quadrado. Em sua maioria, seus trabalhos foram publicados na revista Biometrika, que fundou
em parceria com Walter Frank Raphael Weldon (1860-1906) e Francis Galton (1822-1911). Alm da
valiosa contribuio que deu para a teoria da regresso e da correlao, Pearson fez com que a
Estatstica fosse reconhecida como uma disciplina autnoma. Uma coleo de seus artigos foi
publicada em "Karl Pearson Early Statistical Papers" (Ed. por E. S. Pearson, Cambridge University
Press, 1948). Para ver uma relao de alguns trabalhos publicados por Karl Pearson, acesse o site:
http://www-groups.dcs.st-and.ac.uk/~history/References/Pearson.html.
William Sealey Gosset (1876-1937) estudou Qumica e Matemtica na New College Oxford. Em 1899
foi contratado como Qumico da Cervejaria Guiness em Dublin, desenvolvendo um trabalho
extremamente importante na rea de Estatstica. Devido necessidade de manipular dados
provenientes de pequenas amostras, extradas para melhorar a qualidade da cerveja, Gosset derivou
o teste t de Student baseado na distribuio de probabilidades t.
Esses resultados foram publicados em 1908 na revista Biometrika, sob o pseudnimo de Student,
dando origem a uma nova e importante fase dos estudos estatsticos. Gosset usava o pseudnimo de
Student, pois a Cervejaria Guiness no desejava revelar aos concorrentes os mtodos estatsticos que
estava empregando no controle de qualidade da cerveja. Os estudos de Gosset podem ser
encontrados em "Student Collected Papers" (Ed. por E.S.Pearson e J. Wishart, University College,
Londres, 1942). Para ver uma relao de alguns trabalhos publicados por Gosset, acesse o site:
http://www-groups.dcs.st-and.ac.uk/~history/References/Gosset.html.
A contribuio de Ronald Aylmer Fisher (1890-1962) para a Estatstica Moderna , sem dvidas, a
mais importante e decisiva de todas. Formado em astronomia pela Universidade de Cambridge em
1912, foi o fundador do clebre Statistical Laboratory da prestigiosa Estao Agronmica de
Rothamsted, contribuindo enormemente tanto para o desenvolvimento da Estatstica quanto da
23
Gentica. Ele apresentou os princpios de planejamento de experimentos, introduzindo os conceitos
de aleatorizao e da Anlise da Varincia, procedimentos muito usados atualmente.
No princpio dos anos 20, estabeleceu o que a maioria aceita como a estrutura da moderna
Estatstica Analtica, atravs do conceito da verossimilhana (likelihood, em ingls). O seu livro
intitulado "Statistical Methods for Research Workers", publicado pela primeira vez em 1925, foi
extremamente importante para familiarizar os investigadores com as aplicaes prticas dos
mtodos estatsticos e, tambm, para criar a mentalidade estatstica entre a nova gerao de
cientistas. Os trabalhos de Fisher encontram-se dispersos em numerosas revistas, mas suas
contribuies mais importantes foram reunidas em "Contributions to Mathematical Statistics" (J.
Wiley & Sons, Inc., Nova Iorque, 1950).
Fisher foi eleito membro da Royal Society em 1929 e condecorado com as medalhas Royal Medal of
the Society e Darwin Medal of the Society em 1938 e em 1948, respectivamente. Em 1955 foi
novamente condecorado, desta vez com a medalha Copley Medal of the Royal Society. Para ver uma
relao de alguns trabalhos publicados por Fisher, acesse o site: http://www-groups.dcs.st-
%20and.ac.uk/~history/References/Fisher.html.
A Estatstica e Deming: Deming nasceu em 14 de outubro de 1900 em Sioux City, Iowa. Em 1921
licenciou-se em Fsica, na Universidade do Wyoming e, em 1928, doutorou-se em Matemtica pela
Yale University. O impacto das suas ideias foi de tal forma elevado que Deming , hoje, considerado
o pai do milagre industrial japons. Morreu em 1993, com 93 anos. Em sua homenagem, a JUSE
(Japan Union of Scientists and Engineers) instituiu o Deming Prize, que premia anualmente as
melhores empresas no campo da qualidade. Deming foi condecorado pelo imperador do Japo com o
mais elevado galardo atribudo a um estrangeiro: a Medalha de 2 Ordem do Sagrado Tesouro. Os
Estados Unidos s o descobriram na dcada de 80. Em 1986, Reagan atribuiu-lhe a National Medal of
Technology e nesse ano foi lanado o livro Out of Crisis, a obra que consolidou de vez a sua fama
como o grande mestre da qualidade. Veja um vdeo ilustrativo no site:
http://www.youtube.com/watch?v=tDu47czfwiI#t=11.

Como exposto anteriormente, inicialmente a Estatstica envolvia: compilaes de dados e grficos

representativos dos vrios aspectos de um estado ou pas, taxa de mortalidade, taxa nascimento,
renda, taxas de desemprego, etc. Hoje, a Estatstica no se limita apenas ao estudo da Demografia e
da Economia. O seu campo de aplicao alargou-se anlise de dados em Biologia, Medicina, Fsica,
Psicologia, Indstria, Comrcio, Meteorologia, Educao, Engenharia, etc., e ainda a domnios
aparentemente desligados, como Estrutura de Linguagem e estudo de Formas Literrias.
Segundo Loesch (2012), pesquisadores das reas das Cincias Exatas, Sociais e Aplicadas e da Sade
valem-se da Estatstica para tarefas como calcular estimativas, computar ndices diversos, apresentar
dados de forma sistemtica por meio de grficos e/ou tabelas, fazer previses e testar hipteses. Na
rea de Marketing, esse domnio auxilia a descobrir nichos de mercado, hbitos e preferncias de
consumidores. Ainda, segundo esse autor: existem muitos desenvolvimentos na Estatstica cujas
aplicaes so direcionadas a determinadas reas, como a anlise de sobrevida (para a Medicina) e o
Controle Estatstico de Processos (para o Controle de Qualidade).
Na sua origem, a Estatstica estava ligada ao Estado, como j aqui foi referido. Hoje, no s se
mantm esta ligao, como todos os Estados e a sociedade em geral dependem cada vez mais dela.
Por isso, em todos os Estados existe um Departamento ou Instituto Nacional de Estatstica. No Brasil
ns temos o IBGE (Instituto Brasileiro de Geografia e Estatstica), enquanto no Paran, temos o
IPARDES (Instituto Paranaense de Desenvolvimento).
E assim continua at hoje: estimativas do tamanho da populao, taxas de natalidade e de
mortalidade, ndices de desemprego e de inflao so dados constantemente atualizados e
divulgados. Mantendo a continuidade, organizaes governamentais costumam criar e manter

24
rgos oficiais para levantamento de dados dessa natureza, como o IBGE* no Brasil. Essas
informaes so sumamente importantes, pois substanciam no s tomadas de deciso poltica
como tambm so empregadas por empresrios e pela populao de modo geral (LOESCH, 2000).
*O Instituto Brasileiro de Geografia e Estatstica, mais conhecido por sua sigla IBGE, uma fundao pblica da
administrao federal brasileira, com atribuies ligadas s geocincias e estatsticas sociais, demogrficas e econmicas,
o que inclui realizar censos e organizar as informaes obtidas nesses censos, para suprir rgos das esferas
governamentais federal, estadual e municipal, e para outras instituies e o pblico em geral.

Hoje, podemos encontrar diversos exemplos que ilustram a utilizao e a aplicao das
probabilidades. Por exemplo, a previso de produo de milho para o prximo ano, a constatao de
falha mecnica em um sistema de preveno contra vazamento em uma usina nuclear, a avaliao do
impacto de uma reduo no nmero de funcionrios de determinado setor de uma empresa, etc.
Atualmente, a Teoria das Probabilidades tem muita importncia e vrias aplicaes em estatstica,
economia, engenharia, fsica, qumica, sociologia, biologia e vrios outros campos do conhecimento.
Seu estudo se justifica pelo fato de a maioria dos fenmenos de que trata a Estatstica ser de
natureza probabilstica, essencial para o estudo da inferncia estatstica (LOESCH, 2012).
Hoje em dia, os meios de comunicao de massa ou mdias, entre eles os jornais, as revistas, o rdio,
a televiso e, mais recentemente a Internet, popularizaram os conceitos e noes da teoria das
probabilidades. Este fato contribuiu para a interao estimulante e flexvel entre a teoria e o dia a dia
das pessoas, desmistificando a associao inicial de probabilidade com os jogos de azar.
Perceba, portanto, que a probabilidade est muito mais presente na sua vida do que voc, at ento,
poderia imaginar!
Marcos histricos da Teoria de Probabilidade...Mais um pouco de Histria... Resumidamente...
Adaptado de: http://www.lsilva.uac.pt/Ensino/teaching.html#Bio

A Histria registra censos, para fins de alistamento militar e de coleta de impostos, realizados h
mais de 4000 anos, como o caso do censo do imperador Yao na China, em 2200 a.C. Em todo esse
tempo, a Estatstica era meramente o trabalho de exibio e sntese dos dados obtidos pelo censo. O
astrnomo e matemtico belga Adolphe Qutelet (1796-1874), em torno de 1850, foi o pioneiro em
medir e observar apenas uma pequena amostra do universo envolvido e, a partir de anlise
probabilista, estender os resultados da amostra para todo o universo. Portanto, no de se
estranhar que a palavra Estatstica provenha do latim status, que significa estado, pois sua primitiva
utilizao envolvia coletas de dados e construes de grficos que descreviam vrios aspectos de um
estado ou pas (LOESCH, 2012).
Os primeiros estudos matemticos sobre probabilidades (chances) foram feitos pelos italianos
Cardano (1501-1576) e Galileu Galilei (1564-1642), e tratavam de jogos de dados. A correspondncia
trocada entre Pascal (1612-1668) e Fermat (1601-1665) em que ambos chegam a uma soluo
correta de um clebre problema da diviso das apostas em um jogo de azar representou o impulso
inicial Teoria das Probabilidades (LOESCH, 2012).
Huyghens (1629-1695) publicou, em 1657, De Ratiociniis in Ludo Aleae (Sobre o raciocnio em
jogo de dados), que considerado o primeiro livro sobre clculo das probabilidades, com a
particularidade de introduzir o conceito de esperana matemtica (LOESCH, 2012).
Leibniz (1646-1716) publicou duas obras, uma sobre a arte combinatria e outra sobre as
aplicaes do clculo das probabilidades s questes financeiras. Foi ainda devido ao conselho de
Leibniz que Jacques Bernoulli se dedicou ao aperfeioamento da teoria (LOESCH, 2012).
O primeiro trabalho prtico na rea dos seguros de vida devido a Halley, em 1693. No seu trabalho
Degrees of Mortality of Mankind, Halley mostrou como calcular o valor da anuidade do seguro em

25
termos da expectativa de vida da pessoa e da probabilidade de que ela sobrevivesse por um ou mais
anos (LOESCH, 2012).
Por volta do ano 1700 comea um perodo de rpido desenvolvimento para a Teoria das
Probabilidades. Jacob Bernoulli escreveu Ars Conjectandi (Arte da conjectura), publicado em
1713, alguns anos aps a morte do autor. Nessa obra encontramos, entre outras coisas, a importante
proposio conhecida como Teorema de Bernoulli, pelo qual, pela primeira vez, a Teoria das
Probabilidades ascendeu do nvel elementar de solues de problemas particulares a um resultado
de importncia geral. J De Moivre, em sua obra The Doctrine of Chances, primeira edio em
1718, formula pela primeira vez um teorema conhecido como regra de multiplicao das
probabilidades. Nas obras de Bernoulli e de De Moivre, a teoria dos jogos de azar foi desenvolvida
ainda mais base da definio clssica de probabilidade, e vrios mtodos combinatrios e outros
mtodos matemticos foram aplicados teoria (LOESCH, 2012).
Os livros de Bernoulli e De Moivre foram as contribuies mais importantes no perodo inicial da
Teoria das Probabilidades antes de Laplace. Nenhum outro livro de maior importncia foi publicado
at 1812, quando Pierre Simon de Laplace (1749-1827) escreveu, com base em trabalhos que
desenvolveu entre 1771 e 1786, seu grande tratado, Thorie analytique des Probabilits. Os
fundamentos da teoria de probabilidade foram ento colocados por Laplace em uma forma (hoje dita
clssica) que se manteve praticamente inalterada at o incio do sculo XX. Nesse tratado, Laplace fez
novas contribuies e reuniu, sistematizou e ampliou resultados desenvolvidos por seus
predecessores. Estabeleceu os mtodos de equaes diferenas e de funes geratrizes e deu uma
nova formulao e uma prova do teorema central do limite (LOESCH, 2012).
Thomas Simpson, cujas principais contribuies foram em anlise matemtica, foi o primeiro a usar
distribuies de probabilidade contnuas e a desenvolver uma teoria sistemtica de erros de medidas
aleatrias, independentemente do conceito de variveis aleatrias, que mais tarde, em torno de
1770, foi redescoberta por Joseph-Louis Lagrange (1736-1813), o genial autor de Mchanique
analytique (LOESCH, 2012).
Thomas Bayes (1702-1761) escreveu o trabalho matemtico Essay Towards Solving a Problem in
the Doctrine of Chances, publicado pela Royal Society em 1763, trs anos aps sua morte. A
originalidade e a importncia do conceito de probabilidade inversa introduzido por Bayes nesse
trabalho o imortalizaram. Suas concluses foram aceitas por Laplace em um artigo de 1781, que
deduziu, no segundo volume de sua Thorie analytique, a frmula hoje conhecida como regra de
Bayes. Os conceitos de Bayes deram origem a uma escola de inferncia estatstica com propostas
alternativas aos chamados mtodos clssicos da Estatstica. O conceito bayesiano de probabilidade
tem sido motivo de controvrsias tanto nos aspectos filosficos de interpretao do que seja
probabilidade (objetiva versus subjetiva) como na aplicao em inferncia estatstica (LOESCH,
2012).
A teoria de correlao teve incio na segunda metade do sculo XIX. Francis Galton (1822- 1911) foi
quem usou pela primeira vez os termos correlao e regresso. Publicou em 1869 o livro Hereditary
Genius, sobre a teoria da regresso. Seu aluno, Karl Pearson, desenvolveu a frmula matemtica
que usamos hoje e que tem o seu nome em homenagem. O smbolo do coeficiente de correlao
amostral r vem da primeira letra da palavra regresso em reconhecimento a Galton (LOESCH,
2012).
No sculo XIX, Carl Friedrich Gauss (1777-1855) estabeleceu a relao da distribuio de erros de
medidas com a curva normal e desenvolveu o mtodo dos mnimos quadrados. Sua teoria dos erros e
o intimamente relacionado mtodo dos mnimos quadrados se tornaram de grande importncia
prtica e terica (LOESCH, 2012).

26
No final do sculo XIX, o russo Pafnuty L. Chebyshev (1821-1884) fundou a denominada escola de
So Petersburgo, que produziu grandes matemticos russos, com contribuies fundamentais
Teoria das Probabilidades. Chebyshev foi o primeiro a raciocinar sistematicamente em termos de
variveis aleatrias e seus momentos. Usando esses conceitos, Chebyshev estabeleceu uma simples
desigualdade que permitiu uma prova trivial da lei dos grandes nmeros. O conceito de momentos
foi utilizado por ele e, em seguida, por seu aluno Andrei Andreiwich Markov (1856-1922) para dar
uma prova rigorosa do teorema central do limite. Um outro de seus famosos alunos, Alexander M.
Lyapunov (1857-1918), posteriormente usou o conceito de funes caractersticas para dar uma
prova mais simples desse importante teorema. Markov fez estudos sobre dependncia de variveis
aleatrias analisando as hoje denominadas cadeias de Markov em tempo discreto. O trabalho
fundamental sobre as cadeias de Markov em tempo contnuo foi desenvolvido posteriormente por
Kolmogorov (LOESCH, 2012).
Na dcada de 1870, Ludwig Boltzmann (1844-1906) publicou uma srie de trabalhos nos quais
demonstrou que a segunda lei da termodinmica e o conceito de entropia podiam ser explicados
aplicando-se as leis da mecnica e a teoria de probabilidade aos movimentos dos tomos, mostrando
que eram essencialmente fenmenos estatsticos e que o estado de equilbrio termodinmico a
maior probabilidade em um sistema. Seu trabalho estabeleceu os fundamentos para o
desenvolvimento da Fsica Estatstica, uma teoria que relaciona as propriedades trmicas da matria
ao comportamento de seus tomos (LOESCH, 2012).
Em 1933, o matemtico russo Andrei N. Kolmogorov (1903-1982) lanou as bases axiomticas da
probabilidade e desenvolveu toda uma teoria que constituiu um enorme avano na rea,
estabelecendo um marco histrico. No obstante o nvel avanado de matemtica necessrio para
uma compreenso aprofundada do assunto, seus princpios bsicos so relativamente simples e
intuitivos, permitindo que se tenha uma boa compreenso dos conceitos e suas aplicaes prticas
(LOESCH, 2012).
A Estatstica nasceu essencialmente como descritiva Estatstica Descritiva. Dentro do possvel,
abrangia as populaes na sua globalidade.
A Inferncia Estatstica surge mais tarde e desenvolvida ao longo de vrios sculos, com base na
Matemtica, mas tentando resolver problemas ligados a diferentes reas cientficas.
No entanto, enquanto que algumas tcnicas estatsticas eram utilizadas correntemente em
Astronomia no sculo XVIII, apenas no sculo XX surgem como aplicaes generalizadas nas Cincias
Sociais. A Estatstica, como a consideramos atualmente, surgiu como uma rea distinta apenas no
sculo XX.
O desenvolvimento da Teoria das Probabilidades remonta ao sculo XVII, com Fermat, Pascal e
Huygens. Mas esses matemticos no fizeram a ligao a problemas de inferncia, restringiram-se ao
estudo de jogos de azar. As razes/origens da teoria de probabilidade esto associadas aos jogos de
azar, em Monte Carlo, no sculo XVII.
Em 1651 o Conde de Mr (viciado no jogo) viajava com Pascal (homem que estudava religio e
Matemtica inventor da mquina de calcular) e colocou-lhe a seguinte questo: Eu e um amigo
estvamos a jogar quando uma mensagem urgente nos obrigou a interromper o jogo. Tnhamos
colocado em jogo 30 pistolas cada um (1 pistola = 2,5 ). Ganharia as 60 pistolas o primeiro que
obtivesse 3 vezes o nmero que escolheu no lanamento de um dado. Eu tinha escolhido o 6 e
quando o jogo foi interrompido j tinha sado o 6 duas vezes. O meu amigo tinha escolhido o 1 que
apenas tinha sado uma vez. Como dividir as 60 pistolas? Pascal interessou-se por este problema e
iniciou uma correspondncia com o seu amigo Fermat para analisar a situao. Essa correspondncia
marca o incio da Teoria das Probabilidades.

27
A inferncia estatstica surge com o incio da combinao de observaes em Astronomia e Geodesia
e desenvolve-se com a utilizao da probabilidade em problemas de inferncia.
Entre 1700 e 1900 a estatstica foi alastrando a vrias disciplinas: Astronomia e Geodesia, Psicologia,
Biologia, Cincias Sociais, transformando-se ao longo do processo.
Os nmeros do acaso (Este texto, elaborado por Carmen Kawano foi retirado da revista Galileu, 153 ed., de abril de 2004)
Fonte: http://revistagalileu.globo.com/Galileu/0,6993,ECT705269-2680,00.html

Teoria da probabilidade criada no sculo 18 pelo reverendo Bayes ainda gera controvrsia
Dar um palpite sobre que face da moeda vai cair para cima ou se vai chover amanh sempre fez
parte de nossas vidas. A origem da probabilidade matemtica est ligada aos jogos de cartas e aos
jogos de dados, no sculo 15, quando muitos matemticos faziam clculos sobre o nmero provvel
de vencedores e a quantidade a ser ganha nos jogos mais disputados. Uma das opes de clculo
mais usadas pelos estatsticos nas suas previses hoje, porm, a que foi desenvolvida no sculo 18
pelo reverendo ingls Thomas Bayes (1702-1761).
Filho e neto de clrigos, Bayes se formou em teologia e nunca exerceu oficialmente a carreira de
matemtico. Ele cuidava de uma igreja no interior da Inglaterra e havia publicado somente um artigo
no assinado, mas era respeitado pela comunidade matemtica em seu tempo. Assim, foi admitido
na Royal Society de Londres, que congrega cientistas renomados do Reino Unido. Segundo os
documentos da entidade, o reverendo possua amplo conhecimento de geometria e dominava todas
as reas da matemtica e filosofia da poca.
A ideia de Bayes para o clculo de probabilidades foi publicada postumamente pela Royal Society
com o ttulo "Ensaio Voltado para Soluo de um Problema na Doutrina do Acaso" e uma explicao
de como ele abordava os problemas propostos pelos matemticos anteriores a ele. O trabalho
passou a ser conhecido como Teorema de Bayes, uma tcnica de estatstica e estimativa que virou
uma lei fundamental da matemtica.
Palpite calculado
Essencialmente o que a proposta do reverendo trazia de inovador era o carter subjetivo na
previso de um evento, ou seja, a opinio do matemtico que manipula os nmeros entra de modo
significativo nos clculos. Essa opinio baseada na quantidade de informao que se tem nas mos
sobre as condies de ocorrer tal evento. As informaes vo definitivamente influenciar a previso.
Ento, em uma disputa de cara ou coroa por exemplo, todo mundo concorda que a chance de
algum ganhar de 50%. Mas se o trato for de jogar a moeda quatro vezes, o mtodo bayesiano de
fazer previso vai se ajustando a cada jogada. Se der "cara" nas duas primeiras jogadas, as chances
para as jogadas posteriores no sero mais meio-a-meio, segundo Bayes. Usando esse mtodo na
previso das chances de um time A vencer um time B, deve-se levar em conta as informaes que se
tem sobre resultados anteriores a essa disputa, como quantas vezes A venceu B, e as experincias e
opinies de especialistas sobre esse jogo, o campeonato e os jogadores.
Usar o clculo da probabilidade justamente fazer palpites sobre determinados eventos, se vo
ocorrer ou no. Ele considerado cincia porque estuda com lgica e racionalidade as chances de um
evento ocorrer.
Apesar de estar baseado rigidamente na lgica e na razo, o Teorema de Bayes passou por vrias
controvrsias medida que os estudos sobre probabilidade e estatstica evoluam. At hoje ele
criticado por incluir o carter subjetivo a opinio no ajuste de clculos, e por isso ser "sem p nem
cabea" do ponto de vista dos matemticos conservadores e compromissados com a objetividade.
Na poca em que viveu, certamente o reverendo no tinha tanta necessidade de prever riscos e
benefcios de alguma aplicao financeira ou se algum veculo de locomoo teria muita chance de
quebrar ou no.
28
Hoje sua teoria pode ser aplicada a quase todas as reas do conhecimento, nas pesquisas cientficas
ou no cotidiano das pessoas. Autoridades de sade pblica no podem deixar de usar os clculos
probabilsticos na previso de alcance de uma epidemia. As economias mundiais no vivem mais sem
a previso de inflao, desemprego ou da alta ou baixa da cotao das moedas. Apesar de sempre
terem sido criticados, Thomas Bayes e suas ideias continuam desafiando a intuio e o "achismo" nas
nossas apostas e palpites dirios.
Abusos no Uso da Estatstica
No de hoje que ocorrem abusos com o uso da estatstica. Assim que, h cerca de um sculo, o
estadista Benjamin Disraeli disse: H trs tipos de mentira: as mentiras, as mentiras srias e a
estatstica. J se disse tambm que os nmeros no mentem, mas os mentirosos forjam nmeros
(Figures dont lie; liars figure) e que se torturarmos os dados por bastante tempo, eles acabaro por
admitir qualquer coisa. O historiador Andrew Lang disse que algumas pessoas usam a estatstica
como um bbado utiliza um poste de iluminao para servir de apoio e no para iluminar. Todas
essas afirmaes se referem aos abusos no uso da estatstica, quando os dados so apresentados de
forma enganosa. Alguns dos que abusam da estatstica o fazem simplesmente por descuido ou
ignorncia; outros, porm, tm objetivos pessoais, pretendendo suprimir dados desfavorveis
enquanto do nfase aos dados que lhes so favorveis. Passemos a alguns exemplos das diversas
maneiras como os dados podem ser distorcidos.
Pequenas amostras:
Veremos, posteriormente, que pequenas amostras no so necessariamente ms; entretanto, os
resultados obtidos com pequenas amostras podem por vezes ser usados como uma forma de
mentira estatstica. As preferncias de apenas 10 dentistas por determinado dentifrcio no devem
servir de base para uma afirmao generalizada como A pasta dentifrcia XYZ recomendada por 7
em cada 10 dentistas. Mesmo que a amostra seja grande, ela deve ser no-tendenciosa e
representativa da populao de onde provm. s vezes uma amostra pode parecer realmente grande
(como em uma pesquisa com 2.000 adultos americanos escolhidos aleatoriamente), mas se se
formulam concluses acerca de subgrupos, como republicanos catlicos do sexo masculino, tais
concluses podem estar baseadas em amostras assaz pequenas.
Nmeros precisos:
s vezes os prprios nmeros podem ser enganosos. Uma cifra, como um salrio anual de R$
37.735,29, pode parecer muito precisa, introduzindo alto grau de confiana em sua exatido. J a
cifra R$ 37.700,00 no infunde o mesmo senso de preciso. Entretanto, uma estatstica com muitas
casas decimais no necessariamente precisa.
Estimativas por suposio:
Outra fonte de engano estatstico envolve estimativas que so na verdade, suposies (ou, na
linguagem popular, palpites) podendo apresentar erros substanciais. preciso considerar a fonte
da estimativa e a maneira como foi estabelecida. Quando o Papa visitou Miami, as fontes oficiais
estimaram a multido em 250.000 pessoas, mas utilizando fotos areas e grades, o Miami Herald
chegou a uma cifra mais precisa de apenas 150.000.
Porcentagens distorcidas:
Por vezes utilizam-se porcentagens confusas ou distorcidas. Em um anncio de pgina inteira, a
Continental Airlines anuncia melhores servios. No tocante ao caso de bagagem extraviada, o anncio
afirmava que se trata de uma rea em que j melhoramos 100% nos ltimos seis meses. Em um
editorial criticando essa estatstica, o New York Times interpretou corretamente a melhora de 100%
como significando que agora no se extravia mais qualquer bagagem o que ainda no foi
conseguido pela Continental Airlines.
29
Cifras parciais:
Noventa por cento dos carros vendidos nos EUA nos ltimos anos ainda esto rodando. Milhes de
consumidores ouviram esta mensagem e ficaram com a impresso de que esses carros devem ter
sido muito bem construdos para durarem tanto. O que o fabricante no mencionou foi que 90% dos
carros por ele vendidos, o foram nos ltimos trs anos. A alegao, embora tecnicamente correta,
era enganosa, por no apresentar os resultados completos.
Distores Deliberadas:
No livro Tainted Truth, Cynthia Crossen cita um exemplo da revista americana Corporate Travel que
publicou dados mostrando que, entre as companhias locadoras de carros, a Avis foi a vencedora em
uma pesquisa junta aos locatrios. Quando a Hertz, empresa concorrente, solicitou informaes
detalhadas sobre a pesquisa, as respostas desapareceram e o coordenador da pesquisa se demitiu. A
Hertz processou a Avis (por falsa propaganda baseada na pesquisa) e a revista: chegou-se a um
acordo.
Perguntas tendenciosas:
As perguntas em uma pesquisa podem ser formuladas de modo a sugerirem uma resposta. Um
caso famoso envolve o candidato presidncia dos EUA, Ross Perot, que formulou a seguinte
pergunta em um questionrio: O presidente deve ter o poder de vetar decises do congresso?
Noventa e sete por cento das respostas foram sim. Entretanto, o percentual de respostas sim
caiu para 57% quando a pergunta foi O presidente deve ter, ou no, o poder de vetar as decises do
congresso? s vezes as perguntas se apresentam involuntariamente tendenciosas em virtude de
fatores como a ordem dos itens a serem considerados. Por exemplo, uma pesquisa alem formulou
estas duas perguntas:
O leitor diria que o trfego contribui em maior ou menor grau do que a indstria para a poluio
atmosfrica?
O leitor diria que a indstria contribui em maior ou menor grau do que o trfego para a poluio
atmosfrica?
Quando o trfego foi mencionado em primeiro lugar, 45% acusaram o trfego e 32% acusaram a
indstria; quando a indstria foi citada em primeiro lugar, as porcentagens se modificaram
grandemente para 24% e 57%, respectivamente.
Pesquisa do Literary Digest:
Na campanha presidencial de 1936, a revista Literary Digest fez uma pesquisa e concluiu pela vitria
de Alf Landon, mas Franklin D. Roosevelt venceu por larga margem. Maurice Bryson observa: Foram
enviadas 10 milhes de cdulas amostra a eleitores em potencial, mas apenas 2,3 milhes foram
devolvidos. Como todos devem saber, tais amostras so quase sempre tendenciosas. Bryson afirma
tambm: As respostas voluntrias a questionrios enviados pelo correio constituem talvez o mtodo
mais comum de coleta de dados sobre cincias sociais encontrado pelos estatsticos, e tambm
talvez o pior. (Ver Bryson, The Literary Digest Poll: Making of a Statistical Myth, The American
Statistician, Vol. 30, N.o 4)
Grficos enganosos:
Muitos dispositivos visuais como grficos em barras e grficos em setores podem ser utilizados
para exagerar ou diminuir a verdadeira natureza de um conjunto de dados. Os grficos da Figura 1 (a)
representam os mesmos dados do Bureau of Labor Statistics (Departamento de Estatstica do
Trabalho), mas a parte (b) tem como objetivo exagerar a diferena entre os ganhos dos homens e os
das mulheres. No partindo do zero no eixo vertical, o grfico (b) tende a produzir uma impresso

30
subjetiva errnea. Essa Figura apresenta uma lio importante. Devemos analisar as informaes
numricas contidas em um grfico, no nos deixando enganar por sua forma geral.
Ganho Semanal Mediano

Ganho Semanal Mediano

R$ 800,00 R$ 800,00
R$ 754,00
R$ 750,00 R$ 754,00
R$ 600,00 R$ 520,00
R$ 700,00
R$ 400,00 R$ 650,00
R$ 600,00
R$ 200,00
R$ 550,00 R$ 520,00
R$ - R$ 500,00
Homens Mulheres Homens Mulheres

(a) (b)
Figura 1 Ganhos de profissionais de tempo integral

Um segundo exemplo, bem parecido: Imaginemos a seguinte situao: a empresa home-sweet-home

Ltda, apresentou um grfico de barras representando nmero de casas que construiu de 1996 a
1999.

Aparentemente, o nmero de casas construdas em 1997 o triplo do de 1996 e o de 1998 cinco

vezes maior. Mas ser mesmo verdade? Note-se que a escala comea em 400. Se compararmos com
o grfico seguinte vemos que afinal as coisas no so bem assim.

Pictogrficos:
Os desenhos de objetos, chamados pictogrficos, tambm podem levar-nos a erro. Os objetos
comumente usados para ilustrar dados incluem sacos de dinheiro, pilhas de moedas, tanques do
exrcito (para despesas militares), vacas (para produo de laticnios), barris (para a produo de
petrleo) e casas (para construo). Ao desenhar tais objetos, o artista pode criar impresses falsas
que distorcem as diferenas. Se duplicamos o lado de um quadrado, a rea no apenas duplicada, e
sim quadruplicada; duplicando cada aresta de um cubo, seu volume no apenas duplicado, e sim
multiplicado por oito. Se os impostos dobram a cada dcada, um desenhista pode representar os
aumentos de impostos por um saco de dinheiro para o primeiro ano e um segundo saco duas vezes
31
mais fundo, duas vezes mais alto e duas vezes mais largo para o segundo ano. Ao invs de
aparecerem duplicados, os impostos se apresentaro aumentados oito vezes: o desenho distorce,
assim, a realidade.
Presso do Pesquisador:
Quando se formulam perguntas a indivduos pesquisados, esses frequentemente apresentam
respostas favorveis sua autoimagem. Em uma pesquisa telefnica, 94% dos que responderam
disseram que lavam suas mos aps usar um banheiro, mas a observao em lugares tais como a
Estao Penn, em Nova York e Golden Park em San Francisco, mostraram que o percentual efetivo
de apenas 68%.
Ms Amostras:
Outra fonte de estatstica enganosa so os mtodos inadequados para coleta de dados. comum um
pesquisador analisar dados e formular concluses errneas porque o mtodo de coleta de dados foi
deficiente. Um exemplo tpico a pesquisa da Nightline em que 186.000 espectadores de televiso
pagaram 50 centavos para discar para um nmero de telefone 900 apresentando sua opinio sobre
se a sede das Naes Unidas deve permanecer nos EUA. Os resultados mostraram que 67% dos que
foram consultados eram favorveis a que a sede da ONU sasse dos EUA. Como os prprios
espectadores que decidiram se seriam includos na pesquisa, temos um exemplo de pesquisa
autoselecionada.
Os exemplos precedentes constituem uma pequena amostra das maneiras como a estatstica pode
ser utilizada de forma enganosa. Livros inteiros tm sido dedicados a esse assunto, inclusive o
clssico How to Lie with Statistics de Darrell Huff, The Figure Finaglers, de Robert Reichard, e
Tainted Truth, de Cynthia Crossen. O entendimento de tais prticas ser de grande auxlio na
avaliao dos dados estatsticos encontrados em situaes cotidianas.
Procurando uma DEFINIO para a ESTATSTICA?
Adaptado de: http://www.mat.ufrgs.br/~vigo/

Pode-se dizer que a Estatstica estuda o inexato de forma exata. Entende-se dessa forma que,
embora o objeto de investigao seja a incerteza, o comportamento da incerteza segue modelos
matemticos precisos, cuja teoria se encontra alicerada na Teoria das Probabilidades. E esse o
motivo pelo qual, por unanimidade, a comunidade cientfica mundial exige o tratamento estatstico
de dados com todo o rigor que possa ser proporcionado pelo raciocnio indutivo da Estatstica. Assim,
o conhecimento da Teoria das Probabilidades precede o conhecimento da inferncia estatstica
(LOESCH, 2012).
H vrias formas de definir a Estatstica. Uma das mais comuns : Estatstica a cincia que se
preocupa com a coleta, a organizao, a apresentao, a interpretao e a anlise de dados
amostrais extrados de uma determinada populao (LOESCH, 2012).
Na tentativa de apresentar uma definio para a Estatstica e considerando a sua prpria
complexidade, interessante lembrar o artigo escrito por Baslio de Bragana Pereira, intitulado
"ESTATSTICA: A TECNOLOGIA DA CINCIA, publicado no Boletim da Associao Brasileira de
Estatstica, Ano XIII, No. 37 - Segundo Quadrimestre de 1997. O ttulo do trabalho, em destaque, j
um referencial do conceito e da importncia que a Estatstica tem na pesquisa cientfica. Para evitar a
fragmentao excessiva das ideias e procurando preservar a clareza dos argumentos, alguns trechos
do artigo sero reproduzidos. Assim, Pereira (1997) escreve:
"A pesquisa cientfica um processo iterativo de acumulao de conhecimento e envolve a
formulao de hipteses, modelos e teorias, a observao de fenmenos e a verificao e rejeio de
hipteses sobre os mesmos. A Estatstica procura tornar esse processo o mais eficiente possvel,
atravs de suas tcnicas de coleta de dados (amostragem e planejamento de experimentos);
32
apresentao de dados (anlise exploratria e descrio: grficos e tabelas); modelagem
(probabilidade e processos estocsticos); anlise indutiva (inferncia: testes e estimao) e
verificao (ajustamento, previso e controle)."
O artigo apresenta as vrias etapas da pesquisa cientfica, ressaltando que a Estatstica est presente
em todo o processo, concluindo-se que a Estatstica a Tecnologia da Cincia. Ainda com base no
referido artigo, convm esclarecer alguns conceitos equivocados, frequentemente encontrados sobre
a Estatstica. Como pondera o autor:
"Quando se fala em Estatstica, o pblico em geral associa ideia de um trabalho de coletar e
armazenar nmeros e dados ou, quando muito, ao clculo de percentagens e ndices a partir desses
dados. Entretanto a Estatstica ou os mtodos estatsticos tm um papel muito mais importante na
cincia e tecnologia."
Usando os argumentos do autor, a relao entre cincia e Estatstica percebida atravs da
concepo atual de cincia, vista como um processo contnuo e iterativo de aprendizado, atravs de
experimentao e dos dados observados e, logicamente, mediante a avaliao quantitativa dos
fenmenos em estudo. Segundo o autor, "uma hiptese inicial leva, por um processo de deduo, a
certas consequncias que so comparadas com os dados." Quando no h concordncia entre as
consequncias e os dados, um processo de induo leva a modificao das hipteses. Inicia-se, assim,
um segundo ciclo na iterao, no qual as consequncias das novas hipteses so novamente
comparadas com os dados (antigos ou novamente coletados), levando a novas modificaes e,
portanto, a um ganho de conhecimento. Como argumenta Pereira (1997), "Este conhecimento assim
obtido, tem interesse intrnseco para satisfazer nossa curiosidade e/ou para objetivos de deciso. Uma
parte de nosso conhecimento meramente uma descrio do que observamos; a parte mais
importante a generalizao ou induo que consiste em fazer inferncias de experincias passadas
para predizer as futuras."
Neste ponto importante resgatar o princpio de unidade da cincia de Karl Pearson, tambm
mencionado por Pereira (1997), que especifica: "A unidade da cincia a unidade dos mtodos
empregados em analisar e aprender atravs da experincia e dos dados." O autor tambm menciona
no artigo a interpretao dada por Harold Jeffreys (1891-1989), que essencialmente postula que a
validao das hipteses deve ser realizada mediante um critrio padro e uniforme,
independentemente da rea de conhecimento. Em outras palavras, diferentes leis podem ser vlidas
em diferentes reas, mas fundamental usar os mesmos critrios para test-las, sob pena de no
termos garantia de que as decises so aquelas garantidas pelos dados e no meramente o resultado
de anlise inadequada ou, ento, de acreditar no que queremos acreditar.
Novamente citando um trecho do artigo, Pereira (1997) conclui que "... o princpio da unidade da
cincia impe a utilizao dos mesmos padres de trabalho e de um conjunto unificado de mtodos
para uso. Este conjunto unificado de mtodos constitui o que se entende por Estatstica e, neste
sentido, podemos, sem dvida, defini-la como a Tecnologia da Cincia."
Os aspectos abordados at aqui parecem suficientes para caracterizar uma definio adequada de
Estatstica, mesmo que no seja unnime. Alis, para uma cincia que lida justamente com incerteza,
unanimidade parece ser um conceito contraditrio. importante salientar, contudo, que o artigo
tambm traz uma discusso sobre o que cincia, apresentando os mtodos estatsticos como a
ferramenta da pesquisa cientfica. Como sugesto, deixamos para aos interessados uma leitura e
discusso mais aprofundada do referido artigo.
Neste momento relevante arriscar uma interpretao dos conceitos apresentados acima, atravs
de uma definio no tanto formal para a Estatstica. Assim, a cincia que permite organizar a gerao
de dados e sua transformao em informao precisamente a Estatstica, que pode ser definida
como o estudo da variabilidade e a medio da consequente incerteza, para extrair eficientemente a

33
informao necessria em estudos cientficos e tecnolgicos das mais diversas reas. Portanto, fica
plenamente evidenciado que a Estatstica parte fundamental do mtodo cientfico.
Algumas definies/tentativas?
Estatstica a cincia que nos ensina qual a situao poltica de todos os estados modernos no nosso
mundo (HOPPER, 1770).
Estatstica o estudo das populaes, das variaes e dos mtodos de reduo dos dados (FISHER,
incio do sculo XX).
Estatstica so dados quantitativos afetados, na maioria dos casos, por uma multiplicidade de causas
(YULE e KENDALL, 1958).
Estatstica pode ser vista como um conjunto de tcnicas que ajudam na tomada de decises, quando
prevalecem condies de incerteza (VIEIRA, 1986)
Estatstica a cincia que tem por objetivos fornecer subsdios para o planejamento e a conduo de
experimentos, bem como para a coleta, descrio e a anlise de dados, e para a interpretao de
resultados (LEMMA, 1992).
Estatstica envolve tcnicas para coletar, organizar, descrever, analisar e interpretar dados, ou
provenientes de experimentos, ou vindos de estudos observacionais (BARBETTA et al., 2010).
Aplicao da ESTATSTICA? Exemplos ilustrativos
Adaptado/formatado a partir: http://www.mat.ufrgs.br/~vigo/

No mundo moderno, a alta competitividade na busca de tecnologias e de mercados tem provocado

uma constante corrida pela informao. Com o advento da melhoria da qualidade e produtividade,
por exemplo, as empresas esto empenhadas em compreender e otimizar os processos produtivos,
os quais esto constantemente gerando dados. A transformao desses dados em informao
eficientemente realizada mediante o uso de mtodos estatsticos.
A Estatstica est presente em todas as reas da cincia que envolvam a coleta e anlise de dados e
sua consequente transformao em informao, para postular, refutar ou validar hipteses
cientficas sobre um fenmeno observvel. Essa uma tendncia crescente e irreversvel, de maneira
que a Estatstica possui um papel vital na tomada de decises e na produo de conhecimentos ou de
novas tecnologias, podendo, assim, ser considerada a "tecnologia da cincia".
Em funo da prpria definio de Estatstica vista anteriormente, fica evidente que os mtodos
estatsticos podem ser empregados em praticamente todas as reas do conhecimento, sempre que
estiver envolvida a coleta ou anlise de dados observacionais ou experimentais.
Nas cincias exatas e tecnologia, em especial na melhoria da qualidade, a metodologia estatstica
tem um papel vital. Nesse sentido, destaca-se o elevado nvel de competitividade da indstria
japonesa, com produtos de alta qualidade e baixo custo, como consequncia da revoluo da
qualidade iniciada pelo Professor W. Deming. Ele alertou os dirigentes das empresas para a
necessidade de criar um ambiente no qual as ferramentas estatsticas possam ser usadas. Assim,
sem dvida parte do sucesso da indstria japonesa atribuda ao emprego de mtodos estatsticos
na produo, gerenciamento e planejamento (no apenas gerar relatrios, mas extrair concluses ou
inferncias).
Tambm deve-se destacar as aplicaes na rea de biometria (medicina, biologia, agronomia,
psicologia, etc.), bem como nas cincias humanas, que tiveram enorme importncia no
desenvolvimento dos mtodos estatsticos. Recentemente, at mesmo reas que tradicionalmente
no faziam anlises baseadas em mtodos quantitativos esto empregando modelos estatsticos
extremamente sofisticados na pesquisa cientfica. Como exemplo, pode-se citar o uso de modelos
logsticos em estudos de variao lingustica, na sociolingustica. A seguir, sero apresentados
34
exemplos da necessidade e importncia da metodologia estatstica para algumas reas de
conhecimento.
1) Experimento Industrial I: Na National Railway Corporation do Japo foi realizado um experimento,
apresentado por Taguchi e Wu (1980) e discutido tambm por Hamada e Wu (1990). O objetivo do
experimento encontrar os fatores que afetam a viabilidade de um procedimento para soldar
duas chapas de ao. A viabilidade definida como o grau de dificuldade no processo de soldagem
de duas chapas, classificado segundo trs categorias: fcil, mediano e difcil. Inicialmente, os
pesquisadores estavam interessados em 9 fatores isolados (A-I) e em quatro combinaes de dois
fatores (AG, AH, AC, GH). O plano experimental escolhido foi um fatorial fracionado do tipo 29-5,
com uma observao para cada subexperimento (denominado run, em ingls).
Referncias: HAMADA, M.; WU, C.F.J. (1990). A critical look at accumulation analysis and related methods.
Technometrics. 32(2): 119-162. TAGUCHI, G.; WU, Y. (1980). Introduction to Off-Line Quality Control. Nagoya, Central
Japan Quality Control Association.

2) Experimento Industrial II: Uma companhia fabrica um produto de borracha que deve satisfazer
certas especificaes, no manchando o painel no qual ser fixado. Para determinar os fatores
importantes que influenciam as caractersticas de qualidade, foram incorporados quatro fatores
no delineamento experimental. Eles eram os compostos qumicos usados na fabricao do
produto. Em cada subexperimento de um delineamento fatorial fracionado do tipo 24-1, uma
unidade do produto foi fixada em um painel de metal pintado, o qual foi submetido a temperatura
alta durante 3 dias. O painel foi ento inspecionado e suas caractersticas foram classificadas em
uma das seguintes trs categorias de dano: nenhum a muito leve; leve a moderado;
moderadamente severo a severo. Os dados e uma anlise inicial desse experimento foram
apresentados por Lear e Stanton (1985) e discutidas posteriormente por Hamada e Wu (1990).
Referncias: LEAR, C.; STANTON, J. (1985). Contact stain requeriment. Third Symposium on Taguchi Methods. Romulus,
MI: American Supplier Institute, p.117-134. HAMADA, M.; WU, C.F.J. (1990). A critical look at accumulation analysis and
related methods. Technometrics. 32(2): 119-162.

3) Experimento Industrial III: (qualidade de camisas termoplsticas para cabos de velocmetros)

Nesse exemplo ser brevemente descrito o experimento realizado na empresa Flex Products, Inc.,
por uma equipe conduzida por J. Quinlan, visando o melhoramento da qualidade de camisas
termoplsticas para cabos de velocmetros, veja Quinlan (1985). As camisas termoplsticas,
produzidas por extruso, so compostas por um forro interno de polipropileno extrusionado, uma
camada de fio tranado e um invlucro coextrusionado. A contrao excessiva das camisas aps a
extruso pode provocar perturbaes na ensamblagem e, consequentemente, perda de
qualidade. O objetivo do experimento encontrar as causas do encolhimento das camisas aps a
extruso. Procedida a anlise do correspondente diagrama de causas e efeitos (denominado
tambm diagrama de Ishikawa ou de espinha de peixe), os engenheiros identificaram 15 fatores
potencialmente responsveis pelo defeito. Esses fatores, bem como seus nveis ou modalidades de
alterao, so mostrados no quadro a seguir. Fatores utilizados no experimento para melhorar a
qualidade de camisas termoplsticas de cabos de velocmetros.
Cdigo Fator Experimental Nvel 1 Nvel 2
A Dimetro externo do forro Usual Modificado
B Moldes do forro Usual Modificado
C Material do forro Usual Modificado
D Velocidade de linha do forro Usual 80% da usual
E Tipo de fio Usual Modificado
F Tenso de tranado Usual Modificada
G Dimetro do fio Menor Usual
H Tenso do forro Usual Maior
I Temperatura do forro Ambiente Pr-aquecida
J Material do revestimento Usual Modificado
35
 K Tipo de molde do revestimento Usual Modificado
L Temperatura de fuso Usual Menor
M Compactao Usual Mais densa
N Mtodo de resfriamento Usual Modificado

Entretanto, como esperava-se que apenas alguns desses fatores fossem realmente ativos, decidiu-se
pela execuo de um experimento dirigido triagem dos fatores. A explorao exaustiva das 2 15 =
32.768 combinaes possveis dos fatores foi substituda pelo estudo da contrao das camisas
produzidas nas condies definidas por cada um dos 16 subexperimentos do plano ortogonal L16
proposto por Taguchi. Assim, para cada subexperimento foram fabricados 3.000 ps do produto final,
totalizando 48.000 ps. A realizao do experimento foi simplificada mediante a elaborao de folhas
de acompanhamento com a ordem (aleatorizada quando possvel) dos subexperimentos. Aps
amostragem aleatria de segmentos de aproximadamente 600 mm em cada poro de 3.000 ps, o
subexperimento incluiu testes de embebio quente, em 4 dias consecutivos, para determinar o
percentual de contrao Y como resposta, para cada segmento.
O mtodo de anlise utilizado por Quinlan (1985) consistiu em construir o quociente sinal-rudo (SN)
proposto por Taguchi para cada subexperimento, aferindo depois os 16 valores de SN com uma
verso da tcnica da anlise da varincia tambm proposta por esse autor, veja Taguchi (1987,
p.625), Box (1988), Nair (1992) e Box, Bisgaard e Fung (1988). Os fatores de impacto estatisticamente
significativo, em ordem de importncia, foram E, G, K, A, C, F, D e H. Aqueles com as mximas
contribuies variao total foram E e G, explicando conjuntamente mais de 70% da variabilidade
dos quocientes.
Os resultados desse experimento foram reanalisados por Vigo (1994), mediante a discretizao da
varivel resposta percentual de contrao das camisas, construindo a varivel grau de contrao das
camisas aps a extruso. Essa nova varivel foi medida segundo as categorias ordenadas rotuladas
como "leve", "mdio" e "forte", s quais foram atribudos os escores 1, 2 e 3, respectivamente. No
trabalho foram apresentados e discutidos diversos procedimentos de anlise para dados ordinais,
cabendo destacar o Modelo de Resposta Mdia proposto por Grizzle, Starmer e Koch (1969), a
Anlise de Acumulao proposta por Taguchi (1987) e o Modelo de Odds Proporcionais proposto por
McCullagh (1980). Aspectos metodolgicos dos dois ltimos mtodos foram rigorosamente
discutidos, incluindo o procedimento iterativo de estimao dos parmetros do modelo de
McCullagh, apresentando, tambm, procedimentos computacionais para o ajuste do modelo.
Dentre os principais resultados, a Anlise de Acumulao detectou os 15 fatores como responsveis
pelo grau de contrao das camisas, enquanto que o Modelo de Resposta Mdia apresentou, pela
ordem de importncia, os fatores E, G, B, F, D, A, C, K e I. O Modelo de Odds Proporcionais mostrou-
se superior aos demais mtodos, sugerindo que apenas os fatore E e G so responsveis pela
contrao das camisas. Alm disso, atravs do Modelo de Odds Proporcionais tambm possvel
estimar magnitude e direo dos efeitos dos fatores que provocam impacto significativo sobre o grau
de contrao das camisas termoplsticas. Como concluso do estudo, para diminuir o grau de
contrao das camisas deveria ser recomendado o tipo de fio modificado, com dimetro usual, desde
que essa combinao no afete as demais caractersticas de qualidade do produto.
Referncias: BOX, G. (1988). Signal-to-noise ratios, performance, criteria, and transformations. Technometrics. 30(1): 1-
40. BOX, G.; BISGAARD, S.; FUNG, C. (1988). An explanation and critique of Taguchi's contributions to quality engineering.
Report n 28, Center for Quality and Productivity Improvement, University of Wisconsin-Madison. GRIZZLE, J.E.;
STARMER, C.F.; KOCH, G.G. (1969). Analysis of categorical data by linear models. Biometrics. 43: 471-476. McCULLAGH, P.
(1980). Regression models for ordinal data. J. R. Statist. Soc. B. 42(2): 109-142. NAIR, V.N. (1992). Editor. Taguchi's
parameter design: a panel discussion. Technometrics. 34(2): 127-161. QUINLAN, J. (1985). Product improvement by
application of Taguchi methods. Third Supplier Symposium on Taguchi Methods. American Supplier Institute, Inc.,
Dearborn, MI. TAGUCHI, G. (1987). System of Experimental Design: Engineering Methods to Optimize Quality and
Minimize Costs. New York, UNIPUB/Klaus International, White Plains, Vol. 1 e Vol. 2. VIGO, A. (1994). Anlise de

36
Experimentos Industriais com Respostas Categricas Ordenadas: Mtodo de Taguchi e Modelo de McCullagh. Dissertao
de Mestrado, UNICAMP. Campinas, SP.

4) Ensaio Clnico I: Para avaliar a eficcia do tratamento da candidase oral crnica mediante a droga
denominada clotrimazole, foi planejado um experimento. Utilizando um sistema de aleatorizao
foram definidos dois grupos de 10 indivduos: o grupo controle ao qual foi administrado um
placebo e o grupo de pacientes tratados, que receberam a droga. Os dados mostrados na tabela
abaixo ilustram essa questo. Eles foram publicados por Kirkpatrick e Alling (1978) e
posteriormente analisados por Moses et al. (1984). A ordem de classificao explicada nessas
referncias.
Frequncias nas categorias de resposta ordenadas no ensaio clnico para tratamento de candidase oral crnica
Tratamento/Resposta 1 2 3 4 Total
Clotrimazole 6 3 1 0 10
Placebo 1 0 0 9 10

Referncias: KIRKPATRICK, C.H; ALLING, D.W. (1978). Treatment of chronic oral candidiasis with clotrimazole troches: a
controlled clinical trial. The New England Journal of Medicine. 299: 1201-1203. MOSES, L.E. et al. (1984). Analyzing data
from ordered categories. The New England Journal of Medicine. 111: 442-448.

5) Ensaio Clnico II: Outro interessante estudo experimental aplicado pesquisa mdica, o relato do
primeiro ensaio clnico planejado para comprovar a eficcia do AZT (zidovudina) no
prolongamento da vida de aidticos. Os dados foram publicado por Fischl et al. (1987) e
posteriormente discutidos por Soares e Siqueira (1999, p.176-183). O experimento considerou
essencialmente o acompanhamento de 282 pacientes aidticos durante 24 semanas de
tratamento, os quais foram aleatoriamente divididos em dois grupos: o grupo de pacientes
tratados com AZT (composto por 145 aidticos) e o grupo controle, composto por 137 aidticos
que receberam o placebo. A varivel resposta (desfecho) a situao do paciente (sobrevivente
ou no sobrevivente) aps as 24 semanas de tratamento. Os resultados so reproduzidos no
quadro abaixo:
Grupo/Situao Vivo Morto Total % de sobrevivente
AZT 144 1 145 144/145 99,31%
PLACEBO 121 16 137 121/145 88,32%

A avaliao da eficcia do AZT para o prolongamento da vida de aidticos consiste basicamente em

comparar as propores de sobreviventes dos dois grupos. Entre os indivduos tratados com AZT, a
proporo de sobreviventes pAZT = 0,9931, enquanto que no grupo de pacientes que receberam o
placebo pPLACEBO = 0,8832.
Aparentemente a proporo de sobreviventes maior no grupo de pacientes tratados com AZT, mas
para estender este resultado para a populao vital avaliar se as diferenas observadas no so
devidas ao acaso, mediante um teste de hipteses. Neste problema, a estratgia de anlise adotada
foi o teste de homogeneidade de populaes, baseado na estatstica 2 (l-se qui-quadrado) de
Pearson. O valor calculado da estatstica de teste foi igual a 15,087, cuja probabilidade de
significncia associada (p_value, em ingls) inferior a 0,0001. Este resultado evidencia que a
verdadeira proporo de pacientes aidticos que sobrevivem aps 24 semanas maior quando so
tratados com AZT em relao aos no tratados (isto , que recebem o placebo).
Referncias: FISCHL, M.A.; RICHMAN, D.D.; GRIECO, M.H. et al. (1987). The efficacy of azidothymidine (AZT) in
treatment of patients with AIDS and AIDS-related complex. A double-blind, placebo-controlled trial. The New England
Journal of Medicine. 317 (4):185-91. SOARES, J.F.; SIQUEIRA, A.L. (1999). Introduo Estatstica Mdica. Belo Horizonte,
Departamento de Estatstica - UFMG.

Aplicaes de sucesso Cases: Em construo. Outros exemplos sero apresentados em breve!

Pesquisas eleitorais: IBOPE, Vox Populi, ....Prvia Eleitoral (procedimento sistemtico para elaborao do experimento e coleta de dados). Dissertao
de mestrado do Irineu Ferraz. Pesquisar outros estudos de caso: Vitamina C no reduz gripes e resfriados

37
 CAPTULO 2 PROBABILIDADE Definies, propriedades, teoremas e aplicaes
DEFINIES
Adaptado de Anselmo Chaves Neto (2000), desde que no identificado autoria junto ao texto

Considere o experimento de jogar um dado equilibrado e observar o nmero da face superior. Nota-
se nesse experimento que:
(a) Os resultados possveis de ocorrer formam o conjunto = {1, 2, 3, 4, 5, 6}.
DEFINIO 1: Espao Amostral () de um experimento realizado sob condies fixas, o conjunto de
todos os resultados possveis do experimento, entendendo-se por resultado possvel todo resultado
elementar e indivisvel do experimento.
DEFINIO 2: Resultado Composto todo resultado formado por mais de um resultado elementar e
indivisvel.
(b) Observa-se no experimento que o resultado nmero par no elementar e indivisvel, pois
composto por trs resultados deste tipo {2, 4, 6}. Logo, nmero par um resultado composto.
(c) Cada resultado pode ser associado ao espao amostral como um subconjunto dele. O resultado
nmero par o subconjunto NP = {2, 4, 6} . Assim, todo resultado (elementar ou composto)
do experimento subconjunto do espao amostral.
Exemplo ilustrativo
Considere, agora, outro experimento que consiste na escolha, ao acaso, de um ponto equidistante
dos extremos do segmento de reta AB com comprimento de 2 cm, contido no eixo das abscissas (eixo
x) de um Sistema Cartesiano (plano cartesiano) e com A colocado na origem do sistema (0, 0).
(a) Descreva o espao amostral do experimento. Resposta: = {(x, y)2/ x = 1}.
Soluo:
Como A(0, 0) e B(2, 0) e tomando P(x, y) e dAP = dPB, temos: x = 1 e y livre, ou seja, uma reta paralela
ao eixo y, passando por x = 1. Portanto, = {(x, y)2| x = 1}. Veja ilustrao na Figura abaixo.

(b) Descreva o resultado 1 distncia entre o ponto escolhido e o ponto mdio do segmento 2
na forma de subconjunto do espao amostral. Resposta: 1={(x, y)/|y| 2}={(1, y)/|y|2}.
(c) Descreva o resultado 2 distncia entre o ponto escolhido e a origem . Resposta: 2 = { }
= .
(d) Descreva o resultado 3 a 1a coordenada do ponto escolhido tem comprimento menor ou igual
que a 2a. Resposta: 1 = {(x, y) / x |y|} = {(1, y) / 1 |y|} = {(1, y) / y -1 ou y 1}.
Fundamentaes axiomticas
Definio: Uma coleo de subconjuntos de chamado de lgebra sigma (ou campo de Borel),
denotado por F, se satisfaz as trs propriedades:
A1) F (o conjunto vazio um elemento de F).
A2) Se A F, ento Ac F (F fechado sob complementao).

38

A3) Se A1, A2, ... F, ento A F (F fechado sob unies contveis).
i 1
i

(e)
Figura: Uma -lgebra uma coleo F = {A, B, C, D, E, . . .} de subconjuntos que no vazia e fechada sob complementos e unies contveis

DEFINIO 3 (sigma-lgebra ou campo de Borel): -LGEBRA (A) de subconjuntos do conjunto no-

vazio a classe de subconjuntos de satisfazendo as propriedades:
(P1) A
(P2) Se A A Ac A

(P3) Se A1, A2, A3, ..... A A i A
i 1

Nota: A -LGEBRA mais simples o conjunto das partes de , ou seja, P() = {, ..., }.
Exemplo ilustrativo:
No experimento do lanamento de um dado equilibrado, a -LGEBRA mais simples o conjunto das
partes de , ou seja:
P() = {, {1}, {2}, ..., {6}, {1,2}, {1,3}, ..., {5,6}, ..., }
-LGEBRA, A, de subconjuntos do conjunto no-vazio a classe de subconjuntos de
satisfazendo as propriedades: (P1) A; (P2)Se AA AcA; e (P3) Se A1, A2, A3, ...A Ai A.
DEFINIO 4: Seja o espao amostral do experimento. Todo subconjunto A ser chamado de
evento, o conjunto evento certo, o subconjunto o evento impossvel e se o evento {}
dito elementar e indivisvel.
DEFINIO 5: Definio Clssica de Probabilidade (quando finito), apresentada por Laplace, em
1812, na obra Teoria analtica das probabilidades. Seja A um subconjunto do espao amostral , A
P (), ento se todos os resultados elementares de so equiprovveis a medida da probabilidade
de ocorrncia do evento A dada por:
A
P ( A)

em que A A.
Em outras palavras, se um experimento aleatrio tem n resultados igualmente provveis, e nA, desses
resultados pertencem a certo evento A, ento a probabilidade de ocorrncia do evento A ser:
nA
P ( A)
n
Exemplos ilustrativos:
1) No caso de uma moeda honesta e com lanamentos imparciais, h apenas dois resultados possveis
e igualmente provveis, resultando que a probabilidade de ocorrncia de uma das faces ser igual
a 1/2 (ou 50%).

39
2) No caso dos naipes de um baralho com 52 cartas, h quatro resultados possveis e igualmente
provveis, resultando que a probabilidade de ocorrncia de um deles ser igual a 1/4 (ou 25%).
Analogamente, podemos considerar cada carta do baralho como um resultado. Nesse caso, a
probabilidade de ocorrer certo naipe de 13/52 = 1/4 = 25%.
3) Contraexemplo para a definio clssica: Qual a probabilidade de uma pessoa ser atingida por um
raio, em um dia chuvoso? A realidade mostra que no 50%.
DEFINIO 6: Seja A um evento do espao amostral , ento se atribuirmos uma probabilidade ao
evento A ele chamado de evento aleatrio.
DEFINIO 7: Definio Geomtrica de Probabilidade, proposta por B.V. Gnedenko (1912-1995), em
A teoria das probabilidades (The theory of probability). Suponha que um segmento seja parte de
um outro segmento L e que se tenha escolhido ao acaso um ponto de L. Se admitirmos que a
probabilidade deste ponto pertencer a proporcional ao comprimento de e no depende do
lugar que ocupa em L, ento a probabilidade de que o ponto selecionado esteja em :

Comprimento .
P()
Comprimento L

Analogamente, suponha que uma figura plana g seja parte de uma outra figura plana G e que se
escolha ao acaso um ponto de G. Admitindo-se que a probabilidade deste ponto pertencer a g seja
proporcional rea de g e no depende do lugar que g ocupa em G, ento a probabilidade de que o
ponto selecionado esteja em g :

rea g
P( g )
rea G

Analogamente, tem-se:

Volume v
P (v )
Volume V

em que, um volume contido no volume maior V.

Observaes:
Adaptado de Prof(a). Silvana Heidemann Rocha, UTFPR/CT. Disponvel em: http://pessoal.utfpr.edu.br/heidemann/arquivos/

Muitos problemas de engenharia so resolvidos atravs da definio geomtrica de probabilidade.

Vide GNEDENKO, B.V. The theory of probability. Moscow: Mir Publishers, 1969, p.35. A ltima edio de
1978.
Nessa definio, o ponto lanado cair certamente sobre a regio G, isto , a probabilidade do
ponto cair em G 1.
A definio geomtrica de probabilidade muitas vezes foi criticada por arbitrariedade na
determinao das probabilidades de eventos, bem como por no determinar objetivamente a
probabilidade em muitos casos que apresentavam outros resultados possveis. Um dos crticos da
definio geomtrica de probabilidades foi o matemtico francs do sculo XIX Joseph Bertrand.
Em um problema conhecido como paradoxo de Bertrand, que consiste na determinao da
probabilidade do comprimento de uma corda selecionada aleatoriamente em uma circunferncia
ser maior que o comprimento do lado do tringulo equiltero inscrito nessa circunferncia,
Bertrand apresentou trs solues possveis, cada uma delas tendo resultados diferentes (1/2, 1/3
40
 e 1/4). Gnedenko defendeu que a no unicidade da probabilidade no paradoxo de Bertrand devia-
se ao fato de que as condies do problema no definiam explicitamente o que se entendia por
aleatoriedade na seleo da corda na circunferncia, isto , as condies de realizao do
experimento no estavam claras, podendo no ser nicas. Assim, diferentes definies de
seleo aleatria de uma corda, conduziriam a diferentes maneiras de se determinar quais
seriam os eventos simples equiprovveis. Consequentemente, o problema apresentaria
concluses diferentes.
DEFINIO 8: Definio Frequentista de Probabilidade (von Mises). A probabilidade de ocorrncia
do evento A em n ensaios definida, segundo von Mises, por:
A
P ( A) lim
n n

(nmero de ocorrncias de A em n ensaios).

Definio experimental de probabilidade
Adaptado de Barbetta et al. (2010)

Muitas vezes, a alocao de probabilidades baseia-se em observaes do passado. Seja um

experimento aleatrio com espao amostral () e um evento A de interesse. Suponha que esse
experimento seja repetido n vezes e o evento A ocorreu n(A) vezes. A frequncia relativa do evento A
dada por:
n( A)
f ( A)
n
medida que o experimento repetido mais e mais vezes, sob as mesmas condies, a frequncia
relativa do evento A tender a ficar cada vez mais prxima da probabilidade de ocorrncia do evento
A. Mais especificamente:
n( A)
P ( A) lim f ( A) lim
n n n
Exemplos ilustrativos:
1) Um fabricante de lmpadas fluorescentes precisa especificar o tempo de garantia de um de seus
modelos. Embora os projetistas estimem que o tempo mdio de vida do modelo seja de 5.000
horas, no se sabe exatamente como as lmpadas iro comportar-se. E sem esse conhecimento
seria temerrio especificar o tempo de garantia. Ao definir o experimento aleatrio como ligar a
lmpada e registrar o tempo (em horas) que ela funciona, o espao amostral formado pelo
conjunto de todos os valores maiores ou iguais a zero, ou seja: = {t, tal que t 0}. Seja o evento:
At = a lmpada funcionar at o tempo t.
Podemos repetir o experimento com um nmero n suficientemente grande de lmpadas. H
mtodos estatsticos para calcular n (tamanho da amostra), conforme ser visto posteriormente.
Com os resultados do experimento, podemos calcular as frequncias relativas:
n( At )
f ( At )
n
para diversos valores de t. Essas frequncias relativas podem ser usadas como valores aproximados
das probabilidades P(A) e, assim, definir adequadamente o tempo de garantia, de tal forma que ele
no seja demasiadamente longo, pois a seria necessrio repor muitas lmpadas (custo financeiro
alto), mas tambm no seja muito curto, o que pode gerar a suspeita de um produto com baixa
qualidade, acarretando perda de mercado.
Em muitas situaes, impossvel realizar o experimento diversas vezes. Veja os prximos exemplos.

41
2) Quando estudamos o regime de vazes de um rio, com o objetivo de avaliar a viabilidade da
construo de uma usina hidreltrica, no possvel replicarmos os diversos meses e anos,
fenmenos climticos e eventual interveno humana. Nesse caso, bastante comum a utilizao
de dados histricos. Alguns rios brasileiros tm dados de vazes coletados desde a dcada de
1930. Supondo que as condies atuais e futuras sejam razoavelmente semelhantes quelas nas
quais os dados foram obtidos, podemos ter uma ideia sobre as probabilidades dos eventos de
interesse por meio das frequncias relativas dos dados histricos.
3) Na tese de doutorado de Lima (2010), foi investigado a ocorrncia de geadas no municpio de Pato
Branco Paran. Uma sntese dos resultados encontrados oportunizada na Figura a seguir. Mais
detalhes consulte esse trabalho.

Figura Proxy da probabilidade de ocorrncia de geadas com base no histrico 1979-2008

Definio frequentista de probabilidade (ou definio estatstica de probabilidade)
Adaptado de Prof(a). Silvana Heidemann Rocha, UTFPR/CT. Disponvel em: http://pessoal.utfpr.edu.br/heidemann/arquivos/

Seja E um experimento aleatrio. Sob as mesmas condies tericas, so realizados n ensaios

independentes do experimento E, com n suficientemente grande, e em cada ensaio o evento A pode
ou no ocorrer. Seja n(A) o nmero de ocorrncias do evento A. Assim:
n( A)
P ( A) lim
n n
com 0 P ( A) 1 . Em que:
n( A) : nmero de vezes que A ocorreu em n ensaios do experimento E;
n : nmero total de repeties (ensaios) de E;
n( A)
fr ( A) : frequncia relativa do evento A, em E.
n
Observaes:
1. A definio frequentista de probabilidade pressupe a realizao de experimentos e a observao
dos resultados obtidos.
2. Na definio frequentista de probabilidade, a probabilidade o limite de uma frequncia relativa,
isto , a probabilidade de um evento A o valor para o qual a frequncia relativa de A converge.
Isso porque, em um nmero grande de ensaios de um experimento aleatrio, a frequncia relativa
de um evento tende a se estabilizar. Esse valor de estabilidade a probabilidade do evento e
independente de quem realiza o experimento. A probabilidade assim determinada denominada
probabilidade estatstica.
3. Frequncia relativa e probabilidade no so sinnimos. A frequncia relativa de um evento um
valor associado a um fato no passado (o evento foi realizado). Probabilidade um valor relativo a

42
 um fato no futuro (o evento ainda no se realizou). Por isso, a relao entre incerteza e
probabilidade (medida da incerteza).
4. Com a realizao de novos experimentos (mantido invarivel o conjunto de condies sob as quais
o experimento realizado) as probabilidades frequenciais podem mudar. No entanto, as
frequncias relativas de certos eventos observados no passado servem como referncia para as
estimativas do que se espera no futuro.
5. A definio frequentista de probabilidade no suficiente, pois pressupe que o espao amostral
seja enumervel.
6. A expresso suficientemente grande ( n ) vaga: Quantas vezes deve-se repetir o
experimento: 500, 100, 1.000, 1.000.000? Essa quantidade de ensaios fixa de experimento para
experimento?
7. Atualmente, a definio frequentista de probabilidade no considerada uma definio formal de
probabilidade. Tal qual a definio clssica, ela considerada como uma forma de se calcular
probabilidades.
8. Conforme Dantas (2008, p. 26): [...] a probabilidade frequentista pressupe a existncia de uma
realidade fsica e que as probabilidades descrevem aspectos dessa realidade de modo anlogo ao
que as leis da mecnica fazem no caso de um modelo determinstico. Referncia: Dantas, C.A.B.
Probabilidade: um curso introdutrio. 3 ed. So Paulo: EDUSP, 2008.

Alguns exemplos da utilizao da definio frequentista de probabilidade:

Verificar se uma moeda ou um dado ou no viciado;
Determinar a probabilidade de roubos, de acidentes, de ser atingido por raios, de uma pessoa
morrer antes de completar certa idade;
Determinar se a prxima pea a ser fabricada por uma mquina ser ou no defeituosa; e
Em estudos de fenmenos demogrficos.
DEFINIO 9: Definio Axiomtica de Probabilidade (Kolmogorov). Probabilidade ou medida de
probabilidade na -lgebra A a funo P definida em A e que satisfaz os seguintes axiomas:
(A1) P(A) 0.
(A2) P() = 1.
(A3) Se A e B A e so disjuntos (ou excludentes)
P(A B) = P(A) + P(B).
Se A1, A2, A3, ..., An A e so disjuntos
n n
P(U Ai ) P( Ai )
i 1
i 1

(A3) Se A1, A2, A3, ... A e so disjuntos

P(U Ai ) P( Ai )
i 1
i 1
Axioma: A palavra axioma utilizada para indicar uma afirmao formal considerada verdadeira,
dispensando provas (demonstraes). Os axiomas so diferentes de teoremas, corolrio e
proposies.
Axiomas de probabilidade
Adaptado de Barbetta et al. (2010)

Independentemente de como so obtidas, utilizando a definio clssica ou a experimental

(frequentista) ou a geomtrica, as probabilidades atendem a alguns axiomas. Formalmente, seja um
43
experimento aleatrio e um espao amostral () associado a ele. A cada evento Ei (i = 1, 2, ...)
associaremos um nmero real denominado probabilidade de ocorrncia de Ei, P(Ei), que deve
satisfazer aos seguintes axiomas (Andrei Kolmogorov):
(A1) 0 P(Ei) 1;
(A2) P() = 1; e
(A3) Se E1, E2, ..., En so eventos mutuamente exclusivos, ento:
P(E1 E2 ... En) = P(E1) + P(E2) + ... + P(En)
Observaes:
O axioma (A1) afirma que uma probabilidade sempre um nmero entre 0 e 1, incluindo os
extremos.
O axioma (A2) afirma que, ao realizar o experimento, sempre vai ocorrer algum dos resultados
possveis, razo pela qual o espao amostral chamado de evento certo.
O axioma (A3) menos intuitivo. Ele afirma que, ao unir eventos formados por resultados
diferentes, a probabilidade de ocorrer essa unio dada pela soma das probabilidades de cada
evento.
Para ilustrar os axiomas, podemos utilizar o experimento de lanar um dado e observar a face voltada
para cima. Assim, temos = {1, 2, 3, 4, 5, 6}. Ao realizar o experimento, certamente vai ocorrer
algum elemento de ; logo, P() = 1. Vamos considerar, por exemplo, os eventos associados a cada
resultado, isto , Ei = i (i = 1, 2, ..., 6). Se for suposto que o dado perfeitamente equilibrado e os
lanamentos imparciais (dado honesto), podemos atribuir, pela definio clssica, as seguintes
probabilidades: P(Ei) = 1/6 (i = 1, 2, ..., 6). Note que esses eventos so mutuamente exclusivos (Ei Ej
= , i j) e a probabilidade da unio de quaisquer desses eventos dada pela soma das
probabilidades de cada um. Por exemplo, pela definio clssica de probabilidade, temos:
P(E1 E2 E3) = P({1, 2, 3}) = 3/6 = 1/2 = 50%
O mesmo valor pode ser obtido pelo axioma (A3):
P(E1 E2 E3) = P(E1) + P(E2) + P(E3) = 1/6 + 1/6 + 1/6 = 1/2 = 50%
DEFINIO 10: Espao de Probabilidade. o trio (, A, P), na qual , A e P so definidas:
O conjunto chamado de espao amostral e os elementos de A so chamados os eventos.
A medida P chamada a medida probabilidade e P(E), para E A, a probabilidade do evento E.
DEFINIO 11: Definio de probabilidade subjetiva:
Adaptado de Prof(a). Silvana Heidemann Rocha, UTFPR/CT. Disponvel em: http://pessoal.utfpr.edu.br/heidemann/arquivos/

A probabilidade subjetiva o grau de convico ou crena que cada pessoa atribui ocorrncia ou
no de um evento.
A probabilidade subjetiva frequentemente empregada naquelas situaes em que a repetio do
experimento no pode ser realizada ou que no pode ser realizada em idnticas condies, como por
exemplo:
(a) Um paciente submetido a um novo tipo de cirurgia e deseja-se saber se ele ficar bom;
(b) Em um jogo de futebol entre dois times, deseja-se saber quem vencer;
(c) Uma pessoa deseja saber se seu relacionamento afetivo ter ou no sucesso;
(d) Uma pessoa pode acreditar fortemente que ganhar na loteria, ainda que a probabilidade terica
indique o contrrio.

44
A probabilidade subjetiva no deve ser confundida com a probabilidade frequentista, uma vez que as
condies de realizao do experimento no so as mesmas. Na sequncia do texto, no ser mais
abordada a probabilidade subjetiva.
Nota: Uma das caractersticas de um experimento aleatrio a regularidade estatstica, isto , a
propriedade que a frequncia relativa tem de se estabilizar. A essncia dessa propriedade que se
um experimento aleatrio for executado um grande nmero de vezes, a frequncia relativa da
ocorrncia de algum evento A tender variar cada vez menos medida que o nmero de repeties
for aumentado. Nesse sentido que a frequncia relativa converge (em probabilidade) para um
nmero denominado probabilidade do evento A. Essa propriedade de regularidade dos
experimentos aleatrios, motivou a formulao de uma importante lei da Estatstica: a Lei dos
Grandes Nmeros. A Lei dos Grandes nmeros trata da convergncia em probabilidade da frequncia
relativa de um evento para a probabilidade desse evento (MEYER, 1972, p. 285 a 287).
Nota: A definio clssica, a frequentista (ou experimental), a geomtrica e a subjetiva, embora
propostas por muitos autores como definies de probabilidade, no so consideradas definies
formais. Elas so consideradas como formas de se calcular probabilidades. Aqui mantida ainda a
denominao de definies, pois foi assim que historicamente foram apresentadas.
Definio Axiomtica de Probabilidade (Kolmogorov)
Loesch (2012)
Seja um experimento probabilstico de espao amostral . Um evento A um subconjunto de
(A ). De acordo com essa definio, e so tambm eventos, sendo denominado evento
impossvel e o evento certo. Dois eventos A e B de um mesmo espao amostral so ditos serem
mutuamente excludentes se no puderem ocorrer juntos, isto , se sua interseo vazia: AB = .
Sejam um experimento probabilstico e o seu espao amostral. Uma probabilidade uma funo
que associa a cada evento A um nmero real P(A) que a probabilidade de ocorrncia do evento
A, significando que o resultado do experimento algum elemento do conjunto A. A funo
probabilidade deve satisfazer s trs condies a seguir (axiomas de Kolmogorov):
(A1) 0 P ( A) 1 , para todo A ;
(A2) P () 1 ; e
(A3) Seja { Ai }iI uma famlia finita ou infinita de eventos, mutuamente excludentes (ou disjuntos)
dois a dois (isto , Ai Aj se i j ). Ento:

P Ai P( Ai )
i I i I
Observaes:
1) O axioma A1 afirma que a probabilidade de um evento um nmero real entre 0 e 1, incluindo-
os;
2) O axioma A2 afirma que a probabilidade do evento que o prprio espao amostral a certeza
(P() = 1), isto , algum dos resultados contidos em certamente ir ocorrer;
3) No caso particular de apenas dois eventos A e B, em que A B = , tem-se, de acordo com o
axioma A3, P(A B) = P(A) + P(B), podendo-se ampliar a abrangncia dessa identidade com a
considerao de mais eventos, possivelmente at em nmero infinito;
4) Os axiomas A1, A2 e A3 correspondem s propriedades anlogas de frequncias relativas de
ocorrncia de uma amostra em substituio probabilidade;
5) A definio de probabilidade e as trs condies que deve satisfazer no dizem como calcular
uma probabilidade; apenas impem algumas propriedades gerais que qualquer probabilidade
deve possuir. A forma precisa de calcular as probabilidades dos eventos depende da natureza da
distribuio de probabilidade do fenmeno aleatrio.
45
Exemplo Ilustrativo: Lanamento de um dado e observao da face voltada para cima. Calcule P(A),
sendo A o evento nmero par.

Domnio: A . Contradomnio: [0, 1] .Imagem [0, 1]

Propriedades da Probabilidade
Proposio: A partir da definio de probabilidade decorrem as seguintes propriedades:
(P1) Se A for o evento complementar de A ( A A ) ento P( A ) 1 P( A) . Veja ilustrao
geomtrica.

Demonstrao:
* A3 pois A A A2 **
A A P( A A ) P() P( A) P( A ) P() P( A) P( A ) 1 P( A ) 1 P( A)
*
a elementos iguais do domnio correspondem imagens iguais no contradomnio.
**
operaes com nmeros reais. (c.q.d.)

Em suma e exemplificando: Sejam A e A o evento complementar de A, ento: P( A ) = 1 P(A).

Note que, ao unir A e A temos o espao amostral (), que tem probabilidade igual a 1. Pelo axioma
(A3), temos a expresso do evento complementar. No experimento do dado, temos, por exemplo,
P(ocorrer 6) = P({6}) = 1/6. Pela propriedade do evento complementar: P(no ocorrer 6) = 11/6 =
5/6.
(P2) P() 0 (o evento impossvel tem probabilidade 0).

Demonstrao: Forma 1, utilizando a P1 e .

P1
A2
P( A) 1 P( A ) P() 1 P() 1 1 P() P() 0 (c.q.d.)
Demonstrao: Forma 2, sem utilizar a P1.
Dado um evento A qualquer de , tem-se: A .
Ento, pelo axioma A3, P( A ) P( A) P() .
Como A A , tem-se P( A) P( A) P() e assim P () 0. (c.q.d.)
Se o experimento realizado, algum resultado certamente vai ocorrer (P() = 1). Portanto, nunca
ocorre (P() = O). conhecido como evento impossvel.
(P3) (Regra da soma das probabilidades). Se A e B forem dois eventos quaisquer de , ento:
P( A B) P( A) P( B) P( A) P( B) .
Geometricamente, por intermdio do diagrama de Venn-Euler, temos:

46
Note, pelo diagrama, que, ao somar P(A) e P(B), estamos contando duas vezes os pontos do conjunto
A B. Logo, ao calcular P(A B), necessrio excluir uma vez P(A B). Observe que se A e B forem
eventos exclusivos ento P(A B) = P(A) + P(B), como exige o axioma A3.
Demonstrao:
A B A ( B A ) , como os conjuntos A e B A so mutuamente excludentes (ou disjuntos),
ento pelo axioma A3, afirmamos:
P( A B) P( A) P( B A ) (I)

Por outro lado, B ( B A) ( B A ) a unio de dois conjuntos mutuamente excludentes (ou

disjuntos), novamente pelo axioma A3, temos:
P( B) P( B A) P( B A )
Logo,
P( B A ) P( B) P( B A) (II)
Agora, substituindo (II) em (I), conclumos que:
P( A B) P( A) P( B) P ( A B) (c.q.d)
No experimento do dado, sejam: A = {2, 4, 6} e B = {3, 4, 5, 6}. Portanto, P(A) = 1/2, P(B) = 2/3 e
P(AB) = P({4, 6}) = 1/3. A probabilidade de ocorrer um nmero maior do que 1 pode ser calculada
por P(AB) = 1/2 + 2/3 1/3 = 5/6. Note que o mesmo valor que obteramos se calculssemos
diretamente pela definio clssica.
(P4) Se A B ento P ( A) P ( B ) .
Demonstrao:
B A ( B A ) e como os conjuntos A e B A so mutuamente excludentes, ento pelo axioma
A3, temos:
P( B) P( A) P( B A ) P( B) P( A) P( B A )
Como
P( B A ) 0, P( B) P( A) 0
e assim
P ( A) P ( B )
Observaes: (i) embora P() = 0, P(A) = 0 no implica necessariamente A = . Em espaos amostrais
infinitos pode ocorrer P(A) = 0, mas A . Exemplo ilustrativo dessa afirmao? e (ii) a condio (A3)
para dois eventos excludentes P(A B) = P(A) + P(B). Trata-se de um caso particular da
propriedade (P3) da Proposio, pois P(A B) = 0.

47
(P5) Para o caso discreto, isto , quando os resultados possveis podem ser listados, ento, pelo
axioma (A3), a probabilidade de qualquer evento pode ser obtida pela soma das probabilidades dos
resultados individuais, ou seja, se A = {1, 2, 3, ...}, ento:
P( A)
i: wi A
P(wi )

No experimento do dado, por exemplo:

P(nmero par) = P({2, 4, 6}) = P(2) + P(4) + P(6) = 3/6 = 50%
Observe que esse processo de calcular probabilidades pode ser usado mesmo quando o espao
amostral no for equiprovvel.
Teorema: Soma de probabilidades para o caso de 3 eventos => fica como exerccio (APS). Sabendo
que P( A B) P( A) P( B) P( A B) , prove que: dados 3 eventos aleatrios (E1, E2 e E3) de um
mesmo espao amostral (S), tem-se:
P( E1 E2 E3 ) P( E1 ) P( E2 ) P( E3 ) [ P( E1 E2 ) P( E1 E3 ) P( E2 E3 )] P( E1 E2 E3 )

Figura Ilustrao geomtrica da propriedade da soma de probabilidades para trs eventos

Exemplos ilustrativos:
1) (Adaptado de Ribeiro e ten Caten, 2000) Um digestor qumico alimentado por material que vem de dois
tanques independentes. O material do tanque I pode ser uma concentrao de cido que varia
uniformemente entre 4 e 8, enquanto que o material do tanque II pode apresentar uma
concentrao de base entre 5 e 10. Sejam os seguintes eventos:
A: material do tanque I com concentrao superior a 6.
B: material do tanque II com concentrao inferior a 6.
Calcule as seguintes probabilidades: P( A), P( A ), P( B), P( B ), P( A B) e ( A B). Veja ilustrao
na Figura abaixo.

Figura Ilustrao do digestor qumico

Soluo:
48
Utilizando a definio geomtrica de probabilidade (Gnedenko), tem-se:
rea A (8 6) (10 5) 2 5 10 1
P( A) 0,50 50%
rea S (8 4) (10 5) 4 5 20 2
1
P( A ) 1 P( A) P( A ) 0,50 50%
2
rea B (8 4) (6 5) 4 1 4 1
P( B ) 0,20 20%
rea S (8 4) (10 5) 4 5 20 5
4
P ( B ) 1 P ( A) P( B ) 0,80 80%
5
rea A B (8 6) (6 5) 2 1 2 1
P( A B) 0,10 10%
rea S (8 4) (10 5) 4 5 20 10
P( A B) P( A) P( B) P( A B) P( A) 0,50 0,20 0,10 0,60 60%
2) (Adaptado de Ribeiro e ten Caten, 2000) Considerando os dados do exemplo ilustrativo anterior, e
sabendo que o processo apresenta problemas quando a concentrao de cido supera a
concentrao de base, calcule a probabilidade disso acontecer. Observe a Figura abaixo.

Figura Ilustrao do digestor qumico

Soluo:
Utilizando novamente a definio geomtrica de probabilidade (Gnedenko), tem-se:
(8 5) (8 5) 3 3 9
rea E1 2 9
P( E1 ) 2 2 0,225 22,50%
rea S (8 4) (10 5) 4 5 20 40
Dependncia e Independncia de Eventos: http://www.oderson.com/educacao/estatistica/prob_cond.htm
Quando se estuda simultaneamente dois eventos, existem duas possibilidades quanto relao entre
as suas probabilidades:
Eventos Dependentes: Quando a ocorrncia de um influencia a probabilidade de ocorrncia do
outro.
Eventos Independentes: Quando a ocorrncia de um em nada interfere na ocorrncia do outro.
Assim, se A e B so eventos independentes, ento a probabilidade de que ambos aconteam ao
mesmo tempo necessariamente igual probabilidade isolada de um deles ocorrer multiplicada pela
probabilidade isolada do outro, ou seja, em notao matemtica:
P(A B) = P(A) P(B)
Quando existe alguma relao entre A e B de modo que a ocorrncia de um interfere na
probabilidade do outro, a probabilidade de ambos ocorrerem ao mesmo tempo assume um valor
diferente dependendo da natureza da relao.
49
No estudo das probabilidades existem casos de eventos de um espao amostral que ocorrem
independentes dos outros, e eventos que apresentam relaes de dependncias com os demais que
possam ocorrer. A probabilidade condicional a probabilidade de ocorrncia de um evento A,
sabendo da ocorrncia de outro evento B, ambos sendo eventos de um espao amostral () finito. A
ocorrncia de A est condicionada ao fato de B j ter ocorrido, ou seja, a ocorrncia do evento B
interfere na do evento A.
Probabilidades de Eventos Dependentes
Quando se tem dois eventos que se mostram dependentes, o clculo das chances de cada um
envolve as chamadas Probabilidades Condicionais.
Para se compreender como se lida com esse tipo de questo, interessante o diagrama a seguir, em
que A e B so eventos dependentes. A probabilidade de que ocorrncias dentro do espao amostral
correspondam ao evento A ilustrada pela rea da elipse pontilhada. A probabilidade no caso do
evento B dada pela rea da elipse contnua. A probabilidade de que as ocorrncias venham a
corresponder tanto a A quanto a B dada pela rea da interseco entre as duas elipses (A B).
Assim, a probabilidade de A dado que B ocorreu calculada pela razo (diviso ou quociente) entre a
interseco entre A e B e a rea de B, ou seja, em notao matemtica, P(A|B) = P(A B)/P(B).
Naturalmente, possvel se usar o mesmo raciocnio para se calcular a probabilidade de B dado que
A tenha ocorrido, isto , P(B|A) = P(A B)/P(A).

Sejam A e B eventos quaisquer, sendo P(B) > 0. Definimos a probabilidade condicional de A dado B
por:
P( A B)
P( B / A)
P( A)
em que:
P(AB): a probabilidade da interseco de A com B.
P(A): a probabilidade de ocorrer o evento A.
Probabilidade condicional
http://www.matematicadidatica.com.br/ProbabilidadeCondicional.aspx

Para melhor compreenso do que seja probabilidade condicional, considere um espao amostral S
finito no vazio e um evento A de S, se quisermos outro evento B desse espao amostral S, essa nova
probabilidade indicada por P(B/A) e dizemos que a probabilidade condicional de B em relao a
A. Essa probabilidade condicional ir formar um novo espao amostral, pois agora o espao amostral
ser A e os elementos do evento B iro pertencer a B A. Dica: Veja Loesch (2012, p. 32-35).

50
PROBABILIDADE CONDICIONAL E INDEPENDNCIA
Adaptado/formatado/ampliado a partir de Barbetta et al. (2010)

Muitas vezes, h interesse em calcular a probabilidade de ocorrncia de um evento A, dada a

ocorrncia de um evento B.
Exemplos/motivaes:
Qual a probabilidade de chover amanh em Pato Branco/PR, sabendo que choveu hoje?
Qual a probabilidade de um dispositivo eletrnico funcionar sem problemas por 200 horas
consecutivas, sabendo que ele j funcionou por 100 horas?
Qual a probabilidade de que um dos trs servidores de correio eletrnico fique congestionado,
sabendo que um deles est inoperante?
Em outras palavras, queremos calcular a probabilidade de ocorrncia de A condicionada ocorrncia
prvia de B. Essa probabilidade representada por P(A|B) (l-se probabilidade de A dado B).
Exemplo ilustrativo:
1) Os dados, a seguir, representam o sumrio de um dia de observao em um posto de qualidade,
em que se avalia o peso dos pacotes de leite produzidos em um laticnio.
Tipo do leite
Condio do peso
B (B) C (C) UHT (U) Total
Dentro das especificaes (D) 500 4.500 1.500 6.500
Fora das especificaes (F) 30 270 50 350
Total 530 4.770 1.550 6.850
Retira-se, ao acaso, um pacote de leite da populao de 6.850 unidades. Sejam D e F os eventos que
representam se o pacote retirado est dentro ou fora das especificaes, respectivamente. Da
mesma forma, B, C e U so eventos que representam o tipo do leite. Pergunta-se:
(a) Qual a probabilidade de o pacote de leite estar fora das especificaes?
Soluo: Como o espao amostral composto de 6.850 unidades, sendo que 350 satisfazem ao
evento, ento:
350 7
P( F ) 0,0511 5,11%
6.850 137
(b) Qual a probabilidade de o pacote de leite retirado estar fora das especificaes, sabendo-se que
do tipo UHT (Ultra High Temperature)?
Soluo: Nesse caso, o espao amostral ficou restrito s 1.550 unidades de leite UHT. Destas, 50
satisfazem ao evento. Ento:
50 1
P( F | U ) 0,0323 3,23%
1.550 31
Note que, se o numerador e o denominador de P ( F | U ) forem divididos pelo nmero total de
unidades, temos:
50
50 P( F U )
P( F | U ) 6.850
1.550 1.550 P(U )
6.850
que a relao utilizada na definio formal de probabilidade condicional.
Para o presente exemplo ainda temos:
P( F B) 30 3
P( F | B) 0,0566 5,66%
P( B) 530 53
e
P( F C ) 270 3
P( F | C ) 0,0566 5,66%
P(C ) 4.770 53
51
Sejam A e B eventos quaisquer, sendo P( B) 0 . Definimos a probabilidade condicional de A
dado B por:
P( A B)
P( A | B)
P( B)
Note que no denominador temos a probabilidade do evento que supostamente aconteceu, mas
calculada nas condies originais do experimento.
Sntese: A probabilidade de A condicionada por B (ou dado B ou restrito a B, ou sabendo que B
ocorreu) definida por:
P( A B)
P( A / B)
P( B)
desde que P(B) > 0.
Assim, a probabilidade de A muda aps o evento B ter acontecido. Isso porque o resultado de A
uma das possibilidades de B. Para tanto, precisamos calcular os eventos que so comuns a B e
tambm a A, ou seja, A B.
Em suma, a Probabilidade condicional um segundo evento de um espao amostral que ocorre em
um evento depois que j tenha ocorrido o primeiro.
Se houver interesse no oposto, isto , na probabilidade de ocorrncia de B condicionada ocorrncia
prvia de A , sendo P( A) 0 , temos:
P ( B A)
P ( B | A)
P ( A)
importante ressaltar que a operao de interseco comutativa, implicando:
P ( A B ) P ( B A).
A interpretao do enunciado dos problemas relacionados probabilidade fundamental para
resoluo e identificao do tipo de probabilidade a ser calculada. Vejamos alguns exemplos sobre a
probabilidade condicional.
Exemplos ilustrativos:
2) Considere-se um baralho de 52 cartas. A probabilidade de ao retirar uma carta sair um rei 4/52 =
1/13. No entanto, se algum retira uma carta e nos diz que uma figura, ento a probabilidade de
a carta retirada ser um rei 4/12 = 1/3, ou seja, P(sair um rei/saiu uma figura) = 1/3.
3) Em uma urna h um total de 10 bolas, sendo 3 amarelas, 4 azuis e 3 verdes. retirada uma bola
dessa urna, ao acaso, e verifica-se que ela verde. Qual a probabilidade de se retirar uma bola
azul sabendo que a bola verde retirada inicialmente no foi reposta?
Soluo:
O primeiro passo identificar os eventos em questo. Evento A: sair uma bola azul; Evento B: sair
uma bola verde
Resolver esse problema consiste em determinar a probabilidade de se retirar uma bola azul da urna
sabendo que j foi retirada uma bola verde. Observe que a ocorrncia do evento A est condicionada
ocorrncia do evento B. Esse o caso mais simples de problemas envolvendo probabilidade
condicional, no sendo necessria a aplicao da frmula. Vejamos: Aps a retirada da bola verde,
restaram na urna 9 das 10 bolas. Dessas 9 bolas, 4 so azuis. Assim, temos que: P(A|B) = 4/9.
4) Uma pesquisa realizada entre 1.000 consumidores, registrou que 650 deles trabalham com cartes
de crdito da bandeira MasterCard, que 550 trabalham com cartes de crdito da bandeira Visa
e que 200 trabalham com cartes de crdito de ambas as bandeiras. Qual a probabilidade de ao
escolhermos desse grupo uma pessoa que utiliza a bandeira Visa, ser tambm um dos
52
 consumidores que utilizam cartes de crdito da bandeira MasterCard? Observe a figura abaixo e
a compare com as informaes do enunciado. Fazer isto poder lhe ajudar na resoluo desse e de
muitos outros problemas.

Soluo:
Definindo os eventos: A = Visa e MasterCard; B = Visa. Queremos: P(A|B). O nmero de pessoas que
utilizam as duas bandeiras, ou seja, a quantidade de elementos da interseco igual a 200, j o
nmero de consumidores que utilizam ao menos a bandeira VISA 550. Assim:
P( A B) 200 20 4
P ( A / B) 0,3636 36,36%
P( B) 550 55 11
Portanto, a probabilidade de escolhida uma pessoa que utiliza a bandeira Visa, ser tambm um
usurio da bandeira Mastercard 4/11 ou 36,36%.
5) Em uma pesquisa realizada com 10.000 consumidores sobre a preferncia da marca de tubos e
conexes, verificou-se que: 6.500 utilizam a marca X; 5.500 utilizam a marca Y; 2.000 utilizam as
duas marcas. Foi sorteada uma pessoa desse grupo e verificou-se que ela utiliza a marca X. Qual a
probabilidade dessa pessoa ser tambm usuria da marca Y?
Soluo:
Vamos identificar cada um dos eventos. A: Usurio da marca Y. B: Usurio da marca X. Queremos
determinar P(A|B) e sabemos que o nmero de elementos do espao amostral n(S) = 10.000.
Temos, tambm, que: n(AB) = 2.000.
Segue que:
P( A B)
P( A / B)
P( B)
Mas
n( A B) 2.000 1
P( A B)
n ( ) 10.000 5
Da teoria de conjunto, temos que:
n(B) = 6.500 n(AB) = 6.500 2.000 = 4.500
Assim, teremos:
n( B) 4.500 9
P( B)
n() 10.000 20
Logo,
1
P( A B) 4
P( A | B) 5 0,4444... 44,44%
P( B) 9 9
20
Sugesto: Faa primeiro o diagrama de Venn-Euler, como foi feito no exemplo anterior.

53
6) Seja o lanamento de 2 dados no viciados e a observao das faces voltadas para cima. Suponha
que haja interesse nas probabilidades dos seguintes eventos:
(a) Faces iguais, sabendo que a soma menor ou igual a 5.
(b) Soma das faces menor ou igual a 5, sabendo que as faces so iguais.
Inicialmente, vamos explicitar o espao amostral desse experimento, que formado por todas as 6 x
6 = 36 possveis combinaes de resultados dos dois dados, ou seja:

Considere os eventos:
E1 = faces iguais = {(1,1), (2,2), (3,3), (4,4), (5,5), (6,6)} e
E2 = soma das faces menor ou igual a 5 = {(1,1), (1,2), (1,3), (1,4), (2,1), (2,2), (2,3), (3,1), (3,2), (4,1)}.
Portanto, E1 E2 = {(1,1), (2,2)}. Esquematicamente:

Calculando:
(a) A probabilidade de as faces serem iguais, sabendo que a soma menor ou igual a 5. Ou seja:
2
P( E1 E2 ) 36 2 1
P( E1 | E2 ) 0,20 20%
P( E2 ) 10 10 2
36
Note que, se o espao amostral for restringido ao evento conhecido, E2, temos 10 resultados
possveis, sendo que 2 satisfazem tambm ao evento de interesse, E1, o que torna natural a
probabilidade condicional ser 2/10.
(b) A probabilidade de a soma das faces ser menor ou igual a 5, sabendo que as faces so iguais. Ou
seja:
2
P( E2 E1 ) 36 2 1
P( E2 | E1 ) 0,3333 33,33%
P( E1 ) 6 6 3
36

54
7) (Adaptado de Loesch, 2012) Ao lanamento de dois dados, o espao amostral associado :
= {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)}

de 36 elementos.
Dados1 2 3 4 5 6
1 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
2 (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
3 (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
4 (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
5 (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
6 (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
Tabela do espao amostral para o lanamento de dois dados iguais

Sejam os eventos:
A = {(x, y) tal que x > y} =
{(2, 1), (3, 1), (3, 2), (4, 1), (4, 2), (4, 3), (5, 1), (5, 2), (5, 3), (5, 4), (6, 1), (6, 2), (6, 3), (6, 4), (6,5)}
B = {(x, y) tal que x + y = 7} =
{(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}
Nesse caso, A B =
{(4,3), (5,2), (6,1)}
#(A) = 15 elementos; #(B) = 6 elementos e #(A B) = 3.
Portanto,
P(A) = 15/36; P(B) = 6/36; P(A 8) = 3/36 e
P(B/A) = P(A B)/P(A) = (3/36) (15/36) = 3/15 = 1/5 = 0,20 = 20%.
Quando calculamos P(B/A) estamos perguntando: qual a probabilidade de ocorrer o evento B dado
que A ocorreu, ou seja, que o espao amostral ficou reduzido para o conjunto A.
Em relao a esse Exemplo ilustrativo, P(B/A) significa: qual a probabilidade de que x + y = 7, dado
que ocorreu x > y.
Dentro do evento A, formado por 15 resultados elementares, encontramos os pares (4, 3), (5,2) e
(6,1) que satisfazem x + y = 7 (resultados elementares do evento B) e assim P(B/A) = 3/15 = 1/5.
A regra do produto Barbetta et al. (2010)
P( A B)
Uma das consequncias da expresso da probabilidade condicional P ( A | B ) a regra do
P( B)
produto, obtida ao isolar a probabilidade da interseco. Ou seja:
P( A B)
P( A | B) P( A B) P( B) P( A | B)
P( B)
que fornece uma frmula de calcular a probabilidade de ambos os eventos (A e B) ocorrerem.
Em P( A B) P( A | B) P( B) , o evento condicionado B, mas o inverso tambm possvel, pois:
P( B A)
P( B | A) P( B A) P( A) P( B | A)
P( A)

55
Para trs eventos, A, B e C, a regra do produto pode ser escrita como:
P ( A B C ) P ( A) P ( B | A) P(C | A B )
importante que seja observada a sequncia lgica dos eventos para montar as expresses
precedentes.
Exemplo ilustrativo:
8) Uma caixa contm 4 cartes amarelos e 8 vermelhos. Retiramos, ao acaso, 2 cartes, um aps o
outro, sem reposio, e observamos as cores dos dois cartes.
(a) Qual a probabilidade de que ambos sejam amarelos?
Chamando de Ai o evento que representa carto amarelo na i-sima extrao e Vi o evento que
representa carto vermelho na i-sima extrao (i = 1, 2), temos o seguinte espao amostral:
= {(A1, A2), (A1, V2), (V1, A2), (V1, V2)}
Observe que esses eventos no so equiprovveis, isto , no tem a mesma probabilidade (chance de
acontecer). Isso facilmente percebido pela diferena nas quantidade de cartes amarelos e
vermelhos. Entretanto, mesmo que houvesse hegemonia entre os nmeros de cartes a
probabilidade no seria de 1/4 (ou 25%) pois o processo de amostragem sem reposio, isto , so
eventos dependentes.
A probabilidade de interesse P{(A1, A2)}, que tambm pode ser colocada em termos de interseco:
P(A1 A2), isto , a probabilidade de ocorrer amarelo na primeira extrao e amarelo na segunda
extrao. Para a aplicao da regra do produto,
P( A1 A2 ) P( A1 ) P( A2 | A1 )
Calculamos:
4 1
P ( A1 ) , pois existem 4 amarelos dentre os 12 cartes; e
12 3
3
P ( A2 | A1 ) , pois, supondo que tenha sido extrado carto amarelo na primeira extrao,
11
restaram 3 amarelos dentre 11 cartes.
Logo,
1 3 1
P ( A1 A1 ) P ( A1 ) P ( A2 | A1 )
3 11 11
(b) Como alocar probabilidades a todos os elementos do espao amostral?
Nesse caso, podemos construir uma rvore, indicando todas as situaes possveis (rvore de
probabilidades). Veja a Figura a seguir.

Figura rvore de probabilidades retiradas sem reposio (A = amarelo; V = vermelho)

56
Com base na Figura anterior, podemos calcular as probabilidades de todos os resultados do espao
amostral, como segue:
4 3 1
P{( A1 , A2 )} P( A1 A2 ) P( A1 ) P( A2 | A1 )
12 11 11
4 8 8
P{( A1 , V2 )} P( A1 V2 ) P ( A1 ) P(V2 | A1 )
12 11 33
8 4 8
P{(V1 , A2 )} P(V1 A2 ) P(V1 ) P( A2 | V1 )
12 11 33
8 7 14
P{(V1 , V2 )} P (V1 V2 ) P(V1 ) P(V2 | V1 )
12 11 33
Observe que a soma dos quatro resultados possveis igual a 1 (axioma (A3) da probabilidade).
Vejamos:
1 8 8 14 3 8 8 14 33
1
11 33 33 33 33 33
(c) Qual a probabilidade de ocorrer exatamente 1 carto amarelo?
Queremos a probabilidade de ocorrer (A1, V2) ou (V1, A2). Em termos da linguagem de conjuntos,
queremos a unio dos dois resultados (eventos). Como esses eventos so mutuamente exclusivos
(no podem ocorrer simultaneamente), ento a probabilidade dada pela soma, ou seja:
8 8 16
P{( A1 ,V2 ) (V1 , A2 )} P( A1 ,V2 ) P(V1 , A2 )
33 33 33
(d) Considere a retirada de 3 cartes. Qual a probabilidade de que os dois primeiros sejam
vermelhos e o terceiro seja amarelo?
Desejamos calcular P(V1 V2 A3 ) P(V1 ) P(V2 | V1 ) P( A3 | V1 V2 )
Os dois primeiros fatores j foram calculados anteriormente. Para calcular P( A3 | V1 V2 ) basta
considerar a caixa com 2 cartes vermelhos a menos, ou seja, com 4 amarelos e 6 vermelhos. Assim:
4
P ( A3 | V1 V2 )
10
Logo:
8 7 4 28
P (V1 V2 A3 )
12 11 10 165
Eventos independentes Barbetta et al. (2010)

O exemplo a seguir parecido com o exemplo anterior (ex. 8), mas com a amostragem feita com
reposio. Verifique que os clculos tornam-se mais simples, pois a configurao da urna no se
altera na segunda extrao.
Exemplo:
9) Uma caixa contm 4 cartes amarelos e 8 vermelhos. Retiram-se, ao acaso, 2 cartes da caixa, um
aps o outro, sendo que o primeiro carto reposto antes da retirada do segundo (amostragem
com reposio), e observa-se a cor dos dois cartes.
A Figura a seguir apresenta a rvore de probabilidades desse experimento.

57
 Figura rvore de probabilidades retiradas com reposio (A = amarelo; V = vermelho)

Note que nessa situao, P(A2|A1) = P(A2|V1) = 4/12, ou seja, no importa se saiu carto amarelo ou
vermelho na primeira extrao, a probabilidade de sair amarelo na segunda extrao de 4/12 h
independncia entre os eventos. Assim, basta escrever P(A2), sem condicionante.
Dois ou mais eventos so independentes quando a ocorrncia de um dos eventos no influencia a
probabilidade da ocorrncia dos outros.
Se dois eventos A e B so independentes, ento:
P(A|B) = P(A) e P(B|A) = P(B)
Como consequncia de P(B|A) = P(B), a regra do produto pode ser simplificada da seguinte forma:
P(A B) = P(A)P(B|A) = P(A)P(B)
Essa relao utilizada para definir formalmente eventos independentes, ou seja:
A e B so independentes P(A B) = P(A) P(B)
A definio de independncia ainda pode ser ampliada para mais eventos, como segue:
E1, E2, ..., En so independentes P(E1 E2 ... En) = P(E1) P(E2) ... P(En)
Embora a implicao seja dos dois lados, normalmente as condies do experimento permitem
verificar se razovel supor independncia entre os eventos e, em caso afirmativo, o clculo da
probabilidade da interseco pode ser fatorado nas probabilidades dos eventos independentes.
Quando a populao for bastante grande em relao ao tamanho da amostra, mesmo que a
amostragem seja feita sem reposio, podemos supor independncia. Imagine que no experimento
do Exemplo 7 haja 4.000 cartes amarelos e 8.000 vermelhos. Ao extrair dois cartes, a probabilidade
de sair amarelo na segunda extrao de aproximadamente 4/12, independentemente de ter sado
amarelo ou vermelho na primeira extrao.
Exemplo:
10) Considere um sistema composto de n componentes ligados em srie, de tal forma que, se um
componente falhar, o sistema todo falha. Esquematicamente:

Se os componentes operam independentemente e cada um tem probabilidade p de falhar, qual a

probabilidade de o sistema funcionar? Resposta: (1 p)n (verifique o porqu; utilize a regra do
produto para eventos independentes).

58
Soluo:
C1 --> p = probabilidade de falha e 1 p = probabilidade de funcionar => (1 p)1;
C1 e C2 --> p = probabilidade de falha e 1 p = probabilidade de funcionar => (1 p)(1 p) = (1 p)2;
C1, C2 e C3 --> p = probabilidade de falha e 1 p = probabilidade de funcionar => (1 p)(1 p)(1 p)
= (1 p)3,
Por induo finita, (1 p)(1 p)... (1 p) = (1 p)n.
Sntese: Acontecimentos independentes
Dois acontecimentos dizem-se independentes se
P( A B) P( A) P( B )
Isto significa que
P( A B) P( A) P( B)
P( A / B) P( A)
P( B) P( B)
ou seja, que a ocorrncia de B no tem qualquer efeito sobre a de acontecer A.
Exemplo: Pato Branco 2 caminhos (c1 e c2) Curitiba3 caminhos (k1, k2 e k3) So Paulo. Experimento: ir de Pato
Branco at So Paulo, passando por Curitiba. Suponha que h duas maneiras de ir de Pato Branco
Curitiba (via Palmas ou Guarapuava) e trs formas de ir de Curitiba So Paulo. C1 e K1 so caminhos
independente, com P(C1) = 1/2 e P(K1) = 1/3; P(C1 K1) = 1/6 ou P(C1 K1) = P(C1) P(K1) = 1/2 1/3
= 1/6. Mutuamente excludente = disjuntos Independente. Logo, independente e no exclusivo.
PROBABILIDADE CONDICIONADA e REGRA do Produto: Profa. Silvana Heidemann Rocha (UTFPR/Curitiba)

Observao: Se P(B) = 0, ento P(A|B) indefinida, podendo ser definida como melhor convier em
um problema. Assim, alguns autores fazem P(A|B) = 0 e outros, ainda, consideram P(A|B) = P(A).
Decorrncia da definio de probabilidade condicional: Se P(A) > 0 e P(B) > 0, ento:
P(AB) = P(B)P(A|B) = P(A)P(B|A), pois: P(AB) = P(BA)
Segundo Gnedenko (1969, p. 55), essa regra da multiplicao tambm aplicvel no caso em que um
dos eventos A ou B um evento impossvel. Nesse caso, faz-se:
P(A) = 0, P(A|B) = 0 e P(AB) = 0.
Cuidado/Danger: P(A|B) = P(B|A) P(A) = P(B). Podemos provar isto com o Teorema de Bayes.
Exemplos ilustrativos:
1) Duas cartas so retiradas aleatoriamente e sem reposio de um baralho comum (52 cartas, sendo
13 de cada naipe: paus, ouros, espada e copas). Encontre a probabilidade de se ter dois s.
Soluo: Direto = 4/523/51 = 12/2.652 = 1/221 = 0,45%
1 maneira de resoluo (por meio da definio de probabilidade condicional)
: Retirar aleatoriamente e sem reposio duas cartas de um baralho comum.
Seja um espao amostral dos resultados possveis em cada retirada:
= {Ap, Ao, Ae, Ac, 2p, 2o, 2e, 2c, ..., Kp, Ko, Ke, Kc} n() = 52
Sejam os eventos:
A = {sair um s na primeira retirada} = {Ap, Ao, Ae, Ac}.
B = {sair um s na segunda retirada} = {Ap, Ao, Ae, Ac}
59
Observe que os pontos amostrais dos eventos devem ter a mesma natureza dos pontos amostrais do
espao amostral. Por exemplo, se os pontos amostrais no espao amostral forem pares ordenados, os
eventos sero formados por pares ordenados.
Pela decorrncia da definio de probabilidade condicional, tem-se:
n( A) n( B | A) 4 3 12 1
P ( A B ) P ( B ) P ( A | B ) P ( A B) 0,45%
n() n() 1 52 51 2.652 221
2 maneira de resoluo (por meio da ideia de arranjo)
: Retirar aleatoriamente e sem reposio duas cartas de um baralho comum.
Seja um espao amostral dos resultados possveis nas duas retiradas, levando-se em conta a ordem
em que cada carta foi retirada:
= {(Ap, Ao), (Ap, Ae), (Ap, Ac), (Ap, 2p), ..., (Kp, Kc)} n() = A52,2 = 52!/(52-2)! = 5251 = 2.652
Seja o evento A = {sair dois s} = {(Ap, Ao), (Ap, Ae), (Ap, Ac), ..., (Ac, Ap)} n(A) = A4,2 = 43 = 12
Portanto,
n( A) A4, 2 43 12 1
P( A) 0,45%
n() A52, 2 52 51 2.652 221

3 maneira de resoluo (por meio da ideia de combinao)

: Retirar aleatoriamente e sem reposio duas cartas de um baralho comum
Seja um espao amostral dos resultados possveis nas duas retiradas, no levando-se em conta a
ordem em que cada carta foi retirada:
= {(Ap, Ao), (Ap, Ae), (Ap, Ac), (Ap, 2p), ..., (Ap, Kc), ..., (Ac, Kc), (2p, 2o), ..., (2c, Kc), ..., (Kp, Kc)}
52! 52 51
n() C52, 2 26 51 1.326
2!50! 2
Seja o evento A = {sair dois s} = {(Ap, Ao), (Ap, Ae), (Ap, Ac), ..., (Ac, Ap)} n(A) = C4,2 = 6
Portanto,
n( A) C4, 2 C48, 0 12 1
P( A) 0,45%
n () C52, 2 2.652 221

Ou utilizando nmeros binomiais:

4 48 4 3
1
n( A) 2 0 2! 12 1
P( A) 0,45%
n ( ) 52 52 51 2.652 221

2 2!

Utilizando o diagrama de Venn-Euler, temos:

60
Observao: No exemplo anterior, se fossem retiradas 5 cartas sucessivamente do baralho, pelo 2 e
3 modo de resoluo apresentados, a natureza dos pontos amostrais seria de uma penta-upla
ordenada. A definio de probabilidade condicional simplifica a questo de se calcular probabilidades
de eventos obtidos por sucessivos ensaios de um experimento.
2) Duas cartas so retiradas aleatoriamente e sem reposio de um baralho comum (52 cartas, sendo
13 de cada naipe: paus, ouros, espada e copas). Encontre a probabilidade da segunda carta ser um
s.
Soluo:
Direto = 48/524/51 + 4/523/51 = 204/2.652 = 1/13 = 7,69%
Esse exemplo trata da probabilidade incondicional, isto , a primeira carta qualquer (desconhecida).
Mas utilizaremos neste caso tambm a definio de probabilidade condicional.
: Retirar aleatoriamente e sem reposio duas cartas de um baralho comum
Seja um espao amostral dos resultados possveis em cada retirada:
= {Ap, Ao, Ae, Ac, 2p, 20, 2e, 2c,..., Kp, Ko, Ke, Kc} n() = 52
Sejam os eventos:
A = {sair um s na primeira retirada} = {Ap, Ao, Ae, Ac}
B = {sair um s na segunda retirada} = {Ap, Ao, Ae, Ac}
Como a primeira carta desconhecida, tem-se a seguinte equao:
B ( A B) ( A B )
Assim, temos:

P( B) P( A B) ( A B )
Eventos Disjuntos
P( A B) P( A B )
4 3 48 4 204 1
P ( B ) P ( A) P ( B | A) P ( A ) P ( B | A ) 7,69%
52 51 52 51 2.652 13
INDEPENDNCIA DE EVENTOS:
Se os eventos A e B so independentes, ento:
P(A|B) = P(A) e P(B|A) = P(B)
P(A B) = P(A) P(B)
A e B so mutuamente independentes.
Essa segunda equao decorre da definio da probabilidade condicional e do fato de P(A|B) = P(A) e
P(B|A) = P(B).
Exemplos ilustrativos:
1) (Adaptado de Ribeiro e ten Caten, 2000) Um construtor se submete a licitao para duas obras
independentes, A e B. Baseado na experincia, os engenheiros estimam que a probabilidade de
ganhar a obra A 0,25; e a probabilidade de ganhar a obra B 0,33. Pede-se:
(a) Estimar a probabilidade de ganhar ao menos uma das duas obras.
Soluo:
P(AB) = P(A) + P(B) P(AB) = 0,25 + 0,33 (0,250,33) = 0,50
(b) Estimar a probabilidade de ganhar a obra A, sabendo-se que o construtor ir ganhar ao menos
uma obra.
61
Soluo:
P A ( A B) * P( A) 0,25
P( A | A B) 0,50 50%
P( A B) P( A B) 0,50
*Note que P(A (A B)) obviamente o mesmo que A, j que A est completamente contido em
(A B). O que o conjunto A tem em comum com (A B) o prprio conjunto A.
(c) Se o construtor submete-se a outra licitao para uma obra C, com probabilidade de ganhar igual
a 0,25, qual a probabilidade de ganhar ao menos uma obra?
Soluo:
P(ABC) = P(A) + P(B) + P(C) P(AB) P(AC) P(BC) + P(ABC) =
= 0,25 + 0,33 + 0,25 (0,250,33 + 0,250,25 + 0,330,25) + (0,250,330,25) = 0,625
Note que para o caso de eventos independentes vale tambm:
P( A B C ) 1 P( A B C ) 1 (0,75 0,67 0,75) 0,625
Teorema da multiplicao (ou Teorema da Probabilidade Composta ou Regra do Produto de
Probabilidades) Adaptado de Prof. Silvana Heidemann Rocha (UTFPR/Curitiba)
Sejam A1, A2, ..., An eventos de um espao amostral (). Ento, da definio de probabilidade
condicional, tem-se:
P(A1A2) = P(A1) P(A2| A1) = P(A2) P(A1| A2)
P(A1A2A3) = P((A1A2 )A3) = P(A1A2)P(A3|A1A2) = P(A1)P(A2|A1)P(A3|A1 A2)
Por induo, prova-se que:
n 1
n 1
P( A1 A2 ... An ) P( A1 ) P( A2 | A1 ) P( A3 | A1 A2 ) ... P An | Ai com P Ai 0
i 1 i 1
Exemplo ilustrativo:
1) De um lote contendo 60 peas das quais 15 so defeituosas, retira-se ao acaso e sem reposio,
uma amostra de 5 peas. Qual a probabilidade de ter 3 peas defeituosas nesta amostra?
Soluo:
1 maneira de resoluo (por combinao ou nmeros binomiais: D = Defeituosa e D = no defeituosa
15 45

C15,3 C45, 2
= 8,25%.
3 2
P(3D, 2 D )
C60,5 60

6
Clculos efetuados na planilha eletrnica MS-Excel, como ilustra a Figura a seguir:

62
2 maneira de resoluo (pela regra do produto de probabilidades)
: Retirar aleatoriamente e sem reposio cinco peas de um lote contendo 60 peas das quais 15 so
defeituosas.
Seja um espao amostral dos resultados possveis em cada retirada. Assim, n() = 60.
Vamos fixar o resultado D, D, D, D , D

em que: D = a pea retirada defeituosa e D = a pea retirada no defeituosa.

Sejam os eventos:
A1 = {sair uma pea defeituosa na primeira retirada}
A2 = {sair uma pea defeituosa na segunda retirada}
A3 = {sair uma pea defeituosa na terceira retirada}
A4 = {sair uma pea no-defeituosa na quarta retirada}
A5 = {sair uma pea no-defeituosa na quinta retirada}
Assim, pela regra do produto de probabilidades, temos:
P( D, D, D, D , D ) P( A1, A2 , A3 , A4 , A5 )
P( A1 ) P( A2 | A1 ) P( A3 | A1 A2 ) P( A4 | A1 A2 A3 ) P( A5 | A1 A2 A3 A4 )
15 14 13 45 44

60 59 58 57 56
Como as peas defeituosas podem ocupar qualquer posio no resultado ( _, _, _, _, _), ento:
15 14 13 45 44 5! 15 14 13 45 44
P(3D, 2D ) P(3D 2D ) P53, 2
60 59 58 57 56 3!2! 60 59 58 57 56

em que P53, 2 a a permutao com repetio de 5 peas tomadas 3 a 3 e 2 a 2.

TEOREMA DA PROBABILIDADE TOTAL Adaptado de Barbetta et al. (2010)

Exemplo ilustrativo:
1) Imagine que voc utiliza peas de 4 (quatro) fornecedores, que tm diferentes desempenhos
quanto a sua qualidade. As peas so classificadas como conformes ou no conformes e voc
conhece a proporo de peas no conformes de cada fornecedor (p 1, p2, p3 e p4). Considere a
formao de um lote com peas dos quatro fornecedores, conforme ilustra a Figura a seguir. Se
voc selecionar, ao acaso, uma das peas do lote, qual a probabilidade de ela ser no conforme?

Figura Ilustrao da formao de um lote de peas provindas de quatro fornecedores

A resposta seria simples se voc soubesse de qual fornecedor a pea selecionada, mas voc no
sabe. O chamado teorema da probabilidade total permite solucionar esse problema.

63
Considere o espao amostral particionado em k eventos, E1, E2, ..., Ek, satisfazendo s seguintes
condies:
(a) Ei Ej = 0 para todo i j (eventos mutuamente exclusivos);
(b) E1 E2 ... Ek = (eventos exaustivos) e
(c) P(E) > 0 para i = 1, 2, ..., k.
Veja a Figura a seguir.

Figura Partio do espao amostral em eventos mutuamente exclusivos

Seja um evento F qualquer, referente ao espao amostral. Ento:

F = (F E1) (F E2) ... (F Ek)
na qual os eventos (F Ei) para i = 1, 2, ..., n so mutuamente exclusivos entre si.
Logo:
P(F) = P[(F E1) (F E2) ... (F Ek)] = P(F E1) + P(F E2) + ... + P(F Ek)
Utilizando a regra do produto, temos a seguinte equao, conhecida como o teorema da
probabilidade total:
P(F) = P(E1)P(F|E1) + P(E2)P(F|E2) + ... + P(Ek)P(F|Ek)
k
P( F ) P( Ei ) P( F | Ei )
i 1

Naturalmente, algumas P(F|Ek) podero assumir valor zero por no haver interseco entre F e Ek. O
teorema da probabilidade total pode ser interpretado fisicamente como uma medida do peso de
cada um dos eventos Ek, na contribuio para formar o evento F.
TEOREMA DA PROBABILIDADE TOTAL Adaptado de Profa. Silvana Heidemann Rocha (UTFPR/Curitiba)

Considere que os eventos A1, A2, ..., An formam uma partio do espao amostral (), e que so
conhecidas as probabilidades P(Ai) e as P(B|Ai), para todo i = 1, 2, ..., n. Seja B um evento qualquer
em . Ento:
n
P( B) P( Ai ) P( B | Ai )
i 1
Geometricamente, temos:

64
Demonstrao:
n
B ( Ai B) em que ( Ai B) ( Aj B) , i j
i 1

n
Axioma 3 n n
Assim, P( B) P ( Ai B) P( Ai B) P( Ai ) P( B | Ai ) .
i 1 i 1 i 1

Observaes:
P(Ai) > 0, pois Ai , conforme definio de partio.
B um evento aleatrio que pode acontecer sob diversas condies ou hipteses (A1, A2, ..., An).
Exemplos ilustrativos:
1) (Continuao do exemplo do Barbetta et al., 2010) Os eventos Ek representam as procedncias das
peas (fornecedores 1, 2, 3 e 4), e o evento F representa pea no conforme. Repare que os
eventos Ek (fornecedores) so mutuamente exclusivos, pois a pea somente pode ser originria de
um dos fornecedores; e que o evento F tem interseco com cada um deles (uma vez que todos
os fornecedores produzem peas no conformes).
Suponha a mesma probabilidade para todos os fornecedores, isto ,
P(E1) = P(E2) = P(E3) = P(E4) = 0,25
e as probabilidades de no conformidade para cada fornecedor sejam:
p1 = P(F|E1) = 0,1; p2 = P(F|E2) = 0,1; p3= P(F|E3) = 0,2 e p4= P(F|E4) = 0,4
Ento, utilizando
k
P( F ) P( Ei ) P( F | Ei )
i 1

a probabilidade de no conforme dada por:

P( F ) 0,25 0,1 + 0,25 0,1 + 0,25 0,2 + 0,25 0,4 = 0,20
2) (Adaptado de Ribeiro e ten Caten, 2000) Na construo de um edifcio utiliza-se 1.000 Kg de
material por dia; desse total, 600 kg so adquiridos do fornecedor B1 e 400 Kg do fornecedor B2.
Assim B = B1 B2, em que B a proviso de 1000 kg/dia.
O material pode ser defeituoso e por experincia prvia sabe-se que B1 e B2 tm as probabilidades de
0,03 e 0,01, respectivamente, de serem defeituosos.
Chamando A o evento material defeituoso tem-se:
A = (A B1) (A B2)
Isto , se o material defeituoso, pode vir de B1 ou B2. Ento A pode ser calculado a partir de:
P(B1) = 0,6; P(B2) = 0,4; P(A|B1) = 0,03; P(A/B2) = 0,01
P(A) = P(B1)P(A|B1) + P(B2)P(A|B2) = 0,60,03 + 0,40,01 = 0,018 + 0,004 = 0,022
Assim a probabilidade total de que o material seja defeituoso, vindo de B1 ou B2, igual a 0,022.
3) Nesse semestre, como feito a mdia da disciplina de Probabilidade e Estatstica?
3
Mdia Desempenho(i) Peso(i) 70% 30% 80% 30% 90% 40% 81%
i 1

65
Aplicao/motivao:
A1, A2, ..., An ---> podem representar n fornecedores
B ---> Pea com defeito
P(B) ----> Probabilidade da pea ser defeituosa. Entretanto, a pea pode ter vindo de qualquer um
dos n fornecedores. Alm disso, cada fornecedor pode apresentar uma probabilidade diferente de
sua pea ser defeituosa (apresentar problemas diferentes)
P(Ai) ---> Probabilidade das peas do fornecedor i.
P(B|Ai) ---> Probabilidade da pea ser defeituosa, dado que ela veio do fornecedor i.
TEOREMA DE BAYES Adaptado de Profa. Silvana Heidemann Rocha (UTFPR/Curitiba)

Considere que os eventos A1, A2, ..., An formam uma partio do espao amostral (), e que so
conhecidas as probabilidades P(Ai) e as P(B|Ai), para todo i = 1, 2, ..., n. Seja B um evento qualquer
em . Ento:
P( Aj ) P( B | Aj )
P( Aj | B) n
P( Ai ) P( B | Ai )
i 1

para j 1, 2, ..., n.
Demonstrao:
P( Aj B) P( Aj ) P( B | Aj )
P( Aj | B) n
P( Ai ) P( B | Ai )
P( B)
i 1

Geometricamente, temos:

Observao:
P(Ai) > 0, pois Ai , conforme definio de partio.
B um evento aleatrio que pode acontecer sob diversas condies ou hipteses (A1, A2, ..., An).
Sabendo que B ocorreu, deseja-se quantificar a incerteza da hiptese Aj ter sido a causa.
Exemplificando: Dado que uma pea defeituosa, qual a probabilidade de ter vindo do fornecedor
j?

66
TEOREMA DE BAYES Adaptado a partir de Barbetta et al. (2010)

O teorema de Bayes est intimamente relacionado ao teorema da probabilidade total. Supem-se as

mesmas condies (eventos Ek mutuamente exclusivos e exaustivos e um evento F qualquer).
Basicamente, o teorema de Bayes permite obter a probabilidade de que um dos eventos Ek ocorra,
sabendo-se que o evento F ocorreu. Para o caso ilustrativo das peas dos quatro fornecedores, o
Teorema de Bayes permite responder a questes do tipo: sabendo-se que a pea no conforme,
qual a probabilidade de que tenha vindo do fornecedor 4?
De maneira geral, utilizando a expresso da probabilidade condicionada
P( A B)
P( A | B)
P( B)
temos:
P( Ei F )
P( Ei | F )
P( F )
Por outro lado, utilizando a regra do produto,
P( Ei F ) P( F ) P( Ei | F )
podemos escrever o chamado Teorema de Bayes:
P( Ei ) P( F | Ei )
P( Ei | F )
P( F )
em que P (F ) calculado por
k
P( F ) P( Ei ) P( F | Ei )
i 1

Em suma:
P( Ei ) P( F | Ei )
P( Ei | F ) k

P( E ) P( F | E )
i 1
i i

Exemplos ilustrativos:
1) (MAGALHES, 2006, p. 46) Uma fbrica tem 3 (trs) mquinas que produzem o mesmo item. As
mquinas A e B so responsveis, cada uma, por 40% da produo. Quanto qualidade, as
mquinas A e B produzem 10% de itens defeituosos cada uma, enquanto que a mquina C apenas
2%. Um item selecionado ao acaso da produo dessa fbrica. Pergunta-se a probabilidade do
item:
(a) ser defeituoso. Aplicao do Teorema da Probabilidade Total.

67
Soluo:
D = (D A) (D B) (D C), em que:
D = {o item selecionado defeituoso},
A = {o item selecionado foi fabricado pela mquina A},
B = {o item selecionado foi fabricado pela mquina B},
C = {o item selecionado foi fabricado pela mquina C},
so eventos aleatrios de um espao de probabilidade adequado.
P(D) = P((D A) (D B) (D C))
em que:
(D A), (D B) e (D C) so eventos mutuamente excludentes dois a dois.
Ax. 3 TPT
P( D) P( D A) P( D B) P( D C ) P( A) P( D | A) P( B) P( D | B) P(C ) P( D | C )
em que Ax. 3 = Axioma 3 de Kolmogorov; TPT = Teorema da Probabilidade Total.
P( D) 40% 10% 40% 10% 20% 2% 8,40%
(b) em sendo defeituoso, ter sido produzido pela mquina A. Aplicao do Teorema de Bayes.
PC P( A D) TB P( A) P( D | A)
P( A | D)
P ( D) P( A) P( D | A) P( B) P( D | B) P(C ) P( D | C )
em que PC = Probabilidade Condicional; TB = Teorema de Bayes.
40% 10% 4,00%
P( A | D) 47,62%
40% 10% 40% 10% 20% 2% 8,40%
Observe na Figura a seguir que: P(B|D) = 47,62% e P(C|D) = 4,76%.

2) (Continuao do exemplo do Barbetta et al., 2010) Sabendo-se que a pea no conforme, qual
a probabilidade de que ela tenha vindo do fornecedor 4?
Lembrando que j calculamos P(F) = 0,20, ento, aplicando o Teorema de Bayes, temos:
P( E4 ) P( F | E4 ) 0,25 0,40
P( E4 | F ) 0,50
P( F ) 0,20
ou

68
 P( E4 ) P( F | E4 )
P( E4 | F )
P( E1 ) P( F | E1 ) P( E2 ) P( F | E2 ) P( E3 ) P( F | E3 ) P( E4 ) P( F | E4 )
0,25 0,4 0,10
P( E4 | F ) 0,50
0,25 0,1 + 0,25 0,1 + 0,25 0,2 + 0,25 0,4 0,20
Esse e outros resultados esto dispostos na Figura a seguir.

3) (Adaptado de Ribeiro e ten Caten, 2000) Uma seo de pavimento de concreto aceita se sua
espessura for superior a 7,5 cm. A experincia prvia indica que 90% das sees construdas so
aceitas. A medio da espessura feita usando um aparelho ultrassnico, cuja confiabilidade de
80%, ou seja, h uma probabilidade de 80% que a concluso baseada neste aparelho seja correta.
Pede-se:
(a) Qual a probabilidade que a seo esteja bem construda e seja aceita na inspeo?
Soluo:
Seja A: seo bem construda, isto , e > 7,5 cm. P(A) = ??
Seja B: O aparelho indica que a seo est bem construda, ou seja, indica que e > 7,5 cm. P(B) = 0,90.
Ainda, P(A/B) = 0,80
Assim, o que se pede a P(A B):
P(A B) = P(B)P(A/B) = 0,900,80 = 0,72
(b) A probabilidade que a seo no esteja bem construda e seja aceita:
P( A B) P( B) P( A | B) 0,90 0,20 0,18
(c) A probabilidade que a seo seja aceita quando se sabe que a seo est bem construda.
Essa probabilidade pode ser estimada utilizando o Teorema de Bayes. O que se pede a P(B|A).
Como somente podemos dizer que a seo est bem construda baseado nas medies temos:
A ( B A) ( B A)
Assim,
P( A) P( B A) P( B A) P( B) P( A | B) P( B ) P( A | B ) 0,90 0,80 0,10 0,20 0,74

Logo,
P( B A) P( B) P( A | B) 0,90 0,80
P( B | A) 0,973
P( A) P( A) 0,74

69
Como se v, a probabilidade anterior P(B) = 0,90 agora modificada para P(B|A) = 0,973 depois de se
saber o evento: a seo est bem construda.
4) Com relao a uma determinada doena, 3% da populao a possui e, claro, 97% saudvel. Um
teste aplicado especificamente para detectar a doena fornece resultado positivo em 85% dos
doentes, mas tambm em 2% de pessoas saudveis (falha positiva). Deseja-se saber qual a
probabilidade de que, dado que o resultado do teste aplicado em um paciente resultou positivo,
ele seja portador da doena.
Soluo:
Denotemos B1 o evento portador da doena e B2 o evento saudvel. Ento P(B1) = 0,03 e P(B2) = 0,97.
A evidncia A considerada o resultado de o teste ser positivo. Ento, P(A/B1) = 0,85 e P(A/B2) =
0,02. Deseja-se calcular P(B1/A). Inserindo o clculo da probabilidade total no teorema de Bayes,
tem-se:
P( A / B1 ) P( B1 ) 0,85 0,03
P( B1 / A) 2 0,5679 56,79%
0,85 0,03 0,02 0,97
P( A / Bi ) P( Bi )
i 1

5) Nesse semestre, como feito a mdia da disciplina de Probabilidade e Estatstica? O quanto cada
avaliao contribuiu para o desempenho global?
Desempenho Peso PROBABILIDADE B A YES

70% 30% 21,00% 25,93%

80% 30% 24,00% 29,63%
90% 40% 36,00% 44,44%
MDIA (ponderada) 81,00% 100,00%
A Regra de Bayes: http://www.oderson.com/educacao/estatistica/prob_cond.htm
Em 1762, o Reverendo Thomas Bayes demonstrou um procedimento bastante importante para se
calcular a probabilidade de um evento dado que um outro tenha ocorrido. O seu mtodo consiste na
partio do espao amostral em diversos subconjuntos cujas probabilidades sejam conhecidas e, em
seguida, aplicar a seguinte frmula:
P( B | Ai ) P( Ai )
P( Ai | B) n
P( B | Aj ) P( Aj )
j i

Na equao, Ai o evento cuja probabilidade se quer calcular dado que o evento B tenha ocorrido. Aj
representa genericamente uma das "fatias" da partio do espao amostral (Ai uma dessas fatias).
A famosa Regra de Bayes, como conhecido o mtodo, permite que se ajuste uma probabilidade a
priori (conhecida) de um dado evento luz de novas evidncias envolvendo um outro evento que
apresenta relao de dependncia com o primeiro.
Em suma, o Teorema de Bayes relaciona as probabilidade de A e B com as respectivas probabilidades
condicionadas mtuas.
Falcia da probabilidade condicionada
A falcia da probabilidade condicionada consiste em supor que P(A/B) igual a P(B/A). No entanto,
pelo teorema de Bayes, estas probabilidades condicionadas s so iguais se A e B tiverem a mesma
probabilidade.

70
 Probabilidade Condicionada e Independncia Adaptado a partir de Loesch (2012)

Sejam um experimento aleatrio, seu espao amostral e A, B eventos em . Denota-se por

P(B|A) a probabilidade condicionada do evento B quando o evento A tiver ocorrido, e define-se por:
P( A B)
P( B / A)
P( A)
desde que P( A) 0 .
Propriedades: Seja um espao amostral, P uma probabilidade em e A um evento tal que
P(A) > 0. Ento as probabilidades condicionadas satisfazem as seguintes propriedades:
(P1) 0 P(B/A) 1
Demonstrao:
Como A B A 0 P(A B) P(A). Dividindo os trs termos da desigualdade por P(A) e
usando P(B/A) = P(A B)/P(A) no termo intermedirio, resulta
0 P(B/A) 1 (c.q.d)
(P2) P(A/A) = 1
Demonstrao:
P( A A) P( A)
P( A / A) 1 (c.q.d)
P( A) P( A)
(P3) P(B1 B2/A) = P(B1/A) + P(B2/A) se B1 B2 = , que pode ser generalizado para uma unio
arbitrria de uma famlia de eventos {B1, B2, B3, ...} mutuamente excludentes dois a dois.
Demonstrao:
( B1 B2 ) A ( B1 A) ( B2 A) P( B1 B2 ) A P( B1 A) P( B2 A)
Assim,
P( B1 B2 ) A PB1 A PB2 A
P( B1 B2 / A) P( B1 / A) P( B2 / A) (c.q.d.)
P( A) P( A) P( A)
Assim, probabilidades condicionadas so probabilidades no sentido geral do termo, pois, ao passar a
considerar A como espao amostral, torna-se desnecessria a notao condicional /A. Por remov-
la, as propriedades enunciadas anteriormente (P1), (P2) e (P3) tornam-se as trs condies da
probabilidade ou axiomas de Kolmogorov (A1), (A2) e (A3). Temos, portanto, duas maneiras de
calcular probabilidades condicionadas P(B/A):
P( A B)
1) Empregando a equao P( B / A) , que define a probabilidade condicionada em
P( A)
relao ao espao amostral original.
2) Reduzindo o espao amostral para os resultados possveis considerados do evento A e
calculando P(B/A) por meio das ocorrncias de B dentro de A.
Sejam um espao amostral e {B1, B2, ..., Bn} uma partio de , isto , Bi Bj = se i j e B1 B2
... Bn = . Em outras palavras, os conjuntos da partio so mutuamente excludentes dois a dois e,
reunidos, totalizam o espao amostral. Seja ainda um evento A . Veja ilustraes nas Figuras
abaixo, usando o diagrama de Venn-Euler para 3 e 10 parties.

71
 Figura Uma partio do espao amostral () e um evento A nele contido exemplo ilustrativo

Devido partio tem-se:

A ( A B1 ) ( A B2 ) ... ( A Bn )
n
P( A) P( A B1 ) P( A B2 ) ... P( A Bn ) P( A Bi )
i 1

Seja P( Bi ) 0 para i 1, 2, ..., n . Da probabilidade condicional P( A / Bi ) tem-se:

P( A Bi ) P( A / Bi ) P( Bi )
para i 1, 2, ..., n .
cuja substituio fornece a probabilidade total
n
P( A) P( A / Bi ) P( Bi )
i 1

Ento, para j 1, 2, ..., n , a probabilidade condicionada P( B j / A) pode ser calculada por:

P( A B j ) P( A / B j ) P( B j )
P( B j / A)
P( A) P( A)
cujo denominador calculado pela frmula da probabilidade total.
Esses resultados demonstram a seguinte proposio.
Proposio: Seja {B1 , B2 , ..., Bn } uma partio do espao amostral , com P( Bi ) 0 para i 1, 2, ..., n .
Dado qualquer evento A em , tem-se:
n
(a) P( A) P( A / Bi ) P( Bi ) (conhecido como teorema da probabilidade total);
i 1

P( A / B j ) P( B j )
(b) P( B j / A) para j 1, 2, ..., n (teorema de Bayes).
P( A)
A probabilidade condicional P( B j | A) a probabilidade a posteriori do evento B j atribuda quando a
evidncia relevante A levada em conta. As probabilidades P( Bi ) so as probabilidades a priori,
conhecidas de antemo sem o conhecimento da evidncia A .
Independncia Adaptado a partir de Loesch (2012)

Dois eventos A e B de um espao amostral () so independentes entre si quando

P( A B) P ( A) P ( B )
Se essa igualdade no se verifica, diz-se que as variveis so dependentes entre si.

72
 P( A B)
Como consequncia, se P ( A) 0 , por P( B / A) e P( A B) P( A) P( B) , tem-se:
P( A)
P( A B) P( A) P( B)
P( B / A) P( B)
P( A) P( A)
Essa identidade significa que, no caso de independncia, a considerao ou no do condicionamento
ocorrncia prvia de A no afeta a probabilidade de B.
Voltando ao Exemplo do lanamento de dois dados, tem-se P(B/A) = 1/5 e P(B) = 1/6. Assim, os
eventos A e B so dependentes entre si. Mas se no mesmo espao amostral considerarmos os
eventos:
C = {(x, y) tal que x 3} e D = {(x, y) tal que y 3}, temos:
P(C) = P(D) = 1/2, P(C D) = 1/4 e P(C/D) = P(CD)/P(D) = 1/4 1/2 = 1/2
Portanto, C e D so independentes.
Nos problemas de probabilidades de extraes aleatrias em sorteios, existe independncia entre
duas extraes quando o item extrado no primeiro sorteio reposto antes da extrao do segundo
sorteio. Quando no h reposio do item extrado no primeiro sorteio, no h independncia.
Propriedades:
Se A e B forem eventos independentes entre si ento:
(a) P(A B) = P(A) + P(B) - P(A) P(B) ; (Demonstrao imediata)

(b) P(A B) = P(A) P(B) (os eventos complementares so independentes).

A Importncia do Conceito de Partio: A partio de um conjunto uma coleo de conjuntos tal
que a sua unio igual ao conjunto original, e que a interseco de quaisquer dois deles vazia. Ao
se particionar um evento, possvel se calcular a sua probabilidade somando-se a probabilidade dos
eventos da partio. Para isso necessrio apenas dispor-se das probabilidades dos elementos da
partio. Fonte: http://www.oderson.com/educacao/estatistica/axiomas.htm.
Dizemos que os eventos A1, A2, ..., An formam uma partio do espao amostral se:
No h eventos vazios (Ai ).
No h interseco entre os eventos (Ai Aj = , i j).
n
A unio dos eventos da partio o espao amostral ( Ai ).
i 1

73
 DISTRIBUIES DE FREQUNCIA
Entendendo e aplicando as distribuies de frequncias
Uma distribuio de frequncia uma organizao dos dados brutos em uma forma tabular,
utilizando classes (ou intervalos) e frequncias. Ela indica simplesmente quantas vezes um
determinado valor ocorreu, sendo bastante utilizadas, pois permitem condensar os dados de forma a
tornar a anlise mais fcil, sendo bvio que, no processo de condensao, perdem-se detalhes, mas
estes nem sempre so importantes. (DORIA FILHO, 2003)
Por exemplo, em uma determinada universidade (UTFPR Cmpus Pato Branco, por exemplo)
deseja-se avaliar o rendimento/desempenho de 51 acadmic@s por meio das notas recebidas em
uma prova (Limites em Clculo Diferencial e Integral 1, por exemplo) e distribudas conforme
apresentado nas Tabelas a seguir. Observe que so apresentados algumas estatsticas elementares
que procuram caracterizar o conjunto de dados por meio de medidas de tendncia central e
variabilidade em torno da mdia.
Acadmicos avaliados 51
Estatsticas Descritivas

Nota Mnima 0,0

Nota Mxima 10,0
Nota Mdia 5,4
Desvio-padro da Nota 3,1
Coeficiente de Variao da Nota 57%
Nota Mediana 6,0
Moda da Nota 9,5

Classe (i) Intervalo (I) Freq. Abs. (fi) Freq. Rel. (%) Freq. Acum. (Fi) Freq. Acum. Rel. (%)
0a1 0 |---------------------------------------------- 1 8 16% 8 16%
1a2 1 |---------------------------------------------- 2 2 4% 10 20%
2a3 2 |---------------------------------------------- 3 4 8% 14 27%
3a4 3 |---------------------------------------------- 4 3 6% 17 33%
4a5 4 |---------------------------------------------- 5 3 6% 20 39%
5a6 5 |---------------------------------------------- 6 6 12% 26 51%
6a7 6 |---------------------------------------------- 7 5 10% 31 61%
7a8 7 |---------------------------------------------- 8 9 18% 40 78%
8a9 8 |---------------------------------------------- 9 5 10% 45 88%
9 a 10 9 |--------------------------------------------| 10 6 12% 51 100%
A distribuio de frequncia mostra quantas vezes uma determinada nota se repetiu, isto , quantos
acadmic@s obtiveram uma determinada avaliao. Entretanto, optou-se por agrup-los,
distribuindo-os por categorias (classes ou intervalos) obtendo uma distribuio de frequncias
agrupada (frequncia absoluta).
Uma distribuio de frequncias expressa por porcentagens s vezes mais interessante,
especialmente na comparao de estudos entre si. Por exemplo, comparar o desempenho dessa
turma entre avaliaes ou comparao entre turmas, etc. Para calcular a porcentagem, divide-se o
nmero de observaes em uma dada categoria pelo nmero total de observaes (frequncia
relativa).
possvel calcular a frequncia absoluta ou relativa de forma acumulada. Para tanto, deve-se somar
os valores obtidos em cada classe (ou categoria) encontrando a frequncia absoluta acumulada ou a
frequncia relativa acumulada.
Essas tabelas de frequncias absolutas ou relativas (%) acumuladas constitui a base do conhecimento
do Diagrama de Pareto, muito utilizado como ferramenta de qualidade. Veremos isto no tpico
sobre Controle Estatstico de Processo (CEP).

74
 Representao grfica
Muitos tipos de grficos so utilizados na Estatstica. Eles complementam a anlise numrica e
auxiliam nas comparaes e na observao de tendncias. Entre os vrios tipos de grficos, cita-se:
grficos de barras, grficos circulares (pizza), grficos de disperso, histogramas, curvas de regresso,
sries temporais, etc.
A Figura a seguir ilustra o desempenho dos acadmic@s por meio de um grfico de colunas e uma
aproximao de um histograma. Observa-se no histograma que os dados no apresentam uma
distribuio normal. Veremos isto mais adiante.

Medidas de tendncia central (Adaptado/formatado a partir de Ribeiro e ten Caten, 2012)

A tendncia central uma medida do centro de um conjunto de dados segundo uma regra
estabelecida a priori (mdia aritmtica, geomtrica, harmnica, ponderada, mediana, moda, etc.).
Mdia aritmtica ( x ): A mdia amostral bom um estimador da mdia populacional. Quanto
maior n melhor a estimativa.
n

x
i 1
i

x
n
Mediana ( ~x ): Ela no influenciada pelos dados atpicos. Deve-se ordenar os dados em ordem
crescente.
x n 1 , se n mpar
2
~
x x n x n

2 1
2

2
, se n par

Moda: observao que ocorre com mais frequncia.

Observaes:
(1) Relao entre mdia e mediana fornece a forma da disperso.
(2) Mediana tem maior robustez a dados atpicos do que a mdia.

Comparao entre mdia e mediana

A comparao entre mdia e mediana ajuda a identificar o tipo de distribuio de probabilidade

75
 MINISTRIO DA EDUCAO
UNIVERSIDADE TECNOLGICA FEDERAL DO PARAN
DEPARTAMENTO ACADMICO DE MATEMTICA
CURSOS DE GRADUAO EM ENGENHARIA MECNICA

NOME COMPLETO DO ACADMICO COM RA

ATIVIDADES PRTICAS SUPERVISIONADAS (APS)

Probabilidade: Definicoes, Propriedades, Teoria e Aplicaes

Atividades Prticas Supervisionadas (APS) apresentadas como

requisito parcial para aprovao na disciplina de Probabilidade e
Estatstica do Curso de Engenharia Mecnica da Universidade
Tecnolgica Federal do Paran (UTFPR) Cmpus Pato Branco sob
orientao do Prof. Jos DONIZETTI de Lima, Dr. Eng.

Pato Branco, 03 de maro de 2016.

76
 TESTE SEU CONHECIMENTO Atividades Prticas Supervisionadas (APS)
A ideia de insistir na resoluo das Atividades Prticas Supervisionadas (APS) que elas foram elaboradas para
complementar as aulas expositivas-dialogadas. Muitas vezes as dvidas surgem quando vocs comeam a resolver os
problemas/exerccios/questes tericos e/ou prticos/aplicados. Acredito que conseguiro resolver todos os problemas
propostos para a reviso dos conceitos. Reveja os slides, a apostila, os livros, .... Ento, vamos a elas....

1) Apresente um exemplo de uma situao prtica, de preferncia de sua rea de estudo, em que
mais razovel um modelo emprico do que um modelo determinstico. Se julgar necessrio, releia
as pginas 18 e 19.
2) Dado o conjunto A = {a, b, c}, pede-se o conjunto das partes de A, isto , os seus subconjuntos.
Indique tambm o nmero total de subconjuntos encontrados.
3) Mostre que o nmero de elementos de P(A), denominada cardinal de A, sempre igual a 2 n, em
que n o nmero de elementos de A.
4) No Brasil, as placas de automveis so formadas por 3 (trs) letras seguidas por 4 (quatro)
algarismos. Quantas placas diferentes so possveis formar, utilizando o alfabeto de 26 letras e o
nosso sistema decimal?
5) (Barbetta et al., 2010) Apresente os espaos amostrais dos seguintes experimentos aleatrios:
(a) Lanamento de uma moeda honesta e observao da face voltada para cima.
(b) Observao da qualidade de peas produzidas, registrando o nmero de peas defeituosas.
(c) Contagem do nmero de clientes em uma fila nica de banco, que chegam durante uma hora.
(d) Medio da velocidade do vento, em km/h, na pista de um aeroporto.
(e) Medio da temperatura, em graus Celsius, em uma estao meteorolgica da cidade de Pato
Branco Paran.
6) Considere que voc vai cronometrar o tempo (cronoanlise), em segundos, para carregar uma
pgina da World Wide Web (web ou www).
(a) Represente, em forma de conjuntos, os seguintes eventos:
A = mais do que 5 e, no mximo, 10 segundos;
B = mais do que 10 segundos;
C = mais do que 8 segundos;
D = A B; E = A B; F = A C; e G = A
(b) Represente geometricamente (como intervalos na reta dos reais) os conjuntos do item
anterior:
7) Retira-se, ao acaso, uma carta de um baralho de 52 cartas. Calcule a probabilidade de:
(a) a carta no ser de ouros; e
(b) ser uma carta de ouros ou uma figura.
8) Depois de um longo perodo de testes, verificou-se que o procedimento A de recuperao de
informao corre um risco de 2% de no oferecer resposta satisfatria. No procedimento B, o risco
cai para 1%. O risco de ambos os procedimentos apresentarem resposta insatisfatria de 0,5%.
Qual a probabilidade de pelo menos um dos procedimentos apresentar resposta insatisfatria?
9) De um conjunto de 5 (cinco) empresas, deseja-se selecionar, aleatoriamente, uma empresa, mas
com probabilidade proporcional ao nmero de funcionrios. O nmero de funcionrios da
Empresa A 20; de B 15; de C 7; de D 5 e de E 3. Pede-se:
(a) Qual a probabilidade de cada uma das empresas ser a selecionada?
(b) Qual a probabilidade de a empresa A no ser selecionada?
10) Demonstre o teorema: Se A, B e C forem trs eventos quaisquer, ento:
P(ABC) = P(A) + P(B) + P(C) P(AB) P(AC) P(BC) + P(ABC)

77
11) Considere que a probabilidade de ocorrer k defeitos ortogrficos em uma pgina de jornal dada
por:
1
P( k ) ( e 2,7183)
ek!
Tomando-se uma pgina qualquer, calcule a probabilidade de:
(a) no ocorrer erro; e
(b) ocorrer mais do que dois erros.
12) Para testar se um sistema especialista responde satisfatoriamente a um usurio, foram feitas cinco
perguntas, cada uma com quatro alternativas de resposta. Se o sistema escolhe as alternativas
aleatoriamente, qual a probabilidade de ele responder corretamente a todas as cinco perguntas?
13) Os dados, a seguir, representam o sumrio de um dia de observao em um posto de qualidade,
em que se avalia o peso dos pacotes de leite produzidos em um laticnio.
Tipo do leite
Condio do peso
B (B) C (C) UHT (U) Total
Dentro das especificaes (D) 500 4.500 1.500 6.500
Fora das especificaes (F) 30 270 50 350
Total 530 4.770 1.550 6.850
Retira-se, ao acaso, um pacote de leite da populao de 6.850 unidades. Sejam D e F os eventos que
representam se o pacote retirado est dentro ou fora das especificaes, respectivamente. Da
mesma forma, B, C e U so eventos que representam o tipo do leite. Calcule:
(a) P(D) Resposta: 6.500/6.850 (b) P(B) Resposta: 530/6.850 (c) P(DB) Resposta: 500/6.850
(d) P(D|B) Resposta: 500/530 (e) P(B|D) Resposta: 500/6.500
14) Uma caixa contm trs cartes verdes, quatro amarelos, cinco azuis e trs vermelhos. Dois cartes
so retirados da caixa, ao acaso, um aps o outro, sem reposio. Anotam-se suas cores. Calcular a
probabilidade de que:
(a) os dois cartes sejam da mesma cor. Resposta: 0,2095 = 20,95%
(b) os dois cartes sejam verdes, sabendo-se que so da mesma cor. Resposta: 0,1364 = 13,64%
15) Uma rede local de computadores composta por um servidor e cinco clientes (A, B, C, D e E).
Registros anteriores indicam que dos pedidos de determinado tipo de processamento, realizados
atravs de uma consulta, cerca de 10% vm do cliente A; 15% do B; 15% do C; 40% do D e 20% do
E. Se o pedido no for feito de forma adequada, o processamento apresentar erro. Usualmente,
ocorrem os seguintes percentuais de pedidos inadequados: 1% do cliente A; 2% do cliente B; 0,5%
do cliente C; 2% do cliente D e 8% do cliente E.
(a) Qual a probabilidade de o sistema apresentar erro? Resposta: 0,02875
(b) Qual a probabilidade de que o processo tenha sido pedido pelo cliente E, sabendo-se que
apresentou erro? Resposta: 0,5565
16) (Ribeiro e ten Caten, 2000) Eventos so ditos mutuamente exclusivos se eles no tem elementos
em comum, ou seja, se eles no podem ocorrer simultaneamente. Um grupo de eventos dito
coletivamente exaustivo se eles esgotam todos os resultados possveis para o experimento em
questo. Como podemos escrever matematicamente eventos mutuamente exclusivos e
coletivamente exaustivo? Na sequncia, apresente um exemplo ilustrativo, de preferncia
relacionada sua rea de estudo.
17) Qual a probabilidade de um acadmic@ acertar o dia da semana em que nasceu o seu professor
de Probabilidade e Estatstica (P&E)? Que suposio voc fez para calcular essa probabilidade?
18) Seja P(A) = 0,30, P(B) = 0,80 e P(AB) = 0,15. Pede-se:
(a) A e B so mutuamente exclusivos? Justifique (b) Determine P( B ). (c) Determine P(AB).

78
19) Sejam A e B mutuamente exclusivos, P(A) = 0,52 e P(B) = 0,27. Pede-se:
(a) A e B so coletivamente exaustivos? (b) Determine P(AB). (c) Determine P(AB).
20) As falhas de diferentes equipamentos so independentes uma das outras. Se h trs
equipamentos e as suas respectivas probabilidades de falha em um determinado dia so 1%, 2% e
5%, indique:
(a) a probabilidade de todos os equipamentos falharem em um mesmo dia. (b) de nenhum falhar.
21) Uma fbrica de azulejos tem um processo de inspeo em 3 etapas. A probabilidade de um lote
defeituoso passar sem ser detectado em uma dessas etapas de aproximadamente 25%. Com
base nessa informao, calcule a probabilidade de um lote defeituoso passar sem ser detectado
por todas as 3 etapas.
22) H 99% de probabilidade de uma mquina fabricar uma pea sem defeitos. Supondo que a
fabricao de peas sucessivas constitua eventos independentes, calcule as seguintes
probabilidades:
(a) de duas peas em sequncia serem defeituosas. (b) de dez peas em sequncia sem defeitos.
23) Trs mquinas A, B e C fabricam matrizes para a estamparia. O histrico dessas mquinas revela
que elas produzem respectivamente 1%, 2% e 3% de defeituosos. Um inspetor examina uma
matriz e verifica que ela est perfeita. Sabendo que cada mquina responsvel por 1/3 da
produo total, calcule a probabilidade de ela ser produzida por cada uma das mquinas.
24) Repita o exerccio anterior (23) para o caso em que o inspetor tivesse examinado a matriz e
verificado que ela era defeituosa.
25) Repita o exerccio anterior (23) para o caso em que as mquinas A, B e C fossem responsveis,
respectivamente, pelos seguintes percentuais da produo total: 20%, 40% e 40%.
26) Uma cidade tem 30 mil habitantes e trs jornais A, B, C. Uma pesquisa de opinio revela que: 12
mil leem A; 8 mil B; 7 mil A e B; 6 mil C; 4.500 leem A e C; 1 mil B e C; e 500 leem A, B e C. Qual a
probabilidade de que um habitante leia:
(a) pelo menos um jornal. (b) s um jornal. (c) ler o jornal A sabendo que ele l o jornal C.
27) Uma empresa exploradora de petrleo perfura um poo quando acha que h pelo menos 25% de
chance de encontrar petrleo. Ela perfura 4 poos, aos quais so atribudas probabilidades de 0,3;
0,4; 0,7 e 0,8.
(a) Determine a probabilidade de nenhum poo produzir petrleo, com base nas estimativas da
empresa.
(b) Determine a probabilidade de os quatro poos produzirem petrleo.
(c) Qual a probabilidade de s os poos com probabilidades 0,3 e 0,7 produzirem petrleo?
28) Os arquivos da polcia revelam que, das vtimas de acidente automobilstico que utilizam cinto de
segurana, apenas 10% sofrem ferimentos graves, enquanto que a incidncia de 50% entre as
vtimas que no utilizam cinto de segurana. Estima-se que em 60% a porcentagem dos motoristas
que usam o cinto. A polcia acaba de ser chamada para investigar um acidente em que houve um
indivduo gravemente ferido. Pede-se:
(a) Calcule a probabilidade de ele estar usando o cinto no momento do acidente.
(b) Sabendo que a pessoa que dirigia o outro carro no sofreu ferimentos graves, calcule a
probabilidade dela estar usando o cinto no momento do acidente.
29) Pense em uma situao relacionada sua rea de estudo em que possa ser empregado a
Probabilidade Condicional (PC) e/ou Teorema da Probabilidade Total (TPT) e/ou o Teorema de
Bayes (TB). Explique-a e ilustre-a utilizando dados reais e/ou fictcios (descrever detalhadamente).
30) Pense uma questo/problema envolvendo o contedo trabalho. Descreva-a e resolva-a.

79
 Respostas, Dicas e/ou Gabarito das APS
Lembre-se que haver pelo menos um exerccio das APS na avaliao individual escrita e sem consulta.
Entretanto, os eventos no so equiprovveis, isto , nem todos os exerccios tm a mesma chance
(probabilidade) de aparecer na avaliao.
1) Livre/individual... possibilidades.
2) P(A) = {, {a}, {b}, {c}, {a,b}, {a,c}, {b,c}, {a,b,c}}. Assim ao todo h 8 (oito) subconjuntos, ou seja, 2 3 =
8, pois cada elemento a, b e c pode estar ou no estar em cada subconjunto, logo existem
duas possibilidades para cada elemento. Portanto, 2x2x2 = 23 = 8.
3) Fazendo 1 = escolhido e 0 = no-escolhido. Assim, temos somente duas possibilidades para cada
elemento. Por outro lado, utilizando o Princpio Fundamental da Contagem (PFC), conhecido como
princpio multiplicativo, temos:
2 2 2
... 2n subconjuntos ou partes
0 ou 1 0 ou 1 0 ou 1

n termos

4) Ao todo so 26 letras e 10 nmeros (sistema decimal). Assim, temos:

26 26 26 10 10 10 10
263 104 175.760.000 placas
AaZ AaZ AaZ 0a9 0a9 0a9 0a9
5) (a) = {cara, coroa}; (b) = {0, 1, 2, ...}; (c) = {0, 1, 2, ...}; (d) = {v, tal que v 0};
(e) = ]-; +[ = {t, tal que - t +}. Poderia tambm desconsiderar resultados absurdos, e
restringir o conjunto para, digamos: = [-10; 40] = {t, tal que -10 t 40}. Temperaturas extremas
registradas no municpio de Pato Branco, segundo o IAPAR (2010): -5,6 oC em julho de 2006 e +36,7
oC em fevereiro de 2005. Disponvel em: <http://www.iapar.br/>. Acesso em: out. 213.

6) (a) A = {t, tal que 5 < t 10}; B = {t, tal que t > 10}; C = {t, tal que t > 8}; D = {t, tal que t > 5};
E = ; F = {t, tal que 8 < t 10}; G = {t, tal que 0 t 5 ou t > 10}.
52 13 39 3 13 12 3 22 11
7) (a) 0,75 75% ; (b) 0,4231... 42,31%
52 52 4 52 52 52 52 26
8) P(A) = 2%, P(B) = 1% e P(AB) = 0,5% => P(AB) = 2% + 1% 0,5% = 2,5%
9) (a) P(A) = 20/50 = 2/5; P(B) = 15/50 = 3/10; P(C) = 7/50; P(D) = 5/50 = 1/10; P(E) = 3/50
2 3
(b) P ( A ) 1 P ( A) 1
5 5
10) Dica: utilize a propriedade P(E1E2) = P(E1) + P(E2) P(E1E2) e faa E1 = AB e E2 = C.
11) (a) 1/e; (b) 1 5/2e
12) (1/45) = (1/4)5 = 1/1.024
13) (a) 6.500/6.850; (b) 530/6.850; (c) 500/6.850; (d) 500/530; (e) 500/6.500
14)
(a) 3/15*2/14 + 4/15*3/14 + 5/15*4/14 + 3/15*2/14 = 44/210 20,95% ou 0,2095
(b) Dado/sabendo/condicionado que so da mesma cor, pelo Teorema de Bayes, temos:
(3/15*2/14) / (44/210) = 3/22 13,64% ou 0,16364
15) (a) 0,02875; (b) 0,5565
16) Livre/individual... possibilidades.

80
17) 1/7. Hiptese: todos os dias da semana tm a mesma chance (probabilidade).
18) (a) No, pois AB (b) 0,20 (c) 0,95
19) (a) No, pois P(AB) = P(A) + P(B) = 0,52 + 0,27 = 0,79 1 (b) 0,79 (c) 0
20) (a) 1/100.000 (b) 92,17%
Equipamentos Probabilidade de Falha Probabilidade de Funcionamento
A 1,00% 99,00%
B 2,00% 98,00%
C 5,00% 95,00%
Probabilidade 0,001% 92,17%
Probabilidade 0,00001 0,9217
Probabilidade 1/100.000 153/166
21) 1,56%
Equipamentos Probabilidade de Falha
A 25,00%
B 25,00%
C 25,00%
Probabilidade 1,563% ou 0,01563 ou 1/64

22) (a) 0,01% (b) 90,44%

Mquina Probabilidade de Falha
1a 1,00%
2a 1,00%
Probabilidade 0,01% ou 0,0001 ou 1/10.000

Mquina Probabilidade de Perfeitos

1a 99,00%
2a 99,00%
3a 99,00%
4a 99,00%
5a 99,00%
6a 99,00%
7a 99,00%
8a 99,00%
9a 99,00%
10a 99,00%
Probabilidade 90,44%

23) Vide Tabela a seguir

Mquinas Perfeitos Probabilidade Bayes
33,33% 99,00% 33,00% 33,67%
33,33% 98,00% 32,67% 33,33%
33,33% 97,00% 32,33% 32,99%
Probabilidade Total (mdia ponderada) 98,00% 100,00%

81
24) Vide Tabela a seguir
Mquinas Defeituosos Probabilidade Bayes
33,33% 1,00% 0,33% 16,67%
33,33% 2,00% 0,67% 33,33%
33,33% 3,00% 1,00% 50,00%
Probabilidade Total (mdia ponderada) 2,00% 100,00%

25) Vide Tabela a seguir

Mquinas Perfeitos Probabilidade Bayes
20,00% 99,00% 19,80% 20,25%
40,00% 98,00% 39,20% 40,08%
40,00% 97,00% 38,80% 39,67%
Probabilidade Total (mdia ponderada) 97,80% 100,00%

26) (a) P(ABC) (b) P(ABCCC) (c) P(A|C) = P(AC).P(C)

Conjunto A B C A B C A B A C B C A B C
Quantidade 14.000 12.000 8.000 6.000 7.000 4.500 1.000 500
Probabilidade 46,67% 40,00% 26,67% 20,00% 23,33% 15,00% 3,33% 1,67%
Universo Somente 1.000 500 1.000
30.000 Probabilidade 3,33% 1,67% 3,33%
Qual a probabilidade de que um habitante leia:
(a) Pelo menos um jornal. 46,67% 46,67%
(b) S um jornal. 8,33% 8,33%
(c) Ler o jornal A, sabendo que ele l o jornal C. 75,00%
27)
Poo Probabilidade de Falha de todos Probabilidade de Funcionamento de todos Probabilidade de Funcionamento de A e C
A 70,00% 30,00% 30,00%
B 60,00% 40,00% 60,00%
C 30,00% 70,00% 70,00%
D 20,00% 80,00% 20,00%

Probabilidade 2,52% 6,72% 2,52%

Resoluo:
Seja os eventos:
O poo A produz petrleo => P(A) = 30% e P(Ac) = 70%.
O poo B produz petrleo => P(B) = 40% e P(Bc) = 60%.
O poo C produz petrleo => P(C) = 70% e P(Cc) = 30%.
O poo D produz petrleo => P(D) = 80% e P(Dc) = 20%.
Como ambos so maiores que 25% foram perfurados.
Os eventos so independentes.
(a) P(AcBcCcDc) = 70% 60% 30% 20% = 2,52%.
(b) P(ABCD) = 30% 40% 70% 80% = 6,72%.
(c) P(ABcCDc) = 30% 60% 70% 20% = 2,52%.

82
28) (a) 3/13 (b) 27/37
C= Com o cinto
S= Sem o cinto
FG = Ferido grave
FL = Ferido leve ou no ferido...
P(FG|C) = 10% P(FL|C) = 90%
P(FG|S) = 50% P(FL|S) = 50%
P(C) = 60%
P(S) = 40%
FG = (FGCFGS
P(FG) = P((FGCFGSP(FGC) P(FGS))
P(FG) = P(C).P(FG|C) + P(S).P(FG|S)
P(FG) = 26% 60%*10%+40%*50% = 6% + 20% = 26% TPT
(a) Calcule a probabilidade de ele estar usando o cinto no momento do acidente.
Dado: Houve um acidente com ferimento grave (FG)
P(C/FG) = P(CFG)/P(FG) = 6%/26% = 3/13 23,08%
FG = (FGC)(FGS) => P(FG) = P((FGC)(FGS)) = P(FGC) + P(FGS) =
= P(C)*P(FG/C) + P(S)*P(FG/S) = 60%*10% + 40%*50% = 26%
(b) Sabendo que a pessoa que dirigia o outro carro no sofreu ferimentos graves, calcule a probabilidade dela
estar usando o cinto no momento do acidente.

P(C|FL) = P(CFL)/P(FL)
P(CFL) = P(C).P(FL|C)
P(CFL) = 54% 60%*90% = 54%
P(FL) = P((FLCFLSP(FLC)P(FLS)
P(FL) = P(C).P(FL|C) + P(S).P(FL|S)
P(FL) = 74% 60%*90%+40%*50% = 54% + 20% = 74% TPT
P(CFL) = 72,97% 27/37 0,7297 54%/74% TB
Lembre-se: P(A/B) = P(AB)/P(B) => P(AB) = P(A/B)* P(B)
29) Livre/individual... possibilidades.
30) Livre/individual... possibilidades.
Para refletir: Probabilidade Condicional => pense em P(A|B) em que temos os seguintes eventos:
A = ser aprovado; e
B = (no fez as APS) e/ou (no estudou) e/ou (no sabe e no procurou saber os fundamentos para o
aprendizado da Probabilidade e Estatstica).
Lembre-se: O Teorema da Probabilidade Total (TPT) estima o percentual que tem a caracterstica de
interesse, digamos: o percentual de peas defeituosas, considerando que essas advm de diversos
fornecedores com caractersticas e qualidades diferenciadas. Cada elemento do TPT informa a
participao no cmputo total da caracterstica de interesse em pontos percentuais. Por outro lado, o
Teorema de Bayes (TB) informa o percentual de contribuio que cada fornecedor/gerador contribui
para a formao da caracterstica de interesse.

83
 PROBLEMAS COMPLEMENTARES DO BARBETTA et al. (2010, p. 113-115; 356)
1) A probabilidade de que Joozinho resolva este problema 0,5. A probabilidade de que Mariazinha
resolva este problema 0,7. Qual a probabilidade de o problema ser resolvido se ambos
tentarem independentemente? Resposta: 0,85
2) Um sistema tem dois componentes que operam independentemente. Suponha que as
probabilidades de falha dos componentes 1 e 2 sejam 0,1 e 0,2, respectivamente. Determinar a
probabilidade de o sistema funcionar nos dois casos seguintes:
(a) os componentes so ligados em srie (isto , ambos devem funcionar para que o sistema
funcione). Resposta: 0,72 ou 72%
(b) os componentes so ligados em paralelo (isto , basta um funcionar para que o sistema
funcione). Resposta: 0,98 ou 98%
3) Um sistema tem quatro componentes que operam independentemente, sendo que cada
componente tem probabilidade 0,1 de no funcionar. O sistema ligado da seguinte forma:

Determinar a probabilidade de o sistema funcionar. Resposta: 0,9639

4) De acordo com certa tbua de mortalidade, a probabilidade de Jos estar vivo daqui a 20 anos de
0,6, e a mesma probabilidade para Manuel de 0,9. Determinar:
(a) P (ambos estarem vivos daqui a 20 anos). Resposta: 0,54 ou 54%
(b) P (nenhum estar vivo daqui a 20 anos). Resposta: 0,04 ou 4%
(c) P (um estar vivo e outro estar morto daqui a 20 anos). Resposta: 0,42 ou 42%
5) Aps um longo processo de seleo para preenchimento de duas vagas de emprego para
engenheiro, uma empresa chegou a um conjunto de 9 engenheiros e 6 engenheiras, todos com
capacitao bastante semelhante. Indeciso, o setor de recursos humanos decidiu realizar um
sorteio para preencher as duas vagas oferecidas.
(a) Construa o modelo probabilstico, considerando que se esteja observando o sexo (masculino ou
feminino) dos sorteados. Resposta: HH (36/105), HM (27/105), MH (27/105), MM (15/105)
(b) Qual a probabilidade de que ambos os selecionados sejam do mesmo sexo? Resposta: 51/105
(c) Sabendo-se que ambos os selecionados so do mesmo sexo, qual a probabilidade de serem
homens? Resposta: 36/51
6) Est sendo avaliada a qualidade de um lote de peas em uma indstria cermica, onde esto
misturados 30 pisos e 40 azulejos.
(a) Retira-se uma pea ao acaso do lote e observa-se o tipo de cermica. Construa o modelo
probabilstico para esta situao. Resposta: P (3/7), A (4/7)
(b) Retiram-se duas peas ao acaso do lote, uma aps a outra, com reposio, e observa-se o tipo de
cermica. Construa o modelo probabilstico para esta situao. Resposta: PP (9/49), PA(12/49),
AP(12/49), AA (16/49)
(c) Repita o item (b), supondo que no haja reposio. Resposta: 29/161, 40/161, 40/161, 52/161
(d) Registros anteriores da qualidade indicaram que 1,5% dos azulejos e cerca de 0,7% dos pisos
apresentaram defeitos. Retira-se, ao acaso, uma pea do lote. Qual a probabilidade de a pea
apresentar defeito? Resposta: 0,01157
(e) Para as condies do item (d), qual a probabilidade de a pea ser piso, uma vez que apresentou
defeito? Resposta: 0,2593

84
7) A caixa 1 tem 8 peas boas e 2 defeituosas; a caixa II tem 6 peas boas e 4 defeituosas; a caixa III
tem 15 peas boas e 5 defeituosas.
(a) Tira-se, aleatoriamente, uma pea de cada caixa. Determinar a probabilidade de serem todas
boas. Resposta: 9/25
(b) Escolhe-se uma caixa ao acaso e tira-se uma pea. Determinar a probabilidade de ser defeituosa.
Resposta: 17/60
(c) Escolhe-se uma caixa ao acaso e tira-se uma pea. Calcular a probabilidade de ter sido escolhida a
caixa 1, sabendo-se que a pea defeituosa. Resposta: 4/17
8) A qualidade de CDs foi avaliada em termos da resistncia a arranho e adequao das trilhas. Os
resultados de 1.000 CDs foram:
Resistncia Adequao das trilhas
a arranho Aprovado Reprovado
Alta 700 140
Baixa 100 60
Se um CD for selecionado ao acaso desse lote de 1.000 CDs, qual a probabilidade de ele:
(a) Ter resistncia a arranho alta e ser aprovado na avaliao das trilhas? Resposta: 0,7
(b) Ter resistncia a arranho alta ou ser aprovado na avaliao das trilhas? Resposta: 0,94
(c) Ser aprovado na avaliao das trilhas, dado que tem resistncia a arranho alta? Resposta: 0,8333
(d) Ter resistncia a arranho alta, dado que foi aprovado na avaliao das trilhas? Resposta: 0,875
9) Certo sistema funciona somente se houver um caminho fechado de A a B, com componentes que
funcionam. Os componentes funcionam independentemente um dos outros. O sistema
esquematizado abaixo, assim como as probabilidades de falha de cada componente:

Calcule a probabilidade de o sistema funcionar. Resposta: 0,9990

10) Dois nmeros inteiros so extrados, aleatoriamente e sem reposio, do intervalo [-20, 29].
Esses dois nmeros so multiplicados. Qual a probabilidade de o produto ser positivo? Resposta:
0,4865
OUTROS PROBLEMAS RELEVANTES
1) Peas que saem de uma linha de produo so marcadas defeituosas (D) ou no defeituosas (P). As
peas so inspecionadas e suas condies registradas. Isto feito at que duas peas defeituosas
consecutivas sejam fabricadas ou que quatro peas tenham sido inspecionadas, aquilo que ocorrer
em primeiro lugar. Descreva o espao amostral para este experimento.
Resposta: = {(D,D); (D,P,D); (P,D,D); (P,P,D,D); (P,P,P,D);(P,P,P,P)} escrevi todas?

2) Uma caixa com N lmpadas contm r lmpadas (r < N) com filamento partido. Essas lmpadas so
verificadas uma a uma at que uma lmpada defeituosa seja encontrada. Nesse contexto, pede-se:
(a) Descreva o espao amostral do experimento. Resposta: = {(D); (P,D); (P,P,D);.... } escrevi todas?
(b) Suponha que as lmpadas acima sejam verificadas uma a uma, at que todas as defeituosas
tenham sido encontradas. Descreva o espao amostral para este experimento. Resposta: = {....}
3) Uma remessa de 1.500 arruelas contm 400 peas defeituosas e 1.100 perfeitas. Duzentos arruelas
so escolhidas ao acaso (sem reposio) e classificadas. Nesse contexto, pede-se:
(a) Qual a probabilidade de que sejam encontradas exatamente 90 peas defeituosas?
(b) Qual a probabilidade de que sejam encontradas ao menos 2 peas defeituosas?

85
 1100 400

C1100,110 C400, 90
; (b) 1 P(1)
110 90
Resposta: (a) P(90)
C1500, 200 1500

200
4) Um certo tipo de motor eltrico falha nas seguintes situaes: A = emperramento dos mancais; B =
queima dos rolamentos; C = desgaste das escovas. Suponha que o emperramento seja duas vezes
mais provvel do que a queima e esta quatro vezes mais provvel do que o desgaste das
escovas. Qual ser a probabilidade de que o motor falhe devido a cada uma dessas circunstncias?
Resposta:

CAPTULO 2 ELEMENTOS DE PROBABILIDADE (ANSELMO, 200)

5) Suponha que se tenha n caixas distintas e n bolas distintas. Qual o nmero total de maneiras de
se distribuir as n bolas nas n caixas de modo que cada caixa contenha exatamente uma bola?
Resposta: n!
6) Um Departamento composto por 25 professores titulares, 15 professores adjuntos e 35
professores assistentes. Uma comisso de 6 membros deve ser selecionada ao acaso do corpo
docente do Departamento. Determine: Resposta: (a) C75,6; (b) C35,6
(a) O nmero de comisses distintas que podem ser formadas com esses professores.
(b) O nmero de comisses que podem ser constitudas somente com professores assistentes.
7) Considere uma mo de pquer com 5 cartas de um baralho com 52 cartas. Calcule:
(a) O nmero possvel de mos diferentes de se obter. (a) C52,5
(b) O nmero de four, isto , quatro cartas de mesmo valor.
8) Suponha que se distribui n bolas em n caixas, de modo que a caixa 1 fique vazia, uma das outras n-
1 caixas contenha 2 bolas e as outras n-2 caixas contenham apenas 1 bola. Calcule o nmero de
maneiras de se fazer isto.
9) O cdigo morse consiste de uma sequncia de pontos e traos em que repeties so
permitidas.
(a) Quantas letras se pode codificar usando exatamente n smbolos?
(b) Qual o nmero de letras que se pode codificar usando n ou menos smbolos?
10) Uma pessoa possui n moedas no bolso, das quais somente uma de R$ 0,50. Se ele olhar o valor
das moedas de uma em uma, qual o nmero mximo de tentativas que dever fazer at achar a
sua moeda de R$ 0,50?
11) Um nibus parte com 2 pessoas e para em 3 pontos diferentes. Supondo que os passageiros
possam descer em qualquer dos pontos com igual possibilidade, determinar:
(a) O nmero de maneiras de se distribuir os passageiros nos pontos tal que os dois passageiros no
desembarquem na mesma parada?
(b) O nmero de maneiras possveis dos passageiros desembarcarem nos pontos?
12) Suponha que se tenha r caixas numeradas 1, 2, 3, ..., r onde so colocadas n < r bolas numeradas 1,
2, 3, ..., n, aleatoriamente, uma de cada vez. Determine:
(a) O nmero total de maneiras de se colocar as n bolas nas r caixas, que tipo de amostragem pode ser
associado a este experimento?
(b) O nmero de maneiras de se colocar as n bolas nas r caixas at que se pare na n-sima bola com 2
bolas em uma caixa e no mximo uma bola nas outras caixas.
13) Uma caixa contm N bolas numeradas de 1 a N. Seleciona-se ao acaso n bolas da caixa (com n <
N), registrando o seu nmero e repondo a bola na caixa. O processo repetido n vezes. Pergunta-
se:
(a) Qual o nmero total de maneiras de se agrupar estas n bolas em uma das tentativas?

86
(b) Qual o tipo de amostragem correspondente a este experimento?
14) Se o Anselmo e o Festa esto dispostos aleatoriamente em uma fila entre n 2 outras pessoas
determine:
(a) O nmero de modos em que podem ficar exatamente k pessoas entre eles.
(b) O nmero total de modos em que podem ficar o Anselmo e o Festa e as outras n 2 pessoas?
15) Um domin um bloco retangular dividido em dois sub-retngulos. Cada sub-retngulo possui um
nmero. Sejam x e y esses nmeros (no necessariamente distintos). Como o bloco simtrico, o
domin (x, y) o mesmo que (y, x). Quantos blocos diferentes de domin se pode fazer usando n
nmeros diferentes?
16) Suponha que se distribui n bolas em n caixas.
(a) De quantos modos poderemos colocar as n bolas nas n caixas, de maneira que exatamente uma
caixa fique vazia?
(b) dado que a caixa 1 est vazia, de quantos modos se tem somente uma caixa vazia?
17) O cdigo gentico especifica um aminocido atravs de uma sequncia de trs de trs
nucleotdeos. Cada nucleotdeo pode ser de um dos quatro tipos T, A, C e G, sendo permitido a
repetio. Quantos aminocidos podem ser codificados desta maneira?
DESAFIO: Duas pessoas viajando, sendo que a primeira pessoa leva consigo 3 pes enquanto a
segunda pessoa leva 5 pes. Essas pessoas encontraram um andante, e decidem comer juntas os
pes que levam. Todos comeram a mesma quantidade, ao final o andante como recompensa
distribuiu 8 moedas de ouro. Quanto cada um deve ganhar de forma que a diviso seja proporcional
a contribuio de cada um para acabar com a fome do andante?
DESAFIOS: 2 filhos, Prisioneiro, Problema de Monty Hall., Desafios do Ensino Mdio, Velocidade
Mdia (mdia harmnica)....
QUESTES QUE NO QUEREM CALAR
1) Segundo Loesch (2012) Muitos se arriscam no uso da parte mais fcil da Estatstica, a Descritiva,
para elaborar tabelas e grficos demonstrativos e mesmo para calcular algumas estimativas
bsicas, geralmente motivados e encorajados pela disseminao de ferramentas computacionais
como as planilhas eletrnicas ou softwares que contm um mdulo de estatstica ou a outros
dedicados exclusivamente a essa rea. Porm, quando se torna necessrio efetuar um
levantamento de dados, com frequncia, dvidas comeam a surgir: qual o tamanho da amostra?
Como selecionar os elementos da populao que faro parte da amostra? Infelizmente, no Brasil,
poucos so os que conhecem Probabilidade e Estatstica a um nvel de suficincia que permita, sem
receios, arriscar-se publicao dos resultados de pesquisa. Amide, a maioria recorre ao auxlio
de terceiros e a consultorias especializadas.
2) Por que o clculo da rea gera a probabilidade?
3) Por que a probabilidade x = a (variveis contnuas) nula?

87
Cap.3 - Varivel Aleatria Adaptado a partir de Barbetta et al. (2010)

Um conceito de fundamental importncia para a estatstica indutiva o de variveis aleatrias (v.a.).

Para entender esse conceito, imagine que um dado comum vai ser lanado. Tente dizer qual ser o
nmero resultante. claro que, antes do lanamento, no podemos dizer qual o nmero que
ocorrer, pois o resultado depende do fator aleatrio (alea = sorte, em latim) e, por isso, uma
varivel aleatria (ou randmica).
Uma varivel aleatria pode ser entendida como varivel quantitativa, cujo resultado (valor) depende
de fatores aleatrios.
Outros exemplos de variveis aleatrias so:
(1) nmero de coroas obtido no lanamento de duas moedas.
(2) nmero de itens defeituosos em uma amostra retirada, aleatoriamente, de um lote.
(3) nmero de defeitos em um azulejo que sai da linha de produo.
(4) nmero de pessoas que visitam um determinado site, em um certo perodo de tempo.
(5) volume de gua perdido por dia, em um sistema de abastecimento.
(6) resistncia ao desgaste de um tipo de ao, em um teste padro.
(7) tempo de resposta de um sistema computacional.
(8) grau de empeno em um azulejo que sai da linha de produo.
Todos os exemplos acima tm uma caracterstica comum: alm do resultado ser quantitativo (valor
real), no podemos prev-lo com exatido, pois ele depende de experimento aleatrio.
Embora no exemplo do dado os valores que a varivel aleatria pode assumir coincidam com o
espao amostral do experimento, este no um caso geral. No exemplo (1), lanamento de 2
moedas, o espao amostral mais completo = {(cara, cara), (cara, coroa), {coroa, cara), (coroa,
coroa)}, enquanto que a varivel aleatria nmero de coroas assume valores no conjunto {0, 1, 2}.
Mas existe uma relao (funo) entre os dois conjuntos, conforme mostra o esquema a seguir:

Formalmente, uma varivel aleatria uma funo que associa elementos do espao amostral ao
conjunto de nmeros reais.
As variveis aleatrias podem ser discretas ou contnuas, conforme mostra a seguir.

Figura Variveis aleatrias discretas e contnuas

88
Os casos (1) a (4) so exemplos de variveis aleatrias discretas e os casos (5) a (8) so exemplos de
variveis aleatrias contnuas.
Cabe observar que as variveis qualitativas tambm podem ser caracterizadas como variveis
aleatrias discretas, desde que as representemos como variveis indicadoras 0 ou 1. Por exemplo, ao
avaliar azulejos que saem de uma linha de produo, cada azulejo pode ser classificado como bom (X
= 0) ou defeituoso (X = 1). Nesse caso, a varivel aleatria discreta X est definida como varivel
indicadora de item defeituoso.
Se houver mais de duas categorias (por exemplo: A, B e C), podemos usar mais de uma varivel
indicadora. No caso de trs categorias, podem ser empregadas as variveis aleatrias X e Y, em que X
= 1 se ocorrer B, e X = 0 caso contrrio; Y = 1 se ocorrer C, e Y = 0 caso contrrio. A ocorrncia de A
estaria representada por X = 0 e Y = 0.
Segundo Ribeiro e ten Caten (2012), uma distribuio de probabilidade um modelo matemtico que
relaciona um certo valor da varivel em estudo com a sua probabilidade de ocorrncia. H dois tipos
de distribuio de probabilidade:
Distribuies Discretas: Quando a varivel que est sendo medida s pode assumir certos valores,
como por exemplo os valores inteiros: 0, 1, 2, ... Ocorrem em experimentos que requerem
contagem. Ex.-> Distribuio Binomial, Poisson, ... Veremos em breve.
Distribuies Contnuas: Quando a varivel que est sendo medida expressa em uma escala
contnua, como no caso de uma caracterstica dimensional. Ocorrem em experimentos que
requerem medidas. Exemplos: tenso eltrica, presso (fora/rea), ... Ex.-> Distribuio Normal.

Figura Distribuio de probabilidade discreta e contnua

No caso de distribuies discretas, a probabilidade que a varivel X assuma um valor especfico xo

dados por:
P(X = x0) = p(x0)
No caso de variveis contnuas, as probabilidades so especificadas em termos de intervalos, pois a
probabilidade associada a um nmero especfico zero. Assim, temos:
b
P(a x b) f ( x) dx
a

Na sequncia, abordaremos somente o primeiro caso. O segundo ficar para mais adiante.

Distribuies DE PROBABILIDADE
O que uma distribuio de probabilidade? Adaptado/formatado a partir de Ribeiro e ten Caten (2010) e (2012)

Devido variabilidade inerente do processo, as medidas individuais so diferentes, mas em grupo

elas tendem a formar um padro. Quando o processo estvel, esse padro pode ser descrito por
uma distribuio de probabilidade.

89
Uma distribuio de probabilidade um modelo matemtico que relaciona um certo valor da varivel
em estudo com a sua probabilidade de ocorrncia. Para tanto, preciso construir um histograma.
O histograma utilizado para apresentar dados amostrais extrados de uma populao. Por exemplo,
os 50 valores de uma caracterstica dimensional (dimetro e espessura so exemplos) representam
uma amostra de um processo industrial. A utilizao de mtodos estatsticos permite que se analise
essa amostra e se tire/extraia algumas concluses sobre o processo de manufatura.
Histogramas e polgonos de frequncias

Figura Histogramas e polgonos de frequncias (absolutas e relativas)

Muitos tipos de grficos so utilizados na Estatstica. Eles complementam a anlise numrica e

auxiliam nas comparaes e na observao de tendncias. Entre os vrios tipos de grficos,
destacam-se: grficos de barras, grficos circulares (pizza), grficos de disperso, histogramas, curvas
de regresso, sries temporais, entre outras.
O histograma um grfico de barra cujo eixo horizontal representa a variao total da caracterstica
de qualidade subdividida em vrios pequenos intervalos. Em geral, no mnimo 5 e no mximo 15
classes devem ser utilizadas. Existem vrios mtodos para determinar o nmero adequado de
categorias.
Quando a caracterstica de qualidade uma varivel discreta, os intervalos so nmeros inteiros.
Para cada um desses intervalos construda uma barra vertical proporcional ao nmero de
observaes na amostra pertencente ao respectivo intervalo.
Principais Tipos de histograma

90
 Exemplo de aplicao do histograma
Especificaes podem ser includas para delinear uma faixa aceitvel ou uma meta. Nesse caso, LIE
o Limite Inferior de Especificao e LSE o Limite Superior de Especificao.

Comparao com as especificaes

Estratificao de histogramas
interessante estratificar os histogramas pois muitas vezes identifica-se distribuies diferentes para
nveis distintos dos fatores estratificados.

Figura Histograma Global

Figura Histogramas Individuais

91
 TIPOS DE DISTRIBUIO DE PROBABILIDADE
O histograma (baseado em uma amostra) serve para identificar o tipo de distribuio de
probabilidade associada a um processo.

Figura Distribuio de probabilidade dos valores individuais

Existem vrios tipos de distribuio, sendo que a mais tpica a distribuio Normal. Quando a
variao de uma caracterstica da qualidade gerada pela soma de um grande nmero de erros
infinitesimais independentes devido a diferentes fatores, a distribuio da caracterstica de qualidade
se torna, em muitos casos, aproximadamente uma distribuio Normal (KUME, 1993). Veremos isto
mais adiante no Teorema Central do Limite e na Lei dos Grandes Nmeros.
Uma varivel pode sofrer alterao tanto na sua mdia quanto na sua variabilidade. Na Figura a
seguir, pode-se visualizar que:
(a) da amostra A para B muda a tendncia central, mas a variabilidade constante;
(b) da amostra A para C muda a variabilidade, mas a tendncia central constante;
(c) da amostra B para C muda a tendncia central e a variabilidade.

Figura Distribuio de probabilidade dos valores individuais

Tipo nominal--melhor
Caractersticas de qualidade do tipo nominal--melhor (por exemplo, caractersticas dimensionais)
tendem a apresentar uma distribuio de probabilidade aproximadamente simtrica, pois as causas
de variabilidade geram valores que podem se afastar tanto para cima como para baixo do alvo. Elas
apresentam Limite Inferior de Especificao (LIE) e Limite Superior de Especificao (LSE), isto ,
apresenta tolerncias bilaterais. A fabricao de eixos com 50 mm de dimetro e tolerncia mxima
de 2% em torno desse valor mdio um exemplo ilustrativo.

92
 Tipo maior--melhor
Caractersticas de qualidade do tipo maior--melhor (por exemplo, resistncia mecnica) tendem a
apresentar uma distribuio de probabilidade assimtrica esquerda, pois muitas vezes existem
limitaes tecnolgicas que dificultam a obteno de valores altos, enquanto que muitas causas de
variabilidade podem gerar valores baixos. Elas apresentam apenas Limite Inferior de Especificao
(LIE).

Tipo menor--melhor
Caractersticas de qualidade do tipo menor--melhor (por exemplo, nvel de rudo) tendem a
apresentar uma distribuio de probabilidade assimtrica direita, pois muitas vezes existem
limitaes tecnolgicas dificultando a obteno de valores baixos, enquanto que muitos causas de
variabilidade podem gerar valores altos. Elas apresentam apenas Limite Superior de Especificao
(LSE). Pesquisem sobre as normas de fabricao de aspiradores de p, secadores de cabelo e
liquidificador, por exemplo. Estes sero classificados pelo INMETRO pelo nvel de rudo que
produzem.

Distribuio de probabilidades Adaptado a partir de Barbetta et al. (2010)

Definida uma varivel aleatria discreta, temos a descrio do que pode ocorrer no experimento
aleatrio. Em alguns casos e sob certas suposies, temos duas informaes:
Quais resultados podem ocorrer; e
Qual a probabilidade de cada resultado acontecer.
Exemplo ilustrativo:
Seja a varivel aleatria X = nmero obtido no lanamento de um dado comum. Se assumirmos o
dado perfeitamente equilibrado e o lanamento imparcial, podemos alocar as seguintes
probabilidades aos valores possveis de X:
Valores possveis Possibilidades
x p(x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
Total 1

Ou, mais resumidamente, p(j) = 1/6 para j = 1, 2, 3, 4, 5, 6.

93
A distribuio de probabilidades de uma varivel aleatria X a descrio do conjunto de
probabilidades associadas aos possveis valores de X, conforme foi ilustrado no exemplo anterior.
Observe que a soma das probabilidades dos valores possveis de X igual a 1.
Se X for discreta, com possveis valores {x1, x2, ...}, ento a distribuio de probabilidades de X pode
ser apresentada pela chamada funo de probabilidade, que associa a cada xi a sua probabilidade de
ocorrncia p(xi), ou seja:
p(xi) = P(X = xi) para i = 1, 2, ...
Uma funo de probabilidade deve satisfazer:

(a) p( xi ) 0

(b) p( x ) 1
i
i

Existe certa similaridade entre as distribuies de probabilidades e as distribuies de frequncias.

Contudo, na distribuio de probabilidades so mostrados os possveis valores e no os valores
efetivamente observados. Alm disso, as probabilidades so, geralmente, alocadas a partir de
suposies a respeito do experimento aleatrio em questo, enquanto as frequncias so obtidas
com efetivas realizaes do experimento.
A Figura a seguir apresenta grficos que podem ser utilizados para representar a distribuio de
probabilidade de uma varivel aleatria discreta. O grfico em hastes (do lado esquerdo) tpico para
variveis aleatrias discretas. J o grfico em forma de histograma (do lado direito) construdo com
o cuidado de a rea total ser igual unidade.

Figura Representaes grficas da distribuio de probabilidades da aleatria X = nmero obtido no lanamento de um dado comum

FUNO DE Distribuio ACUMULADA Adaptado a partir de Barbetta et al. (2010)

Outra forma de representar uma distribuio de probabilidades de uma varivel aleatria por meio
de sua funo de distribuio acumulada, que definida por:
F ( x) P ( X x)

Assim, para todo x , a funo de distribuio acumulada descreve a probabilidade de ocorrer um

valor at x, conforme ilustrado a seguir:

A varivel aleatria X = nmero obtido no lanamento de um dado comum tem a seguinte funo de
distribuio acumulada:

94
Observe que os pontos em que a funo de probabilidade descreve probabilidades no nulas
correspondem a saltos na funo de distribuio acumulada e, tambm, que a altura de cada salto
equivale ao valor da probabilidade naquele ponto. Assim, para todo x, h uma relao direta
entre p(x) e F(x).
Valor esperado e varincia Adaptado a partir de Barbetta et al. (2010)

Na anlise exploratria de dados, discute-se algumas medidas (particularmente, a mdia, a varincia

e o desvio-padro) para sintetizar as informaes sobre distribuies de frequncias de variveis
quantitativas. De forma anloga, essas medidas tambm podem ser definidas para as variveis
aleatrias, com o objetivo de sintetizar caractersticas relevantes de uma distribuio de
probabilidades. Considere uma varivel aleatria X e sua distribuio de probabilidades:
Valores possveis Possibilidades
x1 p1
x2 p2
x3 p3
.. ..
xk-1 pk-1
xk pk
Total 1

A mdia ou valor esperado de uma varivel aleatria x dado por:

n
E( X ) x j p j
j 1

E a varincia por:
n
2 V ( X ) ( x j )2 p j
j 1

Alternativamente, a varincia pode ser calculada por:

V ( X ) E( X 2 ) 2
n
em que: E ( X 2 ) x 2j p( x j ) .
j 1

Demonstrao da equivalncia das frmulas de clculo da varincia:

n n n n n
V ( X ) ( x j ) 2 p j ( x 2j 2 x j 2 ) p j x 2j p j 2 x j p j 2 p j
j 1 j 1 j 1 j 1 j 1
n n n n
x 2j p j 2 2 p j x 2j p j 2 2 2 1 x 2j p j 2 E ( X 2 ) 2
j 1 j 1 j 1 j 1

E o desvio padro dado por:

DP( X ) V ( X )
Retomemos o exemplo da varivel aleatria X = nmero obtido no lanamento de um dado comum,
em que a funo de probabilidade dada por:
p(j) = 1/6 para j = 1, 2, 3, 4, 5, 6
e calculemos o valor esperado e a varincia.
95
 1 1 1 1 1 1
E( X ) 1 2 3 4 5 6 3,5
6 6 6 6 6 6
1 1 1 1 1 1 91
E ( X 2 ) 12 22 32 42 52 62 15,1667
6 6 6 6 6 6 6
Assim,
V ( X ) E ( X 2 ) 2 15,1667 3,52 2,9167

Considerando que as probabilidades podem ser interpretadas como limite da frequncia relativa
quando o experimento executado muitas e muitas vezes, podemos interpretar o valor esperado
como a mdia aritmtica dos resultados da varivel aleatria se o experimento pudesse ser repetido
infinitas vezes. Assim, se pudssemos lanar o dado infinitas vezes, obteramos, em mdia, 3,5
pontos por lanamento. J a varincia informa sobre a disperso dos possveis valores.
Observe que, no presente exemplo, o valor esperado = 3,5 um nmero que a varivel aleatria
no pode assumir. Fisicamente, o valor esperado corresponde ao centro de gravidade (ou centro de
massa?) da distribuio de probabilidades.
Algumas propriedades
Sendo c uma constante e X e Y variveis aleatrias, as seguintes relaes podem ser
comprovadas/demonstradas:
(P1) E(c) = c (P2) E(X + c) = E(X) + c (P3) E(c.X) = c.E(X)
(P4) E(X + Y) = E(X) + E(Y) (P5) E(X Y) = E(X) E(Y) (P6) V(c) = 0
(P7) V(X + c) = V(X) (P8) V(c.X) = c2.V(X) (P9) DP(c.X) = |c|.DP(X)
As propriedades (P2) e (P7) mostram que ao somar uma constante a uma varivel aleatria, a
distribuio de probabilidades deslocada por esta constante, mas variabilidade preservada.
Todavia, ao multiplicar a varivel aleatria por constante, propriedades (P3) e (P8), o centro da
distribuio deslocado na mesma proporo e a variabilidade tambm alterada. Isto ilustrado
na Figura a seguir. Fazer simulao no MS-Excel: usar X = {1, 2, ..., 10, 11} e c = 2.

Figura Efeito da soma e da multiplicao de uma constante sobre uma varivel aleatria

Variveis aleatrias independentes Adaptado a partir de Barbetta et al. (2010)

Considere que um dado seja lanado duas vezes, sob as mesmas condies. Seja X, a varivel
aleatria que representa o nmero de pontos obtido no i-simo lanamento (i = 1, 2). Supondo que o
dado seja perfeitamente equilibrado e o lanamento imparcial, ento X1 e X2 tm a mesma funo de
probabilidade, que dada por:
p(j) = 1/6 para j = 1, 2, 3, 4, 5, 6
96
Considere, tambm, a varivel aleatria S como o nmero total de pontos obtidos nos dois
lanamentos, isto :
S = X1 + X2
A funo de probabilidade de S pode ser obtida com base em funes de probabilidades de X 1 e X2,
resultando em:
s 2 3 4 5 6 7 8 9 10 11 12
p(s) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Note que, se o primeiro lanamento for realizado e ocorrer o resultado X1, sendo X1{1, 2, 3, 4, 5, 6},
a funo de probabilidade de X2 permanece a mesma, pois o segundo lanamento independe do
primeiro. Assim, podemos dizer que X1 e X2 so variveis aleatrias independentes.
No entanto, a funo de probabilidade de S alterada. Por exemplo, se ocorrer o valor 1 (X 1 = 1),
ento a distribuio de S passa a ser:
Possveis valores de S dado que X1 = 1 2 3 4 5 6 7
Probabilidades 1/6 1/6 1/6 1/6 1/6 1/6
J se ocorrer X1 = 6, passamos a ter:
Possveis valores de S dado que X1 = 6 7 8 9 10 11 12
Probabilidades 1/6 1/6 1/6 1/6 1/6 1/6
Ou seja, X1 e S no so variveis aleatrias independentes.
Em geral, X1, X2, ..., Xn, podem ser consideradas variveis aleatrias independentes se o
conhecimento de uma no altera as distribuies de probabilidades das demais.
Muitas vezes as caractersticas do experimento permitem-nos avaliar se as variveis aleatrias
envolvidas so independentes. Essa condio importante, pois a maioria dos mtodos estatsticos
desenvolvida na suposio de que as observaes provm de variveis aleatrias independentes.
Considerando a regra do produto, podemos calcular a probabilidade de sair nmero par nos dois
lanamentos do dado simplesmente multiplicando a probabilidade de sair par em cada lanamento,
ou seja, (1/2).(1/2) = 1/4. Podemos representar o evento sair nmero par nos dois lanamentos do
dado por:
{X1(2, 4, 6), X2(2, 4, 6)}
E a probabilidade deste evento por:
P{X1(2, 4, 6), X2(2, 4, 6)} = P{X1(2, 4, 6)}.P{X2(2, 4, 6)} = (1/2).(1/2) = 1/4
Para um conjunto de variveis aleatrias X1, X2, ..., Xn, definimos:
X1, X2, ..., Xn so variveis aleatria independentes se e somente:
P{X1E1, X2E2, ..., XnEn} = P{X1E1}.P{X2E2}.....P{X2E2}
Para quaisquer conjuntos E1, E2, ..., En.
Mais algumas propriedades
Se X e Y so variveis aleatrias independentes, ento:
(P10) V(X + Y) = V(X) + V(Y) (P11) V(X Y) = V(X) + V(Y)
Note, pela propriedade (P11), que a varincia da diferena de duas variveis aleatrias independentes
a soma das varincias de cada varivel aleatria. Isso decorre da propriedade (P8).
Demonstrao da P11:
97
Enunciado: Sabendo que

(P8) V (c X ) c V ( X ) e (P10) V ( X Y ) V ( X ) V (Y )
2

mostre que:
V ( X Y ) V ( X ) V (Y )

Prova:
P10 P8
V X Y V X (Y ) V ( X ) V (Y ) 12 V ( X ) (1) 2 V (Y ) V ( X ) V (Y )

APS => ENTREGAR NO DIA DA PROVA

1) Apresente a funo de probabilidade para as seguintes variveis aleatrias:
(a) Nmero de caras obtido com o lanamento de uma moeda honesta.
(b) Nmero de caras obtido no lanamento de duas moedas honestas.
(c) Nmero de peas com defeito em uma amostra de duas peas, sorteadas aleatoriamente de um
grande lote, em que 40% das peas so defeituosas.
(d) Nmero de peas com defeito em uma amostra de trs peas, sorteadas aleatoriamente de um
grande lote, em que 40% das peas so defeituosas.
2) Apresente, sob forma grfica, a distribuio de probabilidades do Exerccio 1.
3) Apresente a funo de probabilidade acumulada do Exerccio 1 item (d).
4) Calcule os valores esperados e as varincias das distribuies de probabilidade do Exerccio 1.
5) Considere que um produto pode estar perfeito (B), com defeito leve (DL) ou com defeito grave
(DG). Seja a seguinte distribuio do lucro (em R$), por unidade vendida desse produto:
Produto x p(x)
B 6 0,7
DL 0 0,2
DG -2 0,1

(a) Calcule o valor esperado e a varincia do lucro.

(b) Se, com a reduo de desperdcios, foi possvel aumentar uma unidade no lucro de cada unidade
do produto, qual o novo valor esperado e a varincia do lucro por unidade?
(c) E se o lucro duplicou, qual o novo valor esperado e varincia do lucro por unidade?
6) Certo tipo de conserva tem peso lquido mdio de 900 g, com desvio-padro de 10 g. A embalagem
tem peso mdio de 100 g, com desvio-padro de 4 g. Suponha que o processo de enchimento das
embalagens controla o peso lquido, de tal forma que se possa supor independncia entre o peso
lquido e o peso da embalagem. Qual a mdia e o desvio-padro do peso bruto?
Respostas:
1)
x 0 1 x 0 1 2 x 0 1 2 x 0 1 2 3
(a) (b) p(x) 1/4 1/2 1/4 (c) p(x) 0,36 0,48 0,16 (d) p(x) 0,216 0,432 0,288 0,064
p(x) 1/2 1/2
2)

(a) (b)

98
 (c) (d)
0, se x 0
0,216 se 0 x 1

3) F ( x ) 0,648 se 1 x 2
0,936 se 2 x 3

1, se x 3

4) (a) 0,5 e 0,25 (b) 1 e 0,5 (c) 0,8 e 0,48 (d) 1,2 e 0,72
5) (a) 4 e 9,6. (b) E(L+1) = E(L) + E(1) = 4 + 1 = 5 e V(L+1) = V(L) + V(1) = 9,6 + 0 = 9,6.
(c) E(2*L) = 2*E(L) = 8 e V(2*L) = 22*V(L) = 4*9,8 = 38,4.
6) lquido = 900 g e embalagem = 100 g => = 1.000 g; lquido = 10 g => 2lquido = 100 e embalagem = 4 g =>
2embalagem = 16. Assim, V(Lquido + Embalagem) = V(Lquido) + V(Embalagem) = 100 + 16 = 116.
Portanto, = (116)1/2=10,7703 g. Obs.: V(X+Y)=V(X)+V(Y); =(V)1/2 e X+Y=(V(X+Y))1/2=(V(X)+ V(Y))1/2
Gabarito parcial das APS de distribuio de probabilidade
1)
(a) X = nmero de caras no lanamento de uma moeda = {0, 1}.
= {cara, coroa} => p(0) = 1/2 e p(1) = 1/2
X P(X = x)

0
1/2

(b) X = nmero de caras no lanamento de duas moeda = {0, 1, 2}.

= {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)} => p(0) = 1/4, p(1) = 2/4 = 1/2 e p(2) =
1/4.
X P(X = x)

0
1/4
1
1/2

(c) X = nmero de peas com defeito = {0, 1, 2}. = {(Boa, Boa), (Boa, Defeito), (Defeito, Boa),
(Defeito, Defeito)} => como o lote grande, podemos consider-lo como eventos independente =>
p(0) = 60%.60% = 36%; p(1) = 60%.40% + 40%.60% = 60%.40%.2 = 48%; p(2) = 40%.40% = 16% e p(xi)
= 1.
(d) X = nmero de peas com defeito = {0, 1, 2, 3}; P(Defeito) = 40% e P(Boa) = 1 P(Defeito) = 1
40% = 60% => p(0) = 60%.60%.60% = 21,6%; p(1) = 40%.60%.60%.3 = 43,20%; p(2) =
60%.40%.40%.3 = 28,80%; p(3) = 40%.40%.40% = 6,40% e p(xi) = 1.

99
 Varivel (pode assumir vrios valores) aleatrio (no previsvel). Alea = sorte, em latim.
Distribuio de probabilidade: a forma como os dados se distribuem.
Passo 1) Conhecer os resultados possveis para X, isto , explicitar todos os valores de x. X = {xX}

f(x) = p(x) = P(X = x) para i = 1, 2, ... => Funo Probabilidade

xi -----> p(xi)
F(x) = P(X x) => Funo Distribuio Acumulada ( x )
xi -----> F(xi)
Segundo Loesch (2012), muitas distribuies tericas destacam-se por serem adequadas
explicao de uma grande classe de fenmenos aleatrios.
Os modelos de distribuies tericas podem ser classificados em discretas e contnuas, de acordo
com o seu domnio (LOESCH, 2012).
Vamos estudar as distribuies discretas mais importantes do ponto de vista da aplicabilidade em
engenharia.
E o mais importante: esse texto est em construo e em constante aperfeioamento e, por isso,
alguns deslizes talvez sejam encontrados pelo caminho. Sugestes e/ou correes so sempre bem
vindas.

100
Variveis aleatrias CONTNUAS Adaptado/formatado/ampliado/implementado a partir de Barbetta et al. (2010)

1. Caracterizao de uma Varivel Aleatria Contnua

Muitas variveis aleatrias que surgem na vida de um engenheiro tm natureza eminentemente
contnua, tais como:
Tempo de resposta de um sistema computacional.
Rendimento de um processo qumico.
Tempo de vida de um componente eletrnico.
Resistncia de um material....
Outras vezes, h variveis aleatrias discretas, com grande nmero de possveis resultados, em que
prefervel utilizar um modelo aproximado contnuo no lugar do modelo exato discreto. E o caso de:
Nmero de transaes por segundo de uma CPU (unidade de processamento central).
Nmero de defeitos em uma amostra de 5.000 itens....
Para entender as peculiaridades das variveis aleatrias contnuas, imagine o seguinte experimento:
Exemplos ilustrativos:
1) Um crculo dividido em dois setores de mesmo tamanho (180 cada um), aos quais so atribudos
os nmeros 1 e 2. Um ponteiro preso ao centro do crculo e girado, conforme mostra a Figura a
seguir. Seja a varivel aleatria discreta X = nmero do setor apontado quando o ponteiro para de
girar. A distribuio de probabilidades de X, considerando que todos os pontos sejam
equiprovveis, pode ser especificada pela funo de probabilidade como apresentada nas Figuras
a seguir.

Figuras Experimento e formas de apresentao da funo de probabilidade desse experimento aleatrio

A representao com grfico de hastes tpica para variveis discretas. Apresentamos, tambm, um
grfico em forma de histograma, em que as probabilidades podem ser representadas por rea. No
caso do exemplo em questo, as bases dos retngulos so iguais unidade, o que faz com que a rea
seja igual altura do retngulo. Vale ressaltar que, ao representarmos probabilidades por reas,
devemos tomar o cuidado para que a rea total seja igual unidade.
2) Considere, agora, o crculo dividido em 4 (quatro) setores de mesmo tamanho (90 cada um). A
distribuio de probabilidades da varivel aleatria discreta X = nmero do setor apontado
quando o ponteiro para de girar apresentada na Figura a seguir.

Figuras Experimento e representao grfica da funo de probabilidade desse experimento aleatrio

101
3) Imagine, agora, que o crculo seja dividido em 8, 16 e 32 setores. As Figuras a seguir mostram a
funo de probabilidade de X em cada caso.

Figuras Experimentos e representaes grficas das funes de probabilidade desses experimentos aleatrios
fcil verificar que medida que aumentamos o nmero de divises no crculo, o nmero de
possveis setores (resultados de uma varivel aleatria discreta) vai aumentando, e a probabilidade
de cada resultado ocorrer (representada pela rea de um retngulo) vai sendo reduzida.
Teoricamente, o crculo pode ser dividido em infinitos setores, o que torna invivel a representao
tabular ou grfica da distribuio de probabilidades, da forma como fizemos nos exemplos
ilustrativos anteriores. Em termos matemticos, teramos:
1
p( x) P( X x) lim 0, x 1, 2, ...
x n

Uma alternativa melhor definir uma varivel aleatria contnua, como veremos a seguir.
2. Funo Densidade de Probabilidade (fdp)
Exemplo ilustrativo:
1) Considere um crculo, com medidas de ngulos, em graus, a partir de determinada origem, como
mostra a Figura a seguir. Nesse crculo, h um ponteiro que colocado a girar. Seja a varivel
aleatria contnua X = ngulo formado entre a posio que o ponteiro para e a linha horizontal do
lado direito. Considerando que no existe regio de preferncia para o ponteiro parar, a
distribuio de probabilidade de X pode ser representada por uma funo que assume um valor
constante e positivo em todo o intervalo [0, 360), de tal forma que as probabilidades possam ser
representadas por reas sob a curva dessa funo. Como certamente vai ocorrer um resultado em
[0, 360), ento a rea sob a funo nesse intervalo deve ser igual a 1, e nula fora deste intervalo.
A Figura a seguir ilustra a distribuio de probabilidades de X, por intermdio da chamada funo
densidade de probabilidade, e mostra a relao entre uma rea e um evento.

Figuras Experimento, funo densidade de probabilidade da varivel aleatria e probabilidade do evento (0 x < 90}, representada por uma rea

Note que os eventos associados a uma varivel aleatria contnua so intervalos (ou coleo de
intervalos) dos nmeros reais. Com base na funo densidade de probabilidade, podemos calcular
probabilidades de eventos desse tipo. Por exemplo, qual a probabilidade do ponteiro parar no
intervalo [30, 60]? Tomando a rea do retngulo indicado na figura a seguir, temos:
1 30 1
P(30 X 60) [60 30] 0,0833 8,33%
360 360 12
Observe que a incluso ou excluso dos extremos no altera a
probabilidade, pois uma linha tem rea nula. Ou seja, para uma
varivel aleatria contnua, a probabilidade de ocorrer um
particular valor igual a zero.

102
As probabilidades de eventos associados a uma varivel aleatria contnua X podem ser calculadas
por intermdio de uma funo densidade de probabilidade f, que deve satisfazer:

f ( x) 0, x e

f ( x) dx 1

b
Se A [a, b], ento: P( A) f ( x) dx.
a

Exemplo ilustrativo:
1) Seja a varivel aleatria T definida como o tempo de resposta na consulta a um banco de dados,
em minutos. Suponha que essa varivel aleatria tenha a seguinte funo densidade de
probabilidade (fdp):
2e 2 t , para t 0
f (t )
0, para t 0
Vamos calcular a probabilidade de a resposta demorar mais do que 3 minutos, isto , P(T > 3).
s
P(T 3) 2e 2t dt lim 2e 2t dt lim [e 2t ]3s lim (e 2 s e 6 ) 0 e 6 e 6 0,25%
3 s 3 s s

Geometricamente, temos:

Comandos implementados no software de manipulao algbrica MAPLE.

> plot(2*exp(-2*t), t = 0..5, 0..2)

# DIRETO
> Int(2*exp(-2*t),t = 3..infinity)=int(2*exp(-2*t),t=3..infinity)

>
# PASSO A PASSO
> Int(2*exp(-2*t), t = 3..infinity) = Limit(int(2*exp(-2*t), t = 3..u), u = infinity)

> Limit(int(2*exp(-2*t), t = 3..u), u = infinity) = limit(int(2*exp(-2*t), t = 3..u), u = infinity)

> evalf(%)
> f := 2*exp(-2*t); b := 3; Int(f, t = b .. infinity) = int(f, t = b .. infinity);
103
3. Funo de Distribuio Acumulada (fda)
Como X uma varivel aleatria contnua com funo de densidade de probabilidade f, definimos
sua funo de distribuio acumulada (fda) por:
x
F ( x) P( X x) f ( s) ds, x

Considere a funo densidade de probabilidade (fdp) do Exemplo ilustrativo anterior.

2e 2 t , para t 0
f (t )
0, para t 0
Agora, vamos obter a funo de distribuio acumulada (fda). Como a expresso matemtica se
altera no ponto zero, devemos considerar os dois seguintes casos:
t t
Para t < 0, F (t ) P(T t ) f ( s) ds 0 ds 0

t 0 t
Para t 0, F (t ) P(T t ) f ( s) ds 0 ds 2e 2 s ds 0 [e 2t ] t0 1 e 2t
0

Resumindo, a funo de distribuio acumulada da varivel aleatria T dada por:

1 e 2 t , para t 0
F (t )
0, para t 0
Comandos implementados no software de manipulao algbrica MAPLE.
> plot(1-exp(-2*t), t = 0 .. 5)

Cabe observar que possvel obter qualquer probabilidade por intermdio da funo de distribuio
acumulada (fda). Para a < b, temos:
P(X < a) = P(X a) = F(a) P(X > b) = 1 F(b) P(a < X < b) = F(b) F(a)
Retomando o Exemplo ilustrativo anterior, o clculo de P(T > 3) pode ser feito aplicando:
P(X > b) = 1 F(b). Nesse caso, temos:
P(T 3) 1 P(T 3) 1 F (3) 1 [1 e 23 ] e 6 0,25%
Dada a funo de distribuio acumulada F, podemos obter a funo densidade de probabilidade f
por:
f ( x) F ' ( x)
para todo ponto x em que F derivvel. No conjunto finito de pontos em que F no derivvel,
podemos arbitrar valores para f. Assim, a funo F tambm caracteriza a distribuio de
probabilidades de uma varivel aleatria.
Comandos implementados no software de manipulao algbrica MAPLE.
> F:= 1-exp(-2*t)
> Diff(F, t) = diff(F, t)

104
4. Valor esperado () e varincia (2)
Uma varivel aleatria contnua X, com funo densidade de probabilidade f, tem valor esperado ()
e varincia (2) definidos por:

E ( X ) x f ( x) dx e 2 V ( X ) ( x ) 2 f ( x) dx

As interpretaes dessas medidas podem ser feitas de forma anloga ao caso discreto. Alm disso,
todas as propriedades enunciadas para o caso discreto continuam vlidas para o caso contnuo, em
especial:
V ( X ) E( X 2 ) 2

em que: E ( X 2 ) x 2 f ( x) dx

Retomando o Exemplo ilustrativo anterior, em que a varivel aleatria T era caracterizada por:
2e 2 t , para t 0
f (t )
0, para t 0
temos:
0
E (T ) t f (t ) dt t 0 dx t 2e 2t dt 0 2 t e 2t dt
0 0

Integrando 2 t e 2t dt por partes, obtemos 1 / 2 .
0

Por outro lado, temos,

0
E (T 2 ) t 2 f (t ) dt t 2 0 dx t 2 2e 2t dt 0 2 t 2 e 2t dt
0 0

Integrando 2 t e dt por partes (duas vezes), obtemos E (T 2 ) 1 / 2 .
2 2 t
0

Assim,
2
1 1 1 1 1
V (T ) E (T )
2 2 2

2 2 2 4 4
Comandos implementados no software de manipulao algbrica MAPLE.
> 2*(Int(t*exp(-2*t), t = 0 .. infinity)) = 2*(int(t*exp(-2*t), t = 0 .. infinity));

> 2*(Int(t^2*exp(-2*t), t = 0 .. infinity)) = 2*(int(t^2*exp(-2*t), t = 0 .. infinity));

> sigma=2*(int(t^2*exp(-2*t), t=0..infinity))-(2*(int(t*exp(-2*t),t=0..infinity)))^2;

105
 Atividades Prticas Supervisionadas (APS): entregar no dia da prova
1) Seja um ponto escolhido aleatoriamente no intervalo [0, 1]. Pede-se:
(a) Apresente uma funo densidade de probabilidade para este experimento. Resposta:
(b) Obtenha a funo de distribuio acumulada. Resposta:
(c) Calcule o valor esperado e a varincia. Resposta:
2) Um profissional de Computao observou que seu sistema gasta entre 20 e 24 segundos para
realizar determinada tarefa. Considere a probabilidade uniforme em [20, 24], isto , todo
subintervalo de mesma amplitude em [20, 24] tem a mesma probabilidade. Como pode ser
descrita, grfica e algebricamente, a funo densidade de probabilidade? Sob essa densidade,
calcule:
(a) P(X > 23). Resposta:
(b) E(X). Resposta:
(c) V(X). Resposta:
3) Com respeito ao exerccio anterior, mas supondo probabilidades maiores em torno de 22 segundos
e a densidade decrescendo, simtrica e linearmente, at os extremos 20 e 24 segundos. Como
pode ser descrita, grfica e algebricamente, a funo densidade de probabilidade? Sob essa
densidade, calcule:
(a) P(X > 23). Resposta:
(b) E(X). Resposta:
(c) V(X). Resposta:
Comparando os grficos das funes de densidade de probabilidade dos dois exerccios, voc acha
razoveis as diferenas encontradas nos trs itens?
4) Seja X uma varivel aleatria com funo de distribuio acumulada dada
1 e x , para x 0
por: F ( x) . Obtenha a funo densidade de probabilidade de X.
0, para x 0

x, para 0 x 1

5) Seja X com funo densidade de probabilidade dada por: f ( x) 2 x, para 1 x 2. Calcule:
0, para x [0, 2)

(a) P(0 < X < 5). Resposta: 1
(b) P(0 < X < 1). Resposta: 1/2
(c) P(1/3 < x < 3/2). Resposta: 59/72
(d) E(X). Resposta: 1
(e) V(X). Resposta: 1/6
Respostas:
0, para x 0
1, para 0 x 1
1) (a) f ( x) (b) f ( x) x, para 0 x 1 (c) E(X) = 1/2 e V(X) = 1/12
0 , para x [0,1] 1, para x 1

1 / 4, para 20 x 24
2) f ( x) (a)P( X > 23) = 1/4 (b) E(X) = 22 (c) V(X) = 4/3
0, para x [20, 24]
x / 4 5, para 20 x 22

3) f ( x) 6 x / 4, para 22 x 24 (a)P( X > 23) = 1/8 (b) E(X) = 22 (c) V(X) = 2/3
0, para x [20, 24]

e x , para x 0
4) f ( x) .FOLHA ANEXA.
0, para x 0

106
CAP. 4 PRINCIPAIS DISTRIBUIES DISCRETAS Adaptado a partir de Barbetta et al. (2010) e Ribeiro e ten Caten (2012)

Anteriormente, construmos as distribuies de probabilidades de algumas variveis aleatrias,

empregando nosso conhecimento para o clculo das probabilidades envolvidas. Agora, estudaremos
alguns modelos probabilsticos padres, que podem ser utilizados em diversas situaes prticas. O
problema passa a ser, ento, como determinar qual modelo o mais adequado para a situao em
estudo e como aplic-lo adequadamente.
Lembremos que, para identificarmos uma varivel aleatria discreta, temos de conhecer quais
resultados podem ocorrer e quais so as probabilidades associadas aos resultados. A seguir, vamos
estudar os principais modelos discretos.
1a. DISTRIBUIO DE BERNOULLI Adaptado/formatado/ampliado a partir de Barbetta et al. (2010)

Talvez os experimentos mais simples so aqueles em que observamos a presena ou no de alguma

caracterstica, que so conhecidos como ensaios de Bernoulli. Alguns exemplos:
(1) Lanar uma moeda e observar se ocorre cara ou no.
(2) Lanar um dado e observar se ocorre seis ou no.
(3) Em uma linha de produo, observar se um item, tomado ao acaso, ou no defeituoso.
(4) Verificar se um servidor de uma intranet est ou no ativo.
Denominamos sucesso e fracasso os dois eventos possveis em cada caso. No presente contexto, o
termo sucesso no significa algo bom, mas simplesmente um resultado ou evento no qual temos
interesse; e fracasso, o outro resultado ou evento possvel.
O ensaio de Bernoulli caracterizado por uma varivel aleatria X, definida por X = 1, se sucesso; e X
= 0, se fracasso. A funo de probabilidade de X (Distribuio de Bernoulli) dada por:
x p(x)
0 1p 1 p, se x 0 1 x
p ( x) ou p ( x) p (1 p )
x

1 p p, se x 1
Total 1
em que p = P{sucesso}, isto , a probabilidade de sucesso. A distribuio fica completamente
especificada ao atribuirmos um valor para p. No exemplo (1), se o lanamento for imparcial e a
moeda perfeitamente equilibrada, p = 1/2. Por outro lado, o exemplo (2), com suposio anloga, p =
1/6. Outras caractersticas da distribuio de Bernoulli: valor esperado (esperana matemtica),
varincia, funo probabilidade e funo de distribuio acumulada, so dadas, respectivamente,
por:
E ( X ) p ; 2 V ( X ) p (1 p) ;
0, se x 0

p( x) P( X x) p x (1 p)1 x e F ( x) P( X x) 1 p, se 0 x 1
1, se x 1

Prove que E(X) e V(X) esto corretos e verifique que p(x) est adequado.
Resoluo: X = {0, 1}, p = probabilidade de sucesso; p(0) = P(X = 0) = 1 p; p(1) = P(X = 1) = p.
n 1
E ( X ) xi p( xi ) xi p( xi ) 0 p(0) 1 p(1) 0 (1 p) 1 p p
i 0 i 0
n 1
E ( X 2 ) xi2 p( xi ) xi2 p( xi ) 02 p(0) 12 p(1) 0 (1 p) 1 p p
i 0 i 0

V ( X ) E ( X 2 ) 2 p p 2 p (1 p) .
2

p( x) P( X x) p x (1 p)1 x p(0) p 0 (1 p)10 1 p e p(1) p1 (1 p)11 p (c.q.d)

107
1b. DISTRIBUIO DE BERNOULLI Adaptado/formatado/ampliado/implementado a partir de Rocha (2008) e Loesch (2012)

Definio: Uma varivel aleatria X segue o modelo de Bernoulli com parmetro p, denotada
por X ~ Be ( p ) , se tem funo de probabilidade dada por:
p( x) P( X x) p x (1 p)1 x com x 0,1 e 0 p 1
A distribuio de Bernoulli tem esperana matemtica (mdia ou expectncia ou valor mdio ou valor
mais provvel) e varincia dado por:
E ( X ) p e 2 V ( X ) p (1 p)
Observaes:
Na distribuio de Bernoulli, considera-se uma nica tentativa (ensaio) de um experimento
aleatrio, sendo p a probabilidade de sucesso e 1 p a probabilidade de fracasso nessa tentativa.
usual denotar 1 p = q. Sucesso significa ocorrncia do evento em controle e fracasso significa
no ocorrncia. No h sentido de mrito na ocorrncia ou no do evento considerado.
Ensaio de Bernoulli o experimento que tem resposta dicotmica do tipo sucesso-fracasso.
No modelo de Bernoulli, a varivel aleatria X em geral o nmero de sucessos em uma nica
tentativa do experimento. Portanto, X {0,1}.

Em suma: X ~ Be( p) P( X k ) p (1 p)1 k , k 0,1

em que S = Sucesso e F = Fracasso (ou Falha ou Insucesso ou Ausncia).

Segundo Loesch (2012), a distribuio de Bernoulli a mais simples de todas. No apresenta muito
interesse prtico, mas sim terico, pois outras distribuies discretas so definidas a partir dela.
Exemplos ilustrativos:
1) Uma urna contm apenas 4 bolas vermelhas e 6 brancas. Uma bola extrada, observada sua cor e
reposta na urna. Em uma nica extrao somente dois resultados podem ocorrer: bola vermelha
ou bola branca.
(a) Defina uma varivel aleatria X nesse experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
Resoluo: X Nmero de bolas vermelhas {0,1} => Distribuio de Bernoulli
(b) Determine a funo de probabilidade de X e seu grfico. Resposta: P( X x) 0,4 x 0,61 x , x 0,1
(c) Determine a funo distribuio (acumulada) de X e seu grfico. Resposta: Fazer
(d) Determine a esperana e a varincia de X . Interprete essas medidas. Resposta: E(X) = 0,40 e V(X) = 0,24
(e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios-padres? Compare
esse resultado com o obtido por intermdio da desigualdade de Tchebychev. Resposta: Fazer
Resoluo: p = 0,40 (vermelha: sucesso); q = 1 p = 0,60 (branca); p(0) = 0,60; p(1) = 0,40.
1
(c) F ( x) P( X x) 0,4 x 0,61 x , x 0,1 . Implementao no MS-Excel.
x 0

n 1 x p(x) F(x) 1 - F(x)

x 1 0 0,6000 0,6000 0,4000
p 40% 1 0,4000 1,0000 0,0000
E(X) = p 0,40 V(X) = E(x).(1-p) 0,24
108
2a. DISTRIBUIO BINOMIAL Adaptado/formatado/ampliado a partir de Barbetta et al. (2010)

Na maior parte das vezes, so realizados n ensaios de Bernoulli. O interesse est no nmero X de
ocorrncias de sucesso, como nos exemplos a seguir:
(1) Lanar uma moeda cinco vezes e observar o nmero de caras.
(2) Em uma linha de produo, observar dez itens, tomados ao acaso, e verificar quantos esto
defeituosos.
(3) Verificar, em um dado instante, o nmero de processadores ativos, em um sistema com
multiprocessadores.
(4) Verificar o nmero de bits que no esto afetados por rudos, em um pacote com n bits.
Nos exemplos anteriores, se for possvel supor:
Ensaios independentes.
P{sucesso} = p, constante para todo ensaio (0 < p < 1).
Temos, ento, exemplos de experimentos binomiais.
Uma varivel aleatria com distribuio binomial de parmetros n e p pode ser apresentada por:
X = X1 + X2 + ...+ Xn
em que X1, X2, ..., Xn, so variveis aleatrias independentes, sendo cada uma delas com distribuio
de Bernoulli de parmetro p. Como X, ser 0 ou 1, dependendo da ocorrncia ou no de sucesso no i-
simo ensaio (i = 1, 2, ..., n), ento a soma X corresponder ao nmero de sucessos. Para
especificarmos a funo de probabilidade de X, considere o seguinte exemplo ilustrativo:
1) Uma indstria processadora de suco classifica os carregamentos de laranja que chegam a suas
instalaes em A, B ou C. Suponha independncia entre as chegadas dos carregamentos, isto , a
classificao de um no altera a classificao dos demais. Suponha tambm que a probabilidade p
de classificao na classe A a mesma para todos os carregamentos. Para os prximos 4
carregamentos, seja X a varivel aleatria que representa o nmero de carregamentos
classificados na classe A. Vamos calcular a probabilidade de que X assuma o valor x, isto , a
probabilidade de que x carregamentos sejam classificados na classe A (x = 0, 1, 2, 3, 4).
Para cada carregamento, seja S (sucesso) quando este for classificado na classe A; e seja F (fracasso
ou falha ou insucesso) quando este for classificado em outra classe. A Figura a seguir mostra todas as
possveis sequncias de resultados, os possveis valores de X e as correspondentes probabilidades.
Resultados possveis de 4 carregamentos:

Figura Construo de uma distribuio binomial com n = 4 e p genrico

109
Explicando as probabilidades dessa Figura. O evento X = 0 ocorre quando nenhum carregamento
classificado na classe A (FFFF), cuja probabilidade (1 p).(1 p).(1 p).(1 p) = (1 p)4. O evento X
= 1 ocorre quando somente um carregamento for classificado na classe A (SFFF ou FSFF ou FFSF ou
FFFS). Como cada um desses resultados tem probabilidade p.(1 p)3, a probabilidade do evento X = 1
igual a 4.p.(1 p)3. As outras probabilidades podem ser obtidas de forma anloga. Observe que
temos 16 possibilidades (2.2.2.2 = 24 = 16, pois temos somente duas possibilidades para cada
carregamento ou C4,0 + C4,1 + C4,2 + C4,3 + C4,4 = 16).
Coeficientes binomiais
Na Figura anterior, podemos observar que no clculo da probabilidade do evento X = 1, contamos de
quantas maneiras poderia aparecer um sucesso entre as quatro possibilidades, assim encontramos a
quantidade quatro, correspondente s seguintes sequncias de respostas: SFFF, FSFF, FFSF e FFFS.
Em geral, na distribuio binomial, para calcular a probabilidade do evento X = x, em que x um valor
possvel da varivel aleatria X, precisamos conhecer o nmero de maneiras em que podemos
combinar os x sucessos entre os n ensaios. Esse valor, conhecido como coeficiente binomial, entra no
clculo da probabilidade como um coeficiente das potncias de p e (1 p), como verificamos na
Figura anterior.
Vamos representar o nmero de combinaes que podemos fazer com x elementos, em uma
n
sequncia de n elementos (sendo x n), por . Esse nmero de combinaes pode ser calculado
x
pela seguinte expresso:
n n!

x (n x) !x !
em que: n! = n.(n 1).(n 2)...1 (l-se n fatorial) e, por consequncia da propriedade (n! = n.(n-1)!),
temos: 1! = 1 e 0! = 1. Por exemplo, para n = 4 temos os seguintes coeficientes binomiais:
4 4! 4! 4 4! 4 3! 4 4! 4!
x 0 1 ; x 1 4 ; x 2 6;
0 4!0! 4! 1 3!1! 3! 2 2!2! 4
4 4! 4 3! 4 4! 4!
x 3 4 ; x 4 1
3 1!3! 3! 4 0!4! 4!
Expresso geral da distribuio binomial
Seja X uma varivel aleatria com distribuio binomial de parmetros n e p (sendo 0 < p < 1). A
probabilidade de X assumir um certo valor x, pertencente ao conjunto {0, 1, 2, ..., n}, dada pela
expresso:
n
p( x) p x (1 p)n x
x
Exemplos ilustrativos (1. continuao do anterior):
1) Historicamente, 30% dos carregamentos so classificados na classe A, em que podemos supor que
a probabilidade p de um carregamento ser classificado na classe A 0,3. Entre os quatro prximos
carregamentos, calculemos a probabilidade de exatamente dois serem classificados na classe A.
Temos n = 4 e p = 0,3. Assim, a probabilidade de x carregamentos serem classificados na classe A
dada por:
4
p( x) 0,3x 0,74 x para x 0,1, 2, 3, 4
x
110
Em particular, estamos interessados em:
4
p(2) 0,32 0,7 42 6 0,09 0,49 0,2646
2
A Tabela a seguir apresenta probabilidades da binomial para n 5 e p mltiplo de 0,05. O Exemplo
ilustrativo 2 a seguir ilustra a utilizao desse tipo de tabela. Uma tabela mais completa
disponibilizada no Apndice AINDA NO TERMINEI DE ELABORAR.
p
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
1 0 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 0,5000 0,4500 0,4000 0,3500 0,3000 0,2500 0,2000 0,1500 0,1000 0,0500
1 1 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000 0,3500 0,4000 0,4500 0,5000 0,5500 0,6000 0,6500 0,7000 0,7500 0,8000 0,8500 0,9000 0,9500
2 0 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500 0,2025 0,1600 0,1225 0,0900 0,0625 0,0400 0,0225 0,0100 0,0025
2 1 0,0950 0,1800 0,2550 0,3200 0,3750 0,4200 0,4550 0,4800 0,4950 0,5000 0,4950 0,4800 0,4550 0,4200 0,3750 0,3200 0,2550 0,1800 0,0950
2 2 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500 0,3025 0,3600 0,4225 0,4900 0,5625 0,6400 0,7225 0,8100 0,9025
3 0 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250 0,0911 0,0640 0,0429 0,0270 0,0156 0,0080 0,0034 0,0010 0,0001
3 1 0,1354 0,2430 0,3251 0,3840 0,4219 0,4410 0,4436 0,4320 0,4084 0,3750 0,3341 0,2880 0,2389 0,1890 0,1406 0,0960 0,0574 0,0270 0,0071
3 2 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2389 0,2880 0,3341 0,3750 0,4084 0,4320 0,4436 0,4410 0,4219 0,3840 0,3251 0,2430 0,1354
3 3 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250 0,1664 0,2160 0,2746 0,3430 0,4219 0,5120 0,6141 0,7290 0,8574
4 0 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625 0,0410 0,0256 0,0150 0,0081 0,0039 0,0016 0,0005 0,0001 0,0000
4 1 0,1715 0,2916 0,3685 0,4096 0,4219 0,4116 0,3845 0,3456 0,2995 0,2500 0,2005 0,1536 0,1115 0,0756 0,0469 0,0256 0,0115 0,0036 0,0005
4 2 0,0135 0,0486 0,0975 0,1536 0,2109 0,2646 0,3105 0,3456 0,3675 0,3750 0,3675 0,3456 0,3105 0,2646 0,2109 0,1536 0,0975 0,0486 0,0135
4 3 0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,1115 0,1536 0,2005 0,2500 0,2995 0,3456 0,3845 0,4116 0,4219 0,4096 0,3685 0,2916 0,1715
4 4 0,0000 0,0001 0,0005 0,0016 0,0039 0,0081 0,0150 0,0256 0,0410 0,0625 0,0915 0,1296 0,1785 0,2401 0,3164 0,4096 0,5220 0,6561 0,8145
5 0 0,7738 0,0994 0,3674 0,1814 0,1845 0,1346 0,1007 0,0709 0,0476 0,0302 0,0181 0,0101 0,0052 0,0024 0,0010 0,0003 0,0001 0,0000 0,0000
5 1 0,2036 0,3281 0,3915 0,4096 0,3955 0,3602 0,3124 0,2592 0,2059 0,1563 0,1128 0,0768 0,0488 0,0284 0,0146 0,0064 0,0022 0,0004 0,0000
5 2 0,0214 0,0729 0,1382 0,2048 0,2637 0,3087 0,3364 0,3456 0,3369 0,3125 0,2757 0,2304 0,1811 0,1323 0,0879 0,0512 0,0244 0,0081 0,0011
5 3 0,0011 0,0081 0,0244 0,0512 0,0879 0,1323 0,1811 0,2304 0,2757 0,3125 0,3369 0,3456 0,3364 0,3087 0,2637 0,2048 0,1382 0,0729 0,0214
5 4 0,0000 0,0005 0,0022 0,0064 0,0146 0,0284 0,0488 0,0768 0,1128 0,1563 0,2059 0,2592 0,3124 0,3602 0,3955 0,4096 0,3915 0,3280 0,2036
5 5 0,0000 0,0000 0,0001 0,0003 0,0010 0,0024 0,0053 0,0102 0,0185 0,0313 0,0503 0,0778 0,1160 0,1681 0,2373 0,3277 0,4437 0,5905 0,7738
Nome do Arquivo: Principais_Tipos_Distribuicao_Discreta_e_Alguns_Graficos_Prof_Donizetti_01novembro2013.xlsx.
2) Dados histricos mostram que 70% das pessoas que acessam pgina p23 da internet tambm
acessam a pgina p24. Obteremos, por intermdio da tabela da distribuio binomial, a
probabilidade de que, nos dez prximos acessos p23, a maioria tambm acesse a p24.
Note que temos um experimento binomial, com n = 10 e p = 0,7 (supondo independncia entre os
acessos). Utilizando a Tabela da distribuio binomial, podemos especificar a distribuio de X =
nmero de pessoas que tambm acessam a p24. A probabilidade de ocorrer o evento a maioria
tambm acessar a p24 corresponde, em termos da varivel aleatria X, ao evento {X > 5}, como
ilustramos na Tabela a seguir, implementada no MS-Excel. A probabilidade deste evento ser a
soma dos resultados individuais, ou seja: P(X > 5) = p(6) + p(7) + p(8) + p(9) + p(10) = 0,2001 + 0,2668 + 0,2335 + 0,1211 + 0,0282 = 0,8497.
p
N x=k 0,70
0 0,000006...
1 0,000138...
2 0,001447...
3 0,009002...
4 0,036757...
10 5 0,102919...
6 0,200121...
P(X > 5)
7 0,266828...
8 0,233474... =

9 0,121061... 0,849732...
10 0,028248...
Total 1,00000...
111
Se X tem distribuio binomial de parmetros n e p, ento seu valor esperado e sua varincia podem
ser calculados por:
E ( X ) n p e 2 V ( X ) n p (1 p)
As Figuras a seguir mostram duas distribuies binomiais com a indicao da posio dos respectivos
valores esperados. As implementaes ocorreram no MS-Excel.

Figura Representaes grficas de distribuies binomiais

Distribuies binomiais com p = 0,5 so simtricas, mas so assimtricas quando p 0,5. A assimetria
aumenta medida que p aproxima-se de 0 (assimetria positiva) ou de 1 (assimetria negativa).
APS => ENTREGAR NO DIA DA PROVA
1) Dados histricos mostram que 5% dos itens provindos de um fornecedor apresentam algum tipo
de defeito. Considerando um lote com 20 itens, calcular a probabilidade de:
(a) Haver algum item com defeito. Resposta: 0,6415
(b) Haver exatamente dois itens defeituosos. Resposta: 0,1887
(c) Haver mais de dois itens defeituosos. Resposta: 0,0754
(d) Qual o nmero esperado de itens defeituosos no lote? Resposta: 1
(e) E de itens bons? Resposta: 19
2) Apresente o grfico da varivel aleatria do Exemplo ilustrativo 2 sob a forma de um histograma,
indique a posio do valor esperado e represente P(X > 5) como uma rea na figura. Resposta: ??
112
2b. DISTRIBUIO BINOMIAL Adaptado/formatado/ampliado a partir de Ribeiro e ten Caten (2010)

A distribuio binomial adequada para descrever situaes em que os resultados de uma varivel
aleatria podem ser agrupados em apenas duas classes ou categorias. As categorias devem ser
mutuamente excludentes (EiEj = , i j), de forma que no haja dvidas na classificao do
resultado da varivel nas categorias e coletivamente exaustivas (Ei = ), de forma que no seja
possvel nenhum outro resultado diferente das categorias.
Por exemplo, um produto manufaturado pode ser classificado como perfeito ou defeituoso, a
resposta de um questionrio pode ser verdadeira ou falsa, as chamadas telefnicas podem ser locais
ou interurbanas, no final da disciplina de Probabilidade e Estatstica (P&E) haver aprovao ou
reprovao.
Mesmo as variveis contnuas podem ser divididas em duas categorias, como, por exemplo, a
velocidade de um automvel pode ser classificada como dentro ou fora do limite legal. As peas
produzidas estaro dentro ou fora dos limites de especificao. Ao final da disciplina de
Probabilidade e Estatstica (P&E) haver aprovao (mdia 6) ( frequncia 75%) ou reprovao
( mdia 6) ( frequncia 75%) .

Geralmente, denomina-se as duas categorias como sucesso ou falha. Como as duas categorias so
mutuamente excludentes e coletivamente exaustivas:
P(sucesso) + P(falha) = 1
Consequentemente, sabendo-se que, por exemplo, a probabilidade de sucesso P(sucesso) = 0,6, a
probabilidade de falha P(falha) = 1 0,6 = 0,4.
1.1. Condies de aplicao do modelo binomial
Para a aplicao do modelo binomial preciso atender as seguintes condies:
(a) So feitas n repeties do experimento, em que n uma constante.
(b) H apenas dois resultados possveis em cada repetio, denominados sucesso e falha.
(c) A probabilidade p de um sucesso e (1 p) de falha permanece constante em todas as repeties.
(d) As repeties so independentes, ou seja, o resultado de uma repetio no influenciado por
outros resultados.
Seja um processo composto de uma sequncia de n observaes independentes com probabilidade
de sucesso constante igual a p, a distribuio do nmero de sucessos seguir o modelo Binomial:
n
P( x) p x (1 p) n x
x
n
na qual: representa o nmero de combinaes de n objetos tomados x de cada vez, calculado
x
como:
n n!

x x ! (n x) !
Os parmetros da distribuio Binomial so n e p. A mdia () e a varincia (2) so calculadas como:
n p e 2 n p (1 p) ou 2 (1 p )

Exemplificando a frmula para o clculo da esperana matemtica (mdia): No lanamento imparcial

de uma moeda honesta, escolhe-se a opo cara. Assim, temos: n = 1 e p = 0,5.
Logo, 1 0,5 0,5. J no lanamento sucessivo de duas moedas, temos n = 2 e p = 0,5.

113
Logo, 2 0,5 1. Mais exemplos desse experimento, veja a Tabela a seguir, implementada no MS-
Excel:
n p Esperana () Varincia () Desvio-Padro ()
1 0,50 0,50 0,25 0,50
2 0,50 1,00 0,50 0,71
3 0,50 1,50 0,75 0,87
4 0,50 2,00 1,00 1,00
5 0,50 2,50 1,25 1,12
6 0,50 3,00 1,50 1,22
7 0,50 3,50 1,75 1,32
8 0,50 4,00 2,00 1,41
9 0,50 4,50 2,25 1,50
10 0,50 5,00 2,50 1,58
A distribuio Binomial utilizada com frequncia no controle de qualidade. o modelo apropriado
quando a amostragem feita sobre uma populao infinita ou muito grande. Nas aplicaes de
controle da qualidade, x em geral representa o nmero de defeituosos observados em uma amostra
de n itens.
Por exemplo, se p = 0,10 e n = 15, a probabilidade de obter x itens no conformes (defeituosos)
calculada utilizando a funo (a cada x associa p(x)) da distribuio binomial.
Para x = 1, temos:
15 15! 15 15
15 ou 15 e
1 1!14! 1 1!
15
P(1) 0,101 (1 0,10)151 15 0,10 0,914 0,3432
1
Para todas as possibilidade, veja Figura a seguir, elaborada no MS-Excel.

Figura Distribuio Binomial com p = 0,10 e n = 15

Outra estatstica de interesse para o controle de qualidade a frao (proporo) de defeituosos de

uma amostra:
x p (1 p )
p e p2
n n
114
2c. DISTRIBUIO BINOMIAL Adaptado/formatado/ampliado a partir de Rocha (2010)

Definio: Seja a varivel aleatria X que conta o nmero total de sucessos obtidos em uma
sequncia de n ensaios independentes de Bernoulli. A varivel X segue uma distribuio binomial
com parmetros n e p, denotada por X ~ b(n, p ) , se tem funo de probabilidade dada por:

n
p( x) P( X x) p x (1 p)n x com x 0,1, ..., n e 0 p 1
p
em que:
n o nmero de repeties do experimento;
x o nmero desejado de sucessos;
n x o nmero esperado de fracassos;
p a probabilidade de sucesso em um ensaio individual;
1 p a probabilidade de fracasso em um ensaio individual; e
n n!
Cn, x o nmero de combinaes de n elementos, tomados x a x.

x x !( n x ) !
A distribuio binomial tem esperana matemtica (mdia ou expectncia ou valor mdio ou valor
mais provvel) e varincia dado por:
E ( X ) n p e 2 V ( X ) n p (1 p)
Observaes:
Ensaios independentes de Bernoulli significa uma sequncia de repeties do experimento na qual
o resultado ocorrido em um ensaio no depende dos resultados ocorridos nos ensaios anteriores e
nem nos posteriores e, em cada ensaio, podem ocorrer apenas dois resultados: sucesso com
probabilidade p e fracasso com probabilidade 1 p.
Como as probabilidades p de sucesso se mantm constantes em cada ensaio, a distribuio
binomial indicada para os casos em que a amostragem feita com reposio.
n
A denominao binomial devida aos coeficientes serem os coeficientes do desenvolvimento
x
binomial das potncias de (a + b)n.
Exemplos ilustrativos:
1) A probabilidade de um produto fabricado no atender as especificaes de projeto igual a 5%
(produto no-conforme). So selecionadas ao acaso 8 unidades deste produto. Qual a
probabilidade de no mnimo 3 serem conforme as especificaes? Alm disso, pede-se:
(a) Defina uma varivel aleatria X nesse experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
(b) Determine a funo de probabilidade de X e seu grfico. Resposta:
(c) Determine a funo distribuio (acumulada) de X e seu grfico. Resposta:
(d) Determine a esperana e a varincia de X . Interprete essas medidas. Resposta:
(e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios-padres? Compare
esse resultado com o obtido por intermdio da desigualdade de Tchebychev. Resposta:
Resoluo:
(a) X Nmero de produtos com defeito {0,1, ..., 8} => modelo de distribuio binomial, com 8 (oito)
ensaios de Bernoulli. p = 5% = 0,05 (defeito: sucesso); q = 1 0,05 = 0,95 (perfeito).
115
 8
(b) p( x) P( X x) 0,05x 0,958 x , x 0,1, 2, 3
x
x
8
(c) F ( x) P( X x) 0,05k 0,958 k , k 0,1, 2, 3
k 0 k

(d) E ( X ) n p 8 0,05 0,40 e 2 V ( X ) n p (1 p) 8 0,05 0,95 0,38

(e) ??
Para finalizar, podemos responder a questo principal do problema, calculando:
1 P(X 2) = 1 p(0) p(1) = 1 0,6634 0,2793 = 0,0572 = 5,72%

n 8 x p(x) F(x) 1 - F(x)

x 3 0 0,6634 0,6634 0,3366
p 5% 1 0,2793 0,9428 0,0572
E(X) 0,40 2 0,0515 0,9942 0,0058
V(X) 0,38 3 0,0054 0,9996 0,0004
2) Uma companhia de avio chegou concluso de que 5% das pessoas que fazem reserva em um
dado vo no comparecem ao embarque. Consequentemente, adotou a poltica de vender 70
lugares para um aparelho de 68 assentos. Qual a probabilidade de que no haja excesso de
lotao?
Resoluo:
1 Forma) Definindo:
X = Nmero de no comparecimentos = {0, 1, 2, ..., 68, 69, 70}, temos:
p = 5% (probabilidade de no comparecimento). p(0) = probabilidade de todos comparecerem;
p(1) = probabilidade de somente um no comparecer.
1 P(X < 2) = 1 p(0) p(1) = 1 0,0276 0,1016 = 0,8708 = 87,08%
n 70 x p(x) F(x) 1 - F(x)

x 70 0 0,0276 0,0276 0,9724

p 5% 1 0,1016 0,1292 0,8708
E(X) = n.p 3,50
V(X) = E(x).(1-p) 3,33
2 Forma) Definindo:
X = Nmero de comparecimentos = {0, 1, 2, ..., 68, 69, 70}, temos:
p = 95% (probabilidade de comparecimento).
P(X 68) = 1 p(69) p(70) = 1 0,1016 0,0276 = 0,8708 = 87,08%

n 70 x p(x) F(x) 1 - F(x)

x 70 0 0,0000 0,0000 1,0000
p 95% 1 0,0000 0,0000 1,0000
E(X) = n.p 66,50 2 0,0000 0,0000 1,0000
V(X) = E(x).(1-p) 3,33 3 0,0000 0,0000 1,0000
.. ... ... ...
69 0,1016 0,9724 0,0276
70 0,0276 1,0000 0,0000
Obs.: Espera-se que 66,50 compaream e 3,50 faltem.
116
2d. DISTRIBUIO BINOMIAL Adaptado/formatado/ampliado/implementado a partir de Loesch (2012)

Sejam n experimentos, cada um com mesma probabilidade p de ocorrncia de um determinado

evento considerado, aos quais correspondem distribuies de Bernoulli X1, X2, ..., Xn independentes
entre si. A distribuio binomial X mede o nmero total de ocorrncias do evento considerado, isto ,
X = X1 + X2 + ... + Xn. Evidentemente, X assume valores entre 0 e n. Nesse contexto, podemos
escrever:
X X 1 X 2 ... X n {0,1, 2, ..., n} em que X i {0,1}, i 1, 2, ..., n

n
X ~ b(n, p) P( X k ) p k (1 p)n k , k 0,1, 2,..., n
k
Demonstrao: Veja, por exemplo, Loesch (2012, p. 56-57).
Propriedades:
E ( X ) E ( X 1 X 2 ... X n ) E ( X 1 ) E ( X 2 ) ... E ( X n ) p p ... p n p
V ( X ) V ( X 1 X 2 ... X n ) V ( X 1 ) V ( X 2 ) ... V ( X n ) p (1 p) p (1 p) ... p (1 p) n p (1 p)

Exemplo ilustrativo:
1) O evento gnero feminino, ao nascimento de uma criana, possui probabilidade p = 1/2 de ocorrer
(na verdade aproximadamente 52%). Determine a distribuio de probabilidades do gnero dos
filhos de um casal com n = 6 filhos e calcule qual a probabilidade de que o casal venha a ter ao
menos 2 (duas) filhas.
Resoluo:
(a) Distribuio de probabilidades:
6 6
(b) X ~ b(6, 1 / 2) P( X k ) 0,50k 0,506 k 0,506 , k 0,1, 2, ..., 6
k k
(b) Probabilidade do nascimento de ao menos duas filhas:
(c) P( X 2) 1 P( X 2) 1 P( X 0) P( X 1) 1 0,015625 0,093750 0,890625

Nome do arquivo: Distibuicao_Probabilidade_Binomial_01novembro2013.xlsx

117
 3a. DISTRIBUIO GEOMTRICA Adaptado/formatado/ampliado a partir de Loesch (2012)

A distribuio geomtrica a distribuio de probabilidade do nmero X de tentativas independentes

de Bernoulli necessrias para alcanar 1 (um) sucesso. No caso de X = k experimentos, tem-se k 1
fracassos e 1 (um) sucesso na sequncia de experimentos.
Novamente, considerando p a probabilidade de um sucesso em uma prova de Bernoulli e 1 p a
probabilidade de fracasso, temos as seguintes propriedades.
Propriedades:
P1) P( X k ) (1 p) k 1 p, k 1, 2, ...
Demonstrao: Representando por S o sucesso e por F o fracasso, podemos escrever o espao
amostral () dos resultados experimentais por:
= {S, FS, FFS, FFFS, FFFFS, ...}
Consequentemente, o evento X = k equivale ao evento FF...FS, composto de k 1 fracassos F e 1 (um)
sucesso S. Desta forma, para k 1, 2, ..., temos:
eventos independentes
P( X k ) P( FF ...FS ) P( F ) P( F ) ... P( F ) P( S ) (1 p) (1 p) ... (1 p) p (1 p) k 1 p

k 1 termos

(c.q.d.)
Facilmente, mostra-se que uma funo de probabilidade, pois:

(i) P( X k ) 0, k 1, ..., n (imediato); e (ii) P( X k ) 1(utilizando-se
k 1
da soma infinita de uma

progresso geomtrica (P.G.), justificando o nome dessa distribuio).

P2) E ( X ) 1 / p
P3) V ( X i ) (1 p) / p 2
P4) P( X s) (1 p) s
Demonstrao: P ( X s ) significa que o primeiro sucesso aps s corresponde ao evento formado por
s fracassos F iniciais, isto ,
P( X s) P( FF ...F ) P( F ) P( F ) ... P( F ) (1 p) (1 p) ... (1 p) (1 p) s

s termos

P5) P ( X s t | X s ) P ( X t )
Comentrio: Essa propriedade significa que a distribuio geomtrica no possui memria. A
informao dos s fracassos iniciais esquecida para os experimentos adicionais devido
independncia dos experimentos de Bernoulli.
Exemplo ilustrativo:
1) Um jogador lana um dado repetidamente at que saia a face 6 (seis) pela primeira vez. Pede-se:
(a) Qual o nmero esperado de lanamentos?
(b) Qual a probabilidade de que tenha que arremessar o dado mais de 4 (quatro) vezes?
Resoluo:
(a) Probabilidade de Sucesso = p = 1/6 E(X) = 1/p = 1/(1/6) = 6.
(b) Probabilidade de Fracasso = 1 p = 5/6 P(X > 4) = (5/6)4 = 0,4822 = 48,22%.

118
3b. DISTRIBUIO GEOMTRICA Adaptado/formatado/ampliado a partir de Rocha (2012)

Definio: Seja a varivel aleatria X que conta o nmero de tentativas at o aparecimento do

primeiro sucesso em uma sequncia de ensaios independentes de Bernoulli. A varivel X com
parmetro p, denotada por X ~ G ( p ) , tem funo de probabilidade dada por:

p( x) P( X x) p (1 p) x 1 com x 1, 2, 3..., e 0 p 1
em que:
n o nmero de tentativas at o aparecimento do primeiro sucesso;
p a probabilidade de sucesso no ensaio individual; e
1 p a probabilidade de fracasso no ensaio individual.
A distribuio geomtrica tem esperana matemtica (mdia ou expectncia ou valor mdio ou valor
mais provvel) e varincia dado por:
1 1 p
E( X ) e 2 V (X ) 2
p p
Observaes:
O nome deste modelo decorre do uso da progresso geomtrica (P.G.) para demonstrar que

p( x ) 1.
i 1
i

No modelo geomtrico, alguns autores definem a varivel aleatria X como o nmero de fracassos
anteriores ao primeiro sucesso (ou tempo de espera, em termos de ensaios anteriores, para obter
o primeiro sucesso). Nesse caso, a funo de probabilidade de X dada por:
p( x) P( X x) p (1 p) x com x 1, 2, 3..., e 0 p 1
O modelo geomtrico o nico modelo discreto com a propriedade da falta de memria
(MAGALHES, 2006, p. 85). Essa propriedade definida como P(X j + k / X j) = P(X k), com j e
k inteiros positivos. Isso significa que foram obtidos j fracassos e o primeiro sucesso ainda no
ocorreu. Qual a probabilidade de se ter mais k fracassos at obter o primeiro sucesso? Essa
probabilidade, P(X j + k / X j) = P(X k), a mesma que se obtivssemos k fracassos a partir de
um ensaio inicial, isto P(X k). Conforme Dantas (2008, p. 145):
[...] Considere um objeto cujo tempo de vida uma varivel aleatria X com distribuio
geomtrica com parmetro p. Suponha que esse tempo de vida medido em unidades
discretas, isto , ao final de cada unidade de tempo verifica-se se o objeto est funcionando
ou se deixou de funcionar. A expresso P(X j + k / X j) = P(X k) mostra que, se o objeto
funcionou at o instante j, ento a probabilidade de que ele funcione por mais k unidades de
tempo a mesma que a probabilidade de que um objeto novo funcione por k unidades de
tempo.
Exemplos ilustrativos:
1) Entre os candidatos a um certo cargo, 15% possuem as qualificaes exigidas pela empresa
contratante. Qual a probabilidade de se ter que entrevistar dez candidatos para encontrar um com
perfil desejado? Para tanto:
(a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
(b) Determine a funo de probabilidade de X e seu grfico. Resposta:
(c) Determine a funo distribuio (acumulada) de X e seu grfico. Resposta:
119
(d) Determine a esperana e a varincia de X . Interprete essas medidas. Resposta:
(e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios-padres? Compare
esse resultado com o obtido por intermdio da desigualdade de Tchebychev. Resposta:
2) Entre os candidatos a um certo cargo, 15% possuem as qualificaes exigidas pela empresa
contratante. Em um grupo de 15 candidatos, qual a probabilidade de se ter que entrevistar dez
candidatos para encontrar um com perfil desejado? Para tanto:
(a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
(b) Determine a funo de probabilidade de X e seu grfico. Resposta:
(c) Determine a funo distribuio (acumulada) de X e seu grfico. Resposta:
(d) Determine a esperana e a varincia de X . Interprete essas medidas. Resposta:
3) (Adaptado de MAGALHES, 2006, p. 84) Uma linha de fabricao de um equipamento de preciso
interrompida na primeira ocorrncia de um defeito. A partir da manuteno, o equipamento
tem probabilidade de 0,01 de apresentar defeito em um dia qualquer. Deseja-se planejar o
cronograma de manuteno preventiva e, para tal, decidiu-se avaliar probabilisticamente a espera
at a produo ser interrompida. Seja X a varivel aleatria que conta o nmero de dias que
antecedem a interrupo. Qual seria o intervalo ideal para uma manuteno preventiva, se
desejamos uma probabilidade de, pelo menos 0,90 de que o defeito no ocorrer?
4) (Adaptado de DANTAS, 2008, p. 145) Demonstre que P(X m + n / X m) = P(X n), a partir da
definio de probabilidade condicional e da funo de probabilidade
p( x) P( X x) p (1 p) com x 1, 2, 3..., e 0 p 1 .
x

120
4a. DISTRIBUIO HIPERGEOMTRICA Adaptado/formatado/ampliado/implementado a partir de Barbetta et al. (2010)

Considere o problema bsico de inspeo por amostragem, em que observamos uma amostra de n
itens de um lote com N itens, sendo r defeituosos. Avaliamos o nmero X de itens defeituosos na
amostra. A varivel aleatria X aparenta ser binomial, mas s realmente binomial se:
A seleo da amostra for aleatria (para garantir a mesma probabilidade p de sair item
defeituoso em todos os ensaios); e
Com reposio (para garantir independncia entre os ensaios).
A segunda condio no costuma ser satisfeita na prtica. Se a amostragem for aleatria, mas
sem reposio, a distribuio de X conhecida como hipergeomtrica de parmetros N, n e r.
Veja Figura a seguir.

Figura Caso tpico de inspeo por amostragem. Varivel aleatria em estudo: X = nmero de defeituosos na amostra

A funo de probabilidade de X expressa por:

r N r

x n x
p ( x) para x 0,1, 2, ..., min(r , n)
N

n
com valor esperado e varincia dados por:
E ( X ) n p e 2 V ( X ) n p (1 p ) N n
N 1
r
em que p .
N

Planilha elaborada no MS-Excel para automatizar os clculos

121
Exemplo ilustrativo:
1) Placas de vdeo so expedidas em lotes de 30 unidades. Antes que a remessa seja aprovada, um
inspetor escolhe aleatoriamente 5 (cinco) placas do lote e as inspeciona. Se nenhuma das placas
inspecionadas for defeituosa, o lote aprovado. Se uma ou mais forem defeituosas, todo o lote
inspecionado. Supondo que haja trs placas defeituosas no lote, qual a probabilidade de que o
controle da qualidade aponte para a inspeo total?
Resoluo: Seja X o nmero de placas defeituosas na amostra.
Desejamos calcular: P(X 1) = 1 P(X = 0).
Utilizando o modelo hipergeomtrico, para x = 0, temos:
3 30 3 3 27


p(0) 0 5 80.730 0,5665 56,65%
0 5 0
30 30 142.506

5 5
Logo, P(X 1) = 1 0,5665 = 0,4335 = 43,35%. Implementando, temos:
N 30 N 30
n 5 n 5
r 3 r 3
x 0 x 1
p 0,10 p 0,10
p(x) 56,65% p(x) 36,95%
1-p(x) 43,35% 1-p(x) 63,05%
E(x) 0,5000 E(x) 0,5000
Exerc. 1) V(x) 0,3879 V(x) 0,3879

importante ressaltar que quando N muito maior do que n, a distribuio hipergeomtrica pode
ser aproximada pela binomial. Muitos autores prescrevem uma relao n/N 0,05 para que seja
possvel fazer a aproximao. Observe que se N for muito maior que n, as retiradas, mesmo feitas
sem reposio, no iro modificar em demasia as probabilidades condicionais de ocorrncias de
sucessos (e de fracassos), na sequncia de ensaios. Nesse caso, a binomial tem parmetros n =
tamanho da amostra e p = r/N.
APS => ENTREGAR NO DIA DA PROVA
1) Qual a probabilidade do Exemplo 1, se a inspeo completa for feita somente quando forem
encontradas mais do que uma placa defeituosa na amostra? Resposta: 0,0640
Resoluo: Seja X o nmero de placas defeituosas na amostra.
Desejamos calcular: P(X 2) = 1 P(X = 0) P(X = 1).
Utilizando o modelo hipergeomtrico, para x = 0 e x = 1, temos:
3 30 3 3 27 3 30 3 3 27

0 5 0 0 5 1 5 1 1 4 52.650
p(0) 0,5665 e p(1) 0,3695
30 30 30 30 142.506

5 5 5 5
Logo, P(X 2) = 1 0,5665 0,3695 = 0,0640 = 6,40%.
2) Calcule o valor esperado e a varincia da varivel aleatria definida no Exemplo 1. Resposta: 0,5 e
0,3879

122
4b. DISTRIBUIO HIPERGEOMTRICA Adaptado/formatado/ampliado/implementado a partir de Rocha (2010)

Definio: Em uma amostra de tamanho n retirada ao acaso e sem reposio de um conjunto

contendo N elementos, dos quais exatamente r elementos tm uma caracterstica de interesse em
estudo, seja X a varivel aleatria que conta o nmero de elementos com a tal caracterstica nessa
amostra. A varivel X segue o modelo hipergeomtrico com parmetros N, r e n, denotada
por X ~ H ( N , r , n) , se tem funo de probabilidade dada por:

r N r

x n x
p ( x) P( X x)
N

n
em que:
N = 1, 2, 3, ...
r = 0, 1, 2, ..., N.
n = 1, 2, ..., N-1.
x = mx{0, n+r-N, ..., min(r, n)) com x r.

Nessa Figura K = r e AC o conjunto complementar de A, sendo A a caracterstica de interesse

A distribuio hipergeomtrica tem esperana matemtica (mdia ou expectncia ou valor mdio ou

valor mais provvel) e varincia dado por:
r r r N n
E( X ) n e 2 V ( X ) n 1
N N N N 1
Observaes:
O modelo hipergeomtrico utilizado para estimar o tamanho da populao de animais de uma
certa espcie em uma regio, em um procedimento denominado captura e recaptura.
Na distribuio hipergeomtrica, ao contrrio da binomial, a probabilidade de sucesso no se
mantm constante em todas as provas do experimento, uma vez que os eventos so dependentes
entre si. Dessa forma, a binomial corresponde ao esquema de extraes com reposio, enquanto
que, na hipergeomtrica, o esquema de extraes sem reposio.
N n
O fator presente na frmula da varincia denominado fator de correo para populao
N 1
finita.
A amostragem com reposio, como o caso do modelo binomial, equivalente amostragem
proveniente de uma populao infinita porque a proporo de sucesso permanece constante em
cada ensaio do experimento. Na amostragem sem reposio, como o caso do modelo
N n
hipergeomtrico, o fator de correo para populao finita representa a correo para a
N 1
varincia do modelo binomial, visto que no modelo hipergeomtrico a populao finita. No
123
 N n
modelo hipergeomtrico, se n for pequeno relativo a N, de modo que 1 , ento a
N 1
distribuio hipergeomtrica pode ser aproximada pela binomial, com ganhos algbricos (clculos
mais fceis), isto , mesmo que a amostragem seja feita sem reposio, pode-se considerar para
fins de clculo uma amostragem com reposio, em que p = r/N (MONTGOMERY e RUNGER, 2008,
p. 67).
Exemplos ilustrativos:
1) Em um lote de 40 peas h 3 (trs) que so defeituosas. Qual a probabilidade de, em 5 (cinco)
peas extradas sem reposio, se encontrar pelo menos uma pea defeituosa? Para tanto:
(a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
(b) Determine a esperana matemtica e a varincia de X. Interprete essas medidas.
(c) Responda a questo do enunciado.
(d) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev.
(e) Neste caso, poderamos ter utilizado uma aproximao pelo modelo binomial, considerando
constante a probabilidade de um sucesso individual como p = 3/40? Justifique.
(f) Responda os itens (b), (c) e (d) considerando um modelo binomial de parmetro p = 3/40 e
compare com os resultados obtidos por meio da distribuio hipergeomtrica.
Resoluo:
(a) X = Nmero de peas defeituosas = {0, 1, 2, 3} => modelo hipergeomtrico, pois ocorre uma
amostra sem reposio.
(b) E(x) = 37,50% e V(x) = 31,13%
(c) Pelo menos 1 =>
p(1) + p(2) + p(3) = 30,11% + 3,54% + 0,10% = 33,75% ou 1 p(0) = 1 66,24% = 33,76%.

N 40 x p(x) F(x) 1 - F(x)

n 5 0 0,6624 0,6624 0,3376
r 3 1 0,3011 0,9636 0,0364
x 3 2 0,0354 0,9990 0,0010
p 0,075 3 0,0010 1,0000 0,0000
E(x) 0,3750
V(x) 0,3113
(d) No estudamos isso.
(e) No, o ideal seria que r/N < 5% e 3/40 = 7,5% > 5%.
(f) E(x) = 3,00% e V(x) = 2,78%; p(1) + p(2) + p(3) = 14,34% + 22,68% + 23,29% = 60,30%

n 40 x p(x) F(x) 1 - F(x)

x 3 0 0,0442 0,0442 0,9558
p 7,5% 1 0,1434 0,1877 0,8123
E(X) = n.p 3,00 2 0,2268 0,4144 0,5856
V(X) = E(x).(1-p) 2,78 3 0,2329 0,6473 0,3527

124
2) Deve-se constituir um comit de 4 (quatro) pessoas escolhidas entre 3 (trs) qumicos e 5 (cinco)
fsicos. Determinar a distribuio de probabilidade do nmero de qumicos no comit. Faa o
grfico da funo de probabilidade de X e o da funo distribuio de X.
Resoluo:
X = Nmero de qumicos na comisso = {0, 1, 2, 3}. Assim,
p(0) = 7,14%; p(1) = 42,86%; p(2) = 42,86% e p(3) = 7,14%.
F(0) = 7,14%; F(1) = 50,00%; F(2) = 92,86% e F(3) = 100,00%.

N 8 x p(x) F(x) 1 - F(x)

n 4 0 0,0714 0,0714 0,9286
r 3 1 0,4286 0,5000 0,5000
x 3 2 0,4286 0,9286 0,0714
p 0,3750 3 0,0714 1,0000 0,0000
E(x) 1,5000
V(x) 0,5357
Nome do arquivo: Principais_Tipos_Distribuicao_Discreta_e_Alguns_Graficos_Prof_Donizetti_01novembro2013.xlsx
4c. DISTRIBUIO HIPERGEOMTRICA Adaptado/formatado/ampliado a partir de Loesch (2012)

Considere-se uma populao finita de N elementos dos quais r apresentam uma determinada
caracterstica e os restantes N r no a apresentam. Suponha-se uma amostra aleatria de n
elementos tomados da populao (n N). A varivel aleatria X que mede o nmero de elementos
que, em uma amostra, apresentam a caracterstica possui uma distribuio de probabilidade
denominada distribuio hipergeomtrica. Veja ilustrao geomtrica na Figura a seguir:

Figura Separao da populao e da amostra com e sem a caracterstica

Propriedades: Denotando p = r/N a proporo da caracterstica presente na populao, tem-se:

r N r

k n k
P1) P ( X k )
N

n
Demonstrao: Veja, por exemplo, Loesch (2012, p. 64).
P2) E ( X ) n p
Comentrio: O valor esperado da distribuio hipergeomtrica o mesmo da distribuio binomial.
125
 N n
P3) V ( X i ) n p (1 p)
N 1
Comentrio: A varincia da distribuio hipergeomtrica a varincia da distribuio binomial
n.p.(1-p) vezes um fator de correo (N n)/(N 1) superior a 1, porm tendendo a 1 quando
N.
n
P4) P( X k ) p k (1 p)n k para N grande.
k
Comentrio: Se N assume um valor grande, a probabilidade de que, ao constituir a amostra, o
prximo elemento apresente a caracterstica permanece aproximadamente igual a p, como ocorre ao
ser sorteado o primeiro. Assim, a sequncia de resultados de realizao do sorteio para a escolha dos
elementos que entram na amostra pode ser aproximada para uma binomial, e sua frmula pode ser
aplicada. Em suma, essa propriedade afirma que a probabilidade calculada da hipergeomtrica se
aproxima da binomial quando N cresce, desaparecendo, nesse caso, a diferena significativa entre a
reposio e a no reposio dos elementos extrados da populao.
Exemplo ilustrativo:
1) De 100 funcionrios de uma empresa, 60 so homens. Forma-se uma comisso de 15 funcionrios
escolhidos ao acaso. Qual a probabilidade de que 10 sejam homens??
Resoluo:
Do enunciado, tem-se: N = 100, r = 60, n = 15 e k = 10. Ento
60 40
.
P( X 10) 0,1958 19,58%
10 5
100

15
Se for considerada a aproximao pela binomial, tem-se (p = r/N = 060):
15
P( X 10) 0,6010 0,405 0,1859 18,59%
10
A aproximao no melhor pois o valor de r/N > 5%, gerando um erro de aproximadamente -5,06%
(18,59%/19,58% 1).

Nome do arquivo: Principais_Tipos_Distribuicao_Discreta_e_Alguns_Graficos_Prof_Donizetti_01novembro2013.xlsx

126
5a. DISTRIBUIO DE POISSON Adaptado/formatado/ampliado/implementado a partir de Barbetta et al. (2010)

Considere as situaes em que se avalia o nmero de ocorrncias de um tipo de evento por unidade
de tempo, de comprimento, de rea, ou de volume. Por exemplo:
(1) Nmero de consultas a uma base de dados em um minuto.
(2) Nmero de pedidos a um servidor em um intervalo de tempo.
(3) Nmero de erros de tipografia em um formulrio.
(4) Nmero de defeitos em um m2 de piso cermico.
(5) Nmero de pulsaes radioativas em um intervalo de tempo, na desintegrao dos ncleos de
uma substncia radioativa.
Suposies bsicas:
Independncia entre as ocorrncias do evento considerado.
Os eventos ocorrem de forma aleatria, de tal forma que no haja tendncia de aumentar ou
reduzir as ocorrncias do evento, no intervalo considerado.
Para desenvolvermos a distribuio de Poisson, consideremos a varivel aleatria X = nmero de
consultas a uma base de dados em um minuto. Desta forma, X a contagem de ocorrncias de
consultas no intervalo de tempo [0, 1), como representado a seguir:

Considere o intervalo [0, 1) particionado em n subintervalos de amplitude t 1 .

n

Seja n suficientemente grande para que a probabilidade de ocorrer duas ou mais consultas, em cada
subintervalo de amplitude t , seja desprezvel. Assim, considere que em cada subintervalo s possa
ocorrer 0 ou 1 consulta. Sendo p a probabilidade de ocorrer uma consulta em t , as probabilidades
associadas a X podem ser calculadas, aproximadamente, pela binomial, vista anteriormente:
n
P( x) p x (1 p) n x
x
Ento,
n
p( x) P( X x) p x (1 p)n x para x 0,1, 2, ..., n
x
Mas quando n e p 0 , de tal forma que o valor esperado E ( X ) n p , em que 0,
possvel mostrar que:
n x e x
p (1 p)n x para x 0,1, 2, ...
x n
p 0
x !
n p

Ento, sendo a taxa mdia de consultas por unidade de tempo, as probabilidades de X podem ser
calculadas pela chamada distribuio de Poisson, cuja funo de probabilidade dada por:
e x
p ( x) para x 0,1, 2, ...
x!
t
sendo: E ( X ) V ( X ) e e lim 1 1 2,718182....
t
t

127
Exemplos ilustrativos:
1) Supondo que as consultas em um banco de dados ocorrem de forma independente e aleatria,
com uma taxa mdia de 3 (trs) consultas por minuto, calculemos a probabilidade de que no
prximo minuto ocorram menos do que trs consultas.
Resoluo:
Seja X o nmero de consultas por minuto. Ento:
e 3 30 e 3 31 e 3 32
P( X 3) p(0) p(1) p(2) 0,4232 42,32%
0! 1! 2!
A Tabela a seguir, elaborada no MS-Excel apresenta as probabilidades acumuladas da Poisson, isto
:
x
e k
F ( x) P( X x)
k 0 k!
Para o Exemplo ilustrativo 1, utilizando a referida Tabela, temos:
P( X 3) P( X 2) F (2) 0,4232 42,32%

2) Utilizando os dados do Exemplo ilustrativo 1, calculemos a probabilidade de que nos prximos dois
minutos ocorram mais do que 5 consultas.
Resoluo:
Observe que a unidade de tempo alterou de um para dois minutos. Mas se a taxa mdia de trs
ocorrncias por minuto, ento, em dois minutos, a taxa mdia de seis ocorrncias. Logo, no
presente problema, = 6 e
P( X 5) 1 P( X 5) 1 F (5) 1 0,4457 0,5543 55,43%
6 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,0025 0,0025 0,9975
1 0,0149 0,0174 0,9826
2 0,0446 0,0620 0,9380
3 0,0892 0,1512 0,8488
4 0,1339 0,2851 0,7149
5 0,1606 0,4457 0,5543
Aproximao da binomial pela Poisson
Justificamos a distribuio de Poisson a partir da binomial, fazendo n e p 0 (expresso
anterior). Logo, em experimentos binomiais, quando n for muito grande e p for muito pequeno,
podemos utilizar a distribuio de Poisson com:
n p
Observe que se n for grande (acima de 100, por exemplo) as combinaes da binomial ficam difceis
de serem calculadas. Nesse caso, a utilizao da aproximao Poisson torna-se imprescindvel.
128
Exemplo ilustrativo:
1) Seja uma linha de produo em que a taxa de itens defeituosos de 0,5%. Calculemos a
probabilidade de ocorrer mais do que quatro defeituosos, em uma amostra de 500 itens.
Resoluo:
n p 500 0,005 2,5 e P ( X 4) 1 P ( X 4) 1 F (4) 1 0,8912 0,1088

2,5 Acum. Compl.

x p(x) F(x) 1 - F(x)
0 0,0821 0,0821 0,9179
1 0,2052 0,2873 0,7127
2 0,2565 0,5438 0,4562
3 0,2138 0,7576 0,2424
4 0,1336 0,8912 0,1088
APS => ENTREGAR NO DIA DA PROVA
1) Mensagens chegam a um servidor de acordo com uma distribuio de Poisson, com taxa mdia de
5 (cinco) chegadas por minuto. Pede-se:
(a) Qual a probabilidade de que duas chegadas ocorram em um minuto? Resposta: 0,0842
(b) Qual a probabilidade de que uma chegada ocorra em 30 segundos? Resposta: 0,2052
5 2,5
x p(x) x p(x)
0 0,0067 0 0,0821
1 0,0337 1 0,2052 (b)
2 0,0842 (a)
2) Em um canal de comunicao digital, a probabilidade de se receber um bit com erro de 0,0002.
Se 10.000 bits forem transmitidos por esse canal, qual a probabilidade de que mais de quatro
bits sejam recebidos com erro? Resposta: 0,0527
n 10.000 p 0,02%
2 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,1353 0,1353 0,8647
1 0,2707 0,4060 0,5940
2 0,2707 0,6767 0,3233
3 0,1804 0,8571 0,1429
4 0,0902 0,9473 0,0527
5b. DISTRIBUIO de POISSON Adaptado/formatado/ampliado a partir de Loesch (2012)

Uma varivel aleatria X tem distribuio de Poisson com parmetro ( > 0) se sua funo de
probabilidade for determinada por:
k e
X ~ P( ), 0 P( X k ) , k 0,1, ...
k!
Para ser uma funo de probabilidade preciso que:
(i) P( X k ) 0, k 0,1, ... . Isto sempre verdade, pois: e 0, k 0 e k ! 0

(ii) P( X k ) 1, k 0,1,..., n . Isto sempre verdade, pois:
k 0
129

k e
k *

k 0
P( X k )
k 0 k!
e e e 1

k 0 k !

k *
Por que k ! e ? Srie
k 0
de Taylor (ou Maclaurin). Estudaro isto no CDI-3.

x 2 x3 x 4
e 1 x
x
...
2 6 24
Propriedades: E ( X ) e V ( X ) .
Proposio: Seja X uma varivel aleatria de distribuio binomial com probabilidade p de sucesso.
k e
Sejam ainda uma constante > 0 e n.p = . Ento lim P( X k ) , ou seja, a distribuio
x k!
binomial tende a uma distribuio de Poisson com parmetro .
Demonstrao: Veja, por exemplo, Loesch (2012, p. 58-59).
Comentrio: Como b(n, p) P(), probabilidades binomiais podem ser aproximadas pela
distribuio de Poisson quando n grande e p pequeno. Esse procedimento simplifica os clculos,
pois evita-se os clculos das combinaes ou nmeros binomiais.
Segundo Loesch (2012), a distribuio de Poisson exerce um papel importante porque representa
um modelo probabilstico adequado para um grande nmero de fenmenos observveis, por
exemplo, a emisso de partculas por uma fonte radioativa.
Quando eventos elementares temporais independentes seguem esse modelo, a contagem de suas
ocorrncias possui distribuio de Poisson de mdia proporcional ao tempo considerado. Exemplos
tpicos de fenmenos aleatrios temporais que seguem o processo de Poisson incluem: nmeros de
acidentes de veculos, chegadas em filas (banco, RU, ...), emisso de partculas radioativas, chamadas
telefnicas, nmero de notificaes ou mensagens em uma conta do Facebook, nmero de e-mail
(electronic mail), nmero de ocorrncias de chamadas dirias registradas em uma unidade do SAMU-
192 (servio de atendimento mvel de urgncia), possibilities.
Loesch (2012) complementa, embora comum, a varivel t no tem necessariamente que
representar o tempo. O nmero de glbulos sanguneos visveis ao microscpio, em funo da rea,
um processo de Poisson. Assim tambm o nmero de partculas de fumaa em suspenso no ar pode
ser considerado um processo de Poisson, desde que a densidade de espalhamento na regio
analisada seja homognea.
Exemplo ilustrativo:
1) O nmero de ocorrncias de chamadas dirias registradas em uma corporao de corpo de
bombeiros segue uma distribuio de Poisson de mdia 5. Qual a probabilidade de que sejam
registradas no mximo duas ocorrncias em um dia?
Resoluo:
P (X 2) = P(X = 0) + P(X = 1) + P(X = 2) = e-5.(50/0! + 51/1! + 52/2!) = 0,1250 = 12,50%.

130
5c. DISTRIBUIO DE POISSON Adaptado/formatado/ampliado/implementado a partir de Ribeiro e ten Caten (2012)

Segundo Ribeiro e ten Caten (200), a distribuio de Poisson adequada para descrever situaes
onde existe uma probabilidade de ocorrncia em um campo ou intervalo contnuo, geralmente
tempo ou rea. Por exemplo, o nmero de acidentes por ms, o nmero de defeitos por metro
quadrado, nmero de clientes atendidos por hora, etc.
Nota-se que a varivel aleatria discreta (nmero de ocorrncia), no entanto, a unidade de medida
contnua (tempo, rea). Alm disso, as falhas no so contveis, pois no possvel contar o
nmero de acidentes que no ocorreram, nem tampouco o nmero de defeitos que no ocorreram.
A distribuio de Poisson fica completamente caracterizada por um nico parmetro l que representa
a taxa mdia de ocorrncia por unidade de medida.
Condies para a aplicao do modelo de Poisson:
1a) nmero de ocorrncias durante qualquer intervalo depende somente da extenso do intervalo;
2a) as ocorrncias ocorrem independentemente, ou seja, um excesso ou falta de ocorrncias em
algum intervalo no exerce efeito sobre o nmero de ocorrncias em outro intervalo;
3a) a possibilidade de duas ou mais ocorrncias acontecerem em um pequeno intervalo muito
pequena quando comparada de uma nica ocorrncia.
A funo que determina a probabilidade de x ocorrncias dada por:
e x
p ( x) para x 0,1, 2, ...
x!
A mdia e a varincia da distribuio de Poisson so: E ( X ) V ( X ) .
A aplicao tpica da distribuio de Poisson no controle da qualidade como um modelo para o
nmero de defeitos (no conformidades) que ocorre por unidade de produto (por m2, por volume ou
por tempo, etc.).
Exemplo ilustrativo:
1) Suponha que o nmero de defeitos de pintura siga uma distribuio de Poisson com = 2. Ento, a
probabilidade que uma pea apresente mais de 4 defeitos de pintura vir dada por:
4
e2 2x
1 P( X 4) 1 1 0,945 0,055 5,5%
x 0 x!

Figura Distribuio de Poisson com = 2

n p n p n p
0 0,135 3 0,180 6 0,012
1 0,270 4 0,090
2 0,270 5 0,036
A distribuio de Poisson uma forma limite da distribuio Binomial, quando n e p 0 (mas
mantendo o quociente (ou proporo?) n.p = .

131
5d. DISTRIBUIO DE POISSON Adaptado/formatado/ampliado/implementado a partir de Rocha (2008

Definio: Uma varivel aleatria X segue o modelo de Poisson de parmetro , denotada por X
P(), se sua funo de probabilidade for dada por:
e x
p ( x) P( X x ) para x 0,1, 2, ... e 0
x!
em que: a taxa mdia de ocorrncias dos eventos por unidade de medida; e = 2,71828 (constante
de Euler) e x = nmero de vezes em que ocorre o evento.
A esperana matemtica (mdia) e a varincia da distribuio de Poisson so: E ( X ) V ( X ) .
Observaes:
Historicamente, o modelo de Poisson foi deduzido como uma aproximao da distribuio
binomial com parmetros n e p, quando n grande (n ) e p pequeno (p 0) ocasionava uma
mdia n.p constante. Atualmente, o modelo de Poisson tem significado prprio descrevendo as
probabilidades de certo nmero de ocorrncias (varivel aleatria discreta) em um dado intervalo,
espao ou campo contnuo (tempo, comprimento, rea, volume e peso, por exemplo).
O processo de Poisson: Diz-se que existe um processo de Poisson se pudermos observar eventos
discretos em um intervalo contnuo (de tempo, de comprimento e de rea, por exemplo) de
maneira tal que se subdividirmos o intervalo em comprimentos suficientemente pequenos
disjuntos:
o A probabilidade de se observar mais de um sucesso em um subintervalo zero;
o A ocorrncia de um sucesso em qualquer subintervalo independente da ocorrncia em
qualquer outro subintervalo disjunto;
o A probabilidade de um sucesso em um subintervalo seja a mesma (constante) para todos os
subintervalos e proporcional ao comprimento do subintervalo (isto , o nmero mdio de
ocorrncias por unidade de comprimento do intervalo constante ao longo do intervalo). Isso
significa que, por exemplo, se o nmero mdio de falhas por milmetro de um fio de cobre for
3,4, ento o nmero mdio de falhas em 10 mm deste fio ser 34 e o nmero mdio de falhas
em 100 mm ser 340. (FARIAS et al., 2003, p. 90; MONTGOMERY e RUNGER, 2008, p. 69;
LEVINE et al., 2000, p. 202).
o Historicamente, o termo processo foi usado para sugerir a observao de um sistema ao longo
do tempo.
Exemplo de um processo de Poisson (LEVINE et al., 1998, p. 202):
1) Suponha que examinemos o nmero de clientes que chegam durante a hora de almoo, entre
12:00 horas e 13:00 horas, a um banco localizado no centro de negcios de uma grande cidade.
Qualquer chegada de um cliente um evento discreto em um determinado ponto ao longo do
espao contnuo de 1 hora. Ao longo desse espao de tempo, pode haver uma mdia de 180
chegadas. Se tivssemos agora que abrir o espao de 1 hora em 3.600 intervalos consecutivos de
um segundo, ento:
O nmero esperado (ou a mdia) de clientes chegando em qualquer intervalo de 1 segundo
seria igual a 0,05 (180/3.600).
A probabilidade de haver mais de um cliente chegando em qualquer intervalo de 1 segundo se
aproxima de 0; (verifique!)
0,05 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,9512 0,9512 0,0488
1 0,0476 0,9988 0,0012
A chegada de um cliente em qualquer intervalo de 1 segundo no tem efeito (quer dizer,
estatisticamente independente) na chegada de qualquer outro cliente em qualquer outro
intervalo de 1 segundo.
132
Exemplo de modelagem de um processo de Poisson (Para provar que determinada varivel aleatria
tem distribuio de Poisson, veja BARRY, 2006, p. 21 a 26):
2) Em uma caixa de uma loja, chega em mdia 1 cliente por hora e a atendente tem capacidade de
atender 10 pessoas por hora. Qual a probabilidade de formar fila nessa loja? Qual o tamanho
mdio da fila?
1 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,3679 0,3679 0,6321
1 0,3679 0,7358 0,2642
2 0,1839 0,9197 0,0803
3 0,0613 0,9810 0,0190
4 0,0153 0,9963 0,0037
5 0,0031 0,9994 0,0006
6 0,0005 0,9999 0,0001
7 0,0001 1,0000 0,0000
8 0,0000 1,0000 0,0000
9 0,0000 1,0000 0,0000
10 0,0000 1,0000 0,0000
3) Nos sinais de um transmissor ocorrem distores aleatrias a uma taxa mdia de 1 por minuto.
Qual a probabilidade de o nmero de distores em uma mensagem de 3 minutos ser 3 ou mais?
Alm disso, pede-se:
(a) Defina uma varivel aleatria X nesse experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico. Resposta:
(b) Determine a funo de probabilidade de X e seu respectivo grfico. Resposta:
(c) Determine a funo distribuio de X e seu respectivo grfico. Resposta:
(d) Determine a esperana e a varincia de X. Interprete essas medidas. Resposta: 3 e 3
(e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev. Resposta:
3 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,0498 0,0498 0,9502
1 0,1494 0,1991 0,8009
2 0,2240 0,4232 0,5768
3 0,2240 0,6472 0,3528 Resposta: 35,28%.
4) O fio de uma mquina txtil rompe-se em mdia 1 vez a cada 4 horas de funcionamento dessa
mquina. Calcule a probabilidade de:
(a) Em uma hora o fio se romper menos de 2 vezes. Resposta: 97,35%
0,25 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,7788 0,7788 0,2212
1 0,1947 0,9735 0,0265
(b) Em 8 horas de funcionamento o fio se romper menos de 2 vezes. = 2? Resposta: 0,30%
8 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,0003 0,0003 0,9997
1 0,0027 0,0030 0,9970
133
5) Um certo artigo consome 750 m de fio. Em mdia, o fio rompe 2 vezes a cada 1.000 m. O lucro e a
qualidade dos artigos esto relacionados da seguinte maneira:
Qualidade Nmero de emendas Lucro/artigo
1 Nenhuma R$ 5,00
2 Uma ou duas R$ 2,00
3 Mais de duas R$ 1,00
Se forem vendidos 2.000 destes artigos, qual o lucro esperado na venda? Resposta: R$ 4.956,47
1,5 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,2231 0,2231 0,7769
1 0,3347 0,5578 0,4422
2 0,2510 0,8088 0,1912
= 2750/1000 = 1,5; p(0) = 22,31%; p(1) + p(2) = 33,37% + 25,10% = 58,57% e P(X > 2) = 19,12%
22,31% R$ 446,26 R$ 5,00 R$ 2.231,30
33,47% R$ 669,39 R$ 2,00 R$ 1.338,78
25,10% R$ 502,04 R$ 2,00 R$ 1.004,09
19,12% R$ 382,30 R$ 1,00 R$ 382,31
100,00% R$ 2.000,00 Total R$ 4.956,47
6) Ao decolar de um porta-avies, determinado tipo de avio tem probabilidade p = 0,0002 de se
perder por queda no mar. Qual a probabilidade de 2 ou mais acidentes desta natureza, em 500
decolagens? Resposta: 0,47%, pois P(X 2) = 1 p(0) p(1) = 1 90,48% 9,05% = 0,47%
n 500 p 0,02%
0,1 Acum. Compl.
x p(x) F(x) 1 - F(x)
0 0,9048 0,9048 0,0952
1 0,0905 0,9953 0,0047
OUTRAS DISTRIBUIES DISCRETAS Adaptado de Silvana Heidmann Rocha

I. Distribuio Uniforme Discreta

Definio: Uma varivel aleatria X segue o modelo uniforme discreto, denotada por X ~ U d ( M ) ,
em que M o conjunto de valores equiprovveis x1 , x2 ,..., xn que X assume, se tem funo de
probabilidade dada por:
1
P ( X xi ) para todo i 1, 2, ..., n.
n
A distribuio uniforme discreta tem esperana matemtica (mdia ou expectncia ou valor mdio
ou valor mais provvel) e varincia dado por:
2
1 n 1 n 1 n
E ( X ) xi e 2 V ( X ) E ( X 2 ) 2 xi2 xi
n i1 n i 1 n i 1
Exemplos ilustrativos:
1) Consideremos o experimento: lanar um dado no viciado e observar o nmero de pontos da face
superior. Seja a varivel aleatria X definida como o nmero pontos da face superior do dado, isto
, X ~ U d (1, 2, 3, 4, 5, 6). Obtenha:
(a) A funo de probabilidade de X e seu grfico.

134
 1
Resoluo: P ( X xi ) , i 1, 2, ..., 5, 6 com M {1, 2, 3, 4, 5, 6}
6
(b) A funo distribuio (acumulada) de X e seu grfico. Resposta:
(c) A esperana e a varincia de X . Interprete essas medidas. Resposta:
(d) Por que X uma varivel aleatria? Resposta:
(e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios-padres? Compare
esse resultado com o obtido por intermdio da desigualdade de Tchebychev. Resposta:

2) (Adaptado de MAGALHES e LIMA, 2008, p. 69) Uma rifa tem 100 bilhetes numerados de 1 a 100.
Tenho 5 bilhetes consecutivos numerados de 21 a 25 e meu colega tem outros 5 bilhetes com os
nmeros 1, 11, 29, 68 e 93. Quem tem maior possibilidade de ser sorteado? Justifique. Alm disso
pede-se:
(a) Defina a varivel aleatria X em questo e o modelo de distribuio de probabilidades mais
adequado para descrever seu comportamento probabilstico.
Resoluo: X Nmero sorteado {1, 2, ..., 99,100}
(b) Determine a funo de probabilidade de X e seu respectivo grfico. Resposta:
1
Resoluo: P ( X xi ) , i 1, 2, ...,100
100
(c) Determine a funo de distribuio (acumulada) de X e seu respectivo grfico. Resposta:
(d) Determine a esperana matemtica e a varincia de X . Interprete essas medidas. Resposta:
II. Distribuio de Pascal (ou binomial negativa)
Definio: Seja a varivel aleatria X que conta o nmero de tentativas at o aparecimento do k-
simo sucesso em uma sequncia de ensaios independentes de Bernoulli. A varivel X com
parmetro k e p, denotada por X ~ Pa (k , p ) ou ( X ~ BN (k , p ) ), tem funo de probabilidade dada
por:
x 1 k
p( x) P( X x) p (1 p) xk com x k , k 1, k 2,..., 0 p 1 e k N *
k 1
em que:
k o nmero de sucessos desejado;
x o nmero de ensaios para que ocorra o k-simo sucesso;
p a probabilidade de sucesso no ensaio individual; e
1 p a probabilidade de fracasso no ensaio individual.
A distribuio de Pascal tem esperana matemtica (mdia ou expectncia ou valor mdio ou valor
mais provvel) e varincia dado por:
k k (1 p )
E( X ) e 2 V ( X )
p p2

135
Observaes:
A distribuio de Pascal uma generalizao do modelo geomtrico.
Se so necessrias x provas para que ocorra o k-simo sucesso, ento o resultado da x-sima prova
deve ser necessariamente um sucesso.
Alguns autores definem a varivel aleatria X como o nmero de fracassos anteriores ao k-simo
sucesso. Neste caso, a funo de probabilidade de X dada por:
x k 1 k
p( x) P( X x) p (1 p) x .
k 1
Sobre o nome do modelo binomial negativa, ver Magalhes (2006, p. 86).
Exemplos ilustrativos:
1) Dada uma mquina que produz 20% de peas defeituosas, qual a probabilidade de ter que se
fabricar 8 peas para se conseguir 5 boas?
(a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
(b) Determine a funo de probabilidade de X e seu grfico. Resposta:
(c) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios-padres? Compare
esse resultado com o obtido por intermdio da desigualdade de Tchebychev. Resposta:
2) A probabilidade no conforme de um produto igual a 5%. Pede-se:
(a) Qual a probabilidade de que um lote com dez unidades contenha trs no conformes?
(b) Qual a probabilidade de que se tenha de inspecionar oito unidades para se encontrar duas no
conformes?
3) Uma companhia recebeu uma encomenda para fundir 3 peas complicadas. A probabilidade de se
conseguir um molde adequado 0,4, sendo o molde destrudo quando da retirada da pea. O
custo de cada molde de R$ 500,00 e se o molde no for adequado, a pea refugada, perdendo-
se R$ 700,00 de material.
(a) Qual a probabilidade de se fundir no mximo 6 peas para atender a encomenda?
(b) Qual o preo a ser cobrado pelo servio para se ter um lucro esperado de R$ 1000,00 na
encomenda?
Relao entre os modelos binomial e de Poisson
Seja a varivel aleatria X ~ b( n, p ) com funo de probabilidade dada por:

n
P( X x) p( x) p x (1 p) n x , x 0,1, 2, ..., n com 0 p 1
x
Se n grande ( n ) e p pequeno ( p 0 ) de modo que a mdia n p seja constante, possvel
mostrar que:
n x e
lim P( X x) lim p x (1 p) n x , com n p
n n
x x!

Relao entre os modelos hipergeomtrico e binomial

Seja a varivel aleatria X ~ H ( N , r , n) com funo de probabilidade dada por:

136
 r N r

x n x
P( X x) p( x) para x 0,1, 2, ..., min(r , n)
N

n
com: N = 1, 2, 3,...; r = 0, 1, 2, ..., N; n = 1, 2, ..., N; x = mx{0, n+r-N}, ..., min(K,n) e x r.
em que N o tamanho de uma populao que contm r elementos com uma caracterstica de
interesse em estudo, n o tamanho da amostra retirada ao acaso e sem reposio dessa populao e
X a varivel aleatria que conta o nmero de elementos com a caracterstica de interesse nessa
amostra.
Seja p r / N a proporo de elementos com a caracterstica de interesse na populao. Se N for bem
maior que n, isto , se o tamanho da populao for bem maior que o da amostra, possvel mostrar
que:
r N r

x n x n x r
lim P( X x) lim p (1 p) n x , com p
n n N x N

n
isto , a distribuio hipergeomtrica pode ser aproximada pela binomial. Isso significa que quando o
tamanho da populao bem maior que o da amostra, a amostragem sem reposio produz
resultado prximo ao da amostragem com reposio.

Nome do arquivo: Principais_Tipos_Distribuicao_Discreta_e_Alguns_Graficos_Prof_Donizetti_01novembro2013.xlsx

DISTRIBUIO MULTINOMIAL Adaptado/formatado/ampliado a partir de Loesch (2012)

Seja um experimento cujo resultado se caracteriza pela ocorrncia de somente um dos eventos E1, E2,
..., Ek mutuamente excludentes, com probabilidades de ocorrncia pi = P(Ei) para i = 1, 2, ..., k, de
forma que pi = 1. Considerem-se n repeties independentes desse experimento, e sejam as
variveis aleatrias Xi nmero de vezes em que o evento Ei ocorreu, para i = 1, 2, ..., k. A distribuio
multidimensional (E1, E2, ..., Ek) denominada distribuio multinomial.
A distribuio binomial, nesse caso, passa a ser um caso particular para k = 2.
Propriedades:
n!
P1) P( X 1 n1 , X 2 n2 , ..., X k nk ) ( p1 ) n1 ( p2 ) n2 ... ( pk ) nk , n n1 n2 ... nk
n1 !n2 !... nk !

137
P2) E ( X i ) n pi , i 1, 2, ..., k e

P3) V ( X i ) n pi (1 pi ), i 1, 2, ..., k
Exemplo ilustrativo:
1) Em uma localidade, 45% das pessoas so catlicas, 35% so evanglicas e 20% praticam algum
outro credo. So sorteadas 6 (seis) pessoas. Qual a probabilidade de haver, no grupo, 3 (trs)
catlicos, 2 (dois) evanglicos e 1 (uma) pessoa de outro credo religioso?
6!
Resoluo: P( X 1 3, X 2 2, X 3 1) 0,453 0,352 0,201 0,1340 13,40%
3!2!1!
REFERNCIAS
DANTAS, C.A.B. Probabilidade: um curso introdutrio. 3 ed. So Paulo: EDUSP, 2008.
FARIAS, A.A.; SOARES, J.F.; CSAR, C.C. Introduo estatstica. 2 ed. Rio de Janeiro: LTC, 2003.
JAMES, B.R. Probabilidade: um curso em nvel intermedirio, 2 ed., Rio de Janeiro: IMPA, 2006.
LEVINE, D.M.; BERENSON, M.L.; STEPHAN, D. Estatstica: teoria e aplicaes usando Microsoft Excel
em portugus. Rio de Janeiro: LTC, 2000.
MAGALHES, M.N. Probabilidade e variveis aleatrias. 2 ed. So Paulo: EDUSP, 2006.
MAGALHES, M.N.; LIMA, A.C.P. Noes de probabilidade e estatstica. 6 ed. So Paulo: EDUSP,
2008.
MONTGOMERY, D.C.; RUNGER, G.C. Estatstica aplicada e probabilidade para engenheiros. 2 ed. Rio
de Janeiro: LTC, 2008.
Sugesto de atividade complementar: resolver os exerccios complementares do Barbetta et al.
(2010), tais como: exerccios 13 a 25 das pginas 136-139, com gabarito na pgina 357. Esto a
seguir:
EXERCCIOS COMPLEMENTARES DO CAPTULO 5 DO BARBETTA et al. (2010): No precisa entregar
1) Um armazm abastecido mensalmente, sendo que a taxa mdia de abastecimento 30
unidades/dia, com desvio padro de 3 unidades/dia. A demanda mdia de 25 unidades/dia, com
desvio padro de 4 unidades/dia. Suponha que o abastecimento e a demanda sejam
independentes e, alm disso, a demanda e o abastecimento num dia no alteram o abastecimento
e a demanda nos dias seguintes. Qual o valor esperado e o desvio padro do excedente de
produtos, no perodo de um ms? Resposta: 150 e 27,39
2) Suponha que 10% dos clientes que compram a crdito em uma loja deixam de pagar regularmente
suas contas (prestaes). Se em um particular dia, a loja vende a crdito para 10 pessoas, qual a
probabilidade de que mais de 20% delas deixem de pagar regularmente as contas? Suponha que
as 10 pessoas que fizeram credirio nesse dia correspondam a uma amostra aleatria de clientes
potenciais desta loja. Resposta: 0,0702
3) Em um sistema de transmisso de dados, existe uma probabilidade igual a 0,05 de um lote de
dados ser transmitido erroneamente. Foram transmitidos 20 lotes de dados para a realizao de
um teste de anlise da confiabilidade do sistema.
(a) Qual o modelo terico mais adequado para esse caso? Por qu? Resposta:
(b) Calcule a probabilidade de haver erro na transmisso. Resposta: 0,6415
(c) Calcule a probabilidade de que haja erro na transmisso em exatamente 2 dos 20 lotes de dados.
Resposta: 0,1886
(d) Qual o nmero esperado de erros no teste realizado? Resposta: 1 erro
4) Em uma fbrica, 3% dos artigos produzidos so defeituosos. O fabricante pretende vender milhares
de peas e recebeu 2 propostas:

138
 Proposta 1: o comprador A prope examinar uma amostra de 80 peas. Se houver 3 ou menos
defeituosas, ele paga 60 unidades monetrias (u.m.) por pea; caso contrrio, ele paga 30 u.m. por
pea.
Proposta 2: o comprador B prope examinar 40 peas. Se todas forem perfeitas, ele est disposto
a pagar 65 u.m. por pea; caso contrrio, ele paga 20 u.m. por pea.
Qual a melhor proposta? (Calcule o valor esperado da venda em cada proposta.). Resposta: 1
5) O departamento de qualidade de uma empresa seleciona, aleatoriamente, alguns itens que
chegam empresa e submete-os a testes. Para avaliar um lote de transformadores de pequeno
porte, o departamento de qualidade selecionou, aleatoriamente, 10 transformadores. Ele vai
recomendar a aceitao do lote se no existir item defeituoso na amostra. Supondo que o
processo produtivo desses transformadores gera um percentual de 3% de defeituosos, responda:
(a) Qual a probabilidade de que o lote venha a ser aceito? Resposta: 0,737
(b) Ao analisar 8 lotes de transformadores, com amostras aleatrias de 10 itens em cada lote, qual
a probabilidade de que, no mximo, um lote seja rejeitado? Resposta: 0,337
6) Na comunicao entre servidores, uma mensagem dividida em n pacotes, os quais so enviados
em forma de cdigos. Pelo histrico da rede, sabe-se que cada pacote tem uma pequena
probabilidade, igual a 0,01, de no chegar corretamente a seu destino e, alm disso, o fato de um
pacote no chegar ao destino no altera a probabilidade dos demais chegarem corretamente. Um
programa corretivo garante o envio correto da mensagem quando o nmero de pacotes enviados
erroneamente no passar de 10% do total de pacotes da mensagem. Qual a probabilidade de
uma mensagem composta de 20 pacotes ser enviada corretamente? Responder usando:
(a) a distribuio binomial. Resposta: 0,9990
(b) a distribuio de Poisson. Resposta: 0,9989
7) Uma central telefnica recebe, em mdia, 300 chamadas na hora de maior movimento, e pode
processar, no mximo, 10 ligaes por minuto. Utilizando a distribuio de Poisson, calcular a
probabilidade de que a capacidade da mesa seja ultrapassada em dado minuto do horrio de pico.
Resposta: 0,0137

8) Um piso cermico tem, em mdia, 0,01 defeito por m2. Em uma rea de 10 m x 10 m desse piso,
calcule a probabilidade de ocorrer algum defeito. Resposta: 0,6321
9) Placas de circuito integrado so avaliadas aps serem preenchidas com chips semicondutores.
Considere que foi produzido um lote de 20 placas e selecionadas 5 para avaliao. Calcule a
probabilidade de encontrar pelo menos uma placa defeituosa, supondo que o lote tenha 4
defeituosas e que tenha sido realizada:
(a) uma amostragem aleatria com reposio. Resposta: 0,6723
(b) uma amostragem aleatria sem reposio. Resposta: 0,7183
10) Suponha que o nmero de falhas em certo tipo de placa plstica tenha distribuio de Poisson,
com taxa mdia de 0,05 defeito por m2. Na construo de um barco, necessrio cobrir uma
superfcie de 3 m x 2 m com essa placa. Pede-se:
(a) Qual a probabilidade de que no haja falhas nessa superfcie? Resposta: 0,7408
(b) Qual a probabilidade de que haja mais que uma falha nessa superfcie? Resposta: 0,0369
(c) Na construo de 5 barcos, qual a probabilidade de que pelo menos 4 no apresentem defeito
na superfcie plstica? Resposta: 0,6135
11) Um item vendido em lotes de 200 unidades. Normalmente o processo de fabricao gera 5%
de itens defeituosos. Um comprador compra cada lote por R$ 100,00 (alternativa 1). Um outro
comprador faz a seguinte proposta: de cada lote, ele escolhe uma amostra de 15 peas; se a
amostra tem O defeituoso, ele paga R$ 200,00; 1 defeituoso, ele paga R$ 50,00; mais que 1
defeituoso, ele paga R$ 5,00 (alternativa 2). Em mdia, qual alternativa mais vantajosa para o
fabricante? (Calcule os valores esperados das duas alternativas.). Resposta: alternativa 2 ( = R$ 111,80).
139
12) Na produo de rolhas de cortia, no possvel garantir qualidade homognea, devido s
variaes internas nas placas de cortia. Em funo disso, um equipamento separa as rolhas que
saem da linha de produo em duas categorias: A e B. Os dados histricos mostram que 40% so
classificadas como A e 60% como B. O fabricante vende por R$ 100,00 o milhar de rolhas da
categoria A; e por R$ 60,00 o milhar da categoria B. Um comprador prope comprar a produo
diria da fbrica. Ele far um plano de amostragem, extraindo 8 rolhas aleatoriamente. Se
encontrar mais que 5 rolhas da categoria A, ele paga R$ 200,00; caso contrrio, ele paga R$ 50,00.
Pede-se:
(a) Qual a probabilidade do comprador encontrar mais que 5 rolhas da classe A? Resposta: 0,0498
(b) Qual o valor esperado da venda do fabricante, por milhar de rolhas vendidas, se ele aceitar a
proposta do comprador? Em termos do valor esperado da venda, a proposta do comprador mais
vantajosa do que a venda separada por categoria? Resposta: Proposta: lucro esperado R$ 57,47; por categoria:
R$ 76,00 (no);
(c) Qual a varincia da venda do fabricante, por milhar de rolhas vendidas, se ele aceitar a proposta
do comprador? Resposta: 1.064,85
13) Suponha que as requisies a um sistema ocorram de forma independente e que a taxa mdia
de ocorrncias trs requisies por minuto, constante no perodo em estudo. Calcule a
probabilidade de:
(a) ocorrer mais que uma requisio no prximo minuto. Resposta: 0,8009
(b) ocorrer mais que uma requisio no prximo minuto, sabendo-se que certa a ocorrncia de pelo
menos uma (pois, voc mesmo far uma requisio no prximo minuto). Resposta: 0,8428
Sugesto (no precisa entregar): Fazer os exerccios das pginas 67, 68, 76, 77, 83 a 92, 120 a 124, ex.
4 e 6 da p. 102, ex. 4, 5 e 6 da p. 114 do livro MAGALHES, M.N.; LIMA, A.C. P. Noes de
probabilidade e estatstica. 6 ed. So Paulo: EDUSP, 2008.
n n n n

( xi x ) xi x x i
n x
Prova de que o desvio mdio sempre nulo: i 1
i 1 i 1
i 1
xx 0
n n n n n
Quais as condies que devem ser satisfeitas uma distribuio para ser enquadrada/classificada
como distribuio de probabilidade? Pesquise em Loesch (2012), Rocha (2008)....
No MS-Excel, temos funes programadas. Entretanto, recomendamos que voc implemente cada
funo de distribuio discreta que foi descrita anteriormente.

140
CAP.5. PRINCIPAIS DISTRIBUIES CONTNUAS
Segundo Loesch (2012), em muitas situaes, medidas fsicas so caracterizadas como variveis
aleatrias contnuas que seguem modelos de distribuio como a distribuio uniforme, normal e
exponencial, enquanto outras distribuies contnuas, como gama, qui-quadrado, t de Student e F de
Snedecor, possuem interesse pelo seu emprego na inferncia estatstica.
1a. DISTRIBUIO UNIFORME Adaptado/formatado/ampliado a partir de Barbetta et al. (2012)

Exemplo ilustrativo: Considere um crculo, com medidas de ngulos, em graus, a partir de

determinada origem, como mostra a Figura a seguir. Nesse caso, temos um crculo e um ponteiro que
colocado a girar. A varivel aleatria de interesse X = ngulo formado entre a posio que o
ponteiro para e a linha horizontal do lado direito. Supe-se, tambm, no existir regio de
preferncia para o ponteiro parar. Nessas condies, podemos considerar que todo intervalo de
mesma amplitude, contido em [00, 3600), tem a mesma probabilidade de ocorrncia. um
experimento tpico em que a chamada distribuio uniforme apropriada.

Uma varivel aleatria X tem distribuio uniforme de parmetros e , sendo > se sua funo
densidade de probabilidade (fdp) especificada por:
1
, para x[ , ]
f ( x)
0, para x[ , ]

Em consequncia, sua funo distribuio acumulada (fda) dada por:
0, para x

x
F ( x) , para x

1, para x
A fdp e a fda podem ser representadas geometricamente por:

Figura Representao grfica da fdp e da fda de uma v.a. com distribuio uniforme em [, ]
O valor esperado e a varincia de uma distribuio uniforme so determinados por:
( )2
E( X ) e V (X )
2

2 12

141
Note que o valor esperado da distribuio uniforme exatamente o ponto mdio do intervalo [, ],
ou seja, nessa distribuio fica evidente que representa o centro de gravidade da massa descrita
pela funo densidade de probabilidade (fdp).
1b. DISTRIBUIO UNIFORME Adaptado/formatado/ampliado/implementado a partir de Loesch (2000)

A varivel aleatria contnua X de parmetros a, b (a < b) cuja funo densidade de probabilidade

(fdp) :
1
, se a x b
f ( x) b a
0, se x a ou x b

possui uma distribuio uniforme. Denota-se a distribuio uniforme por U(a, b).

Figura fdp e fda da distribuio uniforme

Demonstraes:
1) Demonstre a frmula da fdp e da fda para a distribuio uniforme.
Por que f(x) = 1/( ) para x[, ]?
Soluo: rea = 1 => ( ).f(x) = 1 => f(x) = 1/( ).
Por que F(x) = (x )/( ) para x[, [?
Soluo:
0 1
x
1 forma: 1 1 0 F ( x) x F ( x) 0 ( ) F ( x) x F ( x)

x F ( x) 1
y 1 0 1
2 forma: y m x q ( , 0) e ( ,1) m
x
1 1 x
y m x q 0 m q q m y x

2) Relao matemtica entre f(x) e F(X), isto , entre a fdp e a fda.
Se F(x) = (x )/( ), ento: F(x) = 1/( ) = f(x)
Portanto, a derivada da fda gera a fdp.
DIGITAR aqui o material da apostila que prova E(X) e V(X) (UFP?) Fazer isto...

142
2a. DISTRIBUIO EXPONENCIAL Adaptado/formatado/ampliado/implementado a partir de Ribeiro e ten Caten (2000)

Na distribuio de Poisson, a varivel aleatria definida como o nmero de ocorrncias em

determinado perodo, sendo a mdia das ocorrncias no perodo definida como . Na distribuio
exponencial a varivel aleatria definida como o tempo entre duas ocorrncias, sendo a mdia de
tempo entre ocorrncias igual a 1/.
Por exemplo, se a mdia de atendimentos no caixa bancrio de = 6 atendimentos por minuto,
ento o tempo mdio entre atendimentos 1/ = 1/6 de minuto ou 10 segundos.
Condio de aplicao do modelo exponencial: o nmero de ocorrncias deve seguir uma
distribuio de Poisson.
Se considerarmos a distribuio de Poisson como o modelo para o nmero de ocorrncias de um
evento no intervalo de [0, t], teremos:
e t ( t ) x
p ( x)
x!
E nesse caso pode ser demonstrado que a distribuio dos intervalos entre ocorrncias ir seguir o
modelo exponencial com parmetro . O modelo da distribuio exponencial (fdp) o seguinte:
f (t ) e t , t 0
em que > 0 uma constante.

Figura Distribuio exponencial: fdp

A mdia e o desvio-padro da distribuio Exponencial so calculados utilizando:

1 1
E( X ) e V (X ) 2
2

A distribuio exponencial acumulada (fda) vem dada por:
t
F (t ) P(T t ) e x dx 1 e t , t 0
0

Figura Distribuio exponencial: fda

Comandos de implementao no software de manipulao algbrica MAPLE.

>

> >
143
A distribuio exponencial largamente utilizada no campo/rea da confiabilidade, como um
modelo para a distribuio dos tempos at a falha de componentes eletrnicos. Nessas aplicaes o
parmetro representa a taxa de falha para o componente, e 1/ o tempo mdio at a falha.
Por exemplo, suponha que uma mquina falhe em mdia uma vez a cada dois anos. Nesse caso, o
nmero mdio de falhas : = 1/2 = 0,5. Calcule a probabilidade da mquina falhar durante o
prximo ano.
F (t ) P(T 1) 1 e 0,51 1 0,6065 0,3935
A probabilidade de falhar no prximo ano de 0,3935 = 39,35%, ou seja, se forem vendidos 100
mquinas, aproximadamente 39 iro falhar nesse perodo. Por outro lado, a probabilidade de no
falhar no prximo ano de 1 0,3935 = 0,6065 = 60,65%.

0,5 Acumulada. Compl.

t f(t) = .e -.t
F(t) = 1 e-.t 1 - F(t)
0 0,5000 0,0000 1,0000
1 0,3033 0,3935 0,6065
Conhecendo-se os tempos at a falha de um produto possvel definir os perodos de garantia.

Figura Principais_Tipos_Distribuicao_Continuas_Graficos_Prof_Donizetti_07novembro2013.xlsx

144
2b. DISTRIBUIO EXPONENCIAL Adaptado/formatado/ampliado/implementado a partir de Barbetta et al. (2010)

O modelo exponencial tem forte relao com o modelo discreto de Poisson. Enquanto a distribuio
de Poisson pode ser utilizada para modelar o nmero de ocorrncias em um perodo contnuo (de
tempo ou de comprimento), a distribuio exponencial pode modelar a varivel aleatria contnua
que representa o intervalo (de tempo ou de comprimento) entre as ocorrncias.
Exemplos:
(1) Tempo (em minutos) at a prxima consulta a uma base de dados.
(2) Tempo (em segundos) entre pedidos a um servidor.
(3) Distncia (em metros) entre defeitos de uma fita.
A distribuio exponencial pode ser utilizada quando as suposies de Poisson (independncia entre
as ocorrncias e taxa mdia de ocorrncia constante no intervalo considerado) estiverem satisfeitas.
A Figura a seguir ilustra a relao entre as duas distribuies.

Figura Relao entre a distribuio de Poisson e a exponencial

Para chegarmos formulao matemtica da distribuio exponencial, vamos considerar a

equivalncia entre os dois seguintes eventos:

Sejam as variveis aleatrias:

X = nmero de ocorrncias no intervalo de tempo [0, t); e
T = tempo entre as ocorrncias.
Sendo a taxa mdia de ocorrncias por unidade de tempo, ento, considerando independncia
entre as ocorrncias, X tem distribuio de Poisson com parmetro .t. E a equivalncia entre os dois
eventos pode ser expressa por:
T t Xt 0
Logo,
* ( t )0 e t
P(T t P( X t 0) e t
0!
*
Aplicao da expresso de Poisson.
Utilizando o evento complementar, podemos definir para todo t > 0 a funo de distribuio
acumulada de uma varivel aleatria T com distribuio exponencial:
F (t ) P(T t ) 1 e t
Em consequncia, para t > 0 temos a funo densidade de probabilidade
f (t ) F ' (t ) e t
145
Para t 0, definimos F(t) = f(t) = 0. Veja Figura a seguir:

Figura Representao grfica da fdp de uma v.a. com distribuio exponencial

Em geral, mais fcil partir do complemento de F(t) para calcular as probabilidades, ou seja, para t >
0, temos:
P(T t ) e t
Exemplo ilustrativo:
1) Dada a varivel aleatria T = tempo de resposta na consulta a um banco de dados (em minutos)
com funo densidade de probabilidade (fdp) dada por:
2e 2 t , para t 0
f (t )
0, para t 0
ou seja, uma distribuio exponencial com = 2. Nesse contexto, pode-se calcular a probabilidade da
consulta demorar mais que 3 minutos, isto , P(T > 3). Podemos partir da funo de densidade,
fazendo:

P(T 3) f (t ) dt 2e 2t dt ... e 6 0,25%
3 3

Ou podemos utilizar P(T t ) e t , obtendo:

P(T 3) e23 e6 0,25%

Considere, agora, o clculo da probabilidade P(2 T 3), isto , a prxima consulta ocorrer no
intervalo de 2 a 3 minutos. Podemos fazer:
3
P(2 T 3) e 2t dt ... 1,58%
2

Ou utilizar P(a T b) F (b) F (a ) :

P(2 T 3) P(T 2) P(T 3) e22 e23 e4 e6 ... 1,58% ou P(T 3) P(T < 2) = ... = 1,58%

Para uma varivel aleatria T, com distribuio exponencial de parmetro , temos:

1 1
E (T ) e 2 V (T )
2
146
Um exemplo do clculo do valor esperado e da varincia de uma exponencial foi feito anteriormente.
Observe que podemos obter os mesmos resultados com essa frmulas.
Atividades Prticas Supervisionadas (APS): entregar no dia da prova
1) O tempo de vida (em horas) de um transistor uma varivel aleatria T com distribuio
exponencial. O tempo mdio de vida do transistor de 500 horas. Nesse contexto, pede-se:
(a) Calcule a probabilidade de o transistor durar mais do que 500 horas. Resposta: 36,79%
Resoluo: = 1/ e = 500, logo = 1/500
1
500 1
P(T 500) e 500 e1 36,79%
e
(b) Calcule a probabilidade de o transistor durar entre 300 e 1000 horas. Resposta: 41,35%
Resoluo: Como = 1/500
1 1 3
1000 300
2
P(300 T 1000) F (1000) F (300) 1 e 500
(1 e 500
) 1 e (1 e ) 41,35%
5

(c) Sabendo-se que o transistor j durou 500 horas, calcule a probabilidade de ele durar mais 500
horas. Resposta: 36,79% . REFAZER, DE ACORDO COM A PROVA ABAIXO. Final da apostila => digitar
Resoluo: = 1/ e = 500, logo = 1/500
1

1 500
e1 36,79%
P(T 500) e 500
e
Podemos utilizar a expresso de probabilidade condicional, para mostrar que para s, t > 0, vale a
seguinte relao para uma varivel aleatria T exponencial: P(T > s + t|T > s) = P(T > t). Essa
propriedade conhecida como falta de memria, pois no importa o que aconteceu no passado (T
< s), mas apenas a partir do momento em que se inicia a observao, que pode ser considerado como
o instante zero. Nesse contexto, a distribuio exponencial inadequada para representar tempo de
vida de itens que sofrem efeito de fadiga. VER APOSTILA QUE DEMONSTRA ISTO (UFP).
Consideraes finais:
Se f (t ) e t , t 0 ento:
1
f (0) e 0 e0 1 e lim e t lim t
lim t 0 0
t t e t e

Fonte: Elaborada no Geogebra. Disponvel em: www.geogebra.org/ . Acesso em: abril de 2014
FALTA DE MEMRIA OU FALTA DE DESGASTE

147
3a. DISTRIBUIO NORMAL Adaptado/formatado/ampliado/implementado a partir de Barbetta et al. (2000)

A normal (ou gaussiana) 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. muito importante tambm na inferncia estatstica, como ser observado nos
prximos captulos.
A distribuio normal caracterizada por uma funo de probabilidade, cujo grfico descreve uma
curva em forma de sino, como mostra a Figura a seguir. Essa forma de distribuio evidencia que h
maior probabilidade de a varivel aleatria assumir valores prximos do centro.

Figura Representao grfica da fdp normal e a indicao de seus dois parmetros: e

Dados os parmetros e > 0, a funo densidade de probabilidade da normal dada por:
1 x
2

1
2
f ( x) e , x
2
Com certo esforo matemtico, possvel mostrar que o valor esperado e a varincia da distribuio
normal so dados por:
E( X ) e V ( X ) 2
A Figura a seguir mostra diferentes curvas normais, em funo dos valores de e . As distribuies
da Figura anterior podem representar, por exemplo, medidas da dureza de ao produzido sob
diferentes condies. A distribuio (1) representa a dureza do ao em uma situao padro; e a
distribuio (2), as medidas de dureza do ao aps um processo de melhoria da qualidade, em que
aumentou a dureza mdia. A distribuio (3) representa as medidas de dureza do ao quando o
processo est sob rgido controle; enquanto a distribuio (4) quando fora de controle, o que
acarreta aumento na variabilidade.
(1) ( 2) e (1) ( 2) (3) ( 4) e (3) ( 4)

Figura Diferentes distribuies normais em funo dos parmetros: e

148
Na sequncia, representaremos uma varivel aleatria X com distribuio normal de mdia e
varincia 2 por X N(, 2). Seguem outras caractersticas do modelo normal:
A curva simtrica em torno de , em consequncia, os valores da mdia () e da mediana (md)
so iguais, e tambm P(X < ) = P(X > ), .
Teoricamente, a curva prolonga-se de a , sendo lim f ( x) 0.
x

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

Qualquer combinao linear de variveis aleatrias normais tambm uma varivel aleatria
normal; em especial, se X1 e X2 so variveis aleatrias independentes e X1 ( 1 , 12 ) e X2
( 2 , 22 ), ento: a, b , Y = a.X1 + b.X2 tem distribuio normal com:

E (Y ) a 1 b 2 e V (Y ) a 12 b 22
Afastamentos da mdia, em unidades de desvio-padro, preservam a mesma rea sob a curva,
independentemente dos valores de e 2. Veja Figuras a seguir:

Figura Afastamentos da mdia, em unidades de desvio-padro, preservam a mesma rea sob a curva normal

Se X N(, 2), ento a varivel aleatria:

x
Z

tem distribuio normal com mdia zero e desvio-padro unitrio, ou seja, X N(0, 1), que tambm
conhecida como distribuio normal padro. Qualquer rea (probabilidade) sob a densidade de X
pode ser avaliada sob a densidade de Z, conforme ilustra a Figura a seguir. Dessa forma, qualquer
problema relativo a uma distribuio normal pode ser pensado em termos da distribuio normal
padro.

Figura Transformao do evento {X > 180}, da distribuio normal de parmetros: = 170 e = 10, em um evento da distribuio normal padro: {Z > 1}

149
Tabela da distribuio normal padro Tabela Z
As probabilidades de uma varivel com distribuio normal podem ser representadas por reas sob a
curva da distribuio normal padro. A seguir, apresentamos uma Tabela Z, que relaciona valores
positivos de z, com reas sob a cauda superior da curva. Os valores de z so apresentados com duas
decimais. A primeira decimal fica na coluna da esquerda e a segunda decimal na linha do topo.
Segunda decimal de z
z z
0 1 2 3 4 5 6 7 8 9
0,0 50% 49,60% 49,20% 48,80% 48,40% 48,01% 47,61% 47,21% 46,81% 46,41% 0,0
0,1 46,02% 45,62% 45,22% 44,83% 44,43% 44,04% 43,64% 43,25% 42,86% 42,47% 0,1
0,2 42,07% 41,68% 41,29% 40,90% 40,52% 40,13% 39,74% 39,36% 38,97% 38,59% 0,2
0,3 38,21% 37,83% 37,45% 37,07% 36,69% 36,32% 35,94% 35,57% 35,20% 34,83% 0,3
0,4 34,46% 34,09% 33,72% 33,36% 33,00% 32,64% 32,28% 31,92% 31,56% 31,21% 0,4
0,5 30,85% 30,50% 30,15% 29,81% 29,46% 29,12% 28,77% 28,43% 28,10% 27,76% 0,5
0,6 27,43% 27,09% 26,76% 26,43% 26,11% 25,78% 25,46% 25,14% 24,83% 24,51% 0,6
0,7 24,20% 23,89% 23,58% 23,27% 22,96% 22,66% 22,36% 22,06% 21,77% 21,48% 0,7
0,8 21,19% 20,90% 20,61% 20,33% 20,05% 19,77% 19,49% 19,22% 18,94% 18,67% 0,8
0,9 18,41% 18,14% 17,88% 17,62% 17,36% 17,11% 16,85% 16,60% 16,35% 16,11% 0,9
1,0 15,87% 15,62% 15,39% 15,15% 14,92% 14,69% 14,46% 14,23% 14,01% 13,79% 1,0
1,1 13,57% 13,35% 13,14% 12,92% 12,71% 12,51% 12,30% 12,10% 11,90% 11,70% 1,1
1,2 11,51% 11,31% 11,12% 10,93% 10,75% 10,56% 10,38% 10,20% 10,03% 9,85% 1,2
1,3 9,68% 9,51% 9,34% 9,18% 9,01% 8,85% 8,69% 8,53% 8,38% 8,23% 1,3
1,4 8,08% 7,93% 7,78% 7,64% 7,49% 7,35% 7,21% 7,08% 6,94% 6,81% 1,4
1,5 6,68% 6,55% 6,43% 6,30% 6,18% 6,06% 5,94% 5,82% 5,71% 5,59% 1,5
1,6 5,48% 5,37% 5,26% 5,16% 5,05% 4,95% 4,85% 4,75% 4,65% 4,55% 1,6
1,7 4,46% 4,36% 4,27% 4,18% 4,09% 4,01% 3,92% 3,84% 3,75% 3,67% 1,7
1,8 3,59% 3,51% 3,44% 3,36% 3,29% 3,22% 3,14% 3,07% 3,01% 2,94% 1,8
1,9 2,87% 2,81% 2,74% 2,68% 2,62% 2,56% 2,50% 2,44% 2,39% 2,33% 1,9
2,0 2,28% 2,22% 2,17% 2,12% 2,07% 2,02% 1,97% 1,92% 1,88% 1,83% 2,0
2,1 1,79% 1,74% 1,70% 1,66% 1,62% 1,58% 1,54% 1,50% 1,46% 1,43% 2,1
2,2 1,39% 1,36% 1,32% 1,29% 1,25% 1,22% 1,19% 1,16% 1,13% 1,10% 2,2
2,3 1,07% 1,04% 1,02% 0,99% 0,96% 0,94% 0,91% 0,89% 0,87% 0,84% 2,3
2,4 0,82% 0,80% 0,78% 0,75% 0,73% 0,71% 0,69% 0,68% 0,66% 0,64% 2,4
2,5 0,62% 0,60% 0,59% 0,57% 0,55% 0,54% 0,52% 0,51% 0,49% 0,48% 2,5
2,6 0,47% 0,45% 0,44% 0,43% 0,41% 0,40% 0,39% 0,38% 0,37% 0,36% 2,6
2,7 0,35% 0,34% 0,33% 0,32% 0,31% 0,30% 0,29% 0,28% 0,27% 0,26% 2,7
2,8 0,26% 0,25% 0,24% 0,23% 0,23% 0,22% 0,21% 0,21% 0,20% 0,19% 2,8
2,9 0,19% 0,18% 0,18% 0,17% 0,16% 0,16% 0,15% 0,15% 0,14% 0,14% 2,9
3,0 0,13% 0,13% 0,13% 0,12% 0,12% 0,11% 0,11% 0,11% 0,10% 0,10% 3,0
3,1 0,10% 0,09% 0,09% 0,09% 0,08% 0,08% 0,08% 0,08% 0,07% 0,07% 3,1
3,2 0,07% 0,07% 0,06% 0,06% 0,06% 0,06% 0,06% 0,05% 0,05% 0,05% 3,2
3,3 0,05% 0,05% 0,05% 0,04% 0,04% 0,04% 0,04% 0,04% 0,04% 0,03% 3,3
3,4 0,03% 0,03% 0,03% 0,03% 0,03% 0,03% 0,03% 0,03% 0,03% 0,02% 3,4
3,5 0,02% 0,02% 0,02% 0,02% 0,02% 0,02% 0,02% 0,02% 0,02% 0,02% 3,5
3,6 0,016% 0,015% 0,015% 0,014% 0,014% 0,013% 0,013% 0,012% 0,012% 0,011% 3,6
3,7 0,011% 0,010% 0,010% 0,010% 0,009% 0,009% 0,008% 0,008% 0,008% 0,008% 3,7
3,8 0,007% 0,007% 0,007% 0,006% 0,006% 0,006% 0,006% 0,005% 0,005% 0,005% 3,8
3,9 0,005% 0,005% 0,004% 0,004% 0,004% 0,004% 0,004% 0,004% 0,003% 0,003% 3,9
4,0 0,003% 0,003% 0,003% 0,003% 0,003% 0,003% 0,002% 0,002% 0,002% 0,002% 4,0
4,1 0,002% 0,002% 0,002% 0,002% 0,002% 0,002% 0,002% 0,002% 0,001% 0,001% 4,1
4,2 0,001% 0,001% 0,001% 0,001% 0,001% 0,001% 0,001% 0,001% 0,001% 0,001% 4,2
4,3 0,00085% 0,00082% 0,00078% 0,00075% 0,00071% 0,00068% 0,00065% 0,00062% 0,00059% 0,00057% 4,3
4,4 0,00054% 0,00052% 0,00049% 0,00047% 0,00045% 0,00043% 0,00041% 0,00039% 0,00037% 0,00036% 4,4
4,5 0,00034% 0,00032% 0,00031% 0,00029% 0,00028% 0,00027% 0,00026% 0,00024% 0,00023% 0,00022% 4,5
4,6 0,00021% 0,00020% 0,00019% 0,00018% 0,00017% 0,00017% 0,00016% 0,00015% 0,00014% 0,00014% 4,6
4,7 0,00013% 0,00012% 0,00012% 0,00011% 0,00011% 0,00010% 0,00010% 0,00009% 0,00009% 0,00008% 4,7
4,8 0,00008% 0,00008% 0,00007% 0,00007% 0,00006% 0,00006% 0,00006% 0,00006% 0,00005% 0,00005% 4,8
4,9 0,00005% 0,00005% 0,00004% 0,00004% 0,00004% 0,00004% 0,00004% 0,00003% 0,00003% 0,00003% 4,9
5,0 0,00003% 0,00003% 0,00003% 0,00002% 0,00002% 0,00002% 0,00002% 0,00002% 0,00002% 0,00002% 5,0
Nome do acadmico e R.A.:

150
Na sequncia, a Figura a seguir mostra como podemos utilizar a referida Tabela para encontrar uma
rea sob a cauda superior da curva. Qual a rea acima de z = 0,21? Resposta: 41,68%

Figura Ilustrao da utilizao da Tabela da distribuio normal padro para encontrar P(Z > 0,21)

A rea 0,4168 corresponde probabilidade P(Z > 0,21) = 1 (0,21), na qual representa a funo
de distribuio acumulada da normal padro. Ou seja, a Tabela Z fornece os valores 1 (z), para z =
0,01, 0,02, ..., 5,00.
Exemplos ilustrativos:
1) Selecionar, aleatoriamente, de uma certa universidade, um estudante do sexo masculino. Seja X a
sua altura, em centmetros. Representar o evento: o estudante selecionado ter 180 cm ou mais
(X 180) e a probabilidade deste evento: P(X 180).

Se a altura de um indivduo for x = 180 cm, ento qual o escore padronizado z correspondente?
x 180 170 10
Z Z 1
10 10

151
2) Selecionar, aleatoriamente, de uma certa universidade, um estudante do sexo masculino. Seja X o
valor de sua altura, em centmetros. Admitindo que nesta universidade os estudantes tm altura
mdia de 170 cm com desvio-padro de 10 cm, qual a probabilidade do estudante sorteado ter
altura superior a 185 cm?
Resoluo:
x = 185 cm, = 170 cm, = 10 cm => Z = ?
x 185 170 15
Z Z 1,5
10 10
P(X > 185) = P(Z > 1,5) = ?

Ento, P(X > 185) = P(Z > 1,5) = 0,0668.

3) Utilizao da tabela. Com base na tabela da normal padronizada, calcular:
(a) P(Z > 1) (b) P(Z > 1,23)

(c) P(-2 < Z < 2). Soluo: P(Z < 2) P(Z < -2) =*1 P(Z > 2) P(Z > ) = 1 P(Z > 2) = 1 2.(0,0228) =
0,9544. * simetria e complementar.

4) Calcule P(-0,42 < Z < 0,42) = P(Z < 0,42) P(Z < -0,42) = 1 P(Z > 0,42) P(Z > 0,42) = 1 2.P(Z >
0,42) = 1 2.0,3372 = 0,3252. Veja ilustrao a seguir.

152
5) Seja Z uma varivel aleatria com distribuio normal padro. Vamos utilizar a Tabela Z para
encontrar as seguintes probabilidades:
(a) P(Z < 0,42). Esta probabilidade corresponde rea da distribuio normal padro indicada na
Figura a seguir. Podemos obter esta rea, fazendo a seguinte operao:

Mais formalmente, (0,42) = P(Z < 0,42) = 1 P(Z 0,42) = 1 0,3372 = 0,6628
Utilizando o GeoGebra (software livre com verso mais recente disponvel em: www.geogebra.org/).
Fazer a figura para X 0,42.

(b) P(Z < -0,42). O esquema seguinte mostra esta probabilidade em termos de rea e como podemos
utilizar a simetria da curva para obt-la na Tabela Z.

Ou seja, P(Z < -0,42) = P(Z > 0,42) = 0,3372 = 33,72%

(c) P(-0,42 < Z < 0,42)

153
6) Na distribuio normal padro, qual o valor de z, tal que P(-z < Z < z) = 0,95? Veja Figuras a seguir.

Considerando a simetria da curva normal e o fato de a rea total sob a curva ser igual a 1 (um),
podemos transformar esta pergunta em: Qual o valor de z tal que P(Z > z) = 0,025? A Figura ilustra a
equivalncia entre as duas perguntas.
Entrando com o valor de rea 0,025 na Tabela Z, encontramos o valor de z igual a 1,96. Esse processo
ilustrado a seguir. Obs.: 0,025 = (1 0,95)/2.

7) Suponha que a absoro de gua (%) em certo tipo de piso cermico tenha distribuio normal
com mdia 2,5 e desvio-padro 0,6. Selecionando, aleatoriamente, uma unidade desse piso, qual
a probabilidade de ele acusar absoro de gua entre 2% e 3,5%?
Resoluo: Primeiramente, precisamos transformar os valores de absoro de gua (x) em valores
padronizados ou normais (z), isto ,
x x 2,5
Z
0,6
Para x = 2, temos:
2 2,5
Z 0,8333
0,6
e para x = 3,5, temos:

3 2,5
Z 1,6667
0,6
Utilizando a Tabela Z, encontramos para z = 0,83 e z = 1,67 as respectivas reas nas extremidades da
curva: 0,2033 e 0,0475 (lembrando que para valores negativos de z, como 0,83, procuramos na
Tabela Z seu valor absoluto, 0,83). fcil observar, pelas Figuras a seguir, que a probabilidade
desejada corresponde ao complemento da soma dessas reas, ou seja:
P(2 < X < 3,5) = P(-0,8333 < Z < 1,667) = 1 P(Z > 1,67) P(Z < -0,83) = 1 P(Z > 1,67) P(Z > 0,83) =
= 1 (0,2033 + 0,0475) = 0,7492 = 74,92%

154
 Atividades Prticas Supervisionadas (APS): entregar no dia da prova
1) Seja Z uma varivel aleatria com distribuio normal padro. Calcule:
(a) P(Z > 1,65) Resposta: 0,0495 (b) P(Z < 1,65) Resposta: 0,9505
(c) P(-1 < Z < 1) Resposta: 0,6826 (d) P(-2 < Z < 2) Resposta: 0,9550
(e) P(-3 < Z < 3) Resposta: 0,9974 (f) P(Z > 6) Resposta: 0,0000
(g) o valor de z, tal que P(-z < Z < z) = 0,90 Resposta: 1,645
(h) o valor de z, tal que P(-z < Z < z) = 0,99 Resposta: 2,575

2) Suponha que o tempo de resposta na execuo de um algoritmo uma varivel aleatria com
distribuio normal de mdia 23 segundos e desvio-padro de 4 segundos. Calcule:
(a) A probabilidade de o tempo de resposta ser menor do que 25 segundos. Resposta: 0,6915
(b) A probabilidade de o tempo de resposta ficar entre 20 e 30 segundos. Resposta: 0,7333

3) Certo tipo de conserva tem peso lquido (X1) com mdia de 900 g e desvio-padro de 10 g. A
embalagem tem peso (X2) com mdia de 100 g e desvio-padro de 4 g. Suponha X1 e X2
independentes e com distribuies normais. Nesse contexto, pede-se:
(a) Qual a probabilidade de o peso bruto ser superior a 1.020 g? Resposta: 0,0314 = 3,14%
(b) Qual a probabilidade de o peso bruto estar entre 980 e 1.020 g? Resposta: 0,9372 = 9,37%
GABARITOS e/ou DICAS
1)
(a) Direto na Tabela Z. (b) 1 P(Z > 1,65).
(c) P(Z < 1) P(Z < -1) = 1 P(Z > 1) P(Z > 1) = 1 2P(Z > 1) = 1 2.0,158655 = 0,68269 = 68,27%.
(d) anlogo ao item (c) (e) Direto na Tabela Z
(g) P(-z < Z < z) = 0,90 equivalente a P(Z > z) = 10%/2 = 0,05 z = 1,645.
(h) P(-z < Z < z) = 0,99 equivalente a P(Z > z) = 1%/2 =0,005 z = 2,575.

2) T ~N(23, 16) =>

(a) P(T < 25) = P(Z < (25 23)/4) = P(Z < 0,5) = 1 P(Z > 0,5) = 1 0,308538 = 0,691462 = 69,15% .
(b) P(20 < T < 30) =* P(-0,75 < Z < 1,75) = P(Z < 1,75) P(Z < -0,75) =** 1 P(Z 1,75) P(Z 0,75) =
= 1 0,040059 0,226627 = 73,3314%. * codificando = padronizando. ** Simetria e complementar.
3) Rever a Teoria da pgina 133.

155
3b. DISTRIBUIO NORMAL Adaptado/formatado/ampliado/implementado a partir de Ribeiro e ten Caten (2000)

Segundo Ribeiro e ten Caten (2000), a distribuio Normal a mais importante das distribuies
estatsticas, tanto na teoria como na prtica. Uma das razes, que a distribuio Normal representa
a distribuio de frequncia de muitos fenmenos naturais. Outra razo que a distribuio Normal
serve como aproximao da distribuio Binomial, quando n grande. No entanto, o motivo mais
importante que as mdias e as propores de grandes amostras segue a distribuio Normal, como
ser visto no Teorema do Limite Central.
A distribuio de frequncia do modelo Normal apresenta forma de sino, unimodal, simtrica em
relao sua mdia e tende assintoticamente a zero medida que os valores se afastam da mdia.
Ou seja, teoricamente os valores da varivel aleatria podem variar de a +.
Em termos de probabilidade de ocorrncia, a rea sob toda a curva normal soma 100%. A
probabilidade de uma observao proveniente de uma varivel aleatria normal assumir um valor
entre dois pontos quaisquer igual rea compreendida entre esses dois pontos. Observe as Figuras
a seguir:

Exemplo ilustrativo: NomAlL

1) Distribuio normal com = 28,3 e = 0,2:

Figura Percentuais da distribuio Normal

A distribuio Normal fica complemente caracterizada por dois parmetros: a mdia e o desvio-
padro. Ou seja, diferentes mdias e desvios-padro originam curvas normais distintas, como se
pode visualizar nos exemplos contidos na Tabela a seguir em que h amostras provenientes de
distribuies com mdia e desvios-padro distintos.
Amostras Dados coletados Localizao ( x ) Variabilidade/amplitude (R)
A 10; 12; 14; 16; 18 x = 14 R=8
B 22; 24; 26; 28; 30 x = 26 R=8
C 6; 10; 14; 18; 22 x = 14 R = 16
Tabela Amostras de trs distribuies distintas

156
 Figura Distribuio de probabilidade com mdia e desvios-padro distintos

Na Figura anterior, pode-se visualizar que:

Da distribuio A para B muda a tendncia central (), mas a variabilidade () constante.
Exemplo: mesma mquina (variabilidade), produtos com cotas (mdias) diferentes.
Da distribuio A para C muda a variabilidade (), mas a tendncia central () constante.
Exemplo: mesma cota do produto (mdia) com mquinas diferentes (variabilidade).
Da distribuio B para C muda a tendncia central () e a variabilidade ().
Exemplo: produto diferente, mquina diferente.
Uma consequncia importante do fato de uma distribuio Normal ser completamente caracterizada
por sua mdia e desvio-padro que a rea sob a curva entre um ponto qualquer e a mdia funo
somente do nmero de desvios-padro que o ponto est distante da mdia.
Como existem uma infinidade de distribuies normais (uma para cada mdia e desvio-padro),
transformamos a unidade estudada seja ela qual for (peso, espessura, tempo, etc.) na unidade Z, que
indica o nmero de desvios-padro a contar da mdia.
Dessa forma, o clculo de probabilidades (rea sob a curva) pode ser realizado por meio de uma
distribuio Normal padronizada, em que o parmetro a varivel reduzida Z, que representa o
nmero de desvios-padro distantes da mdia.
A distribuio Normal pode ser representada pela funo:
1 x
2

1
2
f ( x) e
2
1
1 x2
Observa-se que: se 0 e 1, temos: f ( x) e 2 , representando a normal padronizada.
2
A distribuio Normal acumulada obtida calculando a probabilidade de X ser menor que um dado
valor xo, isto :
x0
P( X x0 ) F ( x0 ) f ( x) dx

Essa integral no pode ser resolvida em forma fechada, mas a soluo est apresentada em tabelas
da distribuio Normal padronizada em que se entra com a varivel reduzida Z (nmero de desvios-
padro distantes da mdia) e encontra-se F(Z) ou vice-versa.
x
P( X x) P Z F (Z ) ou (Z ) Valor tabelado

Para sabermos o valor da probabilidade, utilizamos a tabela da distribuio Normal. Essa tabela nos
fornece a rea acumulada at o valor de Z.

157
O clculo da varivel reduzida Z feito por meio da transformao dos valores reais em valores
codificados. Essa transformao feita descontando-se a mdia para eliminar o efeito de localizao
(tendncia central) e dividindo-se pelo desvio-padro para eliminar o efeito de escala (variabilidade).
Uma vez calculada a varivel reduzida Z, consulta-se a tabela Normal padronizada para identificar a
probabilidade acumulada esquerda de Z, ou seja, a probabilidade de ocorrerem valores menores ou
iguais a um certo valor de Z consultado.

Principais_Tipos_Distribuicao_Continuas_Graficos_Prof_Donizetti_07novembro2013.xlsx
Funo densidade de probabilidade normal acumulada para quatro diferentes conjuntos de
parmetros (, 2). (0,12): a linha verde representa a distribuio normal padronizada (que est
tabelada).

158
A seguir sero apresentados exemplos do clculo do percentual fora de especificao.
Exemplos ilustrativos:
1) A resistncia trao do papel utilizado em sacolas de supermercado uma caracterstica de
qualidade importante. Sabe-se que essa resistncia segue um modelo Normal com mdia 40 psi e
desvio-padro 2 psi. Se a especificao estabelece que a resistncia deve ser maior que 35 psi,
qual a probabilidade que uma sacola produzida com este material satisfaa a especificao? Obs.:
psi = pounds per square inch. 1 pound = 29,6 g
Resoluo:
35 40 F ( 2, 5) 0, 0062
P( X 35) 1 P X 35 1 P Z 1 PZ 2,5 1 0,0062 99,38% .
2
Outra forma: P(X > 35) = P(Z > -2,5) = 1 P(Z < -2,5) = 1 P(Z > 2,5) = 1 0,006210 = 99,38%.
Fazer no Geogebra para N(, 2) e N(0, 1)

Figura Distribuio para X (valores reais) e distribuio para Z (valores codificados)

Tabela da distribuio normal: F(-2,5) = 0,0062. Assim, a resposta 1 - 0,0062 = 99,38%.

Principais_Tipos_Distribuicao_Continuas_Graficos_Prof_Donizetti_07novembro2013.xlsx

2) O dimetro do eixo principal de um disco rgido segue uma distribuio Normal com mdia 25,08 in
e desvio-padro 0,05 in. Se as especificaes para esse eixo so 25,00 0,15 in, determine o
percentual de unidades produzidas em conformidades com as especificaes. Obs.: polegada (inch
em ingls, smbolos: in ou dupla plica ). Fazer no Geogebra.
Resoluo:
25,15 25,08 24,85 25,08
P(24,85 X 25,15) P( X 25,15) P( X 24,85) P Z P Z
0,05 0,05
P( Z 1,40) P( Z 4,60) 0,9192 0,0000 0,9192 91,92%

159
Portanto, 91,92% (rea cinza na figura a seguir) dentro das especificaes e 8,08% fora das
especificaes.
Outra forma:
1 linha igual;
2 linha: P(Z 1,40) = P(Z 1,40) = 0,080757. P(Z -4,60) = P(Z 4,60) = 0,000002.

Figura Distribuio de probabilidade do processo e os limites de especificao

Tabela da distribuio normal: F(1,40) = 0,9192 e F(-4,60) = 0,0000. LEI = Limite de Especificao
Inferior e LES = Limite de Especificao Superior.

3) No exemplo anterior tem-se cerca de 8% de unidades no-conformes, e essas unidades so

invariavelmente do tipo eixo muito largo. Recalcule o percentual de unidades conformes se o
processo estivesse centrado em 25,00. Fazer no Geogebra.
Resoluo:
25,15 25,00 24,85 25,00
P Z P Z P(Z 3,00) P(Z 3,00)
0,05 0,05
0,99870 0,00135 0,9973 99,73%
Portanto, 99,73% dentro das especificaes e 0,27% fora das especificaes.

160
4) Suponha que X ~ N (85; 81) . Encontre um valor limite x , tal que P( X x) 0,05.
x 85 x 85
Resoluo: P X x 1 P X x 1 P Z 0,05 P Z 0,95
9 9
x 85
Da tabela da distribuio normal: Z =1,645. Assim, 1,645 x 99,805.
9
Outra forma: P(X > x) = 0,05 => P(Z > (x - 85)/9) = 0,05 =>Tabela Z entre 1,64 e 1,65 => 1,645.
z = (x 85)/9 = 1,645 => x = 1,645.9 + 85 = 99,805.
Procedimentos para construo do modelo normal N(, ) no GeoGebra Adaptado de Duarte (2010)

O procedimento para construo de um modelo normal genrico semelhante ao utilizado na

construo da reta genrica, pois em ambos os casos esto associados a dois parmetros.
Digite no campo para entrada de comando: ( = 1) e em seguida ( =1), as respectivas letras do
alfabeto grego mi e sigma podem ser encontrados no campo de lista de letras e smbolos do
alfabeto grego.
Habilite os parmetros () e (), e digite no campo de entrada de comandos a expresso:
=1 / ( *(2 * pi)^0.5) ^(-(0.5)*((x - ) / ))
Uma vez que a curva normal foi apresentada nas respectivas janelas algbrica e geomtrica,
movimente os parmetros e observe os movimentos de translao e achatamento do grfico.

Figura Curva normal N(3, 0.5) construdo no GeoGebra Figura rea sob a curva normal N(3, 0.5) construdo no GeoGebra
GEOGEBRA: www.geogebra.org/
Funes no MS-Excel para a distribuio normal: DIST.NORM.N( ) e DISTNORMP( )

z= P(Z -z) P(Z z) P(-z Z z)

1 15,87% 84,13% 68,27% P(-1 Z 1)
2 2,28% 97,72% 95,45% P(-2 Z )
3 0,13% 99,87% 99,73% P(-3 Z )
4 0,00% 100,00% 99,99% P(-4 Z )
161
 z= P(Z -z) P(Z z) P(-z Z z)
1 15,87% 84,13% 68,27% P(-1 Z 1)
2 2,28% 97,72% 95,45% P(-2 Z )
3 0,13% 99,87% 99,73% P(-3 Z )
4 0,00% 100,00% 99,99% P(-4 Z )

COLOCAR TODOS OS DA DISTRIBUIO DISCRETA NO LUGAR CORRETO

CALCULANDO PROBABILIDADES NO SOFTWARE GEOGEBRA: Distribuies Discretas

162
GeoGebra - Dynamic Mathematics for Everyone: http://www.geogebra.org/

163
A NORMAL COMO LIMITE DE OUTRAS DISTRIBUIES (Adaptado/formatado/ampliado/implementado a partir de Barbetta et al., 2010)

Muitas distribuies de probabilidade aproximam-se da distribuio normal. o caso da binomial

quando n grande e da Poisson quando grande.
Aproximao normal binomial
Nos experimentos binomiais, quando n muito grande, o uso da funo de probabilidade binomial
impraticvel, pois os coeficientes binomiais tornam-se exageradamente grandes. J vimos que nos
casos em que n grande e p muito pequeno, podemos utilizar a distribuio de Poisson para
calcular, aproximadamente, as probabilidades de uma binomial. Quando n grande e p no
prximo de 0 ou de 1, a distribuio normal pode ser utilizada para calcular, aproximadamente, as
probabilidades de uma binomial.
As Figuras a seguir apresentam grficos das distribuies de probabilidades binomiais com n = 1, 10 e
50 e p = 0,5 e 0,2.

Figura Distribuies binomiais para diferentes valores de n e p (ou )

Observando as Figuras anteriores, verificamos que quando n = 50, a forma da distribuio binomial
parecida com a curva de uma distribuio normal. Observe, ainda, que se p = 0,5, a aproximao j
parece razovel para n = 10.
De maneira geral, as condies para fazer uma aproximao da distribuio binomial para a normal
so: (i) n grande; e (ii) p no muito prximo de 0 (zero) ou de 1 (um).
Uma regra prtica, sugerida por vrios autores, considera a aproximao razovel se as duas
seguintes inequaes estiverem satisfeitas:
n.p 5 e n.(1 p) 5

Os parmetros e da distribuio normal devem-se identificar ao valor esperado e ao desvio-

padro do modelo binomial, ou seja:
n p e n p (1 p)
Exemplo ilustrativo:
1) Historicamente, 10% dos pisos cermicos, que saem de uma linha de produo, tm algum defeito
leve. Se a produo diria de 1.000 unidades, qual a probabilidade de ocorrer mais de 120
itens defeituosos?
Resoluo: Pelas caractersticas do experimento, a varivel aleatria Y = nmero de defeituosos na
amostra tem distribuio binomial com parmetros n = 1.000 e p = 0,1. Verificamos, tambm, que as
condies n.p 5 e n.(1 p) 5 esto satisfeitas, pois: (i) n.p = 1000.0,1 = 100 5; e (ii) n.(1 p) =
1000.0,9 = 900 5. Assim, temos:
164
 n p 1000 0,1 100 e n p (1 p) 1000 0,1 0,9 90
Considere X uma varivel aleatria normal com mdia ( = 100) e varincia (2 = 90). Ento:

Valor padronizado:
X 120 100
Z 2,1082
90
Assim, P(Y > 120) P(X > 120) = P(Z > 2,11) = 0,0174.
Resolvendo no Geogebra, pela normal, normal padro e binomial, temos:

120
1000
Observao, pela binomial, temos: P(Y 120) 1 P(Y 120) 1
k 0 k
0,10k 0,901000 k

Correo de continuidade
Ao calcularmos probabilidades de eventos oriundos de experimentos binomiais como reas sob uma
curva normal, estamos fazendo uma aproximao de uma varivel aleatria discreta, que s assume
valores inteiros, para uma varivel contnua, cujos eventos constituem intervalos de nmeros reais.
Nesse contexto, devemos fazer alguns ajustes, como ilustra o exemplo seguinte.
Exemplo ilustrativo:
1) Seja Y o nmero de caras obtido em dez lanamentos de uma moeda honesta. Vamos calcular a
probabilidade de obter quatro caras utilizando a distribuio normal.
Pelas caractersticas do experimento, Y tem distribuio binomial com n = 10 e p = 0,5. Ento, a
mdia e o desvio padro so dados, respectivamente por:

n p 10 0,5 5 e n p (1 p) 10 0,5 0,5 2,5

Considere o evento: ocorrer quatro caras, ou seja {Y = 4}. Ao expressar este evento em termos de
uma varivel aleatria contnua X ~ N(5; 2,5), devemos considerar um intervalo em torno do valor 4,
pois para variveis aleatrias contnuas s faz sentido avaliar probabilidades em intervalos. O
intervalo adequado, nesse caso, construdo pela subtrao e soma de meia unidade ao valor
quatro, ou seja, {3,5 < X < 4,5}, como ilustram as Figuras a seguir.

165
 Figura Aproximao da probabilidade do evento {Y = 4} (em termos da distribuio binomial) para a probabilidade do evento {3,5 < X < 4,5} (em termos da distribuio normal)

Figura Aproximao normal binomial Figura Clculo pela normal e pela binomial

2) Aproximao normal binomial: Qual a probabilidade de mais de 6 caras em 10 lanamentos de

uma moeda honesta?

Pela binomial: P(Y > 6) = P(7) + P(8) + P(9) + P(10) = 0,117 + 0,044 + 0,010 + 0,001 = 0,172.
X 6,5 5
Pela normal: = 5, = 1,581139 e x = 6,5, Z 0,95
1,581139

166
O procedimento de subtrair e somar meia unidade para construir um intervalo em torno de valores
inteiros conhecido como correo de continuidade. Esta correo deve ser utilizada ao aproximar
um evento de uma varivel aleatria que s assume valores inteiros para um evento de uma varivel
aleatria contnua.
A Figura a seguir ilustra as diversas situaes possveis de probabilidade associada a uma varivel
aleatria discreta, assumindo valores em {0, 1, 2, . . .}, aproximada por probabilidade associada a uma
varivel aleatria contnua, a qual pode assumir qualquer valor real.

Figura Correo de continuidade ao aproximar uma varivel aleatria discreta por uma varivel aleatria contnua

Aproximao normal Poisson

A distribuio de Poisson (Figura a seguir) tambm se aproxima da normal quando grande. Como
o valor esperado e a varincia de uma Poisson so ambos iguais a , ento, na aproximao normal,
devemos utilizar:

167
 Figura Distribuies de Poisson para diferentes valores de

Conforme mostra a Figura anterior, a aproximao razovel para 5. Para a aproximao da

normal Poisson, a correo de continuidade, discutida anteriormente, tambm deve ser utilizada.
APS => Fazer: no precisa entregar
1) De um lote de produtos manufaturados, extramos 100 itens ao acaso. Se 10% dos itens do lote so
defeituosos, calcular a probabilidade de: (a) 12 itens serem defeituosos; (b) mais do que 12 itens
serem defeituosos. Resposta: (a) 0,1052 (b) 0,2033
2) Uma empresa de auxlio lista telefnica recebe, em mdia, sete solicitaes por minuto, segundo
uma distribuio de Poisson. Qual a probabilidade de ocorrer mais de 80 solicitaes nos
prximos 10 minutos? Resposta: 0,1056
GRFICO DE PROBABILIDADE NORMAL (Adaptado/formatado/ampliado/implementado a partir de Barbetta et al., 2010)

Como veremos futuramente, muitos mtodos estatsticos so desenvolvidos na suposio de que os

dados provm de uma distribuio normal. Quando o nmero de observaes grande, podemos
construir um histograma e verificar se sua forma segue uma curva em forma de sino, sugerindo o
modelo normal. E o caso da Figura a seguir.

Figura Distribuio de frequncias de 1.389 Leituras da temperatura de um pasteurizador

Podemos, tambm, calcular a mdia ( x ) e o desvio-padro (s) dos dados e verificar se os

intervalos x s, x 2 s, x 3s tm percentuais de casos prximos dos esperados por uma distribuio
normal, como ilustra a Figura a seguir.

168
Quando a quantidade de observaes for pequena, o histograma pode apresentar uma forma muito
diferente da real distribuio do processo que gerou os dados. Alm disso, o clculo de x e s podem
ser muito influenciados por algum valor discrepante. Em geral, o chamado grfico de probabilidade
normal mais adequado para verificar a suposio de um modelo normal para os dados. Algoritmos
computacionais para a construo desse grfico esto implementados em quase todos pacotes
computacionais estatsticos.
Ilustraremos a construo do grfico de probabilidade normal com apenas cinco observaes (x i, i =
1, 2, ..., 5): 74,8; 74,0; 74,7; 74,4 e 75,9. Sejam x(i) os valores ordenados, isto , 74,0; 74,4; 74,7; 74,8;
75,9.
Considere uma distribuio normal com a rea dividida em cinco partes iguais (mesmo nmero de
partes do nmero de valores, n). E sejam q(i) (i = 1, 2,..., 5) os pontos medianos dos intervalos
formados pela diviso das cinco reas iguais, como ilustra a Figura a seguir.

Figura Configurao de cinco pontos com as posies relativas mais verossmeis possveis sob um modelo normal

Se as cinco observaes (74,0; 74,4; 74,7; 74,8; 75,9) provm de uma distribuio normal, devemos
esperar uma relao aproximadamente linear com os valores tericos q(i). O grfico de probabilidade
normal compreende a apresentao dos pontos (x(i), q(i)), em um par de eixos cartesianos, conforme
o grfico a seguir. Nesse grfico, os valores de q(i) foram padronizados (mdia zero e varincia 1).

A Figura a seguir apresenta dois grficos de probabilidade normal. O grfico da esquerda foi
construdo com 40 observaes que aparentemente seguem uma distribuio normal. No grfico da
direita introduzimos um valor discrepante.

Figura Grfico de probabilidade normal referente a 40 leituras de temperatura de um pasteurizador e o efeito de um valor discrepante
169
A Figura a seguir mostra um grfico de probabilidade normal construdo com dados gerados por uma
distribuio assimtrica, como mostrado do lado esquerdo da figura. Note que os pontos no esto
aleatoriamente em torno de uma reta.

Figura Grfico de probabilidade normal referente a 40 observaes geradas por uma distribuio assimtrica

APS => Fazer: no precisa entregar

1) O setor de manuteno de uma empresa fez um levantamento das falhas de um importante
equipamento, constatando que h, em mdia, 0,75 falha por ano e que o tempo entre falhas
segue uma distribuio exponencial. Qual a probabilidade de o equipamento no falhar no
prximo ano? Resposta: 47,24%
2) A vida til de certo componente eletrnico , em mdia, 10.000 horas e apresenta distribuio
exponencial. Qual a percentagem esperada de componentes que apresentaro falhas em menos
de 10.000 horas? Resposta: 63,21%
3) A vida til de certo componente eletrnico , em mdia, 10.000 horas e apresenta distribuio
exponencial. Aps quantas horas se espera que 25% dos componentes tenham falhado? Resposta:
2.877 horas

4) Na manufatura de fios de linha para costura ocorre, em mdia, um defeito a cada 100 metros de
linha, segundo uma distribuio de Poisson. Nesse contexto, pede-se:
(a) Qual a probabilidade de o prximo defeito ocorrer aps 120 metros? Resposta: 0,0071
(b) Quantos metros de linha podero ser percorridos para que a probabilidade de aparecimento de
algum defeito seja de 10%? Resposta: 0,73 (aproximao normal binomial)
5) Em um laticnio, a temperatura do pasteurizador deve ser de 75 C. Se a temperatura ficar inferior
a 70 C, o leite poder ficar com bactrias malficas ao organismo humano. Observaes do
processo mostram que valores da temperatura seguem uma distribuio normal com mdia 75,4
C e desvio padro 2,2 C. Nesse contexto, pede-se:
(a) Qual a probabilidade da temperatura ficar inferior a 70 C? Resposta: 0,71%
(b) Qual a probabilidade de que, em 1.000 utilizaes do pasteurizador, em mais do que cinco vezes
a temperatura no atinja 70 C? Resposta: 73%
6) 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. Nesse
contexto, pede-se:
(a) Qual a probabilidade de a tarefa ser executada entre 310 e 330 segundos? Resposta: 0,0781
(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? Resposta: 0
7) (a) Um exame de mltipla escolha consiste em dez questes, cada uma com quatro possibilidades
de escolha. A aprovao exige, no mnimo, 50% de acertos. Qual a probabilidade de aprovao
se o candidato comparece ao exame sem saber absolutamente nada, apelando apenas para o
palpite? Resposta: 0,0781 (b) E se o exame tivesse 100 questes? Resposta: 0
170
8) 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? Utilize a aproximao normal com correo de
continuidade. Resposta: 0,0202
9) 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 cinco conexes por minuto.
Calcule t0, tal que se tenha probabilidade igual a 0,90 de que ocorra pelo menos uma conexo
antes do tempo t0. Resposta: 27,63 segundos
10) 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. Nesse
contexto, pede-se: (a) Qual a probabilidade do dimetro de um ponto dessa impressora estar
dentro do padro? Resposta: 0,8858 (b) Qual deveria ser o desvio-padro para que a probabilidade
do item (a) atingisse 95%? Resposta: 0,153 mm
11) Certo tipo de cimento tem resistncia compresso com mdia de 5.800 kg/cm 2, e desvio padro
de 180 kg/cm2, segundo uma distribuio normal. Dada uma amostra desse cimento, calcule as
seguintes probabilidades: (a) resistncia inferior a 5.600 kg/cm2. Resposta: 0,1335; (b) resistncia
entre 5.600 kg/cm2 e 5.950 kg/cm2. Resposta: 0,6632; (c) resistncia superior a 6.000 kg/cm2,
sabendo-se que ele j resistiu a 5.600 kg/cm2. Resposta: 0,1541; (d) se quer a garantia de que haja
95% de probabilidade de o cimento resistir a determinada presso, qual deve ser o valor mximo
dessa presso? Resposta: 5.504 kg/cm2.
12) 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? Resposta:
M2, pois E(M1) = R$ 83,64 e E(M2) = R$ 163,30.

171
PROPRIEDADES DA DISTRIBUIO NORMAL (Adaptado/formatado/ampliado/implementado a partir de Ribeiro e ten Caten, 2000)

A distribuio Normal tem muitas propriedades teis. Uma dessas propriedades que qualquer
combinao linear de variveis normalmente distribudas tambm seguir o modelo Normal, ou seja:
Se X1, X2, ..., Xn tm distribuio normal independentes, ento uma combinao linear dessas
variveis, por exemplo,
Y = a1.X1 + a2.X2 +.....+ an.Xn
Tambm seguir o modelo normal, com mdia e varincia dados por:
Y = a1.1 + a2.2 +.....+ an.n
(Y)2 = a1.(1)2 + a2.(2)2 +.....+ an.(n)2
em que a1, a2, ...., an so constantes.
Teorema do Limite Central
O Teorema do Limite Central indica que a soma (e, por conseguinte, a mdia) de n variveis
independentes seguir o modelo Normal, independentemente da distribuio das variveis
individuais.
A aproximao melhora na medida em que n aumenta. Se as distribuies individuais no so muito
diferentes da Normal, basta n = 4 ou 5 para se obter uma boa aproximao. Se as distribuies
individuais forem radicalmente diferentes da Normal, ento ser necessrio n = 20 ou mais.
Na Figura a seguir, pode ser visto um desenho esquemtico do teorema do limite central.

Figura Teorema do limite central

Os limites da distribuio dos valores individuais so chamados de limites naturais (LNI inferior e LNS
superior) e os limites da distribuio de probabilidade das mdias so chamados de limites de
controle (LCI inferior e LCS superior), como ilustra a Figura a seguir.

Figura Teorema do limite central

Exemplo ilustrativo:
1) A distribuio de probabilidade da varivel resultante do lanamento de um dado segue a
distribuio uniforme, ou seja, qualquer valor (1, 2, 3, 4, 5, 6) tem a mesma probabilidade (1/6) de
ocorrer. No entanto, se ao invs de lanar um dado, sejam lanados dois dados e calculada a
mdia, essa mdia seguir uma distribuio aproximadamente Normal como pode-se visualizar no
histograma abaixo. Na Tabela a seguir, apresenta-se as mdias dos lanamentos de dois dados:

172
 Tabela Tabela com as mdias dos dois dados

A tabela de frequncia da mdia dos dois dados resulta conforme Tabela a seguir.

Tabela Tabela de frequncia da mdia dos dois dados

Conforme pode ser visto na Figura a seguir, o histograma da mdia dos dois dados resulta
aproximadamente Normal. Alm disso, observa-se que a aproximao da distribuio Normal
melhora na medida que se fizesse a mdia do lanamento de mais dados.

Figura Histograma da mdia dos dois dados

VER SIMULAES:
Probabilidade_Estatistica_Simulacao_Moeda_Dado_19novembro2013.xlsx; Aula_01_Probabilidade_Estatistica_Prof_Donizetti_19novembro2013.pptx

173
174
O teorema do limite central bsico para a maioria das aplicaes do controle estatstico da
qualidade. O controle estatstico do processo, em geral, trabalha com a mdia das amostras, pois
independentemente da distribuio dos valores individuais, a mdia desses valores ir seguir
aproximadamente a distribuio Normal.
A partir do teorema do limite central, sabe-se que a distribuio amostral das mdias apresenta os
seguintes parmetros:
Mdia: x
em que:
x : representa a mdia das mdias amostrais.
: representa a mdia dos valores individuais da populao.

Desvio-padro: x
n
em que:
x : representa o desvio-padro das mdias amostrais.
: representa o desvio-padro dos valores individuais da populao.
n : representa o tamanho da amostra.
Exemplos ilustrativos:
1) Um pesquisador deseja saber a mdia de idade dos acadmicos de graduao em engenharia.
Supondo que a populao dos acadmicos seja:
25, 35, 24, 43, 35, 22, 49, 56, 34, 26, 35, 52, 40, 35, 35,25, 61,42, 58, 56, 45, 40, 38, 45, 33, 53, 22, 35, 23, 25, 36, 39

Mdia = E(X) = 38,19

Varincia = V(X) = 2 123,40
Desvio-padro = 11,11
N

x i
25 35 ... 36 39
i 1
38,1875
N 32
N

(x ) i
2
(25 38,19)2 (35 38,19)2 ... (36 38,19)2 (39 38,19)2
i 1
11,11
N 32
2) Supondo que no fosse possvel analisar a populao inteira, e os dados fossem coletados por
amostras de tamanho n = 4.
1 2 3 4 5 6 7 8
25 35 24 43 35 22 49 56
34 26 35 52 40 35 35 25
61 42 58 56 45 40 38 45
33 53 22 35 23 25 36 39
Mdia ( x ) 38,25 39,00 34,75 46,50 35,75 30,50 39,50 41,25
Desvio-padro () 15,69 11,40 16,52 9,40 9,43 8,43 6,45 12,92

175
 k

x i
38,25 39,00 34,75 46,50 35,75 30,50 39,50 41,25
x i 1
38,1875
k 8
k

(x x )
i
2
(38,25 38,19)2 (39,00 38,19)2 ... (39,50 38,19)2 (41,25 38,19)2
x i 1
4,75
k 1 8 1
11,11 11,11
x 38,1875 ; x 4,75 e x 5,55 .
n 4 2
3) Com base no exemplo ilustrativo 1, supomos que os dados fossem coletados por amostras de
tamanho n = 8.
1 2 3 4
25 24 35 49
34 35 40 35
61 58 45 38
33 22 23 36
35 43 22 56
26 52 35 25
42 56 40 45
53 35 25 39
Mdia 38,63 40,63 33,13 40,38
Desvio-padro 12,70 13,94 8,74 9,50
k

x i
38,63 40,63 33,13 40,38
x i 1
38,1875
k 4
k

(x x )
i
2
(38,63 38,19)2 (40,63 38,19)2 (33,13 38,19)2 (40,38 38,19)2
x i 1
3,49
k 1 4 1
11,11
x 38,1875 ; x 3,49 e x 3,93 .
n 8
Como aparece ilustrado na Figura a seguir, a mdia das mdias amostrais igual a mdia dos valores
individuais e o desvio-padro das mdias menor do que o desvio-padro dos valores individuais na
razo de 1/ n .

Figura Distribuio de probabilidade dos valores individuais versus distribuio de probabilidade das mdias
176
 APS => Fazer: no precisa entregar
1) Suponha que dois dados sejam lanados e seja X a soma dos valores obtidos. Descreva o espao
amostral desse experimento e determine a distribuio de probabilidade de X.
2) Um processo industrial opera com mdia de 1% de defeituosos. Baseado em amostras de 100
unidades, calcule as probabilidades de uma amostra apresentar 0, 1, 2, 3 e 4 defeituosos. Plote a
distribuio de probabilidade correspondente. Soluo: N = 100 e p = 1%. X = {0, 1, 2, 3, 4}. Folha.
3) Imagine que para o processo descrito no exerccio anterior, fossem coletadas amostras de 50
unidades e o critrio para parar o processo e procurar causas especiais fosse X = 1 ou mais. Calcule
a percentagem de vezes que o processo seria interrompido logo aps a amostragem.
4) Em uma indstria automotiva, defeitos superficiais de pintura ocorrem a uma taxa de 0,15
defeitos/unidade. Encontre a probabilidade que uma unidade escolhida ao acaso apresente 1 ou
mais defeitos superficiais.
5) O setor financeiro de uma loja de departamentos est tentando controlar o nmero de erros
cometido na emisso das notas fiscais. Suponha que esses erros sigam o modelo de Poisson com
mdia = 0,03. Qual a probabilidade de uma nota selecionada ao acaso conter 1 ou mais erros?
6) A resistncia trao de isoladores cermicos apresenta distribuio Normal com mdia 95 Kg e
desvio-padro 4 Kg. Se so produzidas 10.000 unidades desses isoladores, pede-se: (a) Quantos
apresentaro resistncia inferior a 85 Kg? (b) E quantos apresentaro resistncia superior a 90 Kg?
7) A sada de uma bateria segue o modelo Normal com mdia 12,15 V e desvio-padro 0,2 V.
Encontre o percentual que ir falhar em atender s especificaes 12 V 0,5 V.
8) Se X representa medies feitas em um processo que segue o modelo Normal com mdia 100 e
desvio-padro 10, que comportamento ir seguir a mdia de amostras de 4 unidades retiradas
desse processo? E qual ser o comportamento da mdia de 9 unidades retiradas desse processo?
9) Os tempos at a falha de um dispositivo eletrnico seguem o modelo Exponencial, com uma taxa
de falha = 0,012 falhas/hora. Plote a distribuio de probabilidade correspondente. Depois
indique qual a probabilidade de um dispositivo escolhido ao acaso sobreviver a 50 horas? E a 100
horas?
10) O tempo at a venda de um certo modelo de eletrodomstico, que regularmente abastecido
em um supermercado, segue uma distribuio Exponencial, com parmetros = 0,4
aparelhos/dia. Indique a probabilidade de um aparelho indicado ao acaso ser vendido logo no
primeiro dia.
11) Em um lote que tem 2% de defeituosos, foram retiradas 40 peas, que ser rejeitado se forem
encontradas duas ou mais peas defeituosas. Qual a probabilidade de rejeitar o lote?
12) Os registros de uma pequena companhia indicam que 40% das faturas por ela emitidas so pagas
aps o vencimento. De 14 faturas expedidas, determine a probabilidade de: (a) nenhuma ser paga
com atraso. (b) no mximo 2 serem pagas com atraso. (c) pelo menos 3 serem pagas com atraso.
(d) uma ser paga em dia.
13) Uma amostra de 3 m de cabo foi retirada de uma bobina. O cabo tem em mdia uma falha por m.
Qual a probabilidade de no encontrar falha na amostra?
14) O tempo necessrio, em uma oficina, para o conserto de transmisso para certo carro
normalmente distribudo com mdia 45 min e desvio-padro 8 min. O mecnico planeja comear o
conserto do carro 10 min aps o cliente deix-lo na oficina, comunicando que o carro estar
pronto em 1 h. Qual a probabilidade de que o cliente tenha que esperar caso o mecnico esteja
enganado e o cliente fique esperando?

177
15) Uma fbrica de pneus fez um teste para medir o desgaste de 6 (seis) pneus e verificou que ele
seguia o comportamento de uma curva normal com mdia 48.000 km e desvio-padro de 2.000
km. Calcule a probabilidade de um pneu escolhido ao acaso: (a) dure mais que 47.000 km? (b)
dure entre 45.000 e 51.000 km? (c) at que quilometragem duram 90% dos pneus? Folha.
16) O consumo de gasolina por Km rodado para certo tipo de carro, tem distribuio normal com
mdia de 100 mL com desvio-padro de 5 ml. (a) calcular a probabilidade de um carro consumir
entre 92 e 106 mL. (b) sabe-se que 73,24% dos carros consumem menos que certa quantidade de
gasolina qual essa quantidade? (c) Em um grupo de 5 carros qual a probabilidade de dois
consumirem mais que 107 ml?
17) Em uma indstria trabalham 1.260 pessoas, cujos os salrios tem mdia R$ 34.600,00 e desvio-
padro R$ 8.500,00. Calcule a probabilidade de ser inferior a R$ 34.100,00 o valor da mdia de
uma amostra aleatria constituda por: (a) 300 pessoas; (b) 100 pessoas.
QUADRO DE GALTON E DISTRIBUIO NORMAL (GAUSSIANA)
O quadro a seguir de Sir Francis Galton (1822-1911), explorador, meteorologista, antroplogo, geneticista e
fsico ingls, mostra atravs de um funil, pequenas bolas (por exemplos, bolas de gude, balas, etc.) entram
num quadro que est inclinado em relao horizontal. Em seu caminho para baixo, as bolas se chocam com
pregos colocados em fileiras no quadro. Cada bola se desvia para a direita ou para a esquerda sempre que
colide com um prego ou outra bola. Na parte inferior do quadro existem compartimentos igualmente
espaados que coletam as bolas. Os compartimentos prximos ao centro recebem a maior parte das bolas.
Para os lados a frequncia decresce. A distribuio se assemelha distribuio normal. A razo o efeito
conjunto de um grande nmero de desvios aleatrios independentes X i , impostos s bolas. A distribuio de
uma nica varivel aleatria X i no conhecida.

Falta colocar a APOSTILA DE MATLAB e a APOSTILA DE INTEGRAL.

Estatstica: A arte de dar certeza a incerteza?

178
Livros indicados sobre Estatstica: Leitura complementar

Leonard MLODINOW: O andar do bbado. Como o acaso determina as

nossas vidas. O que determina o sucesso ou o fracasso de uma empreitada? Em O Andar do
Bbado, o fsico Leonard Mlodinow combina os mais diferentes exemplos para mostrar que notas
escolares, diagnsticos mdicos, sucessos de bilheteria e resultados eleitorais so, como muitas outras
coisas, determinados em larga escala por eventos imprevisveis. Em um tom irreverente, o autor
costura casos emblemticos teorias matemticas, citando pesquisas e exemplos presentes em todos
os mbitos da vida, do mercado financeiro aos esportes, de Hollywood medicina. Segundo
Mlodinow, os processos aleatrios so fundamentais na natureza e onipresentes em nossa vida
cotidiana. Ainda assim, a maioria das pessoas no os compreende nem pensa muito a seu respeito.
Como no estamos preparados para lidar com o acaso, muitas vezes tomamos decises erradas por
ignor-lo, apoiados na iluso de controle.
Os processos de pensamento dos indivduos so falhas graves quando o acaso est envolvido. A
mente humana construda para aceitar que tudo tem uma causa e, portanto vem a tona a
dificuldade em lidar com os fatores aleatrios. O ttulo Walk The Drunkard vem de um termo
matemtico para movimento aleatrio. O objetivo deste livro para ilustrar o papel do acaso no
mundo ao nosso redor.
Eventos aleatrios e nossas respostas a esses eventos determinam nosso destino. A vida difcil de
prever e difcil de interpretar. Quando usamos nossas formas habituais de pensar, podemos chegar a
solues que esto abaixo do ideal. A resposta humana a incerteza bastante complexa. A poro de
medo do crebro ativada quando toma-se uma deciso expressa na incerteza.
Em qualquer srie de eventos aleatrios, um evento extraordinrio provvel seguido por um
evento comum ou normal. A intuio das pessoas sobre aleatoriedade, muitas vezes falha deles.
Quando se trata de processos aleatrios, a crena das pessoas e da intuio, muitas vezes deix-los
para baixo. Neste ponto, o autor inclui muitos estudos e exemplos para destacar este ponto.
Muito do que acontece com as pessoas na vida baseado em uma combinao de fatores aleatrios
e habilidade. A ligao entre as nossas aes individuais e os resultados dessas aes no to direta
como gostaramos que fosse. Ns muitas vezes subestimamos os efeitos da aleatoriedade. Eventos
casuais so muitas vezes mal interpretado como realizaes ou fracassos. Eventos aleatrios vm em
grupos, estrias e clusters. Esses aglomerados so muitas vezes mal interpretado e executado.
Novamente, o autor inclui vrios exemplos e estudos para destacar essas tendncias.
Para entender a aleatoriedade, voc deve primeiro entender probabilidade. A probabilidade de que
dois eventos iro ocorrer tanto nunca pode ser maior do que a probabilidade de que cada um vai
ocorrer individualmente. Se os detalhes nos dado caber a nossa imagem mental, o mais real que
parece, e o mais provvel parece ser. No entanto, mais detalhes adicionados conjectura de torn-lo

179
menos provvel de acontecer. Uma boa histria sempre menos provvel que uma explicao
menos satisfatria.
As pessoas tm memria fraca ao estimar a frequncia e a probabilidade de ocorrncias especficas.
o chamado vis de disponibilidade. Ao reconstruir o passado, damos importncia injustificada s
memrias que so as mais vivas e, portanto, o mais disponvel para recuperao. Ela distorce a nossa
viso do mundo por nossa percepo de distoro de eventos passados e do mundo em geral.
Em seguida, o autor entra em uma discusso muito longa de: probabilidade, a histria da
probabilidade, clculo, matemtica e outros temas como limites, a lei dos grandes nmeros, espaos
amostrais, probabilidade condicional, etc. A concluso que nossos crebros no so apenas wired
fazer probabilidade problemas muito bem.
As chances de um evento ocorrido em funo do nmero de maneiras que podem ocorrer. Isto tem
um efeito grande e pode ser difcil de calcular e fator em um problema de probabilidade. O livro
inteiro olha para o mundo atravs da lente de matemtica e diz que a aleatoriedade realmente o
choque entre a prova lgica e a prova dos sentidos.
Quando observamos um nmero relativamente pequeno de resultados, temos a tendncia de inferir
informaes e fazer julgamentos sobre as qualidades que levam a esses resultados. Nmeros sempre
parecem ter o ar de autoridade. O livro ento passa a discutir desvio padro, distribuio normal,
etc.
Eu realmente queria aproveitar este livro, mas ele simplesmente no totalmente captar o meu
interesse. Esperemos que com base na minha resumo, pode revelar-se mais interessante para alguns
de vocs l fora.
AUTOR DESTA RESENHA? PESQUISAR
Resumo do livro: How To Make People Like Voc em 90 Segundos
David SALSBURG. Uma senhora toma ch...Como a Estatstica Revolucionou a Cincia no Sculo XX.
Traduo: Jos Maurcio Gradel. Coleo Cincia da Vida Comum. EAN: 9788537801161. ISBN: 978-85-
378-0116-1. 16x 23cm, 288 pginas

Uma leitura intrigante do comeo ao fim. O autor conta como a

estatstica transformou radicalmente os mtodos de pesquisa na cincia, aumentando a credibilidade
da investigao em diversos campos do saber, tais como a medicina, a poltica e a publicidade. Tudo
de forma leve, partindo de quadros biogrficos como o que inspirou o ttulo dessa edio. Um grupo
de professores ingleses se reuniu no fim de 1920 para tomar ch em uma tarde de vero. O assunto se
voltou para uma pergunta curiosa: o gosto do ch muda de acordo com a ordem em que as ervas e o
leite so colocados? Essa simples questo resultou em um estudo pioneiro na rea. Voc vai descobrir
como a estatstica se transformou na maior revoluo cientfica do sculo XX e perceber como est

180
presente nos mais diferentes campos de nossas vidas. Prefcio escrito pelo autor especialmente para
a edio brasileira, com os desenvolvimentos da estatstica no pas.
Ao longo do sculo XX, ocorreu uma verdadeira revoluo na cincia, representada pela introduo e
adoo de mtodos estatsticos de pesquisa que iriam aumentar a confiabilidade das pesquisas e,
portanto, de seus resultados. A matemtica entrava em campo para testar a correo das hipteses
em diferentes reas de estudo, como a agricultura, a medicina e as cincias sociais. Essa enorme
transformao no se deu em um momento determinado do tempo, mas a soma dos esforos de
diversos cientistas que trabalharam juntos ou isoladamente para criar a estatstica matemtica. Em
Uma senhora toma ch..., o estatstico norte-americano David Salsburg reconstitui a histria social da
estatstica apresentando-nos uma srie de perfis em que comenta a vida e a obra dos homens e
mulheres responsveis por essa grande mudana na pesquisa cientfica. Faz isso voltado para o leitor
comum, que no tem noes de estatstica nem de matemtica, com o intuito de faz-lo compreender
como a cincia se constri a partir da crtica dos modelos anteriores e da interao entre diversas
ideias. O processo de pesquisa em geral apenas brevemente mencionado no estudo dos mtodos
cientficos e da histria particularmente importante em nossos dias, quando buscamos melhores
parmetros de investigao, inclusive para orientar a tomada de decises nas polticas sociais. A
leitura desse livro permite que se conheam os mtodos usados em setores que influenciam
diretamente nossas vidas, como estudos farmacolgicos, melhoria da qualidade de produtos
industriais e agrcolas, pesquisas sociolgicas, testes de diagnsticos na medicina e elaborao de
parmetros polticos. O autor, que chama a ateno tambm para a importncia da publicao de
resultados para o melhor desenvolvimento da cincia, escreveu um Prefcio especial para a edio
brasileira, em que comenta os desenvolvimentos atuais da estatstica no Brasil. SOBRE O AUTOR:
DAVID SALSBURG, estatstico e farmacutico industrial, ensinou em diversas instituies, entre as
quais o Trinity College em Cambridge, a Universidade de Connecticut, e a Universidade da Pensilvnia.
Atualmente trabalha como consultor em diversas indstrias e membro da American Statistics
Association. Escreveu The Story of Statistics, que obteve grande sucesso de crtica.

Luiz Gonzaga MORETTIN Estatstica. Estatstica Bsica - Probabilidade e Inferncia. Editora: Pearson
Education BR. Categoria: Administrao / Estatstica

Agora em um nico volume, "Estatstica Bsica" traz, de fato, todo o contedo

programtico de um curso de estatstica. O livro fornece diversos exemplos para ilustrar a teoria ao
181
longo dos captulos e, ao final de cada um deles, apresenta exerccios resolvidos e propostos para
auxiliar na aprendizagem dos estudantes.
Este livro dirigido aos acadmicos de cincias Exatas. Pode tambm ser usado pelos acadmicos
das reas de Economia, Administrao, e qualquer curso que tenha abordagem de contedo
matemtico. Com mais de 200 exerccio que auxiliam o leitor a assimilar o contedo terico. Esta
edio traz novos exerccios que foram aplicado em avaliao nos cursos ministrados pelo autor,
alm de novos problemas propostos.
Anlise Combinatria e Probabilidade. Autores: PAULO CEZAR PINTO CARVALHO, AUGUSTO CESAR
DE OLIVEIRA MORGADO, JOO BOSCO PITOMBEIRA, PEDRO FERNANDEZ.

A Anlise Combinatria costuma causar perplexidade a acadmicos e

professores. De um lado, tem-se a variedade de problemas interessantes, de simples enunciados, que
se enquadram no seu mbito. Do outro lado, o grande desafio imaginao que a soluo desses
problemas representa, sendo aparentemente cada um deles um caso em si, no enquadrvel em uma
teoria geral. Essa ideia aparente, contudo, no correta. H princpios gerais que permitem submeter
muitos desses problemas a tcnicas organizadas de resoluo. Expor alguns desses princpios e
ensinar, mediante diversos exemplos, como aplic-los, uma das finalidades desse livro.
BARRY, James. Probabilidade: Um Curso em Nvel Intermedirio. IMPA, Rio de Janeiro, 1996. Editora: LTC.
Nmero de pginas: 299. Livro em portugus. 2ed, 1996.

Introduo no nvel de mestrado Probabilidade, ficando entre o meio termo entre um

curso elementar de probabilidade e um curso rigoroso baseado na Teoria da Medida de Integrao. Ele no
cobre, por exemplo, teoria combinatria, embora seja desejvel que o leitor j tenha estes conhecimentos. Os
pr-requisitos reais para acompanhar o texto so Clculo I e II e certos conceitos de anlise real, como
supremo, nfimo e limites de sequncias. Captulos: 1) Definies Bsicas. 2) Variveis Aleatrias. 3) Esperana
Matemtica. 4) Distribuio e Esperana Condicionais. 5) A Lei dos Grandes Nmeros. 6) Funes Caractersticas
e Convergncia em Distribuio. 7) O Teorema Central do Limite.

182
Pedro Alberto Barbetta. Marcelo Menezes Reis. Antonio Cezar Bornia. Estatstica para Cursos de
Engenharia e Informtica. 3 ed. So Paulo: Editora Atlas, 2010.
http://www.inf.ufsc.br/~barbetta/livro2.htm

http://www.inf.ufsc.br/~barbetta/livro1.htm

183
Links interessantes sobre Estatstica do bsico ao avanado - Guia de Pesquisa/Literatura
http://www.stat.tamu.edu/ => Departamento de Estatstica da Universidade do Texas
http://www.psychstat.smsu.edu/sbk00.htm =>
http://www.stat.ucla.edu/textbook/ => UCLA Statistics Textbook
http://wiki.stat.ucla.edu/socr/index.php/EBook => The Probability and Statistics EBook is a freely and openly accessible
electronic book developed by SOCR and the general community.
http://www.fonseca.vet.br/R/base_r/tutorial.html => Software R.
http://www.mat.ufrgs.br/~vigo/ => UFRGS
http://www.im.ufrj.br/probest/ => UFRJ
http://lib.stat.cmu.edu/ =>
http://my.ilstu.edu/~gcramsey/Gallery.html
http://www.bertolo.pro.br/FinEst/Estatistica/
http://www.bertolo.pro.br/MetodosQuantitativos/Simulacoes2.html => Sries Temporais
http://www.bertolo.pro.br/FinEst/Estatistica/EstatisticaNosNegocios/aulas.html
http://www.bertolo.pro.br/FinEst/Estatistica/SlidesProbabilidadesBertolo.pdf
http://glossario.spestatistica.pt/ => Glossrio de termos em portugus e ingls

Institutos de Pesquisa no Brasil

IBOPE: http://www.ibope.com.br/pt-br/Paginas/home.aspx
NIELSEN: http://www.nielsen.com/br/pt.html
VOX POPULI: http://www.voxpopuli.com.br/
IBGE: http://www.ibge.gov.br/home/
IPARDES: http://www.ipardes.gov.br/

Vdeos indicados sobre Estatstica

O Prazer da Estatstica (Documentrio-2010). http://www.youtube.com/watch?v=xLr68J2yDJ8
Publicado em 13/03/2013 Ajude a disseminar o Conhecimento Cientfico, se inscreva no Canal e
faa parte da Revoluo Cientfica!
Sinopse: O documentrio leva os espectadores a uma viagem atravs do maravilhoso mundo da
estatsticas para explorar o notvel poder que tem de mudar a nossa compreenso do mundo,
apresentado pelo Professor Hans Rosling, cuja viso aberta, de expanso da mente e engraadas
palestras on-line tm feito dele uma lenda internacional internet.
Rosling um homem que se deleita no glorioso mundo da estatsticas, e aqui ele explora sua
histria, como elas funcionam matematicamente e como elas podem ser usados atualmente no
computador para ver o mundo como ele realmente , e no apenas como o imaginamos ser.
Palestras de Rosling usam grandes quantidades de dados pblicos para revelar a histria do
desenvolvimento passado, presente e futuro do mundo. Agora, ele conta a histria do mundo em
200 pases com mais de 200 anos, usando 120.000 nmeros - em apenas quatro minutos.
Mais Documentrios da BBC: http://www.youtube.com/playlist?list=...
http://www.youtube.com/watch?v=Q26a-xCzGFg => Discovery Science
http://www.youtube.com/user/GeracaoEstatistica => Gerao estatstica: BAIXAR VDEOS
https://docs.google.com/forms/d/1guMFW7GcvJEU3SHkZeBEiYJqUg9HMSLq4kCN8VJLyVY/closedform
184
 Referncias
ANDRADE, D.F.; OGLIARI, P.J. Estatstica para as cincias agrrias e biolgicas. Ed. UFSC, 2010.
BARBETTA, P.A., REIS, M.M.; BORNIA, A.C. Estatstica para os cursos de Engenharia e Informtica. 3 ed. So Paulo: Atlas, 2010.
BARBETTA, P.A. Estatstica aplicada s cincias sociais. 8. ed. Florianpolis: UFSC, 2012.
BICKEL, P.J.; DOKSUM, K.A. Mathematical Statistics. Holden Day Inc.
BULMER, M.G. Principles of Statistics, Dover, 1979.
BUSSAB, W.O; MORETTIN, P.A. Estatstica Bsica. 5 ed. So Paulo: Saraiva, 2002.
DANTAS, C.A.B. Probabilidade: um curso introdutrio. 3 ed. So Paulo: EDUSP, 2008;
EVANS, D.H. Probability and Its Applications for Engineers, ASQC Quality Press, 1992.
FELLER, W. Introduo Teoria de Probabilidades e suas Aplicaes. Edgard Blucher, So Paulo, 1973.
GNEDENKO, B.V. The theory of probability. Moscow: Mir Publishers, 1969;
HAZZAN, S. Combinatria e Probabilidade. Coleo Fundamentos de Matemtica Elementar, v.5, Atual, SP, 1993.
HOEL, P.G. Estatstica Elementar. Editora ATLAS. 1981.
HOEL, Port and Stone. Introduo Teoria da Probabilidade. Ed. Intercincia
HOGG & Craig. Introduction to Mathematical Statistical.
JAMES, B.R. Probabilidade: um curso em nvel intermedirio. 2 ed., Rio de Janeiro: IMPA, 2006.
JOHNSON, R.A.; WICHERN, D.W. Applied Multivariate Statistical Analysis.
KOLMOGOROV, A.N. Foundations of the theory of probability. 2 ed. New Yourk: Chelsea publishing company, 1956
KREYSZIG, E. Advanced Engineering Mathematics, 7th edition, John Wiley & Sons, 1993.
LINDGREN, B.D. Statistical Theory, Macmillan Publishing Company, 1976.
LIPSCHUTZ, S. Theory and Problems of Probability, McGraw-Hill Book Company, 1965.
MAGALHES, M.N. Probabilidade e variveis aleatrias. 2 ed. So Paulo: EDUSP, 2006.
MARDIA, K.V.; KENT, J.T.; BIBBY, J.M. Multivariate Analysis. Academic Press, 1979.
MEYER, P.L. Probabilidade, aplicaes estatstica. Rio de Janeiro: LTC, 1972. Ed. Livros Tcnicos e Cientficos Editora S.A
MONTGOMERY, D.C.; RUNGER, G.C. Applied Statistics and Probability for Engineers. John Wiley & Sons, 1994.
MOOD, A.M.; GRAYBILL, F.A.; BOES, D. C. Introduction to the Theory of Statistics. McGraw-Hill Book Company, 1963.
MORGADO, A.C. et al. Anlise Combinatria e probabilidade. Coleo do Professor de Matemtica, SBM, RJ, 2004.
MORRISON, D.F. Multivariate Statistical Methods.
NETO CHAVES, A. Probabilidade e estatstica matemtica I. Curitiba: UFPR, 2008. (apostila).
PAPOULIS, A. Probability, Random Variables, and Stochastic Processes. Third Edition, McGraw-Hill, 1991.

PELELLA, G. Duas acepes do conceito de probabilidade. Universidade Federal do Maranho: Departamento de

Filosofia. Disponvel em: http://cynthia_m_lima.sites.uol.com.br/duas.htm. Acesso em: out. 2013.
POPPER, K. A lgica da pesquisa cientfica. Disponvel em:
http://books.google.com.br/books?id=MbGLmeMU3pMC&pg=PA185&dq=simetria+em+probabilidade#PPA183,M1. Acesso em: out.
2013.
ROSS, S. A First Course in Probability. Macmillan Publishing Company, 1984.
SANTANNA, Adonai S. O que um axioma. Barueri, SP: Manole, 2003, p. 9.
SANTOS, J.P.P. et al. Introduo Anlise Combinatria. Campinas, SP: Editora da UNICAMP, 1995, 295 p.
SPIEGEL, M.R. Probabilidade e Estatstica. 3. ed. So Paulo: Makron, c1994. (Coleo Schaum). Ed. McGraw-Hill.
TRIOLA, M. F. Introduo Estatstica. 7 ed. Rio de Janeiro: LTC, 1999.
VIEIRA, S. Elementos de Estatstica. 3 ed. So Paulo: Atlas, 1999.
WALPOLE, R.E.; MYERS, R.H. Probability and Statistics for Engineers and Scientists. Fifth Edition, Macmillan Publishing Company, 1993.

185
 Apndice I CONJUNTOS uma reviso bsica
Adaptado de: http://www.mspc.eng.br/matm/prob_est100.shtml

Conjunto: uma coleo de objetos e os objetos de um conjunto so chamados elementos.

Este tpico procura apresentar algumas informaes sobre teoria dos conjuntos, limitando-se aos
aspectos mais simples e necessrios ao estudo das probabilidades. Um conjunto pode ser
considerado uma coleo de elementos ou eventos.
Conjunto universal ou simplesmente universo o conjunto que contm todos os elementos ou
eventos que sero objetos de anlise. Nesse texto, utilizado o smbolo, , para o conjunto universal
(as letras S e U so tambm utilizadas). Exemplos de conjunto universal: as pessoas de uma cidade
cuja populao objeto de estudo, todas as combinaes possveis de um determinado jogo, etc.
Os exemplos anteriores se referem a conjuntos de finitos elementos. Os conjuntos podem ter
infinitos elementos. Exemplo: todos os nmeros maiores que zero.
Na analogia grfica, um conjunto pode ser representado por uma determinada rea. Na Figura 1,
supe-se que a rea de cor cinza representa o conjunto universal S.

Subconjunto de outro um conjunto cujos elementos so tambm elementos desse outro. Em (a) da
Figura anterior, A e B so subconjuntos de S.
Notao: para indicar que A subconjunto de S, usa-se: A S. Essa expresso usualmente lida na
forma: "A est contido em S". Naturalmente, todo conjunto um subconjunto de si mesmo.
Superconjunto de outro um conjunto que contm todos os elementos desse outro. A notao
clssica : A S, indica que S um superconjunto de A. Pode ser tambm lida "S contm A". De
forma anloga, todo conjunto tambm um superconjunto seu.
Elementos de um conjunto podem ser simbolizados por letras ou nmeros com ou sem ndices. A
notao comum utiliza chaves segundo exemplo a seguir,
A = {a, b, c, d}
Indica que o conjunto A formado pelos elementos "a", "b", "c" e "d".
Para indicar que um elemento pertence ou no a um conjunto, utilizam-se os smbolos: ou
a elemento do conjunto A:
aA
a no elemento do conjunto A:
aA
Conjunto vazio um conjunto sem elementos. Pode-se ento deduzir que ele subconjunto de
qualquer outro. Smbolo usual:

Unio de dois conjuntos o conjunto formado pelos elementos de um ou de outro ou de ambos. A
parte (a) da Figura 1 apresenta uma ilustrao grfica dos conjuntos A e B. Em (b) da mesma figura, a
unio deles. Simbologia usual:
186
 A B = { x A ou x B}
Interseco de dois conjuntos o conjunto formado pelos elementos que pertencem a ambos. A
parte (c) da Figura 1 exibe a ilustrao grfica da interseco dos conjuntos A e B anteriores. Smbolo
de praxe:
A B = { x A e x B}
Complemento (ou complemento absoluto) de um conjunto o conjunto formado pelos elementos
que no lhe pertencem e pertencem ao conjunto universal. O complemento de um conjunto A
simbolizado por:
Ac ou A ou A
Ilustrao grfica do complemento do conjunto A anterior dada em (d) da Figura 1. Do conceito de
complemento, podem ser deduzidas as relaes a seguir.
A Ac = S
A Ac =
(Ac)c = A
c = S
Sc =
Complemento relativo basicamente o conceito anterior de complemento, com o conjunto
universal substitudo por outro genrico. Sejam, por exemplo, os conjuntos A e B. O complemento
relativo de B em A a diferena entre eles, isto , o conjunto formado pelos elementos que
pertencem a A, mas no a B. Smbolos usados so barra invertida (\) ou sinal de subtrao ().
A\B = A B = { x A e x A}
Ento, o complemento absoluto pode ser dado por:
AC = S\A = S A
Em (e) da Figura 1, os conjuntos A e C no tm elementos comuns. Portanto, a interseo deles o
conjunto vazio conforme (e) da mesma figura.
Eventos disjuntos ou mutuamente exclusivos so eventos que pertencem a conjuntos de interseo
vazia. Na prtica, significa que, se um ocorre, outro no pode ocorrer.
Um conjunto dito fechado sob alguma operao se essa operao aplicada a seus elementos
resultam em elementos do conjunto. Exemplo: o conjunto dos nmeros reais fechado para a
operao de subtrao, mas o conjunto dos nmeros naturais (inteiros maiores ou iguais a zero) no
porque o resultado de uma subtrao pode ser negativo.
Sigma-lgebra (-lgebra) de um conjunto X uma coleo de subconjuntos de X que fechada para
complementos e unies de seus membros.
Exemplo ilustrativo
Seja X = {a, b, c, d}. O conjunto abaixo um possvel -lgebra de X.
= {}, {a, b}, {c, d}, {a, b, c, d}}
Referncias:
GRINSTEAD, C.M.; SNELL, J.L. Introduction to Probability.
NIST/SEMATECH e-Handbook of Statistical Methods. http://www.itl.nist.gov/div898/handbook/.uu7uytg87u7h7uh.

Operaes com conjuntos:

187
 Unio (ou reunio) de conjuntos: Dados dois conjuntos A e B, chama-se unio (ou reunio) de A
com B o conjunto formado pelos elementos que pertencem a A ou a B. A unio de A com B indicado
por: A B . Em smbolos, temos:
A B {x / x A ou x B}

Interseco de conjuntos: Dados dois conjuntos A e B, chama-se interseco de A com B o

conjunto formado pelos elementos comuns ao conjunto A e ao conjunto B. A interseco de A com B
indicado por: A B . Em smbolos, temos:
A B {x / x A e x B}

Nmero de elementos da unio entre conjuntos: Indicando por n( A) o nmero de elementos do

conjunto A; n(B) o nmero de elementos de B; n( A B ) o nmero de elementos de A B e
n( A B ) o nmero de elementos de A B , vlida a seguinte relao matemtica:
n( A B ) n( A) n( B ) n( A B )

Diferena entre conjuntos: Dados dois conjuntos A e B, chama-se diferena entre A e B o conjunto
formado pelos elementos de A que no pertencem a B. A diferena entre A e B indicado por: A B .
Em smbolos, temos:
A B {x / x A e x B}

Geometricamente, utilizando o diagrama de Venn-Euler, temos:

No estudo de Conjuntos, trabalhamos com alguns conceitos primitivos, que devem ser entendidos e
aceitos sem definio. Para um estudo mais aprofundado sobre a Teoria dos Conjuntos, pode-se ler:
Naive Set Theory de P. Halmos ou Axiomatic Set Theory de P. Suppes. O primeiro deles foi
traduzido para o portugus sob o ttulo (nada ingnuo de): Teoria Ingnua dos Conjuntos.
Subconjuntos: Dados os conjuntos A e B, diz-se que A est contido em B, denotado por A B, se
todos os elementos de A tambm esto em B.
Alguns conjuntos especiais: Conjunto vazio: um conjunto que no possui elementos.
representado por { } ou por . O conjunto vazio est contido em todos os conjuntos. Conjunto
universo: um conjunto que contm todos os elementos do contexto no qual estamos trabalhando e
tambm contm todos os conjuntos desse contexto. O conjunto universo representado pela letra
. Quando a interseo de dois conjuntos A e B o conjunto vazio, dizemos que estes conjuntos so
disjuntos (ou excludentes).
Adapatado de: http://www.uel.br/projetos/matessencial/medio/conjuntos/conjunto.htm

Exemplo ilustrativo: Dados os conjuntos A {1, 2, 3, 4} e B {3, 4, 5, 6, 7} , determine:

(a) A B . Resposta:
(b) A B . Resposta:
(c) A B . Resposta:
(d) as quantidades: n( A B), n( A), n( B) e n( A B) . Resposta:
(e) a relao matemtica entre as quantidades determinadas anteriormente. Resposta:
188
LISTA DE EXERCCIOS PROPOSTOS PARA A REVISO DAS OPERAES COM CONJUNTOS
1) Dona Vera, professora de uma turma de 40 alunos, quis saber quantos se interessariam pelos
cursos extras que a escola estava oferecendo. Existiam as seguintes opes: curso de computao
e curso de ecologia. Sabendo que 25 ergueram o brao quando ela perguntou quem gostaria de
fazer o curso de computao, 10 interessados levantaram a mo, escolhendo o curso de ecologia
e 5 alunos demonstraram participar dos dois cursos, determine quantos alunos no se
interessaram por nenhum dos cursos. Resposta: 10
2) Em uma classe de 48 alunos, cada aluno apresentou um trabalho sobre ecologia, tendo sido
indicados dois livros sobre o assunto. O livro A foi consultado por 26 alunos e o livro B, por 28
alunos. Sabendo-se que cada aluno consultou pelo menos um dos dois livros, pergunta-se:
a) Quantos alunos consultaram os dois livros?
b) Quantos alunos consultaram apenas o livro A?
Soluo:
a) n( A B) n( A) n( B ) n( A B ) 48 26 28 n( A B) n( A B ) 6 . Assim, os livros
A e B foram consultados por 6 alunos.
b) Entre os 26 alunos que consultaram o livro A, existem 6 alunos que consultaram tambm o livro
B. Logo, o nmero de alunos que consultaram apenas o livros A 26 - 6 = 20.

3) Desejando verificar qual o jornal preferido pelos estudantes, uma pesquisa apresentou os
resultados constantes na tabela a seguir.
Jornais A B C A e B A e C B e C A, B e C Nenhum
Nmero de leitores 300 250 200 70 65 105 40 150
Pergunta-se:
a) Quantas pessoas leem apenas o jornal A? Resposta: 205
b) Quantas pessoas leem o jornal A ou B? Resposta: 480
c) Quantas pessoas no leem o jornal C? Resposta: 500
d) Quantas pessoas foram consultadas? Resposta: 700

4) (UNICSUL-SP) Os conjuntos A, B e A B tm, respectivamente, 10, 15 e 7 elementos. O nmero

de elementos de A B : Resposta: e
a) 22 b) 25 c) 17 d) 32 e) 18
5) Em uma creche com 120 crianas, verificou-se que 108 haviam sido vacinadas contra a
poliomielite, 94 contra o sarampo e 8 no tinham recebido nenhuma das duas vacinas. Quantas
crianas foram vacinadas contra poliomielite e sarampo? Resposta: 90
6) O quadro a seguir mostra o resultado de uma pesquisa entre alunos de uma escola de ensino
mdio sobre suas preferncias em relao s revistas A ou B.
Revistas A B A B Nenhuma
Nmero de Leitores 180 160 60 40
Pergunta-se:
a) Quantos estudantes foram consultados? Resposta: 320
b) Quantos leem apenas a revista A? Resposta: 120
c) Quantos no leem a revista A? Resposta: 140
d) Quantos alunos leem a revista A ou a revista B? Resposta: 280

189
7) Uma escola ofereceu aos alunos da 1a srie do ensino mdio cursos paralelos de informtica (I),
xadrez (X) e fotografia (F). As inscries constam na tabela a seguir.
Cursos I X F I X I F X F I X F Nenhum
Nmero de inscries 24 10 22 3 5 4 2 4
Pergunta-se:
a) Quantos alunos cursavam a 1a srie do ensino mdio? Resposta: 50
b) Quantos optaram apenas pelo curso de fotografia? Resposta: 15
c) Quantos no se inscreveram no curso de xadrez? Resposta: 40
d) Quantos fizeram inscries para os cursos de informtica ou fotografia? Resposta: 41
8) (Fuvest) No vestibular Fuvest 90 exigia-se dos candidatos carreira de administrao a nota
mnima 3,0 em matemtica e em redao. Apurados os resultados, verificou-se que 175
candidatos foram eliminados em matemtica e 76 candidatos foram eliminados em redao. O
nmero total de candidatos eliminados por essas duas disciplinas foi 219. Qual o nmero de
candidatos eliminados apenas pela redao? Resposta: 44
9) (PUC-PR) Em um levantamento com 100 vestibulando da PUC, verificou-se que o nmero de
alunos que estudou para as provas de matemtica, fsica e portugus foi o seguinte: matemtica,
47; fsica, 32; portugus, 21; matemtica e fsica, 7; matemtica e portugus, 5; fsica e
portugus, 6; as trs matrias, 2. Quantos dos 100 alunos includos no levantamento no
estudaram nenhuma das trs matrias? Resposta: 16
10) (ESAL-MG) Foi consultado um certo nmero de pessoas sobre as emissoras de TV a que
habitualmente assistem. Obteve-se o resultado seguinte: 300 pessoas assistem ao canal A, 270
assistem ao canal B, dos quais 150 assistem a ambos os canais A e B e 80 assistem a outros canais
distintos de A e B. O nmero de pessoas consultadas : Resposta: d
a) 800 b) 720 c) 570 d) 500 e) 600
11) (PUC-RS) Em uma empresa de 90 funcionrios, 40 so os que falam ingls, 49 os que falam
espanhol e 32 os que falam espanhol e no falam o ingls. O nmero de funcionrios dessa
empresa que no falam ingls nem espanhol : Resposta: c
a) 9 b) 17 c) 18 d) 27 e) 89
12) (PUC-MG) O nmero de elementos da unio de dois conjuntos A e B n( A B ) = 15. Se n( A) = 7
e n( A B ) = 3, ento n( B A) igual a: Resposta: c
a) 6 b) 7 c) 8 d) 9 e) 10
13) (VUNESP) Em uma classe de 30 alunos, 16 gostam de matemtica e 20 de histria. O nmero de
alunos dessa classe que gostam de matemtica e de histria : Resposta: a
a) exatamente 6 b) exatamente 10 c) no mximo 6 d) no mnimo 6 e) exatamente 18
14) (PUC-MG) Dados os conjuntos A {1, 2, 3, 4} e B {2, 3, 4} , o conjunto X tal que A X {3} e
B X {2, 3, 4, 5} : Resposta: c
a) {1} b) {3} c) {3, 5} d) {1, 2, 5} e) {3, 4, 5}

190
 Apndice II ELEMENTOS DE ANLISE COMBINATRIA E NMEROS BINOMIAIS
Breve histrico
Os gregos, no perodo de 350 a 150 a.C., j se referiam a casos especiais de Anlise Combinatria.
Alguns fatos mais relevantes foram relatados pelo romano Bocio em 510, pelo hindu Bhaskare em
1150, e pelos sbios judeus Rebbiben Ezra e Levi bem Berson em 1140 e 1321.
O estudo matemtico mais profundo da Anlise combinatria s comeou a desenvolver, como
cincia, no sculo XVII, sendo sua teoria organizada e sistematizada por vrios matemticos. Nessa
poca o matemtico francs Blaise Pascal descobriu um interessante artifcio para computar
combinaes. Esse artifcio conhecido como tringulo de Pascal. O tratado mais complexo sobre a
Anlise Combinatria s foi publicado em Leipzig (Alemanha) no incio do sculo XX.
Como ir alm da simples enumerao?
O homem comeou a contar e criou um sistema de contagem quando precisou controlar a
quantidade de coisas que produzia. Utilizando pedrinhas, ns em cordas e, mais tarde, os nmeros
naturais ele contava as coisas uma a uma. O progresso exigia um novo tipo de contagem que superou
a simples enumerao de objetos. a contagem de grupos de objetos. Com a Anlise Combinatria,
os problemas de contagem se configuram como um novo ramo da Matemtica.
Em anlise combinatria ou simplesmente combinatria estaremos envolvidos com problemas de
contagem. Esse assunto objeto de discusso e interesse h muitos anos, principalmente entre
pessoas que disputam jogos de azar e almejavam saber as chances de vitria nas partidas que
disputavam. Tem larga aplicao nos estudos de Probabilidade e Estatstica. Alm disso, problemas
de contagem fazem parte do nosso cotidiano. Desde muito cedo aprendemos a contar e, aprendendo
boas tcnicas, podemos realizar contagens com eficincia, brevidade e preciso. importante notar,
ao resolver questes desse assunto, que apesar de haver uma infinidade de situaes diferentes
entre si, eles podem ter semelhanas em vrios pontos. Dessa forma para que possa obter sucesso
nesse assunto, no se esquea de resolver muitas questes. Busque sempre semelhanas entre elas.
As vrias maneiras de se dispor os objetos de um conjunto em grupos denominados agrupamentos
dependem basicamente de duas caractersticas: (i) em cada agrupamento formado todos os
elementos so distintos; e (ii) em cada agrupamento pode haver repetio de elementos.
Quando os agrupamentos tm a primeira caracterstica (todos os elementos so distintos) so
chamados de agrupamentos simples. Por outro lado, quando os agrupamentos tm a segunda
caracterstica (repetio de elementos) denominam-se agrupamentos com repetio.
Considerando o modo de formao dos grupos tem-se: Arranjos, Permutaes e Combinaes.
Anlise Combinatria Simples o estudo da formao, contagem e propriedades dos agrupamentos
simples. Nos agrupamento simples os grupos diferem pela ordem ou pela natureza dos elementos
que o compem. E, no caso de diferirem pela natureza, tem-se que pelo menos um dos elementos de
um dos grupos formados no pertence ao outro.
Nos problemas de Anlise Combinatria so frequentes as situaes em que aparecem fatorial, ou
seja, o produto de todos os nmeros naturais de n at 1 . Podemos ento definir:
Fatorial
Dado um nmero natural n 2 chama-se fatorial de n , ao nmero indicado por n! (lemos n fatorial)
tal que:
n ! n (n 1) (n 2) ... 3 2 1
Notas: 1) 0 ! 1 2) 1! 1 . Vamos provar isto mais adiante.

191
Exemplos: 1) 3! = 3 . 2 . 1= 6 2) 6! = 6 . 5 . 4 . 3 . 2 . 1= 720
Propriedade Fundamental dos Fatoriais: n ! n (n 1)! , n N *
Nota: Essa propriedade nos garante que podemos interromper o desenvolvimento de um fatorial em
um fator que nos seja conveniente.
Exemplos ilustrativos:
1) 8! = 8.7! = 8.7.6.5! = 8.7.6.120 = 40.320
7! 7.6.5!
2) 7.6 42
5! 5!
3) Usando a propriedade fundamental dos fatoriais, mostre que:
(a) 1! 1
(b) 0! 1
Soluo:
(a) 1! = 1. Tomando n = 2 e substituindo na propriedade fundamental dos fatoriais temos:
2
2! = 2.(2-1)! 2 = 2.1! 1! 1! = 1
2
(b) 0! = 1. Tomando n = 1 e substituindo na propriedade fundamental dos fatoriais temos:
1
1! = 1.(1-1)! 1 = 1.0! 0! 0! = 1
1
0! 1 e 1! 1
Lista de exerccios propostos para a reviso de fatorial
1) Calcule o valor das expresses: Resposta: (a) 4; (b) 12; (c) 648; (d) 35; (e) 1/360
6! 5! (3!) 2 (5 1)!
(a) 0!+1!+2! (b) 3!.(5-3)! (c) 6! 3*4! (d) (e)
4! 7! 6!
2) Reduza a um nmero racional mais simples: Resposta: (a) 56; (b) 1/10; (c) 105; (d) 1/1.320; (e) 17.280
8! 9! 5 * 7! (10 1)! 5!*7!
a) b) c) d) e)
6! 10! 2!*5! 12! 5*7
3) Simplifique as expresses: Resposta: a) n2 + 3n + 2; b) 1/n2 + n; c) 2/n2 + 3n+2; d) 2n; e) n/n2 + 9n + 20
(n 2)! (n 1)! 2n! (2n)! (n 3)!.n!
a) b) c) d) e)
n! (n 1)! (n 2)! (2n 1)! (n 5)!.(n 1)!
4) Resolva as equaes: Resposta: a) 4; b) 3 ou 4; c) 2; d) 4; e) 2
a) n! = 24 b) (n-3)! = 1 c) (2n+1)! = 120 d) (n-1)! + 2 = 8 e) (n!)2 5n! + 6 = 0
5) Determine o conjunto soluo das equaes: Resposta: a) 5; b) 2
(n 1)! n! 1 (n 3)!4(n 1)!
a) b) 4
(n 2)! 6 (n 2)!
6) (PUC-PR) A soma das razes da equao (5 x 7)! 1 vale: Resposta: 3
( )3 ( )7 ( )12 ( ) 13 ( )4
7) Resolva a equao: (n 5)! 1 Resposta: n = 5 ou n = 6

192
Princpio Fundamental Da Contagem (PFC)
No nosso cotidiano nos deparamos com problemas como, por exemplo: emplacamento de
automveis, nmeros de telefones, chances de ganhar em um jogo, etc. A anlise combinatria
estuda a formao da contagem de um conjunto finito.
Princpio Multiplicativo
Se um evento dividido em duas etapas, em que, para realizar a primeira etapa existem m
possibilidades e para realizar a segunda n possibilidades, ento o evento pode ocorrer de m n
maneiras.
Nota: Podemos generalizar dividindo um evento para mais de duas etapas.
Lista de exerccios propostos para a reviso do PFC ou princpio multiplicativo
1) Com os algarismos 1, 2, 5, 7, 8 e 9, deseja-se formar nmeros de 3 algarismos.
a) Quantos nmeros podem ser formados? Resposta: 216
b) Quantos deles so mpares? Resposta: 144
c) Quantos dos nmeros formados possuem algarismos distintos? Resposta: 120
d) Quantos so os nmeros mpares formados com algarismos distintos? Resposta: 80
2) Com os algarismos 0, 1, 2, 3, 4, 5, e 7, deseja-se formar nmeros de 4 algarismos.
a) Quantos so esses nmeros? Resposta: 2.058
b) Quantos desses nmeros so pares? Resposta: 882
c) Quantos desses nmeros so mpares? Resposta: 1.176
d) Quantos so os nmeros formados por algarismos distintos? Resposta: 720
e) Quantos so os nmeros pares formados por algarismos distintos? Resposta: 120 + 200 = 320
f) Quantos so os mltiplos de 10, formados por algarismos distintos? Resposta: 120
3) Quantos so os anagramas da palavra FRMULA? Resposta: 5.040
4) Dada a palavra CONTAGEM, pede-se:
a) Quantos so os anagramas que comeam pela letra C? Resposta: 5.040
b) Quantos so os anagramas que comeam por C e terminam por M? Resposta: 720
c) Quantos so os anagramas que possuem as letras N, T, A juntas e nessa ordem? Resposta: 720
d) Quantos so os anagramas que tm as letras N, T, A juntas? Resposta: 4.320
5) Em quantos anagramas da palavra ENGLOBAR pode ser lida a palavra:
a) BOLA? Resposta: 120
b) GOL? Resposta: 720
6) Num sistema de emplacamento de motos, so usadas 3 vogais (podendo haver vogais repetidas)
e 4 algarismos distintos. Quantas motos podem ser licenciadas segundo esse critrio? Resposta:
630.000

7) Com 6 pessoas, quantos grupos de 2 pessoas podemos formar, de modo que a ordem dos
elementos no altere o grupo? Resposta: 15

193
Arranjos Simples
Dado um conjunto de n elementos, e sendo p um nmero inteiro positivo tal que p n , chama-se
arranjo simples dos n elementos dados, agrupados p a p , a qualquer sequncia de p elementos
distintos formada com elementos do conjunto. O nmero de arranjos simples dados por:
n! n!
An , p ou Anp
(n p)! (n p)!
6! 6.5.4!
Exemplo ilustrativo: A6, 2 A 62 30 ou A6, 2 6 5 30 .
(6 2)! 4!
Nota: A Mudana de ordem dos p elementos altera o agrupamento. Em arranjo interessa a
sequncia dos elementos.
Lista de exerccios propostos para a reviso dos arranjos simples
1) Calcule o nmero de arranjos simples de 10 elementos tomados de 3 a 3. Resposta: 720
2) Calcule: Resposta: a) 360 b) 60 c) 210 d) 4
a) A6,4 b) A5,3 c) A15,2 d) A4,1
3) Calcule o valor das expresses: Resposta: a)12 b) 19 / 10
6. A8,3 10. A7, 2
a) 3.A5,2 2.A4,3 b)
A6,3 . A7,1
4) Resolva as equaes: Resposta: a) 7 b) 6 c) 7 d) 5
a) Ax,2 = 42 b) Ax,4 = 3.Ax,3 C) Ax,3 = 42.(x-2) d) Ax,2 + Ax-1,2 = 32
5) Com os algarismos 1, 2, 3, 4, 5, 6 e 7, quantos nmeros de 4 algarismos distintos podemos
escrever? Resposta: 840
6) Quantos nmeros de 4 algarismos distintos podemos formar com os algarismos 0, 1, 2, 4, 5, 6 e
7? Resposta: 720
7) Com os algarismos 3, 5, 6, 7, 8 e 9, quantos nmeros mpares de 3 algarismos distintos podemos
formar? Resposta: 80
8) Com os algarismos 0, 3, 4, 5 e 9, quantos nmeros mpares de 3 algarismos distintos podem ser
formados? Resposta: 27
9) Quantos nmeros, maiores que 190 e menores que 1000, formados por algarismos distintos,
podemos escrever? Resposta: 7 + 576 = 583
10) Com os nmeros 2, 3, 4, 5 e 7, quantos nmeros fracionrios, diferentes de 1, podemos escrever?
Resposta: 20
11) Tenho bastes de pintura nas cores verde, vermelho, amarelo, azul e preto. Desejo pintar as
faixas da figura em 3 cores diferentes. De quantas maneiras poderei faz-lo? Resposta: 60

12) Em um teatro, uma fila possui vinte cadeiras numeradas. O nmero de maneiras distintas de dez
pessoas sentarem nessa fila : Resposta: A20,10 = 6,7 x 1011
(a) A20,20 (b) A10,10 (c) A20,10 (d) A10,20 (f) A10,1

194
13) Dez atletas participaram de uma corrida de atletismo. Sero premiados apenas os trs primeiros
colocados, no podendo haver empate. O nmero de maneiras de serem distribudos os prmios
: Resposta: A10,3 = 720
(a) A10,3 (b) A10,10 (c) A3,3 (d) A3,10 (e) A3,1
Permutao Simples
Permutao simples de n elementos so agrupamentos que podemos formar com os n elementos
distintos de modo que um grupo diferencie do outro apenas pela ordem de seus elementos. O
nmero de permutaes dado por
Pn n !
Exemplo ilustrativo: P3 = 3! = 3. 2 . 1 = 6
Anagramas: Em matemtica, o anagrama obtido pela transposio (permutao) das letras de uma
palavra, no necessitando que a mesma tenha um significado.
Lista de exerccios propostos para a reviso das permutaes simples
1) Calcule: Resposta: a) 108 b) 24 c) 75/22
5.P6
a) P5-2P3 b) P3.P4-P5 c)
( P4 ) 2 4.P5
2) Com os algarismos 3, 4, 5, 6 e 7, pergunta-se:
a) Quantos nmeros de 5 algarismos distintos podemos formar? Resposta: 120
b) Quantos nmeros mpares de 5 algarismos distintos podemos formar? Resposta: 72
c) Quantos nmeros pares de 5 algarismos distintos podemos formar? Resposta: 48
d) Quantos nmeros de algarismos distintos maiores que 40.000 podemos formar? Resposta: 96
3) Quantos so os anagramas da palavra PORTUGAL? Resposta: 40.320
4) Quantos so os anagramas da palavra MDICO que no tem 2 vogais juntas? Resposta: 72
5) Quantos so os anagramas da palavra EDITORA que no tm 2 vogais juntas? Resposta: 144
6) Em relao aos anagramas da palavra PERNAMBUCO, pergunta-se:
a) Quantos comeam por P? Resposta: 362.880
b) Quantos comeam por P e terminam por O? Resposta: 40.320
c) Quantos tm as letras R, N, A juntas e nessa ordem? Resposta: 40.320
d) Quantos tm as letras B, U, C, O juntas? Resposta: 120.960
7) De quantos modos diferentes podemos dispor cinco meninas e quatro meninos em fila indiana de
modo que crianas de mesmo sexo no fiquem juntas? Resposta: 2.880
8) Com a palavra EDITORA:
a) Quantos anagramas podemos formar? Resposta: 5.040
b) Quantos anagramas comeam pela letra T? Resposta: 720
c) Quantos anagrama comeam pela slaba TO? Resposta: 120
d) Quantos anagrama comeam por vogal? Resposta: 2.880
e) Quantos anagrama terminam por consoante? Resposta: 2.160
f) Quantos anagrama comeam por vogal e terminam por consoante? Resposta: 1.440
g) Quantos anagrama apresentam as letras E, D e T juntas e nessa ordem? Resposta: 120
h) Quantos anagrama apresentam as letras E, D e T juntas? Resposta: 720
i) Quantos anagrama no apresentam E, D e T juntas? Resposta: 4.320
9) Quantos nmeros naturais de seis algarismos distintos podem ser formados com os algarismos
1,2,3,4,5 e 6 que no sejam mltiplos de 5? Resposta: 600

195
10) Escrevendo em ordem decrescente todos os nmeros naturais de cinco algarismos distintos
formados por 3, 4, 5, 6 e 7, qual ser a ordem (nmero de posio) do nmero 56347? Resposta:
48 + 6 + 4 + 1 = 59 => posio = 60
11) Quatro rapazes e uma moa formam uma fila. De quantas maneiras essa fila pode ser formada de
modo que a moa fique sempre em primeiro lugar? Resposta: 24
a) 24 b) 12 c) 18 d) 4 e) 6
12) Seis pessoas em fila gastam 10 segundos para mudar de ordem. O tempo necessrio para todas
as mudanas possveis : Resposta: 2 horas
a) 4 h b) 2 h c) 3 h d) 5 h e) 6 h
Permutao com Elementos Repetidos
Se na permutao de n elementos existirem elementos que apaream vezes, vezes, e assim por
diante, ento o total de permutaes ser:
n!
Pn , ,...
! ! ...
Exemplo ilustrativo:
1) ANA 2) AMADA 3) ARARA 4) BANANA 5) ALUNO 6) PROFESSOR
Resposta: 1) 3 2) 20 3) 10 4) 60 5) 120 6) 45.360
Lista de exerccios propostos para a reviso das permutaes com elementos repetidos
1) Quantos nmeros de 6 algarismos podemos escrever, utilizando os algarismos 2, 2, 3, 3, 3 e 4?
Resposta: 60
2) Quantos so os nmeros mpares de 5 algarismos que podemos escrever utilizando os algarismos
4, 4, 5, 5 e 6? Resposta: 12
3) Quantos so os anagramas da palavra DESERTO? Resposta: 2.520
4) Quantos so os anagramas da palavra PROFESSOR que comeam por S? Resposta: 10.080
5) Quantos so os anagramas da palavra CONSTITUINTE, que comeam por OSEC? Resposta: 1.680
6) Quantos anagramas da palavra BARRAR comeam por R? resposta: 30
7) Ache o total de anagramas da palavra PAPAGAIO que terminam por vogal. Resposta: 2.100
8) Quantos anagramas da palavra RETRATAR comeam e terminam por vogal? Resposta: 180

196
Combinao Simples
Dado um conjunto de n elementos, e sendo p um nmero inteiro positivo tal que p n , chama-se
combinao simples dos n elementos dados, agrupados p a p, a qualquer subconjuntos de p
elementos distintos formada com elementos do conjunto. O nmero de combinaes simples dado
por:
n!
A p
(n p) ! n! n!
Cnp n
ou Cnp
Pp p! p ! (n p) ! p ! (n p)!

6! 6 5 4! 65
Exemplo ilustrativo: C6, 2 C 62 15 ou C26 15
2!(6 2)! 2 1 4! 2!
Nota: A Mudana de ordem dos p elementos no altera o agrupamento.
Lista de exerccios propostos para a reviso das combinaes simples
1) Em um campeonato de tnis de mesa esto inscritos 12 atletas. Qual o nmero total de partidas
que podem ser realizadas entre os inscritos? Resposta: 66
2) Quantos segmentos de reta podemos obter unindo dois pontos quaisquer da figura. Resposta: 15

3) Tendo em vista a solenidade de formatura, pretende-se formar uma comisso composta de 3

alunos a partir de 10 j selecionados pelos alunos dos terceiros colegiais. De quantos modos
possvel formar essa comisso? Resposta: 120
4) Uma pessoa selecionou 10 nmeros para jogar na sena. Quantos cartes ela dever preencher?
(Na sena aposta-se em 6 nmeros, entre os nmeros de 1 as 50). Resposta: 210
5) Uma comisso de 4 membros dever ser formada a partir de 6 professores de matemtica e 4
professores de fsica. Quantas dessas comisses tm pelo menos 1 professor de matemtica?
Resposta: 209
6) Considere nove diferentes pontos de uma circunferncia (conforme a figura). Quantas retas ficam
determinadas por esses nove pontos? Resposta: 36
I A
H
B
G C
F D
E
7) Considere sete diferentes pontos de uma circunferncia (conforme a figura). Quantos tringulos
ficam determinados por esses sete pontos? Resposta: 35
A
G
F B

E C
D
8) Considere oito diferentes pontos de uma circunferncia (conforme a figura). Quantos
quadrilteros convexos ficam determinados por esses oito pontos? Resposta: 70
H A
G
F B

E C
D
9) Em uma universidade ser formada uma comisso composta por quatro bilogos e trs mdicos,
escolhida dentre sete bilogos e oito mdicos. De quantas maneiras diferentes essa comisso
pode ser formada, sabendo que todos os membros da comisso tero cargos idnticos?
Resposta: 1.960
10) Em uma classe de doze alunos, um grupo de cinco ser selecionado para uma viagem. De
quantas maneiras distintas esse grupo poder ser formado, sabendo que, entre os doze alunos,
dois so irmos e s podero viajar se estiverem juntos? Resposta: 120 + 252 = 372
(a) 30.240 (b) 594 (c) 462 (d) 408 (e) 372
11) Um vendedor de livros tem oito livros de assuntos distintos para distribuir a trs professores A, B
e C. De quantos modos poder fazer a distribuio, dando trs livros ao professor A, quatro livros
ao professor B e um livro ao professor C? Resposta: 280
(a)1232 (b)280 (c) 730 (d) 680 (e) 480
12) Uma equipe de pesquisa da universidade deve ser formada por um engenheiro e quatro
tcnicos. Com cinco engenheiros e dez tcnicos, o nmero de diferentes equipes que podero
ser formadas : Resposta: 1.050
(a) 5 (b) 210 (c) 1.050 (d) 2.520 (e) 25.200
Problemas resolvidos
1) Quatro times de futebol (Grmio, Santos, So Paulo e Flamengo) disputam o torneio dos
campees do mundo. Quantas so as possibilidades para os quatro primeiros lugares?
Soluo: Existem 4 possibilidades para o 1o lugar, sobrando 3 possibilidades para o 2o lugar, 2
possibilidades para o 3o lugar e apenas 1 possibilidade para o 4o lugar. Portanto, temos:
P4 4! 4 3 2 1 24 possibilidades
2) Quantos nmeros de 5 algarismos distintos podem ser formados por 1, 2, 3, 4 e 5?
Soluo: P5 5! 5 4 3 2 1 120 nmeros
3) Calcule de quantas maneiras podem ser disposta 4 damas e 4 cavalheiros, em uma fila, de forma
que no fiquem juntos dois cavalheiros e duas damas.
Soluo: Existem duas maneiras de fazer isso: C-D-C-D-C-D-C-D ou D-C-D-C-D-C-D-C. Colocando
um cavalheiro na primeira posio temos como nmero total de maneiras:
P4 P4 4! 4! 24 24 576 maneiras. Colocando uma dama na primeira posio, tambm
temos: P4 P4 4! 4! 24 24 576 maneiras. Portanto o total : 576 576 1.152maneiras.
4) Quantos so os anagramas da palavra FRMULA?
Soluo: P7 7! 7 6 5 4 3 2 1 5.040 nmeros
5) Quantos so os anagramas da palavra MDICO que no tem 2 vogais juntas?
Soluo: P3 P3 P2 3! 3! 2! 6 6 2 36 2 72 anagramas
6) Quantos so os anagramas da palavra EDITORA que no tm 2 vogais juntas?
Soluo: P4 P3 4! 3! 24 6 144 anagramas
7) 20)Quatro rapazes e uma moa formam uma fila. De quantas maneiras essa fila pode ser formada
de modo que a moa fique sempre em primeiro lugar?
a) 24 b) 12 c) 18 d) 4 e) 6
Soluo: 1 P4 1 4! 24 maneiras
8) De quantos modos diferentes podemos dispor cinco meninas e quatro meninos em fila indiana de
modo que crianas de mesmo sexo no fiquem juntas?
Soluo: P5 P4 5! 4! 120 24 2.880 modos diferentes

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 198
9) De quantos modos diferentes se podem organizar, em uma fila de 12 cadeiras, 5 brasileiros, 4
italianos e 3 alemes, de modo que as pessoas de mesma nacionalidade fiquem sempre juntas?
Soluo: P5 P4 P3 P3 5! 4! 3! 3! 120 24 6 6 103.680 modos diferentes
10) Um garoto possui 5 gravuras diferentes.

Ele poder preencher a moldura abaixo, diferentemente, de:

a) 5 maneiras b) 14 maneiras c) 60 maneiras d) 120 maneiras e) 625 maneiras

Soluo: P5 5! 5 4 3 2 1 120 maneiras
ESQUEMA GERAL DE ANLISE COMBINATRIA
Quantos so?
Quem so?

Lembre-se sempre: Se combinao tem diviso. Se voc no divide est fazendo um arranjo.
?? IMPORTA A ORDEM ??
P VAGAS

Sim n . (n 1) . Arranjo
P VAGAS

n . (n 1) .
No Combinao
p!
Exemplo: Dados os nmeros {1, 2, 3}
1) Escolher 2 nmeros para dividir. Resposta: 6

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 199
2) Escolher 2 nmeros para multiplicar. Resposta: 3
3) Escolher 3 nmeros, um para ocupar a casa da centena, uma para dezena e uma para a unidade.
Resposta: 6
Lista de Exerccios Propostos para a Reviso geral dos Conceitos de Anlise Combinatria
1) A primeira fase de um campeonato de futebol disputada por 24 times. Eles so divididos em 4
grupos com 6 times em cada grupo. Os times de cada grupo disputam entre si, em dois turnos.
Quantos jogos sero realizados nessa fase? Resposta: 120
2) Para a segunda fase desse mesmo campeonato so selecionados 2 times de cada grupo. Os 8
times jogam entre si, agora, num nico turno. Quantos jogos sero realizados nessa segunda
fase? Resposta: 28
3) Desejo pintar as faixas da figura, cada uma de uma cor. Tenho para isso 6 lpis de cores
diferentes. De quantos modos poderei realizar esse trabalho? Resposta: 360

4) Recebi de uma editora um catlogo oferecendo em promoo a assinatura de 10 revistas.

Gostaria de assinar todas, mas como no tenho posses para isso me contentarei com apenas 3.
Quantas so minhas opes? Resposta: 120
5) Dados os nmeros 2, 3, 5, 7, 11 e 13, calcule:
a) Quantos produtos de dois nmeros distintos podemos obter? Resposta: 15
b) Quantos nmeros fracionrios, diferentes de 1, podemos obter? Resposta: 30
6) Considere os pontos assinalados sobre as retas r e s. Quantos tringulos, com vrtices nesses
pontos, podemos formar? Resposta: 40 + 30 = 70
A B C D E r
A B C D s

7) Dados os algarismos 2, 3, 4, 5, 6, 7, 8 e 9, quantos nmeros de 3 algarismos distintos, mltiplos de

5, podemos formar? Resposta: 42
8) Com 6 professores de fsica e 5 professores de matemtica, deseja-se formar uma comisso de 5
membros.
a) Quantas dessas comisses tm somente 2 professores de matemtica? Resposta: 200
b) Quantas dessas comisses tm pelo menos 2 professores de matemtica? Resposta: 381
9) Considerando os pontos assinalados na figura, pergunta-se:
a) Quantos segmentos podemos traar? Resposta: 66
b) Quantos desses segmentos so diagonais dos dodecgono? Resposta: 54
c) Quantos quadrilteros podemos construir? Resposta: 495
A
M
B
L
C
J
D
I
E
H F
G

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 200
10) Com os algarismos 0, 1, 3, 4, 5, 6, 7 e 9, determine:
a) Quantos nmeros de 3 algarismos podemos formar. Resposta: 448
b) Quantos nmeros de 3 algarismos distintos podemos formar. Resposta: 294
c) Quantos nmeros mpares de 3 algarismos distintos podemos formar. Resposta: 180
d) Quantos nmeros pares de 3 algarismos distintos podemos formar. Resposta: 42 + 72 = 114
11) Em uma prova de motociclismo, deram a largada 22 motos. Logo na primeira volta, 2 delas, por
motivos tcnicos, abandonaram a prova. Quantas so as possibilidades de o pdio vir a ser
ocupado, sabendo que ele se destina apenas aos trs primeiros classificados? Resposta: 6.840
12) O lvaro e a Rute devero viajar de Belm a So Paulo, de carro. Para tornar a viagem mais
agradvel, levaro consigo muitas fitas para serem ouvidas. Entre as 10 fitas sertanejas que
possuem iro selecionar 4. De quantas maneiras isso poder ser feito? Resposta: 210
13) O tcnico do Arranca Toco Futebol Clube tem sua disposio 8 atacantes, sendo que, em cada
jogo, apenas 3 so escalados. De quantos modos diferentes pode ser formado o ataque
arrancatoquino? Resposta: 56
14) De quantos modos diferentes possvel pintar as 5 faixas da figura, cada faixa de uma cor, se
disponho apenas das seguintes cores: cinza, vermelha, verde, azul e preta? Resposta: 120

15) A Snia e o Marcelo ganharam, como presente de casamento, um refrigerador, para ser retirado
nas lojas Bahirapu. Foram colocadas s suas escolhas quatro marcas de refrigeradores, em trs
tamanhos e duas cores diferentes. De quantos modos foi possvel escolher to valioso presente?
Resposta: 24
16) Dados os algarismos 0, 1, 2, 3, 4, 5, 6, 7 e 8, pergunta-se:
a) Quantos nmeros de 4 algarismos podemos formar? Resposta: 5.832
b) Quantos nmeros de 4 algarismos distintos podemos formar? Resposta: 2.688
c) Quantos nmeros mpares de 4 algarismos distintos podemos formar? Resposta: 1.176
17) Ricardo conheceu Gabriela. Deveria ter escrito o telefone dela em qualquer lugar apropriado,
mas no o fez. Confiou na memria. Azar dele. Agora, conforme haviam combinado, ele deveria
lhe telefonar, mas no lembra do nmero. Ele recorda que o nmero comea por 365 e tem 4
algarismos distintos, sendo que trs deles so 0, 5 e 7 e o outro 6 ou 8. Quantos so os possveis
nmeros do telefone de Gabriela? Resposta: 48
18) Uma agncia de publicidade necessita de 2 rapazes e 3 moas para fazer um comercial para a TV.
Dispondo de 4 rapazes e 5 moas, quantas opes tem a agncia para formar o grupo necessrio?
Resposta: 60
19) De quantos modos diferentes se podem organizar, em uma fila de 12 cadeiras, 5 brasileiros, 4
italianos e 3 alemes, de modo que as pessoas de mesma nacionalidade fiquem sempre juntas?
Resposta: 103.680
20) Dispondo de 10 questes de lgebra e 5 de Geometria, uma banca deseja preparar provas, de
forma que cada uma contenha ao menos uma questo diferente das demais. Sabendo-se que
cada prova dever conter 5 questes de lgebra e 3 de Geometria, determine quantas provas
podem ser preparadas. Resposta: 2.520
21) Um garoto possui 5 gravuras diferentes.

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 201
Ele poder preencher a moldura abaixo, diferentemente, de: Resposta: 120 maneiras

a) 5 maneiras b) 14 maneiras c) 60 maneiras d) 120 maneiras e) 625 maneiras

22) Em um programa de televiso, o apresentador quer introduzir uma prova em que o concorrente,
para ganhar um prmio, deve vencer um obstculo que consiste em atravessar 4 muros paralelos,
cada um com 4 portas. No primeiro muro, 3 porta so abertas ao acaso. No segundo, 2; no
terceiro e quarto, apenas uma em cada muro aberta. De quantas maneiras pode ser preparado
o obstculo? Resposta: 384
(a) 4 (b)18 (c) 96 (d) 4.608 (e) 384
23) Uma montadora de automveis apresenta um carro em 4 modelos diferentes e em 5 cores
diferentes. Um consumidor que quiser adquirir esse veculo ter quantas opes de escolha?
Resposta: 20
24) Em uma cidade A, os nmeros de telefones tm 7 algarismos, sendo que os trs primeiros
constituem o prefixo da cidade. Os telefones que terminam em 10 so reservados para as
farmcias e os que tm os dois ltimos algarismos iguais, para os mdicos e hospitais. A
quantidade dos demais nmeros de telefones disponveis na cidade A : Resposta: 8.900
(a) 1.650 (b) 2.100 (c) 4.800 (d) 8.900 (e) 900
25) Quantos nmeros naturais de 3 algarismos podem ser formados com os algarismos 1; 2; 6; 8 e 9 ?
Resposta: 125
26) Quantos nmeros naturais de 3 algarismos distintos podem ser formados com os algarismos 1; 2;
6; 8 e 9? Resposta: 60
27) Quantos nmeros naturais de 3 algarismos distintos podem ser formados com os algarismos 0; 1;
2; 6 e 8? Resposta: 48
28) Duas linhas de nibus vo de Palmas Cascavel e 3 linhas vo de Cascavel So Paulo. De
quantos modos diferentes um usurio dessas linhas pode ir de Palmas So Paulo passando por
Cascavel? Resposta: 6
29) Quantos nmeros naturais de 4 algarismos podem ser formados com os algarismos 3; 4; 5; 6; 7; 8
e 9? Resposta: 2.401
30) Quantos nmeros naturais de 4 algarismos distintos podem ser formados com os algarismos 3; 4;
5; 6; 7; 8 e 9? Resposta: 840
31) Quantos nmeros naturais de 5 algarismos distintos podem ser formados com os algarismos 0; 3;
4; 5; 6; 7; 8 e 9? Resposta: 5.880
32) Quantos nmeros naturais pares de 3 algarismos distintos podem ser formados com os
algarismos 3; 4; 5; 6; 7; 8 e 9? Resposta: 90
33) Oito atletas participam de uma corrida. Sero premiados apenas os trs primeiros lugares. De
quantas maneiras diferentes os prmios podem ser distribudos? Resposta: 336

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 202
34) Quatro linhas de nibus unem a cidade A cidade B e 3 linhas unem a cidade B cidade C. Um
usurio vai viajar de A para C passando por B e vai voltar para A, passando novamente por B. De
quantos modos diferentes esse usurio poder escolher as linhas, se na volta ele no poder usar a
linha que usou na ida? Resposta: 12 x 6 = 72
35) Uma prova constituda por 10 testes do tipo verdadeiro ou falso. De quantas maneiras
diferentes um candidato poder responder aos 10 testes, no deixando nenhum sem resposta e
assinalando apenas uma alternativa cada questo? Resposta: 210 = 1.024
36) Quantos nmeros de telefone de 6 dgitos podem ser formados com os dgitos 1; 2; 3; 4; 5; 6 e 7,
de modo que os trs primeiros dgitos sejam distintos? Resposta: 72.030
37) Desde 1990 uma placa de automvel formada por 3 letras seguidas de 4, por exemplo: BNP-
0339. Quantas placas podem ser formadas usando as 26 letras do alfabeto (incluindo Y, W, K) e os
10 algarismos do sistema decimal? Resposta: 263 x 104 = 175.760.000
38) Quantos nmeros naturais maiores do que 400 e de 3 algarismos distintos podem ser formados
com os algarismos 1; 2; 4; 5 e 6? Resposta: 36
39) Uma pessoa dispe de 6 calas, 4 palets e 10 camisas. De quantas maneiras ela poder se vestir
usando uma pea de cada? Resposta: 240
40) Em uma estante existe 8 livros de Matemtica 3 de Fsica e 2 de Biologia. De quantas formas
diferentes podemos escolher 3 livros, sendo um de cada matria? Resposta: 48
41) Num Hospital existem 3 portas de entrada que do para um amplo saguo, onde h 5
elevadores. Um visitante dever entrar no Hospital e dirigir-se para o 6 andar, utilizando um dos
elevadores. De quantos formas diferentes poder faz-lo? Resposta: 15
42) Um Pai tem 3 filhos. De quantas maneiras poder vesti-los, se comprou 7 camisas, 5 calas e 4
palets. Resposta: 302.400
43) De quantas maneiras posso dispor as letras da palavra MALOTE de maneira que sempre a 1 a letra
seja vogal? Resposta: 360
44) Dentre 12 homens e 7 mulheres, formam-se grupos de 4 homens e 3 mulheres. Quantos grupos
diferentes podem ser formados? Resposta: 17.325
45) De quantos modos podem ser alojados 10 campistas em 3 barracas, se na 1 a cabem 5, na 2a
cabem 3 e na 3a apenas 2? Resposta: 2.520
46) Em uma festa compareceram 12 alunos e 3 professores. Foram tiradas fotografias distintas, de
forma que em cada uma figurassem 5 pessoas. Em quantas fotografias distintas aparecem 2
professores? Resposta: 660
47) Com 15 jogadores, quantos times de futebol de salo (um time formado por 1goleiro e mais 4
jogadores) podem ser formados, sabendo-se que:
a) Todos os jogadores jogam em qualquer posio. Resposta: 3.003
b) H apenas 1 goleiro e que ele no joga em outra posio. Resposta: 1.001
c) H 3 goleiros e que eles s jogam nessa posio. Resposta: 1.485
48) Num campeonato de vlei disputam 8 equipes. Qual o nmero de resultados possveis para os
trs primeiros lugares? Resposta: 336
49) Quantos nmeros mpares de 3 algarismos distintos podemos formar com os algarismos: 4; 5; 6;
7; 8 e 9? Resposta: 60
50) Dado o conjunto A = {a; b; c; d}, quantos subconjuntos de A existem? Resposta: 16
51) Quantos anagramas da palavra SIMULADO:

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 203
a) Comeam por S. Resposta: 5.040
b) Comeam por vogal. Resposta: 20.160
c) Terminam por consoante. Resposta: 20.160
52) Quantos anagramas existem da palavra TREINAMENTO? Resposta: 4.989.600
53) Calcule o nmero de anagramas das palavras: Resposta: (a) 45.360; (b) 120; (c) 720
(a) PROFESSOR (b) ALUNO (c) ESCOLA
54) Quatro selees de futebol (Brasil, Alemanha, Turquia e Coria) disputam a fase semifinal de uma
copa. Quantas so as possibilidades de classificao para os trs primeiros? Resposta: 24
55) Num edifcio h 5 elevadores. Quantas so as escolhas possveis que uma pessoa tem para subir
e descer por elevadores diferentes? Resposta: 20
56) Usando Anlise combinatria, calcule o nmero de diagonais de um hexgono. Resposta: 9
57) Uma bicicleta oferecida pelo fabricante em 10 cores, com ou sem cmbio, e nos modelos luxo,
popular e juvenil. Quantos so as escolhas possveis que tem um comprador? Resposta: 60
58) Diga se arranjo (A) ou combinao (C) (trabalhando sempre com elementos distintos).
a) ( ) Um arranjo de flores.
b) ( ) O segredo de um cofre, chamado popularmente combinao de cofre.
c) ( ) A escolha, entre Brasil, Crocia, Frana e Holanda, de 2 selees para um jogo de
futebol.
d) ( ) A escolha de 3 nmeros para somar.
e) ( ) A escolha de 2 nmeros para subtrair o primeiro do segundo.
f) ( ) A escolha de 2 nmeros para multiplicar.
g) ( ) A escolha de 2 matrizes para multiplicar.
h) ( ) As coordenadas de um ponto no plano cartesiano.
i) ( ) As seis cordas (colocadas) de um violo .
j) ( ) A escolha de 3 alunos para representar o CEFET no JECEFET.
Resposta: a) A b) A c) C d) C e) A f) C g) A h) A i) A j) C
59) (UFRS) De um ponto a um ponto B existem 5 caminhos; de B a um terceiro ponto C existem 6
caminhos; e de C a um quarto ponto D existem tambm 6 caminhos. Quantos caminhos existem
para ir do ponto A ao ponto D passando por B e C? Resposta: 180
a) 17 b) 30 c) 180 d) 680 e) 4.080
60) (FGV) Antes de 1990 as placas de automveis eram constitudas de 2 letras seguidas de 4
algarismos. Quantas placas desse tipo, diferentes, podem ser formadas com as vogais do alfabeto
e algarismo pares? Resposta: 15.625
a) 400 b) 31.250 c) 7.812 d) 15.625 e) n.d.a.
61) (PUC-MG) Considerando os elementos do conjunto A = {0; 1; 2; 4; 5; 6; 7; 9}, quantos nmeros
maiores inteiros de 5 algarismos distintos, maiores que 64.000, podem ser formados? Resposta:
2.160
a) 480 b) 2.160 c) 1.680 d) 4.325 e) n.d.a
62) (CESGRANRIO) Considere todos os n nmeros pares positivos, de 4 dgitos, formados com os
algarismos 1; 2; 3; e 4. Ento n : Resposta: 12
a) 10 b) 12 c) 16 d) 18 e) 24
63) (PUC-SP) O total de nmeros naturais de 3 algarismos distintos que existem no nosso sistema de
numerao : Resposta: 648
a) 650 b) 615 c) 640 d) 649 e) 648

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 204
64) (MACKENZIE-SP) Em um teste de mltipla escolha, com 5 alternativas distintas, sendo uma nica
correta. O nmero de modos distintos de ordenar as alternativas de maneira que a nica correta
no seja nem a primeira nem a ltima : Resposta: 72
a) 36 b) 48 c) 60 d) 72 e) 120
65) (UF-CE) Deseja-se dispor em uma fila 5 crianas: Marcelo, Rogrio, Reginaldo, Daniele e Mrcio.
Calcule o nmero das distintas maneiras que elas podem ser dispostas, de modo que Rogrio e
Reginaldo fiquem sempre vizinhos? Resposta: 48
a) 120 b) 60 c) 48 d) 72 e) n.d.a.
REFERNCIAS
LIMA, Jos Donizetti de. Notas de aulas: Anlise Combinatria. Universidade Tecnolgica Federal do Paran UTFPR.
Pato Branco, agosto de 2006.
IEZZI, Gelson. Fundamentos da Matemtica. 4. ed. So Paulo: Atual Editora Ltda. 1993. (vol. 1 a 10)
BIANCHINI, Edwaldo; PACCOLA, Herval. Curso de Matemtica. 2. ed. So Paulo: Moderna, 1999.
LIMA, Elon Lages. Coleo do Professor de Matemtica. IMPA. Rio de Janeiro: Graftex: 1996.
Matemtica para escolas tcnicas industriais e centros de educao tecnolgica, Curitiba: Centro Federal de Educao
tecnolgica do Paran, 1987. Anlise Combinatria.
www.vestibular1.com.br; Acesso em: 24 de agosto de 2006.

NMEROS BINOMIAIS
Definio: Dados dois nmeros naturais n e p (n p), chamamos de nmero binomial e indicamos
n
por o nmero:
p
n n!

p p!.( n p)!
n
Observando a expresso anterior, conclumos que Cn , p (n p).
p
Vejamos alguns exemplos a seguir:
4 4! 4! 5 5! 5!
1) 4 C4, 3 2) 10 C5, 2
3 3!.(4 3)! 3!.1! 2 2!.(5 2)! 2!.3!
Como consequncia da definio, temos:
n n n! n! n! n!
= 1, pois 1
0 0 0!.(n 0)! 0!.n! 1.n! n!
n n n! n.(n 1)! n.(n 1)!
= n, pois n
1 1 1!.(n 1)! 1.(n 1)! (n 1)!

n n n! n! n! n!
= 1, pois 1
n n n!.(n n)! n!.0! n!.1 n!
6 6 6
Exemplo: 1) Calcular: E = + + = 1 + 6 + 1 = 8
0 1 6
n n
Definio Nmeros binomiais complementares: Dizemos que dois nmeros binomais e
p q
so complementares se, e somente se: p + q = n.

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 205
Propriedade de dois nmeros binomiais complementares

n n
Dois nmeros binomiais complementares so iguais, isto : p q n
p q
n n! n! n! n
Prova:
p p!.(n p)! (n q)!.q! q!.(n q)! q
Exemplos:
7 7! 8 8!

2 2!.5! 7 7 3 3!.5! 8 8
1) 2)
7 7! 2 5 8 8! 3 5

5 5!.2! 5 5!.3!
8 8
3) Calcular x, sendo
2x 1 5 x
2x 1 5 x 3x 6 x 2
8 8
Soluo: ou ou ou
2x 1 5 x 2x 1 5 x 8 x 4 8 x 4

n n n 1
Relao de Stifel: Dados n, p e p + 1 n , temos
p p 1 p 1
Prova:
n n n! n! n! n!

p p 1 p!.(n p)! (p 1)!.(n p 1)! p!.(n p)(n p 1)! (p 1).p!.(n p 1)!
n!.(p 1) (n p).n! n!.(p 1 n p) n!.(n 1)
*
(p 1).(n p).(n p 1)!p! (p 1).(n p).(n p 1)!p! p!(p 1).(n p 1)!(n p)

(n 1)! n 1

(p 1)!(n p)! p 1
* n 1 (n 1)! (n 1).n! (n 1).n!
Pois
p 1 (n 1 p 1)!.(p 1)! (n p)!.(p 1)! (n p)(n p 1)!.(p 1).p!
Exemplos ilustrativos:
10 10 11
1) 462
4 5 5
11 11 12
2) 792
6 7 7
6 6 7
3) 21
4 5 5
12 12 13 13 13 14
4) 3.432
5 6 7 6 7 7

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 206
Tringulo de Pascal (ou de Tartaglia)
Coluna 0 Coluna 1 Coluna 2 Coluna 3 Coluna 4 ... Coluna n-1 Coluna n
0
Linha 0
0
1 1
Linha 1
0 1
2 2 2
Linha 2
0 1 2
3 3 3 3
Linha 3
0 1 2 3
4 4 4 4 4
Linha 4
0 1 2 3 4

... ... ... ... ... ... ...

Linha n n n n n n n n
...
0 1 2 3 4 n 1 n
Calculando esses nmeros binomiais temos:
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
... ... ... ... ... ...
Soma das linhas do tringulo de Pascal

1 soma = 1 = 20
1 1 soma = 2 = 21
1 2 1 soma = 4 = 22
1 3 3 1 soma = 8 = 23
1 4 6 4 1 soma = 16 = 24
1 5 10 10 5 1 soma = 32 = 25
... ... ... ... ... ...

n n n n n
Isto induz a: ... 2 n
0 1 2 n 1 n
A demonstrao dessa relao pode ser feita por meio do binmio de Newton.

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 207
 FORMULRIO DE REVISO
Fatorial: n! n (n 1) (n 2) ... 3 2 1 ; 0! = 1 e 1! = 1
n!
Arranjos de n elementos tomados p a p dado por: An , p A np
(n p )!
Permutao de n elementos a denominao dada aos arranjos com n = p, ou seja, so os
elementos de A com p = n. Fica fcil mostrar que Pn = Ann = n.(n-1).(n-2). ... .(n-n+1) = n!.
Permutao Simples Pn n!
n!
Permutao c/ elementos repetidos Pn , ,...
! !....
Combinao simples de n elementos tomados p a p representada por:
n
n
A n!
Cn, p C pn p

Pp p !(n p ) ! p

Nmeros Binomiais ou Combinatrios: Os nmeros conhecidos como binomiais so aqueles da

n! n
forma: e so representados por: .
p!(n p)! p

Elementos de Probabilidade e Estatstica Prof. Jos DONIZETTI de Lima, Dr. Eng. Pgina 208