Livro Probabilidade e Estatistica PDF

Francisco de Assis Amaral Bastos
Estatstica e Probabilidade
1 Edio
Fortaleza 2015
Copyright 2010. Todos os direitos reservados desta edio SECRETARIA DE APOIO S TECNOLOGIAS
EDUCACIONAIS (SATE/UECE). Nenhuma parte deste material poder ser reproduzida, transmitida e gravada, por
qualquer meio eletrnico, por fotocpia e outros, sem a prvia autorizao, por escrito, dos autores.
EXPEDIENTE
Design instrucional
Projeto grfico
Coordenador Editorial
Diagramao
Ilustrao
Capa
PRESIDENTE DA REPBLICA
MINISTRO DA EDUCAO
SECRETRIO DE EDUCAO A DISTNCIA
DIRETOR DO DEPARTAMENTO DE POLTICAS EM EDUCAO A DISTNCIA DPEAD
SISTEMA UNIVERSIDADE ABERTA DO BRASIL
GOVERNADOR DO ESTADO DO CEAR
REITOR DA UNIVERSIDADE ESTADUAL DO CEAR
VICE-REITOR
PR-REITORA DE GRADUAO
COORDENADOR DA SECRETARIA DE EDUCAO A DISTNCIA
COORDENADOR GERAL UAB/UECE
COORDENADORA ADJUNTA UAB/UECE
COORDENADOR DA LICENCIATURA EM COMPUTAO
COORDENADORA DE TUTORIA E DOCNCIA DA LICENCIATURA EM COMPUTAO

SUMRIO
Apresentao..........................................................................................................................
Unidade 1
Probabilidade...........................................................................................................................
Captulo 1 O Ambiente das Probabilidades...............................................................
1. Experimentos Aleatrios...............................................................................
2. Espao Amostral............................................................................................
3. Eventos...........................................................................................................
Captulo 2 Probabilidade.............................................................................................
1. Probabilidade.................................................................................................
1.1 Funo Probabilidade.......................................................................
1.2 Propriedades das Probabilidades.....................................................
2. Determinao das Probabilidades..................................................................
2.1 Frequncia Relativa...........................................................................
2.2 Espaos Amostrais Finitos..................................................................
2.3 Espaos Amostrais Finitos Equiprovveis..........................................
Captulo 3 Probabilidade Condicional e Independncia..............................................
1. Probabilidade Condicional (Condicionada).....................................................
2. Eventos Independentes....................................................................................
Captulo 4 Teorema da Probabilidade Total e teorema de Bayes...............................
1. Partio do Espao Amostral............................................................................
2. Teorema da Probabilidade Total......................................................................
3. Teorema de Bayes............................................................................................
Exerccios..........................................................................................................................
Soluo dos Exerccios......................................................................................................
Unidade 2
Variveis Aleatrias......................................................................................................................
Captulo 1 Variveis Aleatrias......................................................................................
1. Definio............................................................................................................
2. Variveis Aleatrias Discretas...........................................................................
2.1 Distribuio de Probabilidade..............................................................
2.2 Funo Densidade de Probabilidade....................................................
2.3 Funo Distribuio Acumulada de Probabilidade...............................
2.4 Esperana Matemtica ou Valor Esperado...........................................
2.5 Varincia e Desvio Padro.....................................................................
3. Variveis Aleatrias Contnuas.............................................................................
3.1 Funo Densidade de Probabilidade.......................................................
3.2 Funo Distribuio Acumulada de Probabilidade.................................
3.3 Esperana Matemtica e Varincia........................................................
4. Propriedades da Esperana e Varincia...............................................................
Captulo 2 Algumas Variveis Aleatrias Discretas............................................................
1. Binomial.................................................................................................................
2. Geomtrica.............................................................................................................
3. Binomial Negativa (Pascal).....................................................................................
4. Hipergeomtrica.....................................................................................................
5. Poisson.....................................................................................................................
5.1 Aproximao Binomial x Poisson..............................................................
5.2 Processo de Poisson...................................................................................
Captulo 3 Algumas Variveis Aleatrias Contnuas;............................................................
1. Normal.....................................................................................................................
1.1 Normal Padro...........................................................................................
1.2 Aproximao Binomial x Normal...............................................................
2. Uniforme...................................................................................................................
3. Exponencial...............................................................................................................
3.1 Relao Exponencial x Poisson....................................................................
Exerccios.......................................................................................................................
Soluo dos Exerccios...................................................................................................
Unidade 3
Inferncia Estatstica............................................................................................................................
Captulo 1 Medidas Descritivas.............................................................................................
1. O que so Medidas Descritivas.................................................................................
2. Medidas Descritivas e Inferncia..............................................................................
3. Mdia Aritmtica.......................................................................................................
4. Proporo...................................................................................................................
5. Varincia e Desvio Padro.........................................................................................
Captulo 2 Distribuies Amostrais de Probabilidade............................................................
1. Conceitos iniciais de Estimadores e estimativas.......................................................
2. Distribuio Amostral da Mdia................................................................................
2.1 Clculo do tamanho da amostra para estimar a Mdia.............................
3. Distribuio Amostral da Proporo..........................................................................
3.1 Clculo do tamanho da amostra para estimar a Proporo.......................
Captulo 3 Estimao..............................................................................................................
1. O que Estimao.....................................................................................................
2. Estimador...................................................................................................................
3. Estimativas.................................................................................................................
3.1 Estimativa por Ponto....................................................................................
3.2 Estimativa por Intervalo (Intervalo de Confiana)......................................
4. Intervalo de Confiana para a Mdia........................................................................
4.1 Intervalo de Confiana para a Mdia com X2 desconhecida.....................
5. Intervalo de Confiana para a Proporo..................................................................
Captulo 4 Testes de Hipteses...............................................................................................
1. O que so Testes de Hipteses...................................................................................
2. Tipos de Erros................................................................................................................
3. Tipos de Testes..............................................................................................................
3.1 Mecanismo do Teste.......................................................................................
4. Teste de Hipteses para a Mdia.................................................................................
4.1 Teste Bilateral.................................................................................................
4.2 Testes Unilaterais............................................................................................
5. Testes de Hipteses para a Mdia com X2 desconhecida...........................................
5.1 Teste Bilateral.................................................................................................
6. Teste de Hipteses para a Proporo...........................................................................
6.1 Teste Bilateral.................................................................................................
Exerccios...........................................................................................................................
Soluo dos Exerccios.......................................................................................................
Unidade 4
Correlao e Regresso............................................................................................................................
Captulo 1 Correlao.................................................................................................................
1. Variveis Aleatrias Bidimensionais............................................................................
1.1 Esperana Matemtica, Varincia e Covarincia...................................................
1.2 Coeficiente de Correlao.....................................................................................
2. Coeficiente de Correlao Amostral...........................................................................
2.1 Estimadores dos Parmetros Populacionais.........................................................
2.2 Anlise do Coeficiente de Correlao Amostral....................................................
3. Intervalo de Confiana para XY ..................................................................................
4. Testes de Hipteses para XY ......................................................................................
Captulo 2 Regresso Linear Simples.........................................................................................
1. A varivel Aleatria E(Y|X)..........................................................................................
2. O Problema da Regresso Linear................................................................................
3. O Mtodo dos Mnimos Quadrados...........................................................................
4. Coeficiente de Determinao x Coeficiente de Correlao........................................
5. Intervalos de Confiana e Testes de Hipteses da Regresso....................................
5.1 Intervalo de Confiana e Teste para 0 ..................................................................
5.2 Intervalo de Confiana e Teste para 1 ..................................................................
5.3 Intervalo de Confiana para o Valor Mdio de Y dado xk ....................................
5.4 Intervalo de Confiana para um Valor Individual de Y dado xk ............................
Exerccios...........................................................................................................................
Soluo dos Exerccios.......................................................................................................
Dados do Autor..........................................................................................................................................
Bibliografia................................................................................................................................................
Apndices
Apndice 1 Formulrio................................................................................................................
Probabilidade......................................................................................................................
Variveis Aleatrias............................................................................................................
Intervalos de Confiana......................................................................................................
Testes de Hipteses............................................................................................................
Correlao e Regresso......................................................................................................
Apndice 2 Conjuntos..................................................................................................................
Apndice 3 Tcnicas de Contagem..............................................................................................
Anexos
Anexo 1 Tabela da Distribuio Normal Padro..........................................................................
Anexo 2 Tabela da Distribuio t-Student....................................................................................
APRESENTAO
Este livro destina-se, em especial, aos alunos do Cursos de Licenciatura em Computao ofertado pelo
Centro de Cincias e Tecnologia da Universidade Estadual do Cear, na modalidade a distncia, dentro do
sistema Universidade Aberta do Brasil do Ministrio da Educao. No entanto, tambm pode ser utilizado
por outros cursos, de licenciatura ou bacharelado, que tenham disciplinas de Probabilidade e Estatstica em
suas grades curriculares. O objetivo principal desta publicao apresentar aos alunos os conceitos
fundamentais de Probabilidade e Inferncia Estatstica, habilitando-os ao tratamento de dados em trabalhos
acadmicos ou cientficos. Alm da parte terica, so postos exemplos de aplicao cada assunto
exposto, bem como exerccios ao final de cada unidade. Ao longo do texto so apresentadas em destaque
observaes e informaes consideradas importantes para melhor compreenso dos temas e
complementao do conhecimento dos mesmos. Tambm, com o intuito de forar o aluno a resolver
problemas para fixao dos assuntos abordados, sugerida a soluo de exerccios de forma complementar
aos exemplos dados, bem como so postos desafios que, inclusive, necessitam do conhecimento de
assuntos vistos em outras disciplinas do curso, como Fundamentos do Clculo. Para facilitar a consulta a
conhecimentos necessrios ao aprendizado da Probabilidade, ao final so apresentados dois apndices,
com o resumo de Teoria dos Conjuntos e Tcnicas de Contagem. Em um outro apndice, esto todas as
frmulas utilizadas no livro, para consulta rpida pelos alunos quando necessrio. Um destaque que todos
os exerccios propostos esto resolvidos para auxlio no caso de dvidas em relao soluo dos mesmos.
Vale ressaltar aos alunos que isto no os exime da responsabilidade de resolv-los, muito pelo contrrio,
cabe a cada um a percepo de como melhor utilizar esta facilidade. O livro composto de quatro unidades.
Na Unidade 1 so apresentados os conceitos de Probabilidade, ferramenta essencial para a compreenso
dos processos vistos nas unidades seguintes. Na Unidade 2 esto os conceitos de Variveis Aleatrias,
onde so definidos modelos matemticos, chamados de Modelos Probabilsticos, que generalizam o
comportamento dessas variveis, permitindo o clculo de probabilidades em situaes especficas que se
enquadrem dentro de uma situao genrica. Na Unidade 3 abordada a Inferncia Estatstica, tema
imprescindvel no trabalho cientfico no qual se pretende validar, probabilisticamente, hipteses a respeito
de parmetros populacionais, este assunto depende intrinsicamente dos conhecimentos sobre
Probabilidade e Variveis Aleatrias, vistos nas unidades anteriores. Por fim, a Unidade 4 trata da aplicao
de uma tcnica bastante difundida que a anlise do relacionamento funcional entre duas ou mais variveis
e a estimao de um modelo matemtico que permita prever ou predizer o valor de uma varivel em funo
de outra, para isto so discutidos o Coeficiente de Correlao e a Anlise de Regresso.
O autor
UNIDADE 1
PROBABILIDADE
No dia-a-dia, nos deparamos frequentemente com situaes em que precisamos tomar decises
baseadas intuitivamente em probabilidades. Por exemplo, ao sair de casa necessrio avaliar se a
probabilidade de chover grande ou pequena para decidir-se quanto roupa que ser utilizada. Estas
situaes podem representar casos em que as consequncias do erro na deciso assumida podem ser
de extrema gravidade ou mesmo sem qualquer importncia. Para o cidado comum, apenas o
conhecimento intuitivo das probabilidades suficiente. No entanto, quando esto envolvidos
problemas mais complexos, em qualquer rea de conhecimento, necessria uma formalizao para a
determinao das probabilidades, criando um embasamento terico a ser aplicado, em especial, em
trabalhos cientficos.
O clculo das probabilidades tem sua origem nos jogos de azar como, por exemplo, o
lanamento de uma moeda. A princpio, caso haja evidncias de que a moeda honesta,
intuitivamente podemos considerar que as chances de ocorrncia de cara de cara e coroa so iguais a
50%. Um problema surge caso haja desconfiana de que a moeda no seja honesta que a forma de
se determinar essas probabilidades, sendo este, ento, o grande objetivo do estudo do Clculo das
Probabilidades.
Um fato importante que deve ser ressaltado que, embora o clculo das probabilidades tenha
surgido com o estudo dos jogos de azar, ele se aplica a vrias situaes do cotidiano que tm
comportamento anlogo a diversos jogos. Veja que o caso do lanamento de uma moeda, que possui
apenas dois resultados possveis, cara ou coroa, se encaixa em vrias situaes semelhantes, como, por
exemplo, o processo de fabricao de peas que pode gerar peas boas ou defeituosas. Assim, a
fundamentao terica que vale para o lanamento de uma moeda tambm aplicvel fabricao de
peas num processo produtivo.
CAPTULO 1
O Ambiente das Probabilidades

1 EXPERIMENTOS ALEATRIOS
EXPERIMENTOS ALEATRIOS OU PROBABILSTICOS so aqueles que, ao serem repetidos em

condies semelhantes, podem apresentar resultados distintos. Esta caracterstica o que fundamenta
o estudo da Probabilidade, na medida em que, ao no sabermos o que exatamente ir acontecer, mas
sim o que poder acontecer, h o interesse em se mensurar a possibilidade de se obter determinados
resultados. So exemplos de experimentos aleatrios:
E1: Jogar um dado e anotar o nmero mostrado na face superior

E2: Jogar uma moeda at que aparea uma cara e anotar a sequncia de caras (C) e coroas (K)
que aparecem
E3: Testar uma lmpada e anotar o tempo levado (em horas) at queimar
2 ESPAO AMOSTRAL
O conjunto S de todos os resultados possveis de um experimento aleatrio chamado de

ESPAO AMOSTRAL. Para os experimentos dados acima, temos:
E1: S1={1,2,3,4,5,6} E2: S2={C,KC,KKC,KKKC,...} E3: S3={tR , t0}
Os espaos amostrais podem ser classificados como:
DISCRETOS Quando os resultados do experimento so pontuais: S1 e S2

CONTNUOS Quando os resultados do experimento podem assumir quaisquer valores dentro
de um intervalo ou unio de intervalos reais: S3
Necessariamente, os espaos contnuos so INFINITOS, enquanto que os discretos podem ser

FINITOS ou INFINITOS ENUMERVEIS.
S1={1,2,3,4,5,6} FINITO
DISCRETO
S2={C,KC,KKC,KKKC,...} INFINITO ENUMERVEL
S3={tR , t0} INFINITO CONTNUO
3 EVENTOS
No contexto deste livro, um EVENTO qualquer subconjunto de S. Na prtica, um evento

corresponde ao subconjunto formado pelos resultados do experimento que atendem a determinadas
caractersticas de interesse. Por exemplo, no lanamento de um dado uma nica vez (experimento E1
visto acima), se o interesse a obteno de um nmero par, o evento correspondente ser o
subconjunto A={2,4,6}. Quando lanamos uma moeda at aparecer uma cara (experimento E2),
podemos estar interessados em saber qual a probabilidade de serem necessrios no mximo 3
lanamentos para se obter cara, assim, B={C,KC,KKC}. Ao se adquirir um determinado tipo de
lmpada (experimento E3), pode-se estar interessado em saber qual a probabilidade de que a mesma
dure pelo menos 500 horas, neste caso o evento o subconjunto C={tR , t500}.
Se na realizao de um experimento ocorrer um resultado x pertencente a um subconjunto
(EVENTO) A, ento diz-se que o evento A ocorreu, caso contrrio, A no ocorreu. Por exemplo, se
lanarmos um dado e o resultado obtido o nmero 6, como 6{2,4,6} ento A (n par) ocorreu.
Assim, podemos enunciar o seguinte:
1) Se A subconjunto de S, ento A um EVENTO;

2) (conjunto vazio) dito EVENTO IMPOSSVEL;
3) S (espao amostral) dito EVENTO CERTEZA.
Para espaos amostrais discretos, temos:
1) Se A um conjunto unitrio ele dito um EVENTO SIMPLES;

2) Se A um conjunto no unitrio ele dito EVENTO COMPOSTO, formado pela unio de
eventos simples;
CAPTULO 2
Probabilidade
1 PROBABILIDADE
1.1 FUNO PROBABILIDADE
OBSERVAO
Os conceitos que sero vistos a seguir so baseados em espaos amostrais finitos, para melhor
compreenso. Mas todos eles so vlidos para espaos infinitos. Na Unidade 2 ser abordado
como calcular probabilidades para o caso infinito, com a introduo do conceito de Variveis
Aleatrias.
Na realizao de um experimento E, a probabilidade de ocorrncia de um evento qualquer A

uma funo P, aplicada aos eventos associados ao espao amostral S, satisfazendo s seguintes
condies:
1) 0 P(A) 1
2) P(S) 1

* Ai * P( Ai ) ,
3) P se Ai A j para i j
iN iN
OBSERVAES
P uma funo de conjuntos, P:(S)[0,1], onde (S) so as partes de S, ou seja, todos os
subconjuntos (EVENTOS) de S;
Se, para os conjuntos A1, A2,...,An, no existir qualquer interseo entre eles, ou seja,
Ai Aj para i j (condio 3), eles so ditos MUTUAMENTE EXCLUSIVOS.
Na prtica, percebe-se que a frequncia relativa (ou percentual) satisfaz a essas condies, ou seja,
calcular probabilidades calcular percentuais.
IMPORTANTE
Veja que trabalhar com probabilidade
trabalhar com operaes de conjuntos.
Portanto, muito importante fazer uma
reviso sobre o assunto, que pode ser
encontrado no APNDICE 2
EXEMPLO 1.2.1.1[1]
Suponha que na fabricao de certo tipo de pea, ela pode apresentar 0,1,2 ou 3 defeitos, com
4 3 2 1
probabilidades , , e , respectivamente:
10 10 10 10
S {0,1,2,3}
Eventos de S: ,{0},{1},{2},{3},{0,1},{0,2},{0,3},{1,2},{1,3},{2,3}
{0,1,2},{0,1,3},{ 0,2,3},{1,2,3},{0,1,2,3}
P()=0 P(S)=P({0,1,2,3})=1
4 3 2 1
A1 {0}; P ( A1 ) A2 {1}; P( A2 ) A3 {2}; P( A3 ) A4 {3}; P( A4 )
10 10 10 10
3 2 5
A5 {1,2}; P( A5 ) P( A2 ) P( A3 )
10 10 10
5 1 6
A6 {1,2,3}; P( A6 ) P( A5 ) P( A4 )
10 10 10
3 2 1 6
ou P( A6 ) P( A2 ) P( A3 ) P( A4 )
10 10 10 10
OBSERVAES
Veja que:
P ( S ) P ({0,1,2,3}) P ({0}) P ({1}) P ({2}) P ({3})
4

3

2

1
1
10 10 10 10
S=SP(S)=P(S)+P()1=1+ P()P()=0
A soma das probabilidades dos eventos simples igual a 1
Conhecendo-se as probabilidades dos eventos simples, determinam-se as probabilidades de
quaisquer eventos compostos
Numa situao prtica, para este exemplo, podemos imaginar que em um processo de fabricao,
4
de determinado fabricante, de certo tipo de pea, 40%
delas no apresentam defeitos, 30%
10
3 2 1
apresentam 1 defeito, 20% apresentam 2 defeitos e 10% apresentam 3 defeitos.
10 10 10
Assim, um consumidor ao comprar uma dessas peas, a probabilidade de que ela no apresente defeito
4 6
(A1) e de que ela seja defeituosa (A6) . Outra interpretao importante que, se o consumidor
10 10
comprar vrias peas, de uma nica vez ou ao longo do tempo, espera-se que 40% delas no
apresentem defeitos e 60% apresentem pelo menos um defeito.
1.2 PROPRIEDADES DAS PROBABILIDADES
1) P( ) 0
2) P(A ) 1 P(A), onde A o complementar de A
n
n
3) P
i P( Ai ) , se Ai A j para i j
A
i 1 i 1
4) P(A1 A2 ) P(A1 ) P(A2 ) P(A1 A2 )
n
PAi A j Ar ... 1 P A1 A2 ... An
n n n

n 1
5) P
A
i P ( Ai ) P Ai A j
i 1 i 1 i j 2 i j r 3
IMPORTANTE
A terceira propriedade enunciada acima consiste na REGRA DA SOMA, ou seja, a PROBABILIDADE DA
UNIO de eventos a SOMA DAS PROBABILIDADES de cada evento, observando-se que, caso haja
alguma interseo entre eles elas devem ser consideradas (somadas ou subtradas) nesta soma,
situao da quarta e quinta propriedades.
EXEMPLO 1.2.1.2[1]
Considere uma roleta com os nmeros 1,2,3,4,5,6,7,8,9,10,11 e 12, cujas probabilidades de

1 2 3 4 5
serem obtidos so, respectivamente: P(1) , P (2) , P(3) , P (4) , P(5) ,
78 78 78 78 78
6 7 8 9 10 11 12
P ( 6) , P (7) , P(8) , P (9) , P (10) , P (11) e P (12)
78 78 78 78 78 78 78
No experimento que consiste em rodar a roleta uma nica vez, sejam os eventos:
A: o n par B: o n mpar C: o n primo D: o n mltiplo de 4

E: o n mltiplo de 3, menor do que 12 e no primo
A={2,4,6,8,10,12}
2 4 6 8 10 12 42
P( A) P(2) P(4) P(6) P(8) P(10) P(12)
78 78 78 78 78 78 78
B={1,3,5,7,9,11}
1 3 5 7 9 11 36
P( B) P(1) P(3) P(5) P(7) P(9) P(11)
78 78 78 78 78 78 78
36 42
Observe que A e B so complementares, ento verifica-se que P( A) 1 P( B) 1 ,
78 78
42 36
bem como P( B) 1 P( A) 1 .
78 78
2 3 5 7 11 28
C {2,3,5,7,11} P(C ) P(2) P(3) P(5) P(7) P(11)

78 78 78 78 78 78
4 8 12 24
D {4,8,12} P( D) P(4) P(8) P(12)
78 78 78 78
6 9 15
E {6,9} P( E ) P(6) P(9)
78 78 78
Como C, D e E so mutuamente exclusivos, no h qualquer interseo entre eles, C D ,
C E e D E , temos que:
28 24 15 67
P(C D E ) P(C ) P( D) P( E )
78 78 78 78
Como de fato:
C D E {2,3,4,5,6,7,8,9,11,12}
P(C D E ) P(2) P(3) P(4) P(5) P(6) P(7) P(8) P(9) P(11) P(2)
2 3 4 5 6 7 8 9 11 12 67

78 78 78 78 78 78 78 78 78 78 78
Como B e C no so mutuamente exclusivos, pois existe interseo entre eles, B C , temos

que:
3 5 7 11 26
B C {3,5,7,11} P( B C )
78 78 78 78 78
36 28 26 38
P( B C ) P( B) P(C ) P( B C )
78 78 78 78
Como de fato:
B C {1,2,3,5,7,9,11}
1 2 3 5 7 9 11 38
P( B C ) P(1) P(2) P(3) P(5) P(7) P(9) P(11)
78 78 78 78 78 78 78 78
2 DETERMINAO DAS PROBABILIDADES
2.1 FREQUENCIA RELATIVA
Avaliando a definio de probabilidade, fcil verificar que a frequncia relativa (ou o

percentual) atende s condies impostas. Desta forma, a probabilidade de ocorrncia de um
determinado evento A pode ser determinada (aproximada) a partir da realizao do experimento uma
certa quantidade de vezes n. Na medida que o experimento vai sendo repetido, a frequncia relativa
nA
do evento A, f A , onde nA a quantidade de vezes que A ocorreu nas n repeties, tende a
n
estabilizar-se em um valor p, que pode ser considerado como uma aproximao da probabilidade
desejada. evidente que, quanto maior a quantidade de repeties do experimento melhor ser a
aproximao, isto pode ser representado pela expresso e figura abaixo.
lim f A p
n
IMPORTANTE
Para experimentos com espaos amostrais infinitos (contnuos), o procedimento descrito
acima o que deve ser aplicado. Naturalmente, na maioria das situaes prticas invivel a
realizao repetida do experimento para se determinar probabilidades, nestes casos recorre-
se a ocorrncias passadas para estimao dessas probabilidades.
Para espaos infinitos enumerveis tambm deve ser aplicado este procedimento. Mas, nestes
casos, se o experimento for composto pela realizao de outros experimentos, como o caso
do experimento E2, apresentado como exemplo na definio de experimento aleatrio, onde
o lanamento de uma moeda at a obteno de uma cara um experimento composto do
experimento que o lanamento de uma moeda uma nica vez, com os resultados possveis
C ou K. Caso as probabilidades de ocorrncia de C ou K forem previamente conhecidas elas
determinam as probabilidades das sequncias obtidas no evento composto. Isto ser visto
mais adiante, com a REGRA DO PRODUTO.
2.2 ESPAOS AMOSTRAIS FINITOS
Seja E um experimento aleatrio com uma quantidade finita n de resultados possveis, ou seja,
seu espao amostral S={a1,a2,...,an} finito. Se P uma probabilidade, ento:
1 ) Pai pi 0 pi 1
n
2 ) pi 1
I 1
OBSERVAES
O resultado (1) acima indica que cada evento simples {ai} tem probabilidade pi de ocorrer
O item (2) resulta de que P(S)=1 (por definio):

S={a1}{a2}...{an}P(S)=P({a1})+P({a2})+...+P({an})1=P({ai})
IMPORTANTE
Para os espaos finitos em que seus eventos simples no tenham a mesma probabilidade de
ocorrer, as probabilidades desses eventos devem ser calculadas pelo mtodo da frequncia
relativa ou, a exemplo dos espaos infinitos enumerveis, pela Regra do Produto se o
experimento for composto pela realizao de outros experimentos com probabilidades
previamente conhecidas.
EXEMPLO 1.2.2.2[1]
Retornando ao exemplo 1.2.1.1[1], da fabricao de peas, vimos que:
S {0,1,2,3}
4
P({0}) ;0 P({0}) 1
10
3
P({1}) ;0 P({1}) 1
10
2
P({2}) ;0 P({2}) 1
10
1
P({3}) ;0 P({3}) 1
10
4 3 2 1 10
P({0}) P({1}) P({2}) P({3}) 1
10 10 10 10 10
3.3 ESPAOS AMOSTRAIS FINITOS EQUIPROVVEIS
Se E um experimento com espao amostral finito, S={a1,a2,...,an}, e seus eventos simples,

{a1}, {a2},..., {an}, tm a mesma probabilidade, P({ai}) = p, de ocorrer, ento ele dito equiprovvel e:
1
1) p
n
2) Se A um evento composto, com k elementos, A={b1,b2,...,bk}, bjS, j=1,2,...,k, 1kn, ento
k
P ( A)
n
O resultado em (2) comumente enunciado de uma das seguintes formas:
nmero de elementos de A nmero de casos favorveis a A n( A)

P( A) ; P( A) ; P( A)
nmero de elementos de S nmero de casos possveis n( S )
OBSERVAES
Este resultado permite concluir que, em experimentos com espaos amostrais finitos
equiprovveis, a probabilidade de ocorrncia de determinado evento A igual proporo (ou
percentual) de elementos pertencentes ao evento A em relao ao total de elementos do espao
amostral S.
Esta interpretao, reforada pelo mtodo da frequncia relativa, pode ser estendida para
qualquer situao, ou seja, a probabilidade de ocorrncia de um evento A dada pela proporo
favorvel a A, em relao a todas as possibilidades. Por exemplo, se lanarmos aleatoriamente
um objeto sobre uma superfcie com 30% de sua rea pintada de vermelho, a probabilidade de
que o objeto atinja a cor vermelha 0,30.
IMPORTANTE
Observe que, em muitas situaes, no caso de espaos amostrais finitos
equiprovveis, necessria a determinao da quantidade de elementos
do espao amostral e dos eventos. Assim, importante uma reviso nas
TCNICAS DE CONTAGEM, especialmente ANLISE COMBINATRIA, cujo
contedo encontrado no APNDICE 3
EXEMPLO 1.2.3.3[1]
Experimento: lanar um dado e observar a face superior
Considerando S equiprovvel, temos:
S {1,2,3,4,5,6}; n( S ) 6
1
P({1}) P({2}) P({3}) P({4}) P({5}) P({6})
6
n( A) 3 1
A n par A {2,4,6}; n( A) 3; P( A)
n( S ) 6 2
EXEMPLO 1.2.3.3[2]
Experimento: lanar uma moeda 3 vezes e observar a sequncia obtida de caras (C) e coroas (K):
Considerando S equiprovvel, temos:
S {KKK , KKC, KCK , CKK , KCC, CKC, CCK , CCC}; n( S ) 8
1
P({KKK}) P({KKC}) ... P({CCC})
8
n( A) 3
A 1 cara A {KKC, KCK , CKK}; n( A) 3; P( A)
n( S ) 8
Uma outra maneira de representarmos os espao amostral de um experimento atravs de
uma rvore de Possibilidades, para o exemplo 1.2.3.3[2], temos:
EXEMPLO 1.2.3.3[3]
Uma urna contm 10 bolas, sendo 2 brancas, 3 vermelhas e 5 amarelas.

Experimento: retirar 6 bolas da urna, simultaneamente.
Seja o evento Aretirar exatamente 1 bola branca, 2 vermelhas e 3 amarelas
Ao contrrio dos exemplos anteriores, aqui fica quase impraticvel a enumerao dos
elementos do espao amostral e do evento em questo, face quantidade dos mesmos. Recorreremos,
ento, Anlise Combinatria. Veja que, como a retirada simultnea, no existe uma ordem de
retirada nem possvel que uma mesma bola seja retirada mais de uma vez, ou seja, no h repetio.
Assim ser utilizada a COMBINAO SIMPLES, para a determinao dessas quantidades.
O espao amostral S composto por todas as sextuplas que podem ser formadas (no
ordenadas e sem repetio) a partir das bolas existentes na urna:
10!
n( S ) C10, 6 210
6!4!
O evento A formado por todas as sextuplas que podem ser formadas (sem ordem e sem
repetio) a partir das bolas existentes na urna, contendo exatamente 1 bola branca, 2 vermelhas e 3
amarelas:
n( A) 60 2
n( A) C 2,1 C3, 2 C5,3 2 3 10 60 P( A)
n( S ) 210 7
EXEMPLO 1.2.3.3[4]
Vamos considerar a mesma situao do exemplo 1.2.3.3[3], mas que a retirada das bolas seja
feita de forma sucessiva, sem reposio. Ou seja, existe uma ordem na retirada das bolas, mas no
possvel que uma bola seja retirada mais de uma vez. Assim para a contagem vamos utilizar ARRANJO
SIMPLES. Ento:
10!
n( S ) A10, 6 151 .200
4!
Uma sequncia possvel de ser obtida , cuja quantidade :
A2,1 A3, 2 A5,3 2 3 60 360
Mas existem vrias sequncias possveis com 1 bola branca, 2 vermelhas e 3 amarelas, cada uma
delas com 360 possibilidades. Para determinarmos todas essas sequncias possveis vamos utilizar a
PERMUTAO DE ELEMENTOS REPETIDOS, aqui o B repetido 1 vez, o V, 2 vezes e o A, 3 vezes:
6!
P61, 2,3 60
1!2!3!
Ento:
21.600 1
n( A) 60 360 21.600 P( A)
151.200 7
CAPTULO 3
Probabilidade Condicional e Independncia

1 PROBABILIDADE CONDICIONAL (CONDICIONADA)
Para entendermos o conceito de probabilidade condicional, vamos considerar a seguinte

situao: Num jogo que consiste no lanamento de um dado uma nica vez, um apostador ganha
determinada quantia se o nmero obtido for par, A={2,4,6}. Assim, independente de qualquer
1
condio, a probabilidade do apostador ganhar . Agora, se aps o lanamento do dado for dada a
2
informao de que o nmero obtido maior do que 3, B={4,5,6}, a probabilidade do apostador ganhar
2 2
passa a ser , ou seja, a probabilidade de A condicionada a B .
3 3
Podemos, ento, interpretar a probabilidade condicional da seguinte forma, considerando-se
espaos amostrais finitos equiprovveis:
Como se sabe que B ocorreu, o espao amostral reduz-se a S= B. Portanto, n(S) = n(B). Em S,
os casos favorveis a A so os elementos de A' A B , ento n( A' ) n( A B) , de tal forma que:
n(A B)
n(A) n(A B) n(S) P(A B)
P(A|B) P(A)
n(S ) n(B) n(B) P(B)
n(S)
Define-se, ento, a probabilidade condicional como:
P( A B)
P( A | B)
P( B)
EXEMPLO 1.3.1[1]
Um dado foi lanado e verificou-se que a face obtida apresenta um n menor do que 4, qual a
probabilidade desse n ser par ?
S {1,2,3,4,5,6}
A {2,4,6} B {1,2,3} A B {2}
3 1
P( B) P( A B)
6 6
PA B
1/ 6 1

3/ 6 3
2 EVENTOS INDEPENDENTES
Considerando ainda o jogo que consiste no lanamento de um dado uma nica vez, no qual um
apostador ganha determinada quantia se o nmero obtido for par, A={2,4,6}, vimos que,
1
independentemente de qualquer condio, a probabilidade do apostador ganhar . Dada a
2
informao de que o nmero obtido maior do que 3, B={4,5,6}, a probabilidade do apostador ganhar
2
passou a ser , ou seja, a probabilidade de A mudou pelo fato de B ter ocorrido.
3
Mas, se a informao dada for de que o nmero obtido maior ou igual a 3, B={3,4,5,6}, a
1 2
probabilidade do apostador ganhar no muda, continuando igual a . Neste caso, diz-se que os
2 4
eventos A e B so independentes.
Assim, Se A e B so independentes, temos que:
P( A B)
P( A | B) P( A) P(A B) P( A) P( B)
P( B)
Ento, se e A e B so dois eventos, diz-se que eles so mutuamente independentes se e somente
se:
P(A B) P( A) P( B)
Consequncias:
1) A e B so MI P(A|B) P(A) e P(B|A) P(B)
2) Se A B ento A e B so MI P(A) 0 ou P(B) 0
OBSERVAES
O resultado encontrado em (1) mostra que se A e B so independentes, a ocorrncia de B no
afeta a probabilidade de ocorrncia de A. Ou seja, a proporo de elementos de A em S (espao
amostral) a mesma proporo de elementos de A em B. Em outras palavras, indiferente
trabalharmos em S ou em B, pois a probabilidade de ocorrncia de A a mesma em ambos os
casos, com o mesmo valendo para B em relao a A.
J o resultado encontrado em (2), chama a ateno para um erro comum que , ao se dizer que
dois eventos, A e B, so independentes, consider-los exclusivos, ou seja, AB = , ou vice e
versa.
Para exemplificar a primeira observao acima, suponha a seguinte situao em relao
preferncia de 200 usurios, em relao a trs provedores de Internet:
PROVEDOR
SEXO
I II III TOTAL
MASCULINO (M) 20 50 10 80
FEMININO (F) 30 40 50 120
TOTAL 50 90 60 200
50
Se considerarmos todos os usurios, o percentual que prefere o provedor I de 25% .
200
20
Se considerarmos apenas os homens a preferncia pelo provedor I continua 25% , ou seja, P(I|M)
80
= P(I) = 0,25 ento I e M so independentes. O mesmo no acontece com o provedor II, cuja
90 50
preferncia considerando-se todos os usurios de 45% , mas de 62,5% entre os homens,
200 80
ou seja P(II|M) P(II) ento II e M no so independentes.
EXEMPLO 1.3.2[1]
Um dado foi lanado e verificou-se que a face obtida apresenta um n maior que 2, qual a
probabilidade desse n ser par ?
S {1,2,3,4,5,6}
A {2,4,6} B {3,4,5,6} A B {4,6}
3 1 4 2 2 1
P( A) P( B) P( A B)
6 2 6 3 6 3
PA B
1/ 3 1
P( A)
2/3 2
Conclui-se ento que A e B so independentes. Observe que a definio de eventos

independentes atendida:
1 2 2 1
P( A) P( B) P( A B)
2 3 6 3
EXEMPLO 1.3.2[2]
Voltando ao problema das peas, exemplo 1.2.1.1[1], que apresentam 0,1,2, ou 3 defeitos com
1 2 3 4
probabilidades , , e respectivamente, se um cliente compra uma dessas peas, a
10 10 10 10
6
probabilidade de que ela apresente no mximo 2 defeitos . Mas, se o vendedor informar ao cliente
10
que est vendendo a pea por um preo menor por ela ser defeituosa, diante disto a probabilidade de
5
que a pea apresente no mximo 2 defeitos . Portanto estes dois eventos no so independentes:
9
S={0,1,2,3}
1 2 3 6
A a pea apresenta no mximo 2 defeitos; A={0,1,2}; P( A)
10 10 10 10
2 3 4 9
B a pea defeituosa; B={1,2,3}; P( B)
10 10 10 10
2 3 5
A B {1,2}; P( A B) AB={1,2}; P(AB)=2/10+3/10=5/10
10 10 10
5
P( A B) 5
P( A | B) 10 P( A)
P( B) 9 9
10
6 9 27
Verificando pela definio de eventos independentes: P( A) P( B) P( A B)
10 10 50
A definio de eventos independentes pode ser estendida para mais de dois eventos, A1, A2, ...
, An. Neste caso, os n eventos so ditos MUTUAMENTE INDEPENDENTES se e somente se as
probabilidades de todas as intersees possveis (2 a 2, 3 a 3,...) so iguais ao produto das
probabilidades dos eventos includos na interseo:
PAi A j P( Ai ) P( A j ), i j , j 2,3,..., n
PAi A j Ak P( Ai ) P( A j ) P( Ak ), i j k , k 3,4,..., n
PAi A j Ak Al P( Ai ) P( A j ) P( Ak ) P( Al ), i j k l , l 4,5,..., n
...
P A1 A2 A3 ... An P( A1 ) P( A2 ) P( A3 )...P( An )
n
OBSERVAO: ao todo so 2 -n-1 operaes a serem verificadas
Por exemplo, no caso de 4 eventos, A1, A2, A3 e A4, para que eles sejam mutuamente
independentes devemos ter:
P( A1 A2 ) P( A1 ) P( A2 ) P( A1 A2 A3 ) P( A1 ) P( A2 ) P( A3 )
P( A2 A4 ) P( A2 ) P( A4 ) P( A1 A2 A3 A4 ) P( A1 ) P( A2 ) P( A3 ) P( A4 )
P( A3 A4 ) P( A3 ) P( A4 )
n 4 2 4 4 1 11 operaes
EXEMPLO 1.3.2[3]
Uma urna contem 3 bolas vermelhas (v1,v2 e v3) e 4 bolas brancas (b4,b5,b6 e b7). Seja o
experimento que consiste na retirada de uma amostra ordenada com reposio de 4 bolas da urna.
Sejam os eventos: A1 a primeira bola retirada branca, A2 a segunda bola retirada branca,
A3 a terceira bola retirada branca e A4 a quarta bola retirada branca. Mostre que A1,A2,A3 e A4
so MUTUAMENTE INDEPENDENTES.
n( S ) A7*, 4 7 4 2.401
A1 b (o smbolo significa que a bola pode ser de qualquer cor, banca ou vermelha)
1.372 4
n( A1 ) A4*,1 A7*,3 4 7 3 4 343 1.372 P( A1 )
2.401 7
4 4 4
De forma anloga encontramos P( A2 ) ; P( A3 ) ; P( A4 )
7 7 7
A1 A2 bb
784 16
n( A1 A2 ) A4*, 2 A7*, 2 4 2 7 2 16 49 784 P( A1 A2 )
2.401 49
De forma anloga encontramos
16 16 16 16 16
P( A1 A3 ) ; P( A1 A4 ) ; P( A2 A3 ) ; P( A2 A4 ) ; P( A3 A4 )
49 49 49 49 49
Verifica-se, ento, que

4 4 16
P( Ai A j ) P( Ai ) P( A j ) ; i j; j 2,3,4
7 7 49
A1 A2 A3 bbb
448 64
n( A1 A2 A3 ) A4*,3 A7*,1 43 71 64 7 448 P( A1 A2 A3 )
2.401 343
De forma anloga encontramos
64 64 64
P( A1 A2 A4 ) ; P( A1 A3 A4 ) ; P( A2 A3 A4 )
343 343 343

4 4 4 64
P( Ai A j Ak ) P( Ai ) P( A j ) P( Ak ) ; i j k , k 3,4
7 7 7 343
A1 A2 A3 A4 bbbb
256
n( A1 A2 A3 A4 ) A4*, 4 256 P( A1 A2 A3 A4 )
2.401
4 4 4 4 256
P( A1 A2 A3 A4 ) P( A1 ) P( A2 ) P( A3 ) P( A4 )
7 7 7 7 2.401
Assim, como todas as 11 operaes foram satisfeitas, conclumos que A1,A2,A3 e A4 so

MUTUAMENTE INDEPENDENTES.
P A1 A2
A partir da expresso da probabilidade condicional, P A2|A1 , chegamos ao
P A1
resultado:
P A1 A2 P A1 P A2|A1
Estendendo para n eventos, tem-se:
P(A1 A2 ... An ) P(A1 )P(A2|A1 )P(A3|A1 A2 )...P(An|A1 A2 ... An1 )
Se os eventos forem MUTUAMENTE INDEPENDENTES, passamos a ter:
P(A1 A2 ) P ( A1 ) P(A2 )
e
P(A1 A2 ... An ) P(A1 )P(A2 )P(A3 )...P(An )
IMPORTANTE
Os resultados enunciados acima constituem o que se denomina REGRA DO PRODUTO, ou seja, a
probabilidade da interseo de dois ou mais eventos igual ao produto das probabilidades de
ocorrncia desses eventos, sendo que a probabilidade seguinte sempre condicionada ao que
ocorreu anteriormente.
No Captulo 2, tem 3, desta unidade, foi destacado como importante que, para experimentos
com espaos amostrais infinitos enumerveis ou finitos no equiprovveis, as probabilidades de seus
eventos poderiam ser calculadas a partir da regra do produto, desde que esses experimentos sejam
compostos por um outro experimento, que chamaremos de original, e que sejam conhecidas as
probabilidades dos eventos simples do experimento original. O exemplo a seguir ilustra este fato.
EXEMPLO 1.3.2[4]
Uma moeda, que apresenta cara duas vezes mais do que coroa, lanada at que aparea uma
cara (C). Qual a probabilidade de que sejam necessrios extamente 4 lanamentos ?
Aqui, o experimento original o lanamento de uma moeda uma nica vez, com P(C) e P(K)
dadas por:
1 2
P(C ) 2 P( K ); P(C ) P( K ) 1 2 P( K ) P( K ) 1 P( K ) ; P(C )
3 3
S {C, KC, KKC, KKKC, KKKKC, KKKKKC,...}
A1=K no primeiro lanamento DESAFIO
A2=K no segundo lanamento Determine uma frmula
A3=K no terceiro lanamento para calcular a probabilidade
de que sejam necessrios
A4=C no quarto lanamento extamante x lanamentos,
veja que x=1,2,3,4,... (neste
exemplo x = 4)
A A1 A2 A3 A4 {KKKC}
Como A1, A2, A3 e A4 so mutuamente independentes, ou seja, as probabilidades de cara e coroa

no se alteram a cada lanamento, temos:
1 1 1 2 2
P( A) P( A1 A2 A3 A4 ) P( A1 ) P( A2 ) P( A3 ) P( A4 ) P( K ) P( K ) P( K ) P(C )
3 3 3 3 81
No exemplo a seguir aliamos a rvore de possibiidades com a regra do produto para o cculo
de probabilidades.
EXEMPLO 1.3.2[5]
Em um balco existem 3 gavetas I, II e III. Na gaveta I esto 5 peas, sendo 3 boas e 2

defeituosas, na gaveta II so 8 peas, 4 boas e 4 defeituosas, j a gaveta III contm 10 peas, todas
boas. Um tcnico seleciona ao acaso uma gaveta e dela retira, tambm ao acaso, uma pea. Qual a
probabilidade dessa pea ser boa ?
Sejam os eventos:
I gaveta I ; II gaveta II ; III gaveta III ; B pea boa ; D pea defeituosa
1 1 1 3 1
P( I ) ; P( II ) ; P( III ) ; P( B | I ) ; P( B | II ) ; P( B | III ) 1
3 3 3 5 2
B ( I B) ( II B) ( III B)
P( B) P( I B) P( II B) P( III B) P( I ) P( B | I ) P( II ) PB | II ) P( III ) P( B | III )
1 3 1 1 1 1 1 1 7
1
3 5 3 2 3 5 6 3 10
SUGESTO
Represente o exemplo anterior
(1.3.2[4]) atravs de uma rvore
de possibilidades
EXEMPLO 1.3.2[6]
Considere uma urna com 10 bolas, sendo 4 brancas (b) e 6 vermelhas (v). Dessa urna so
retiradas, sucessivamente, 5 bolas. Qual a probabilidade de que a sequncia das cores retiradas seja
bvvbv ?
Definamos os eventos: A1bola branca na 1 retirada, A2bola vermelha na 2 retirada, A3bola

vermelha na 3 retirada, A4bola branca na 4 retirada e A5bola vermelha na 5 retirada.
O que se deseja calcular P A1 A2 A3 A4 A5
1 caso
Se as bolas forem retiradas sem reposio, os eventos A1, A2, A3, A4 e A5 no so mutuamente
independentes, pois, aps a retirada de uma bola, na retirada seguinte as probabilidades de retirada
de uma determinada cor so diferentes das anteriores, em funo da diminuio da quantidade de
bolas na urna. Ento:
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 )
4 6 5 3 4 1

10 9 8 7 6 21
2 caso
Se as bolas forem retiradas com reposio, os eventos A1, A2, A3, A4 e A5 so mutuamente
independentes, pois, como aps a retirada de uma bola a mesma recolocada na urna, na retirada
seguinte as probabilidades de retirada de uma determinada cor so iguais s anteriores, pois a
quantidade de bolas na urna permanece a mesma. Ento:
4 6 6 4 6 108
P(A1 A2 A3 A4 A5 ) P(A1 )P(A2 )P(A3 )P(A4 ) P(A5 )
10 10 10 10 10 3.125
CAPTULO 4
Teorema da Probabilidade Total e Teorema de Bayes

1 PARTIO DO ESPAO AMOSTRAL
Seja S o espao amostral associado a um experimento E. Se B1,B2,...,Bn so eventos satisfazendo

a:
n
1) Bi S
i 1
2) Bi B j i j
3) P(Bi ) 0 i 1,2,...,n
Ento os eventos Bi formam uma PARTIO do espao amostral S.
EXEMPLO 1.4.1[1]
S (0,1,2,3,4,5}
B1 {0,2} B2 {1,3,5} B3 {4}
B1 B2 B3 {0,1,2,3,4,5} S
2 3 1
P( B1 ) 0 P( B2 ) 0 P( B3 ) 0
6 6 6
B1 B2 B1 B3 B2 B3
Na prtica podemos ter situaes como, por exemplo, a partio de uma populao de acordo
com o sexo B1Masculino, B2Feminino, ou as peas de determinado tipo podem ser separadas por
fabricante, B1Fabricante A, B2Fabricante B, B3Fabricante C e B4Outros fabricantes.
2 TEOREMA DA PROBABILIDADE TOTAL
Se B1, B2,...,Bn so uma partio de um espao amostral S e A um evento qualquer de S, ento:
n
P(A) P(A|Bi ) P(Bi )
i 1
EXEMPLO 1.4.2[1]
Uma urna contm 60 bolas, numeradas de 1 a 60. Uma bola retirada, aleatoriamente, desta
urna. Qual a probabilidade do nmero da bola retirada ser primo ?
Sejam os eventos:
B1o n da bola retirada menor ou igual a 10
B2o n da bola retirada maior do que 10 e menor ou igual a 30
B3o n da bola retirada maior que 30 e menor ou igual a 60
Ao n da bola retirada primo.
S {1,2,3,...,60}; n(S ) 60
10 1
B1 {1,2,3,...,10}; n( B1 ) 10; P( B1 )
60 6
20 1
B2 {11,12,13,...,30}; n( B2 ) 20; P( B2 )
60 3
30 1
B3 {31,32,33,...,60}; n( B3 ) 30; P( B3 )
60 2
18 3
A {2,3,5,7,11,13,17,19,23,29,31,37,41,43,47,49,53,59}; n( A) 18; P( A)
60 10
4 4 2
B1 A {2,3,5,7}; n( B1 A) 4; P( B1 A) ; P( A | B1 )
60 10 5
6 6 3
B2 A {11,13,17,19,23,29}; n( B2 A) 6; P( B2 A) ; P( A | B2 )
60 20 10
8 8 4
B3 A {31,37,41,43,47,49,53,59}; n( B3 A) 8; P( B3 A) ; P( A | B3 )
60 30 15
Veja que a probabilidade de A j est determinada acima mas, aplicando o Teorema da
Probabilidade Total, temos:
P( A) P( B1 ) P( A | B1 ) P( B2 ) P( A | B2 ) P( B3 ) P( A | B3 )
1 2 1 3 1 4 1 1 2 45 3

6 5 3 10 2 15 15 10 15 150 10
EXEMPLO 1.4.2[2]
25% de determinado tipo de pea so produzidas pelo fabricante A, 20% pelo B, 45% pelo C e
10% por outros (O) fabricantes. 2%, 4%, 3% e 5% das peas produzidas por A, B, C e O,
respectivamente, so defeituosas. Um consumidor, ao comprar uma dessas peas, qual a probabilidade
dele adquirir uma pea defeituosa (d) ?
P( A) 0,25 P(d | A) 0,02 SUGESTO
P( B) 0,20 P(d | B) 0,04 Calule P(b), onde b pea
P(C ) 0,45 P(d | C ) 0,03 boa e interprete o
resultado
P(O) 0,10 P(d | O) 0,05
P(d ) P( A) P(d | A) P( B) P(d | B) P(C ) P(d | C ) P(O) P(d | O)
0,25 0,02 0,20 0,04 0,45 0,03 0,10 0,05
0,005 0,008 0,0135 0,005 0,0315 3,15%
Na prtica, temos que 3,15% desse tipo de pea so defeituosas.
3 TEOREMA DE BAYES
Seja S um espao amostral associado a um experimento E. Se B1, B2, ..., Bn so uma partio de
S e A um evento, com P(A)>0, ento:
P(A|B j ) P(B j )
P(B j|A) n
P(A|B ) P(B )
i 1
i i
EXEMPLO 1.4.3[1]
Considerando o exemplo 1.4.2[1], da urna com 60 bolas, se a bola retirada apresentar nmero
primo, qual a probabilidade de o nmero seja menor ou igual a 10 ?
O que se est desejando a probabilidade P ( B1 | A) , que dada por:
P ( B1 ) P ( A | B1 )
P ( B1 | A)
P ( B1 ) P ( A | B1 ) P ( B2 ) P ( A | B2 ) P ( B3 ) P ( A | B3 )
1 2

6 5 1 / 15 10

1 2 1 3 1 4 3 / 10 45

6 5 3 10 2 15
EXEMPLO 1.4.3[2]
Considerando, agora, o exemplo 1.4.2.2, se a pea comprada defeituosa, qual a probabilidade

de ter sido produzida pelo fabricante B ?
O que se deseja P( B | d ) :
P( B) P(d | B)
P( B | d )
P( A) P(d | A) P( B) P(d | B) P(C ) P(d | C ) P(O) P(d | O)
0,20 0,04

0,25 0,02 0,20 0,04 0,45 0,03 0,10 0,05
0,008 0,008
0,254 25,4%
0,005 0,008 0,0135 0,005 0,0315
SUGESTO
Calule P(A|d), P(C|d), P(O|d), P(A|b),
P(B|b), P(C|b) e P(O|b), onde b pea
boa e interprete os resultados
Na prtica isto siginfica que se forem separadas todas as peas defeituosas, 25,4% delas so do
fabricante B.
A situao dos exemplos 1.4.2[2] e 1.4.3[2] pode ser representada pela seguinte tabela,
supondo uma produo de 1.000 peas (veja que pode ser utilizada qualquer quantidade de peas,
basta obedecer aos percentuais informados).
FABRICANTE FABRICANTE FABRICANTE OUTROS

TOTAL
A B C (O)
DEFEITUOSAS (d) 50 80 135 50 315
NO DEFEITUOSAS (b) 2.450 1.020 4.365 950 9.685
TOTAL 2.500 2.000 4.500 1.000 10.000
As probabilidades pedidas so:
315 80
P(d ) 0,0315 3,15% P( B | d ) 0,254 25,4%
10.000 315
Utilizando a rvore de possibilidades:
SUGESTO
Represente o caso das bolas (exemplos
1.4.2[1] e 1.4.3[1]) atravs de uma tabela e da
rvore de possibilidades e verifique os
resultados obtidos. Veja que, neste caso, as
quantidades j esto definidas.
EXERCCIOS
1) Sejam A e B eventos associados a um experimento E. Para as afirmaes abaixo, d o significado

em teoria dos conjuntos:
a) ao menos A ou B ocorrem
b) ambos A e B ocorrem
c) nem A nem B ocorrem
d) A ocorre e B no ocorre
e) Exatamente um de A ou B ocorre
f) No mais que um de A ou B ocorre
g) Se A ocorre, B ocorre
h) O evento A ou B
i) O evento A e B
j) A e B mutuamente exclusivos
2) Sejam A,B e C eventos associados a um experimento E. Para as afirmaes abaixo, d o significado
em teoria dos conjuntos:
a) Se A ocorre ento B no ocorre
b) Nenhum dos resultados A, B e C ocorre
c) Somente A ocorre
d) Ao menos um de A,B,C ocorre
e) Exatamente um deles ocorre
f) No mais que um ocorre
g) Ao menos dois ocorrem
h) Exatamente dois deles ocorrem
i) No mais que dois ocorrem
j) A e C ocorrem e B no ocorre
k) Todos ocorrem
3) Uma urna contm 3 bolas brancas, b1, b2 e b3, e duas bolas pretas, p4 e p5 . Uma amostra de
extenso 3, com reposio (sem reposio) retirada da urna. Supondo S equiprovvel, qual a
probabilidade de: a) a 1 bola ser branca b) a 2 bola ser branca c) a 3 bola ser branca
4) Uma urna contm M bolas, sendo Mw brancas e M-Mw pretas. Uma amostra de extenso n
retirada, com reposio (sem reposio), da urna. Supondo o espao equiprovvel, e o evento Aj =
a j-sima bola branca, mostre que P(Aj) = Mw/M.
5) Uma urna contm 5 bolas , sendo 2 vermelhas e o restante amarelas. Desta urna retiramos 3 bolas,
em extraes sucessivas sem reposio. Se A, B e C so eventos dados por A: exatamente 1 bola
vermelha, B: pelo menos 1 bola amarela, C: pelo menos 1 bola amarela e 1 vermelha, determine
P(A), P(B) e P(C) supondo S equiprovvel.
6) Uma urna contm 5 bolas, sendo 2 vermelhas e 3 amarelas. Desta urna so retiradas 4 bolas
simultaneamente. Se A, B, C e D so os eventos A: 2 bolas vermelhas e 2 amarelas, B: 1 bola
vermelha e 3 amarelas, C: 1 amarela e 3 vermelhas e D: pelo menos 1 vermelha e 1 amarela,
determine P(A), P(B), P(C) e P(D) supondo S equiprovvel
7) Uma urna contm 5 bolas, sendo 2 vermelhas e 3 amarelas. Desta urna so retiradas, com
reposio, uma amostra no ordenada de extenso 4. Se A, B, C, D, E e F so os eventos A: 2 bolas
vermelhas e 2 amarelas, B: 1 bola vermelha e 3 amarelas, C: 1 amarela e 3 vermelhas, D: pelo
menos 1 vermelha e 1 amarela, E: 4 vermelhas e F: 4 amarelas, determine P(A), P(B), P(C), P(D),
P(E) e P(F), supondo S equiprovvel.
8) Uma urna contm 5 bolas, sendo 2 vermelhas e 3 amarelas. Desta urna so retiradas, com
reposio, uma amostra ordenada de extenso 4. Se A, B, C, D, E e F so os eventos A: 2 bolas
vermelhas e 2 amarelas, B: 1 bola vermelha e 3 amarelas, C: 1 amarela e 3 vermelhas, D: pelo
menos 1 vermelha e 1 amarela, E: 4 vermelhas e F: 4 amarelas, determine P(A), P(B), P(C), P(D),
P(E) e P(F), supondo S equiprovvel.
9) Em uma sala, 10 pessoas esto usando emblemas numerados de 1 a 10. Trs pessoas so escolhidas
ao acaso e convidadas a sair da sala simultaneamente. Determine a probabilidade de que: a) o
menor nmero de emblema seja 5? b) o maior nmero de emblema seja 5?
10) [MEYER] Dez fichas numeradas de 1 a 10 so misturadas em uma urna. Duas fichas (x1,x2) so
extradas da urna sucessivamente e sem reposio. Qual a probabilidade de que:
a) x1+x2=10 ? b) x1 x2 dado que x1+x2=10
11) [MEYER] Dentre 6 nmeros positivos e 8 negativos, escolhem-se ao acaso 4 nmeros (com
reposio) e multiplicam-se esses nmeros. Qual a probabilidade de que o produto seja positivo?
12) [MEYER] Um lote contm n peas das quais se sabe serem r defeituosas. Se a ordem de inspeo
das peas se fizer ao acaso, qual a probabilidade de que a pea inspecionada em k-simo lugar (kr)
seja a ltima pea defeituosa contida no lote?
13) [MEYER] Uma urna contem N objetos. So retirados ao acaso, com reposio, n (nN) objetos da
urna. Qual a probabilidade de que nenhum objeto seja escolhido mais de uma vez?
14) Considere um conjunto com N objetos. Sero formados n grupos (N mltiplo de n) com k=N/n
objetos cada um. Se, para a composio dos grupos, os objetos so selecionados aleatoriamente,
qual a probabilidade de que r, rk, objetos especficos pertenam a um mesmo grupo?
15) [MORGADO] Uma loteria composta de N nmeros e apenas um prmio, ou seja, dos N nmeros
sorteado apenas um, que corresponde ao bilhete premiado. Um apostador (A) compra n bilhetes
em apenas uma extrao enquanto que outro apostador (B) compra um nico bilhete em n
extraes diferentes. Qual dos dois tem maior probabilidade de ganhar ? (considere vlida a
n
seguinte desigualdade: 1- 1 ).
1 n
N N
16) [MORGADO] Um prisioneiro possui 50 bolas brancas, 50 bolas pretas e 2 urnas iguais. O prisioneiro
deve colocar, como preferir, as bolas nas duas urnas (nenhuma das urnas pode ficar vazia). As urnas
sero embaralhadas e o prisioneiro, de olhos vendados, dever escolher uma delas e, em seguida,
retirar uma bola da urna selecionada. Se a bola retirada for branca, ele ser libertado. Como o
prisioneiro deve proceder, na distribuio das bolas nas urnas, para maximizar a probabilidade de
ser libertado?
17) [MEYER] A urna 1 contm x bolas brancas e y bolas vermelhas. A urna 2 contm z bolas brancas e v
vermelhas. Uma bola escolhida ao acaso da urna 1 e colocada na urna 2. A seguir, uma bola
escolhida ao acaso da urna 2. Qual a probabilidade de que essa bola seja branca?
18) [MEYER] Suponha que A e B sejam eventos independentes associados a um experimento. Se a
probabilidade de A ou B ocorrerem for igual a 0,6 enquanto que a probabilidade de ocorrncia de
A for 0,4 , determine a probabilidade de ocorrncia de B.
19) [MEYER] Sejam A e B dois eventos associados a um experimento. Suponha que P(A)=0,4 e
P(AB)=0,7. Seja P(B)=p. Para que valores de p: a) A e B so mutuamente exclusivos? b) A e B so
independentes?
20) [MEYER] Suponha que um escritrio possua 100 mquinas de calcular. Algumas dessas mquinas
so eltricas (E), enquanto outras so manuais (M) e algumas so novas (N) e outras usadas (U):
E M TOTAL
N 40 30 70
U 20 10 30
TOTAL 60 40 100
Uma pessoa entra no escritrio, pega uma mquina ao acaso e descobre que nova. Qual a
probabilidade de que seja eltrica? Qual a probabilidade dela ser manual?
21) Numa certa faculdade, 25% dos estudantes foram reprovados em matemtica, 15% reprovados em
qumica, e 10% em matemtica e em qumica. Um estudante selecionado ao acaso.
a) Se ele foi reprovado em qumica, qual a probabilidade de que tenha sido reprovado em
matemtica?
b) Se ele foi reprovado em matemtica, qual a probabilidade de que ele tenha sido reprovado em
qumica?
c) Qual a probabilidade de que ele tenha sido reprovado em matemtica ou em qumica?
22) Numa certa faculdade, 4% dos homens e 1% das mulheres tm altura maior do que 1,80m. Alm
disso, 60% dos estudantes so mulheres. Se um estudante escolhido ao acaso e tem altura maior
que 1,80m, qual a probabilidade de que o estudante seja mulher?
23) Um homem possui duas moedas, uma comum (I) e outra de duas caras (II). Apanha uma moeda ao
acaso e lana. Se cair cara, qual a probabilidade de que a moeda lanada tenha sido a de duas caras?
24) As mquinas A,B e C fabricam, respectivamente, 50%, 30% e 20% da produo total de certo artigo.
A probabilidade de que a mquina A fabrique um artigo defeituoso 0,03, a B 0,04 e a C 0,05.
a) qual a probabilidade de que um artigo tomado ao acaso seja defeituoso?
b) Qual a probabilidade de que um artigo tomado ao acaso tenha sido fabricado pela mquina A,
dado que defeituoso?
c) Qual a probabilidade de que um artigo tomado ao acaso tenha sido fabricado pela mquina B,
d) Qual a probabilidade de que um artigo tomado ao acaso tenha sido fabricado pela mquina C,
25) Certa doena acha-se presente em cerca de 1 entre 1.000 pessoas. Um programa de provas deve
ser executado mediante o emprego de um aparelho de investigao que d uma leitura positiva
com probabilidade de 0,99 para uma pessoa doente e com probabilidade de 0,05 para uma pessoa
sadia. Qual a probabilidade de que uma pessoa escolhida ao acaso, cuja leitura positiva, tenha
efetivamente a doena ?
26) [MEYER] Seja o experimento E: lanar dois dados distinguveis e observar as faces superiores. Sejam
os eventos A: o primeiro dado mostra nmero par, B: o segundo dado mostra nmero mpar e C:
ambos mostram pares ou ambos mostram mpares. Mostre que os eventos so 2 a 2 independentes
mas no so mutuamente independentes.
27) [MEYER] A probabilidade de fechamento de cada rel nos circuitos abaixo dada por p>0. Se todos
os rels funcionam independentemente, qual a probabilidade de que haja corrente entre os
terminais L e R ?
28) [MEYER] Trs componentes, C1, C2 e C3 de um mecanismo so postos em srie. Suponha que esses
componentes sejam dispostos em ordem aleatria. Seja A o evento C2 est direita de C1e B o
evento C3 est direita de C1. So os eventos A e B mutuamente independentes ?
29) [XAVIER] Num certo grupo racial a probabilidade de uma pessoa do sexo masculino ser daltnica
p=0,16. So escolhidas ao acaso duas pessoas , x e y, do referido sexo e do referido grupo racial.
Determine a probabilidade de ambos serem daltnicos sabendo-se que: a) x daltnico b) Pelo
menos 1 deles daltnico
30) Um submarino dispara 5 torpedos em cadncia rpida contra um navio. Cada torpedo tem
probabilidade igual a 0,25 de atingir o alvo. (a) Qual a probabilidade do navio receber pelo menos 1
impacto ? (b) exatamente 1 impacto ? (c) exatamente k impactos (k=0,1,2,3,4,5) ?
31) Para pessoas de 20,21 e 22 anos, as probabilidades de morte durante um certo ano so iguais a p1,
p2 e p3 respectivamente. Se a,b e c so pessoas com 20,21 e 22 anos respectivamente, pede-se para
calcular:
a) A probabilidade dos trs sobreviverem nesse ano
b) De todos terem morrido nesse ano
c) De no mximo ter ocorrido uma morte nesse ano
d) Pelo menos um deles ter morrido nesse ano
32) [MEYER] Uma montagem eletrnica formada de dois subsistemas A e B. De procedimentos de
ensaios anteriores, as seguintes probabilidades se admitem conhecidas: P(A falhe)=0,20; P(A e B
falhem)=0,15 e P(B falhe sozinho)=0,15. Calcule as seguintes probabilidades: (a) P(A falhe dado que
B tenha falhado) (b) P(A falhe sozinho).
33) [MEYER] Duas mquinas, A e B, sendo operadas independentemente, podem ter alguns desarranjos
cada dia. As probabilidades de desarranjo de cada mquina esto na tabela abaixo.
NMERO DE
0 1 2 3 4 5 6
DESARRANJOS
MQUINA A 0,10 0,20 0,30 0,20 0,09 0,07 0,04
MQUINA B 0,30 0,10 0,10 0,10 0,10 0,15 0,15
Calcule as seguintes probabilidades: (a) A e B tenham o mesmo nmero de desarranjos (b) O

nmero total de desarranjos seja menor que 4; menor que 5 (c) A tenha mais desarranjos que B
(d) B tenha duas vezes mais desarranjos que A (e) B tenha 4 desarranjos, quando se saiba que B j
tenha tido 2 desarranjos (f) O nmero mnimo de desarranjos das duas mquinas seja 3; seja menor
que 3 (g) O nmero mximo de desarranjos das mquinas seja 3; seja maior que 3
34) [XAVIER] Um viajante deseja ir de uma cidade A a outra cidade B. As estradas existentes esto
mostradas na figura abaixo. O viajante no deve passar mais de uma vez pelo mesmo ponto. Ao
partir de A, o viajante pode escolher as estradas I, II e III com probabilidades 0,4, 0,4 e 0,2
respectivamente. Chegando encruzilhada M, vindo por III pode escolher as estradas IV ou V com
probabilidades 0,3 e 0,7, respectivamente. Chegando encruzilhada N, vindo de I ou II, pode
escolher IV, VI ou VII com probabilidades 0,2, 0,3 e 0,5, respectivamente. Porm, se ele chega a N
por IV pode escolher VI ou VII com probabilidades 0,4 e 0,6, respectivamente. (a) Se cada trajeto
de A a B um evento simples, descreva o espao amostral correspondente. (b) Qual a probabilidade
do viajante: (i) Passar por C? (ii) Passar por D? (iii) Passar por C e D? (iv) Passar por C ou D?
35) [XAVIER] Um emissor opera com um alfabeto de trs smbolos, que representaremos por A1, A2
e A3, sendo suas mensagens nada mais que sequencias desses smbolos. Ao ser emitido o smbolo
Ai, a probabilidade de em seguida ser emitido o smbolo Aj dada por pi,j, essas probabilidades so
chamadas de probabilidade de transio de Ai para Aj e a matriz (pi,j) a respectiva matriz de
p11 p13 0 1 / 3 2 / 3
p12

transio. Se tivermos p 21 p 23 1 / 3 1 / 3 1 / 3 e houver probabilidades p1=5/21,
p 22
p p33 2 / 9 0 7 / 9
31 p32
p2=6/21 e p3=10/21 de uma mensagem comear pelos smbolos A1, A2 e A3, respectivamente, qual
a probabilidade da mensagem comear: (a) por uma das sequencias A1A2 ou A2A3? (b) por uma
sequencia da forma AiAiAi?
SOLUO DOS EXERCCIOS
EXERCCIO 1
a) x A B b) x A B c) x A B d) x A B e) x A B A B
f ) x A B g ) x A x B A B h) A B i) A B j) A B
EXERCCIO 2
a) x A x B A B b) x A B C c ) x A B C d) x A B C
e) x A B C B A C C A B
f ) x A B C B A C C A B A B C
g ) x A B C A B C A B C A B C
h) x A B C A C B B C A
i) x A B C j ) x A C B k ) x A B C
EXERCICIO 3
COM REPOSIO:
n( S ) A5,3 53
3 52 3 3
a) A b n( A) A3*,1 A5*, 2 P( A) 3
b) A b anlogo ao item (a) P( A)
5 5 5
3
c) A b anlogo aos itens (a) e (b) P( A)
5
SEM REPOSIO: Basta utilizar ARRANJO SIMPLES, os resultados sero os mesmos anteriores, todos
3
iguais a
5
EXERCCIO 4
uma generalizao do exerccio 3.
n( S ) AM* ,n
COM REPOSIO: AM* w ,1 AM* ,n 1 Mw
n( A) A *
M w ,1 A*
M , n 1 P( A) *

A M ,n M
n( S ) AM ,n
SEM REPOSIO: AM w ,1 AM 1,n 1 Mw
n( A) AM w ,1 AM 1,n 1 P( A)
AM ,n M
OBS: faa o desenvolvimento dos arranjos e as simplificaes necessrias para chegar ao resultado.
EXERCCIO 5
Populao: 2 bolas vermelhas e 3 amarelasN=5.

5!
Amostra (ordenada sem repetio): n 3 n( S ) A5,3 60
2!
2! 3! 3! 36
A vaa n( A) A2,1 A3, 2 P31, 2 36 P( A)
1! 1! 1!2! 60
B avv ou aav ou aaa n( B) A3,1 A2, 2 P3 A3, 2 A2,1 P32,1 A3,3
1, 2
3! 2! 3! 3! 2! 3! 3! 60
18 36 6 60 P( B) 1
2! 0! 1!2! 1! 1! 2!1! 0! 60
C avv ou aav n(C ) A3,1 A2, 2 P31, 2 A3, 2 A2,1 P32,1
3! 2! 3! 3! 2! 3! 54
18 36 54 P(C )
2! 0! 1!2! 1! 1! 2!1! 60
EXERCCIO 6
Populao: 2 bolas vermelhas e 3 amarelasN=5

5!
Amostra (no ordenada sem repetio): n 4 n( S ) C5, 4 5
4!1!
2! 3! 3
A vvaa n( A) C 2, 2 C 3, 2 1 3 3 P( A)
2!0! 2!1! 5
2! 3! 2
B vaaa n( B) C 2,1 C 3,3 2 1 2 P( B)
1!1! 3!0! 5
C avvv C P(C ) 0
D avvv ou aavv ou aaav n( D) 0 C3, 2 C2, 2 C3,3 C2,1
3! 2! 3! 2! 5
3 1 1 2 3 2 5 P( D) 1
2!1! 2!0! 3!0! 1!1! 5
EXERCCIO 7
Populao: 2 bolas vermelhas e 3 amarelasN=5.

8!
Amostra (no ordenada com repetio): n 4 n( S ) C5, 4 C8, 4 70
4!4!
3! 4! 18
A vvaa n( A) C 2, 2 C 3, 2 C 3, 2 C 4, 2 3 6 18 P( A)
2!1! 2!2! 70
2! 5! 20
B vaaa n( B) C 2,1 C 3,3 C 2,1 C 5,3 2 10 20 P( B)
1!1! 3!2! 70
3 ! 4 ! 12
C avvv n(C ) C 3,1 C 2,3 C 3,1 C 4,3 3 4 12 P(C )
1!2! 3!1! 70

D avvv ou aavv ou aaav n( D) C3,1 C 2,3 C3, 2 C 2, 2 C3,3 C 2,1
3! 4! 4! 3! 5! 2!
C3,1 C 4,3 C 4, 2 C3, 2 C5,3 C 2,1 3 4 6 3 10 2
1!2! 3!1! 2!2! 2!1! 3!2! 1!1!
50
12 18 20 50 P( D)
70
5! 5
E vvvv n( E ) C 2, 4 C 5, 4 5 P( E )
4!1! 70
6! 15
F aaaa n( F ) C 3, 4 C 6, 4 15 P( E )
4!2! 70
EXERCCIO 8
Populao: 2 bolas vermelhas e 3 amarelas N=5.

Amostra (ordenada com repetio): n 4 n( S ) A5, 4 5 4 625
216
A vvaa n( A) A2, 2 A3, 2 P42, 2 2 2 3 2 6 4 9 6 216 P( A)
625
216
B vaaa n( B) A2,1 A3,3 P41,3 21 3 3 4 2 27 4 216 P( B)
625
96
C avvv n(C ) A3,1 A2,3 P41,3 31 23 4 3 8 4 96 P(C )
625
D avvv ou aavv ou aaav n( D) A3,1 A2,3 P4 A3, 2 A2, 2 P4 A3,3 A2,1 P43,1
1, 3 2, 2
528
31 2 3 4 32 2 2 6 33 21 4 96 216 216 528 P( D)
625
16
E vvvv n( E ) A2, 4 2 4 16 P( E )
625
81
F aaaa n( F ) A3, 4 3 4 81 P( E )
625
EXERCCIO 9
Populao: N=10
10!
Amostra (no ordenada sem reposio): n 3 n( S ) C10,3 120
3!7!
5! 10
A [5][ 5][ 5] n( A) 1 C5, 2 10 P( A)
2!3! 120
4! 6
B [5][ 5][ 5] n( B) 1 C 4, 2 6 P( B)
2!2! 120
EXERCCIO 10
Populao: N=10
10!
Amostra (ordenada sem reposio): n 2 n( S ) A10, 2 90
8!
a) A {( x1 , x 2 ) x1 x 2 10} {(1,9); (9,1); (2,8); (8,2); (3,7); (7,3); (4,6); (6,4)}
8
n( A) 8 P( A)
90
b) A {( x1 , x 2 ) x1 x 2 10} {(1,9); (9,1); (2,8); (8,2); (3,7); (7,3); (4,6); (6,4)}
8
n( A) 8 P( A)
90
B {( x1 , x 2 ) x1 x 2 } A B {( x1 , x 2 ) x1 x 2 ^ x1 x 2 10} {(1,9); (2,8); (3,7); (4,6)}
4
P( A B) 90 4
P( B A)
P( A) 8 8
90
EXERCCIO 11
Populao: N=14: 6 positivos (+) e 8 negativos (-)

Amostra (ordenada com reposio): n 4 n( S ) A14 , 4 14 38416
4
A ()()()() ou ()()()() ou ()()()()

6 6 6 6 8 8 8 8
P( A)
14 14 14 14 14 14 14 14
6 6 8 8 64 8 4 6 2 8 2 6 19216 1201
P42, 2 4 4
14 14 14 14 14 14 14 4 38416 2401
EXERCCIO 12
n!
n( S ) An ,k
(n k )!
A
BBB
... B
DDD
...

D D n( A) An r ,k r Ar ,r 1 Pkk1r ,r 1
k r 1
r

k 1
(n r )! r! (k 1)! r!(n r )!(k 1)!
n( A)
[(n r ) (k r )]! [r (r 1)]! (k r )!(r 1)! (n k )!(k r )!(r 1)!
r!(n r )!(k 1)!
(n k )!(k r )!(r 1)! r!(n r )!(k 1)! (n k )! r!(n r )! (k 1)!
P( A)
n! (n k )!(k r )!(r 1)! n! n! (r 1)![(k 1) (r 1)]!
(n k )!
k 1

1 k 1 r 1
P( A) P( A)
n r 1 n

r r
EXERCCIO 13
n( S ) AN* ,n N n
N!
n( A) AN ,n
( N n)!
N!
( N n)! ( N 1)!
P( A)
N n
( N n)! N n 1
EXERCCIO 14
N N k N 2k N (n 2)k k N N k N 2k 2k
... ...
k k k k k k k k k
n( S )
n! n!
N r ( N r ) ( k r ) ( N r ) [( k r ) k ] ( N r ) [( k r ) (n 3)k ] k
...
k r k k k k
n( A)
(n 1)!
N r N k N 2k 2k
...

k
k r k k
(n 1)!
N r N k N 2k 2k N r
... n
k r k k k n! k r
P( A)
(n 1)! N N k N 2k 2k N
...
k k k k k
EXERCCIO 15
Jogando n bilhetes em uma nica extrao tem-se:
n( S ) N
A A ganhar n( A) n
n
P( A)
N
Jogando n bilhetes em n extraes tem-se:
n( S ) N n
B B ganhar B B no ganhar n( B ) ( N 1) n
( N 1) n N 1
n n n
1 1
P( B ) 1 P ( B ) 1 P ( B ) 1 1
N N N
n
N
Comparando as duas probabilidades:
n n
n 1 n 1
Como 1 1 1 1 tem-se que P( A) P( B)
N N N N
EXERCCIO 16
Considere que o prisioneiro coloque k bolas, das quais a brancas, em uma urna e 100-k, das quais 50-a
brancas, na outra. Sejam os eventos:
U1o prisioneiro seleciona a urna com k bolas (a brancas)

U2o prisioneiro escolhe a urna com 100-k bolas (50-a brancas)
Bo prisioneiro seleciona uma bola branca
Lprisioneiro libertado
Ento:
P( L) P(U 1 B) P(U 2 B)
P( L) P(U 1 ) P( B U 1 ) P(U 2 ) P( B U 2 )
1 a 1 50 k
P ( L)
2 k 2 100 a
1 50k a(100 2k )
P ( L)
2 k (100 k )
Veja que k50, caso contrrio P(L)<0.
1
Para k=50 temos que P( L) , independentemente do valor de a.
2
Para k<50 (U1 com a menor quantidade de bolas), temos:
Para k fixo P(L) cresce se a cresce P(L) mxima em a=k, pois ak
1 50k k (100 2k ) 75 k 25
a k P ( L) 1 que mxima para k mnimo, ou seja,
2 k (100 k ) 100 k 100 k
para k=1
Ento, como para P(L) ser mxima deve-se ter a=k e k=1, conclui-se que a urna U1 deve ter uma nica
bola e essa bola deve ser branca, ou seja, k=a=1, e a probabilidade mxima :
25 74
P ( L) 1 0,75
99 99
EXERCCIO 17
BI retirar bola branca da urna I

VI retirar bola vermelha da urna I
BII retirar bola branca da urna II
BII ( BI BII ) (V I BII ) P( B II ) P( BI BII ) P(V I BII )
x z 1 y z
P( BI ) P( BII BI ) P(V I ) P( BII VI )
x y z v 1 x y z v 1
EXERCCIO 18
P( A B) 0,6
P( A) 0,4
A e B MI P( A B) P( A) P( B)
P( A B) P( A) P( B) P( A B) P( A) P( B) P( A) P( B)
0,2 1
0,6 0,4 P( B) 0,4 P( B) 0,6 0,4 0,6 P( B) P( B)
0,6 3
EXERCCIO 19
P( A) 0,4 P( A B) 0,7 P( B) p
a) A e B ME A B P( A B) 0
P( A B) P( A) P( B) P( A B) P( A) P( B) 0,7 0,4 p p 0,3
b) A e B MI P( A B) P( A) P( B)
P( A B) P( A) P( B) P( A B) P( A) P( B) P( A) P( B)
0,7 0,4 p 0,4 p p 0,5
EXERCCIO 20
40
P( E N ) 40 4
a) P( E N ) 100
P( N ) 70 100 70 7
30
P( M N ) 30 3
b) P ( M N ) 100
P( N ) 70 70 7
100
EXERCCIO 21
M reprovado em Matemtica P(M) = 0,25

Q reprovado em Qumica P(Q) = 0,15
MQ reprovado em Matemtica e Qumica P(MQ) = 0,10
P( M Q) 0,10 10 2
a) P( M Q)
P(Q) 0,15 15 3
P( M Q) 0,10 10 2
b) P(Q M )
P( M ) 0,25 25 5
c) P( M Q) P( M ) P(Q) P( M Q) 0,25 0,15 0,10 0,30
EXERCCIO 22
M Mulher P(M) = 0,60

H Homem P(H) = 0,40
A altura maior que 1,80 P( A M ) 0,01 P( A H ) 0,04
P( M ) P( A M ) 0,60 0,01
P( M A)
P( M ) P( A M ) P( H ) P( A H ) 0,60 0,01 0,40 0,04
0,006 0,006 6 3

0,006 0,016 0,022 22 11
EXERCCIO 23
I moeda comum P(I)=0,5

II moeda com duas caras P(II)=0,5
C cara P(C I ) 0,5 P(C II ) 1
P( II ) P(C II ) 0,5 1 0,5 50 2
P( II C )
P( I ) P(C I ) P( II ) P(C II ) 0,5 0,5 0,5 1 0,75 75 3
EXERCCIO 24
A pea fabricada pela mquina A P(A) = 0,50

B pea fabricada pela mquina B P(B) = 0,30
C pea fabricada pela mquina C P(C) = 0,20
D pea defeituosa P( D A) 0,03 P( D B) 0,04 P( D C ) 0,05
a) P( D) P( A) P( D A) P( B) P( D B) P(C ) P( D C ) 0,50 0,03 0,30 0,04 0,20 0,05

0,015 0,012 0,010 0,037
P( A) P( D A) 0,015 15
b) P ( A D ) 0,405
P( A) P( D A) P( B) P( D B) P(C ) P( D C ) 0,037 37
P( B) P( D B) 0,012 12
c) P( B D) 0,324
P(C ) P( D C ) 0,010 10
d ) P(C D) 0,270
EXERCCIO 25
D pessoa doente P(D) = 0,001

S pessoa sadia P(S) = 0,999
P teste positivo P( P D) 0,99 P( P S ) 0,05
P( D) P( P D) 0,001 0,99
P( D P)
P( D) P( P D) P( S ) P( P S ) 0,001 0,99 0,999 0,05
0,00099 0,0099
0,0194
0,00099 0,04995 0,05094
EXERCCIO 26
n( S ) A6, 2 6 2 36
A {(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
18 1
n( A) 18 P( A)
36 2
B {(1,1), (2,1), (3,1), (4,1), (5,1), (6,1), (1,3), (2,3), (3,3), (4,3), (5,3), (6,3), (1,5), (2,5), (3,5), (4,5), (5,5), (6,5)}
18 1
n( B) 18 P( B)
36 2
C {(2,2), (2,4), (2,6), (4,2), (4,4), (4,6), (6,2), (6,4), (6,6), (1,1), (1,3), (1,5), (3,1), (3,3), (3,5), (5,1), (5,3), (5,5)}
18 1
n(C ) 18 P(C )
36 2
9 1
A B {(2,1), (4,1), (6,1), (2,3), (4,3), (6,3), (2,5), (4,5)(6,5)} n( A B) 9 P( B)
36 4
9 1
A C {(2,2), (2,4), (2,6), (4,2), (4,4), (4,6), (6,2), (6,4), (6,6)} n( A C ) 9 P(C )
36 4
9 1
B C {(1,1), (1,3), (1,5), (3,1), (3,3), (3,5), (5,1), (5,3), (5,5)} n( B C ) 9 P(C )
36 4
A B C P( A B C ) 0
1 1 1
P( A B) P( A) P( B) A, B so MI
4 2 2

1 1 1
P( A C ) P( A) P(C ) A, C so MI A, B, C so 2 a 2 independentes
4 2 2
1 1 1
P( B C ) P( B) P(C ) B, C so MI
4 2 2
1 1 1 1
P( A B C ) 0 P( A) P( B) P(C ) A, B, C no so MI
2 2 2 8
EXERCCIO 27
Ri o rel i est fechado P(Ri)=p
a) passa corrente se R1 e R2 estiverem fechados ou se R 3 e R4 estiverem fechados :

P(passar corrente) P[( R1 R2 ) ( R3 R4 )]
P( R1 R2 ) P( R3 R4 ) P[( R1 R2 ) ( R3 R4 )]
P( R1 ) P( R2 ) P( R3 ) P( R4 ) P( R1 ) P( R2 ) P( R3 ) P( R4 ) p 2 p 2 p 4
2 p 2 p 4 p 2 (2 p 2 )
b) P[( R1 R2 ) R5 ( R3 R4 )] ...
c) P[( R1 R2 ) ( R1 R5 R4 ) ( R3 R4 ) ( R3 R5 R2 )] ...
d ) P[( R1 R3 ) ( R2 R3 ) R4 ( R5 R6 )] ...
EXERCCIO 28
S {C1C 2 C3 , C1C3C 2 , C 2 C1C3 , C 2 C3C1 , C3C1C 2 , C3C 2 C1} n( S ) 6

31
A {C1C 2 C3 , C1C3C 2 , C3C1C 2 } n( A) 3 P( A)
62
31
B {C1C 2 C3 , C1C3C 2 , C 2 C1C3 } n( B) 3 P( B)
62
2 1
A B {C1C 2 C3 , C1C3C 2 } n( A B) 2 P( A B) P( A) P( B) A, B no so MI
6 3
EXERCCIO 29
X x daltnico Y y daltnico
XY ambos so daltnicos XY pelo menos um daltnico
P( X ) p
P(Y ) p
P( X Y ) P( X ) P(Y ) p 2
P( X Y ) P( X ) P(Y ) P( X Y ) p p p 2 2 p 2 p (2 p)
P( X Y X ) P( X Y ) p 2
a) P( X Y X ) p 0,16
P( X ) P( X ) p
P[( X Y ) ( X Y )] P( X Y ) p2 p 0,16
b) P ( X Y X Y ) 0,087
P( X Y ) P( X Y ) p (2 p) 2 p 1,84
EXERCCIO 30
A acertar P( A) 0,25
E errar P( E ) 1 P( A) 1 0,25 0,75
a) P(pelo menos um impacto) 1 P(nenhum impacto)

P(nenhum impacto) P( EEEEE) 0,75 0,75 0,75 0,75 0,75 0,755
P(pelo menos um impacto) 1 0,755
b) P(exatamente um impacto) P( AEEEE ou EAEEE ou EEAEE ou EEEAE ou EEEEA)
P( AEEEE) P( EAEEE) P( EEAEE) P( EEAE) P( EEEA) 5 0,25 0,75 4
c) exatamente k impactos
AA
...
AEE...E P(exatamente k impactos) 0,25 k 0,75 5k P5k ,5k
5 k
k

5
5
P(exatamente k impactos) 0,25 k 0,75 5k , k 0,1,2,3,4,5
k
EXERCCIO 31
A a morre P(A)=p1
B b morre P(B)=p2
C c morre P(C)=p3
a) P( A B C ) P( A ) P( B ) P(C ) (1 p1 )(1 p 2 )(1 p 3 )

b) P( A B C ) P( A) P( B) P(C ) p1 p 2 p 3
c) P( A B C ) P( A B C ) P( A B C ) P( A B C )
(1 p1 )(1 p 2 )(1 p 3 ) p1 (1 p 2 )(1 p 3 ) (1 p1 ) p 2 (1 p 3 ) (1 p1 )(1 p 2 ) p 3
d ) P( A B C ) 1 P( A B C ) 1 (1 p1 )(1 p 2 )(1 p 3 )
EXERCCIO 32
Sejam os eventos:
A A falhar
B B falhar
C=A-B A falhar sozinho
D=B-A B falhar sozinho
P(A)=0,20 P(AB)=0,15 P(D)=0,15
a) B ( B A) ( A B) D ( A B) P( B) P( D) P( A B) 0,15 0,15 0,30

P( A B) 0,15
PA B 0,50
P( B) 0,30
b) A ( A B) ( A B) C ( A B) P( A) P(C ) P( A B)
P(C ) P( A) P( A C ) 0,20 0,15 0,05
EXERCCIO 33
Seja PA(a) a probabilidade de que A tenha a desarranjos, PB(b) a de que a B tenha b desarranjos e
P(a,b) a probabilidade de que A tenha a desarranjos e B tenha b desarranjos, conjuntamente. Como as
mquinas funcionam independentemente, tem-se P(a,b)=PA(a)PB(b). A tabela abaixo, chamada de
Distribuio Conjunta de Probabilidades, apresenta, em suas clulas, essas probabilidades.
A PB(b)
0 1 2 3 4 5 6
0 0,03 0,06 0,09 0,06 0,027 0,021 0,012 0,3
1 0,01 0,02 0,03 0,02 0,009 0,009 0,004 0,1
2 0,01 0,02 0,03 0,02 0,009 0,007 0,004 0,1
B 3 0,01 0,02 0,03 0,02 0,009 0,007 0,004 0,1
4 0,01 0,02 0,03 0,02 0,009 0,007 0,004 0,1
5 0,015 0,03 0,045 0,03 0,0135 0,0105 0,006 0,15
6 0,015 0,03 0,045 0,03 0,0135 0,0105 0,006 0,15
PA(a) 0,1 0,2 0,3 0,2 0,09 0,07 0,04 1
Para determinao das probabilidades pedidas, basta identificar na tabela os pares (a,b) que satisfazem
s condies especificadas e somar as probabilidades P(a,b) correspondentes. Veja a soluo do item
a e, para os demais, s seguir o mesmo procedimento.
a) A {(a, b) a b} {(0,0), (1,1),...,(6,6)} P( A) P(0,0) P(1,1) ... P(6,6)

PA (0) PB (0) PA (1) PB (1) ... PA (6) PB (6) 0,1 0,3 0,2 0,1 ... 0,04 0,15
0,03 0,02 ... 0,006 0,1255
A
PB(b)
0 1 2 3 4 5 6
0 0,03 0,06 0,09 0,06 0,027 0,021 0,012 0,3
1 0,01 0,02 0,03 0,02 0,009 0,009 0,004 0,1
2 0,01 0,02 0,03 0,02 0,009 0,007 0,004 0,1
B 3 0,01 0,02 0,03 0,02 0,009 0,007 0,004 0,1
4 0,01 0,02 0,03 0,02 0,009 0,007 0,004 0,1
5 0,015 0,03 0,045 0,03 0,0135 0,0105 0,006 0,15
6 0,015 0,03 0,045 0,03 0,0135 0,0105 0,006 0,15
PA(a) 0,1 0,2 0,3 0,2 0,09 0,07 0,04 1
b) A1 {(a, b) a b 4}
A2 {(a, b) a b 5}
c) A {(a, b) a b}
d ) A {(a, b) b 2a}
e) A1 {(a, b) b 2)}
A2 {(a, b) b 4)}
P( A2 )
A1 A2 A2 P( A2 A1 )
P( A1 )
f ) A1 {(a, b) min( a, b) 3}
A2 {(a, b) min( a, b) 3}
g ) A1 {(a, b) max( a, b) 3}
A2 {(a, b) max( a, b) 3}
EXERCCIO 34
a) S {( I , IV ,V ); ( I ,VI ); ( I ,VII ); ( II ; IV ;V ); ( II ;VI ); ( II ,VII ); ( III , IV ,VI ); ( III , IV ,VII ); ( III ,V )}

b) C " o viajante passa por C" D " o viajante passa por D"
P(C ) 0,4 0,2 0,4 0,2 0,2 0,3 0,4 0,2 0,3 0,6 0,22
P( D) 0,4 0,5 0,4 0,5 0,2 0,3 0,6 0,436
P(C D) 0,2 0,3 0,6 0,036
P(C D) P(C ) P( D) P(C D) 0,22 0,436 0,036 0,62
EXERCCIO 35
5 1 6 1 11
a) P( A1 A2 ou A2 A3 ) P( A1 A2 ) P( A2 A3 ) p1 p1, 2 p 2 p 2,3
21 3 21 3 63
b) P( Ai Ai Ai ) P( A1 A1 A1 ou A2 A2 A2 ou A3 A3 A3 ) P( A1 A1 A1 ) P( A2 A2 A2 ) P( A3 A3 A3 )
2 2
5 6 1 10 7 6 490 544
p1 p1,1 p1,1 p2 p2, 2 p2, 2 p3 p3,3 p3,3 02
21 21 3 21 9 189 1701 1701
UNIDADE 2
VARIVEIS ALEATRIAS
No planejamento de qualquer atividade diversas variveis esto envolvidas, e seus

comportamentos tm influncia decisiva neste planejamento. Por exemplo, ao se dimensionar uma
central de atendimento, a quantidade de usurios (cliente) que procuram o servio e o tempo que o(a)
atendente (servidor) necessita para o atendimento so fundamentais. evidente que, dependendo do
tipo de servio que ser oferecido, essas variveis tm quantidade mdia de demanda e tempo mdio
de atendimento diferentes. Mas, dentro de pressupostos razoveis, podemos considerar que elas tm
o mesmo modelo de comportamento (para a mesma varivel), independentemente do tipo de servio
oferecido. Assim, passa ser interesse do planejador conhecer que tipo de modelo genrico tem o
servio de uma central de atendimento, restando a ele, ento, a determinao dos valores dos
parmetros, por exemplo a mdia, que determinam o modelo para situaes especficas.
O comportamento dessas variveis, chamadas de VARIVEIS ALEATRIAS, mencionado acima,
em termos de probabilidade, ou probabilstico, e os modelos, chamados de MODELOS
PROBABILSTICOS, permitem que se determinem as probabilidades de que as variveis assumam
determinados valores de interesse, por exemplo, a probabilidade de que o tempo de atendimento seja
superior a 5 minutos. Retornando ao caso do lanamento de uma moeda, podemos, a partir deste,
determinar um modelo probabilstico que represente qualquer situao semelhante, tendo como
parmetros a quantidade de lanamentos e a probabilidade de se obter cara em um nico lanamento.
Assim, no caso da fabricao de peas, conhecendo-se a probabilidade de que uma pea fabricada seja
defeituosa, podemos calcular, por exemplo num lote de 100 peas, qual a probabilidade de que no
mximo 10 sejam defeituosas.
CAPTULO 1
Variveis Aleatrias
1 DEFINIO
Formalmente, vamos definir a Varivel Aleatria como uma funo X que associa os elementos
do espao amostral de um experimento aleatrio a um nmero real, ou seja:
X :S R
Uma varivel aleatria pode ser discreta, quando seu espao amostral (possveis valores) SX
discreto (finito ou finito enumervel) ou contnua, quando seu espao amostral SX contnuo (infinito).
IMPORTANTE
Se o espao amostral S do experimento que d origem varivel aleatria for discreto, o espao
amostral da varivel tambm ser discreto;
Se S for contnuo, SX poder ser contnuo ou discreto. Por exemplo, ao se testar uma lmpada e
anotar o tempo at que ela queime, S contnuo. Se X a varivel que associa o tempo obtido a
ele prprio, ento SX tambm contnuo, correspondendo ao prprio S, ao passo que, se
classificarmos uma lmpada como defeituosa se ela durar menos que 100 horas e como boa se
durar 100 horas ou mais, podemos associar os tempos inferiores a 100 ao valor 0 (defeituosa) e os
tempos maiores ou iguais a 100 ao valor 1 (boa). Neste caso, SX discreto.
2 VARIVEIS ALEATRIAS DISCRETAS
Se X uma varivel aleatria com espao amostral finito, SX={x1,x2,...,xn}, ou infinito

enumervel, SX={x1,x2,...,xn,...}, ento X do tipo discreto, com:
1) 0 PX ( X x) 1

2) P ( X x) 1
i 1
X
Onde PX ( X x) a probabilidade de que a varivel X assuma determinado valor x.

EXEMPLO 2.1.2[1]
Seja o experimento que consiste em lanar uma moeda 3 vezes e X a varivel aleatria que d
a quantidade de caras obtidas nos 3 lanamentos.
C cara, K coroa
S = {KKK,KKC,KCK,CKK,KCC,CKC,CCK,CCC}
X(KKK) = 0
X(KKC) = X(KCK) = X(CKK) = 1
X(KCC) = X(CKC) = X(CCK) = 2
X(CCC) = 3
SX = {0,1,2,3}
A probabilidade de que a varivel aleatria X assuma algum valor dada pela probabilidade dos
eventos de S (espao amostral do experimento que originou X) associados ao resultado desejado de X.
No exemplo 2.1.2[1], considerando S equiprovvel, as probabilidades de se obter exatamente 0
caras, 1 cara, 2 caras e 3 caras so dadas por:
1 3 3 1
PX ( X 0) ; PX ( X 1) ; PX ( X 2) ; PX ( X 3)
8 8 8 8
0 PX ( X x) 1, x 0,1,2,3
4
1 3 3 1
P
i 1
X ( X xi ) 1
8 8 8 8
OBSERVAES
-1
Se B um evento de SX (espao amostral da varivel aleatria), sua imagem inversa, denotada por X (B)
o evento A de S (espao amostral do experimento aleatrio) que tem seus elementos associados a B, no
exemplo apresentado (2.1.2[1]), o evento de SX Bobter no mximo 1 cara, B={0,1}, tem como imagem
-1
inversa o evento de S, A={KKK,KKC,KCK,CKK}, ou seja, X ({0,1})={KKK,KKC,KCK,CKK};
Assim, na observao de uma varivel aleatria, a probabilidade de que ocorra um evento B, ou seja, seu
valor x pertena ao subconjunto B, PX(xB), dada pela probabilidade de sua imagem inversa no
-1 -1
experimento que originou X: PX(xB)=P(X (B)) ou, simplesmente, PX(B)=P(X (B)).
EXEMPLO 2.1.2[2]
Seja o experimento E lanar uma moeda at se obter uma cara (C). Qual a probabilidade de
serem necessrios no mximo 3 lanamentos para obteno de uma cara ?
X quantidade de lanamentos at se obter uma cara
B {1,2,3}; X 1 ( B) {C , KC, KKC}

P( X X 3) P( B) P( X 1 ( B)) P(C , KC, KKC)
1 1 1 1 1 1 7
P(C ) P( KC ) P( KKC)
2 2 2 2 2 2 8
2.1 DISTRIBUIO DE PROBABILIDADE
No caso discreto, a Distribuio de Probabilidade de uma varivel aleatria X uma tabela que
associa os possveis valores de X s suas respectivas probabilidades. No lanamento da moeda 3 vezes,
com X quantidade de caras (exemplo 2.1.2[1]), temos (a partir deste ponto vamos utilizar a notao
P(X=x) no lugar de P(XX=x):
xi P(X=xi)
0 1/8
1 3/8
2 3/8
3 1/8
SOMA 1
EXEMPLO 2.1.2.1[1]
Construa a Distribuio de Probabilidade do exemplo 2.1.2[2] e verifique que ela atende s

condies para que seja realmente uma Distribuio de Probabilidade.
xi P(X=xi)
1 1/2
2 1/4
3 1/8
4 1/16
. .
. .
. .
SOMA 1
1 condio: P( X x) x , x 1,2,... 0 P( X x) 1 (satisfeita)

1 1
2 2

1 1 1 1 1/ 2
2 condio: P( X xi ) ... 1 (satisfeita)
i 1 2 4
8 16 1 1/ 2
PG com a1 1 e q 1
2 2
2.2 FUNO DENSIDADE DE PROBABILIDADE f(x)
A Funo Densidade de Probabilidade um modelo matemtico, chamado de MODELO

PROBABILSTICO que representa o comportamento das variveis aleatrias. No caso discreto, uma
funo que, se aplicada a um valor x, resulta na probabilidade da varivel aleatria X assumir este valor:
f :RR
P(X x) , x x1 , x2 ,..., xn ,...
f ( x)
0 , x x1 , x2 ,..., xn ,...
1 ) 0 f(x) 1

2 ) f(xi ) 1
i 1
EXEMPLO 2.1.2.2[1]
No lanamento da moeda 3 vezes com X quantidade de caras (exemplo 2.1.2[1]) , temos:
3 1
x 0,1,2,3
f ( x) x 8
0 x 0,1,2,3

3 1 3! 1 1 1
f (0) 1 P( X 0)
0 8 0!(3 0)! 8 8 8
3 1 3! 1 1 3
f (1) 3 P( X 1)
1 8 1!(3 1)! 8 8 8
3 1 3! 1 1 3
f (2) 3 P( X 2)
2 8 2!(3 2)! 8 8 8
3 1 3! 1 1 1
f (3) 1 P( X 3)
3 8 3!(3 3)! 8 8 8
IMPORTANTE
A Funo Densidade de Probabilidade definida para todos os Reais, mesmo para variveis discretas.
Veja que, no caso do lanamento da moeda 3 vezes com X nmero de caras (exemplo 2.1.2[1]), a
probabilidade de que X assuma um valor diferente de 0,1,2 ou 3 zero, por exemplo, a probabilidade
de aparecerem 5 caras zero, bem como a de aparecerem 2,5 caras: f(5)=0 e f(2,5)=0.
Grfico de f(x):
As funes densidade de probabilidade so extremamente teis, para generalizar o

comportamento de variveis aleatrias que seguem um determinado padro. Por exemplo,
consideremos o lanamento de uma moeda n vezes. Podemos, ento, determinar a funo densidade
de probabilidade para este caso genrico, n lanamentos, e, a partir dela, calcularmos as probabilidades
da varivel Xquantidade de caras, para qualquer nmero de lanamentos da moeda.
3 1
No caso de 3 lanamentos (exemplo 2.12.1[1]), a expresso pode ser escrita como
x 8
3 1
3
1
, onde 3 a quantidade de lanamentos e a probabilidade de se obter cara em um nico
x 2 2
lanamento da moeda. Por analogia, se a quantidade de lanamentos for n, o 3 ser substituido por n
e a funo densidade passa a ser:
n 1 n
x 0,1,2,..., n
f ( x) x 2

0 x 0,1,2,..., n
Assim, no lanamento de uma moeda 10 vezes, a probabilidade de obtermos 4 caras ser dada
por:
10 1
10
210
n 10; P( X 4) f (4)
4 2 1024
Agora, suponha que a probabilidade de se obter cara no nico lanamento de uma moeda seja
2 1
e no . Qual a expresso de f(x) para n lanamentos dessa moeda ?
3 2
n x
n 1 n 1 1
n x
1
A expresso pode ser escrita como , onde o primeiro a
x 2 x 2 2 2
probabilidade de cara, resultado de interesse, e o segundo a probabilidade de coroa, veja que essas
2 1
probabilidades so complementares. Assim, se a probabilidade de cara agora , a de coroa ser ,
3 3
a expresso para f(x), em n lanamentos, por analogia, passa a ser:
n 2 x 1 n x
x 0,1,2,..., n
f ( x) x 3 3

0 x 0,1,2,..., n
Enfim, a situao acima pode ser generalizada para o caso de n repeties independentes de
um experimento com apenas dois resultados possveis, Ssucesso e Ffracasso, com probabilidades
P(S)=p e P(F)=1-p=q. Assim, a varivel aleatria Xquantidade de sucessos nas n repeties tem Funo
Densidade de Probabilidade dada por:
n x n x
p q x 0,1,2,..., n
f ( x) x
0 x 0,1,2,..., n

A varivel aleatria descrita acima dita ter DISTRIBUIO DE PROBABILIDADE BINOMIAL com
parmetros n e p, denotando-se por XB(n,p). Mais adiante este modelo probabilstico ser visto
detalhadamente.
OBSERVAO
Os parmetros de um modelo probabilstico so os elementos da funo cujos valores so necessrios

para se determinar a expresso especfica para uma situao particular. No caso do modelo Binomial,
preciso conhecer os valores de n e p, veja que o valor de q determinado por p, pois so
complementares. Portanto, n e p so seus parmetros.
EXEMPLO 2.1.2.2[2]
Retornando ao exemplo 1.2.1[1], no caso em que as probabilidades de que certo tipo de pea
4 3 2 1
tem probabilidades , , e de apresentar 0,1,2 ou 3 defeitos. Seja X a varivel aleatria que
10 10 10 10
d a quantidade de defeitos de uma pea comprada (selecionada) ao acaso. Determine a Distribuio
de Probabilidade e a Funo Densidade de Probabilidade de X. Qual a probabilidade de que uma pea
apresente pelo menos um defeito ?
DISTRIBUIO DE PROBABILIDADE:
x PX(X=x)
0 4/10
1 3/10
2 2/10
3 1/10
SOMA 1
FUNO DENSIDADE DE PROBABILIDADE:
4 x SUGESTO
, x 0,1,2,3
f ( x) 10 Construa o grfico de f(x)

0, x 0,1,2,3
PROBABILIDADE DE PELO MENOS UM DEFEITO:
3 2 1 6
P( X 1) f (1) f (2) f (3)
10 10 10 10
Ou, pela propriedade do complementar

4 6
P( X 1) 1 P( X 0) 1 f (0) 1
10 10
EXEMPLO 2.1.2.2[3]
Uma urna contm uma bola marcada n bolas numeradas de 1 a n. Duas bolas, (a1,a2), so
retiradas ao acaso da urna, sucessivamente e com reposio. Seja X a varivel que d a soma dos
nmeros das bolas retiradas. Considerando o espao amostral equiprovvel, determine a Distribuio
de Probabilidade e a Funo Densidade de Probabilidade de X.
Os resultados possveis do experimento, e as respectivas somas so:

POSSVEIS RESULTADOS
(1,1) (2,1) (3,1) (4,1) ... (n,1)
(1,2) (2,2) (3,2) (4,2) ... (n,2)
(1,3) (2,3) (3,3) (4,3) ... (n,3)
... ... ... ... ... ...
(1,n-2) (2,n-2) (3,n-2) (4,n-2) ... (n,n-2)
(1,n-1) (2,n-1) (3,n-1) (4,n-1) ... (n,n-1)
(1,n) (2,n) (3,n) (4,n) ... (n,n)
SOMAS
2 3 4 5 ... n+1
3 4 5 6 ... n+2
4 5 6 7 ... n+3
... ... ... ... ... ...
n-1 N n+1 n+2 ... 2n-2
n n+1 n+2 n+3 ... 2n-1
n+1 n+2 n+3 n+4 ... 2n
DISTRIBUIO DE PROBABILIDADE:
A quantidade de resultados possveis do experimento n2, e os valores possveis da varivel X

so 2,3,4,...,n,n+1,n+2, ... 2n. Observe que a soma 2 aparece 1 vez, a 3 aparece 2 vezes e assim at a
soma n-1 que aparece n-2 vezes, a soma n aparece n-1 vezes e a soma n+1 aparece n vezes. A partir de
ento, a soma n+2 aparece n-1 vezes, a soma n+3 aparece n-2 vezes, at a soma 2n que aparece 1 vez.
Assim, a distribuio de probabilidade de X ser:
x 2 3 4 ... n-1 n n+1 n+2 ... 2n-2 2n-1 2n-1 SOMA

PX(X=x) 1/n2 2/ n2 3/ n2 ... (n-2)/ n2 (n-1)/ n2 n/ n2 (n-1)/ n2 ... 3/ n2 2/ n2 1/ n2 1
SUGESTO
Verfifique que a soma de
P(X=x)=1
FUNO DENSIDADE DE PROBABILIDADE:
Para os valores de 2 a n+1 fcil verificar que o numerador de f(x) x-1. Para os valores de n+2
a 2n, basta escolher dois pares quaisquer, por exemplo (n+2,n-1) e (n+3,n-2) , e determinar a reta que
passa por esses pontos. Assim, a Funo Densidade de Probabilidade de X ser dada por:
x 1
n 2 , x 2,3,4,...n, n 1 SUGESTES
Estipule um valor para n e verifique a
x 2n 1
f ( x) 2
, x n 2, n 3,...,2n 1,2n validade da Distribuio de
n Probabilidade e f(x) encontradas e
0, x 2,3,4,...,2n construa o grfico de f(x)
Determine a Funo Densidade de
Probabilidade da varivel do exemplo
2.1.2.1[1] e construa seu grfico
2.3 FUNO DISTRIBUIO ACUMULADA DE PROBABILIDADE F(x)
A Funo Distribuio Acumulada de Probabilidade, em ambos os casos, discreto ou contnuo,

uma funo que, se aplicada a um valor x, fornece a probabilidade da varivel aleatria X assumir um
valor menor ou igual a x:
F :RR
F ( x) P( X x)
No caso discreto temos:
F ( x ) P ( X xi )
xi x
EXEMPLO 2.1.2.3[1]
No exemplo 2.1.2[1], referente ao lanamento de uma moeda 3 vezes,com Xquantidade de

caras, temos:
xi P(X=xi) P(Xxi)
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 1
SOMA 1 -
3 1
F ( x) P( X xi ) f ( xi )
xi x xi x xi x x i 8
1
F (0) P( X 0) P( X 0)
8
1 3 4
F (1) P( X 1) P( X 0) P( X 1)
8 8 8
1 3 3 7
F (2) P( X 2) P( X 0) P( X 1) P( X 2)
8 8 8 8
1 3 3 1
F (3) P( X 3) P( X 0) P( X 1) P( X 2) P( X 3) 1
8 8 8 8
IMPORTANTE
Da mesma forma que a Funo Densidade, a Funo de Distribuio tambm definida para todos os
reais. Assim, se x<0 F(x)=0, se 0x<1 F(x)=1/8, se 1x<2 F(x)=4/8, se 2x<3 F(x)=7/8 e se
x3 F(x)=1. Por exemplo, F(-1)=0, F(0,8)=1/8, F(1,5)=4/8, F(2,1)=7/8 e F(5)=1
Grfico de F(x):
SUGESTO
Determine a Funo
Distribuio Acumulada de
Probabilidade das variveis
dos exemplos 2.1.2..2[2] e
2.1.2.2[3] e construa seus
grficos
2.4 ESPERANA MATEMTICA OU VALOR ESPERAO E(X)
No caso discreto, a Esperana Matemtica de uma varivel aleatria X definida como:

E ( X ) xi P( X xi )
i 1
A esperana matemtica de uma funo de X, g(X), dada por:

E ( g ( X )) g ( xi ) P( X xi )
i 1
EXEMPLO 2.1.2.4[1]
Para o lanamento da moeda 3 vezes, com Xquantidade de caras (exemplo 2.1.2[1]), temos:
4
1 3 3 1 12 3
E ( X ) x i P ( X xi ) 0 1 2 3
i 1 8 8 8 8 8 2
4
1 3 3 1 24
E ( X 2 ) xi2 P( X xi ) 0 2 12 2 2 32 3
i 1 8 8 8 8 8
OBSERVAES
fcil verificar que a Esperana Matemtica a mdia aritmtica dos valores da varivel X,
ponderados por suas probabilidades e determina a mdia dos valores observados de X em repetidas
realizaes do experimento. Por exemplo, a quantidade de pessoas que acessam uma determinada
pgina na internet em um ms uma varivel aleatria e sua Esperana Matemtica a mdia
mensal de pessoas que acessam a pgina, ao longo do tempo;
A unidade da Esperana Matemtica a mesma da varivel. Por exemplo, se a varivel dada em
centmetros (cm), a Esperana Matemtica tambm dada em cm.
EXEMPLO 2.1.2.4[2]
Retornando ao exemplo 1.2.1[1], no caso em que as probabilidades de que certo tipo de pea
4 3 2 1
tem probabilidades , , e de apresentar 0,1,2 ou 3 defeitos. Qual a mdia de defeitos por
10 10 10 10
pea fabricada ? O fabricante vende uma pea por R$50,00, mas devolve ao comprador R$2,00 por
cada defeito apresentado. Qual a receita lquida esperada pelo fabricante, por pea ?
MDIA DE DEFEITOS: SUGESTO

Calcule a Esperana
4 3 2 1 Matemtica das variveis
E ( X ) 0 1 2 3 1 defeito por pea dos exemplos 2.1.2.2[2] e
10 10 10 10
2.1.2.2[3]
RECEITA LQUIDA ESPERADA:
Distribuio de Probabilidade da Receita Lquida R
r=50-2x P(R=r)
50-2x0=50 P(R=50)=P(X=0)=4/10
50-2x1=48 P(R=48)=P(X=1)=3/10
50-2x2=46 P(R=46)=P(X=2)=2/10
50-2x3=44 P(R=44)=P(X=3)=1/10
4 3 2 1 200 144 92 44 480

E ( R) 50 48 46 44 R$48,00 por pea
10 10 10 10 10 10 10 10 10
2.5 VARINCIA V(X)
A varincia de uma varivel aleatria, tanto no caso discreto como no contnuo, definida como:
V ( X ) EX E( X )
2
Desenvolvendo o segundo termo da expresso e aplicando as propriedades da esperana

matemtica, que sero vistas mais adiante, chega-se seguinte frmula alternativa (mais prtica e
precisa) para o clculo da varincia:
V ( X ) E ( X 2 ) {E ( X )}2
OBSERVAES
Lembrando que a Esperana Matemtica a mdia dos valores da varivel aleatria e analisando
a definio de Varincia, verificamos que V(X) a mdia das distncias (ao quadrado) dos valores
de X em relao sua mdia E(X);
O enunciado acima mostra que a Varincia uma medida indicativa do grau de disperso
(variabilidade) dos valores da varivel em torno de sua mdia, ou seja, quanto mais dispersos
forem os valores (grandes distncias em relao mdia), maior ser a Varincia;
raiz quadrada da varincia, d-se o nome de Desvio Padro, denotado por X . Tambm
comum denotar a Varincia por X2 e a Esperana por X .
A unidade da varincia a unidade da varivel ao quadrado e a do desvio padro a mesma da

varivel. Por exemplo, se a varivel dada em centmetros (cm), a varincia dada em cm2 e o
desvio padro dado em cm.

EXEMPLO 2.1.2.5[1]
No lanamento da moeda 3 vezes, com Xquantidade de caras (exemplo 2.1.2[1]), temos:

3
X E( X )
2
X 2 E( X ) 3
2
2
3
V ( X ) E ( X ) E ( X ) 3
3
2
X
2 2
2 4
3 3
X
4 2
EXEMPLO 2.1.2.5[2]
Considerando o exemplo 2.1.2.4[2], qual a varincia e o desvio padro da quantidade de defeitos

e da receita lquida ?
E( X ) 1
4 3 2 1
E( X 2 ) 02 12 2 2 32 2
10 10 10 10
V ( X ) E ( X 2 ) {E ( X )}2 2 12 1 X 1
E ( R) 48
4 3 2 1 10000 6912 4232 1936 23080
E ( R 2 ) 50 2 48 2 46 2 44 2 2308
10 10 10 10 10 10 10 10 10
V ( R) 2308 48 2 2308 2304 4,00 ( R$) 2 R R$2,00
3 VARIVEIS ALEATRIAS CONTNUAS
Diz-se que uma varivel aleatria X contnua se seu espao amostral SX um intervalo ou a
unio de intervalos reais.
3.1 FUNO DENSIDADE DE PROBABILIDADE f(x)
Se X uma varivel aleatria contnua, sua Funo Densidade de Probabilidade uma funo
satisfazendo a:
1) f(x) 0 x S X
2) f(x) 0 x S X

3)
-
f(x)dx 1
OBSERVAES
A condio 3 indica que a rea total sob f(x) igual a 1, o que equivalente ao caso discreto, no
qual a soma de todas as probabilidades P(X=x) tambm igual a 1.
Para variveis discretas, o clculo de probabilidades e de suas medidas caractersticas (esperana
e varincia) so feitos atravs de somas. Para as variveis contnuas esses clculos so atravs de
reas (integrais)
Diferente do caso discreto, a funo densidade de uma varivel contnua aplicada a um valor x no
resulta em P(X=x). No caso contnuo P(X=x)=0
Para variveis contnuas, as probabilidades sero determinadas por reas sob f(x), lembrando
que a rea total igual a 1 (condio 3), assim, a rea sob a curva em determinado intervalo [a,b] a
probabilidade de que X assuma um valor dentro deste intervalo:

f ( x)dx 1

b
a
f ( x)dx P(a X b)
IMPORTANTE
Como consequncias do enunciado acima, tem-se:
1) P(a X b) P(a X b) P(a X b) P(a X b)
c
2) P(X c) P(c X c) f(x)dx 0
c
EXEMPLO 2.1.3.1[1]
O dimetro (cm) de certo tipo de cabo uma varivel aleatria com Funo Densidade de
2 x 0 x 1
Probabilidade dada por f(x) . Construa o grfico de f(x). Verifique que f(x) realmente
0 x [0,1]
uma Funo Densidade de probabilidade. Qual a probabilidade de que um cabo selecionado
(comprado) ao acaso tenha dimetro entre 0,25cm e 0,75cm ?
GRFICO DE f(x)
VERIFICAO DE QUE f(x) UMA DENSIDADE DE PROBABILIDADE
1 condio
Para x<0 ou x>1f(x)=0 (definio da funo). Para x[0,1]x02x0 (satisfeita)

2 condio
1
1 2x 2 1
Pela integral:

f ( x)dx 2 xdx
0 2
1 . Pela rea da figura(tringulo):
2
1 2 1 (satisfeita)
0
PROBABILIDADE DE 0,25X0,75
3/ 4
1 3 3/ 4 2x 2 1
Pela integral: P X 2 xdx
4 4 1/ 4 2 1/ 4
2
13 1

1 3 22 2 1
Pela rea da figura(trapzio): P X
4 4 2 2
IMPORTANTE
A probabilidade P(0,25X0,75)=1/2, na prtica corresponde a
afirmar que cerca de 50% das peas fabricadas tm dimetro
entre 0,25cm e 0,75cm
3.2 FUNO DISTRIBUIO ACUMULADA DE PROBABILIDADE F(x)
Da mesma forma que no caso discreto, a Funo de Distribuio Acumulada de uma varivel
contnua dada por F(x)=P(Xx), ento:
x
F(x) P(X x) f(t)dt , com f(t) tendo a mesma expresso de f(x)
-
EXEMPLO 2.1.3.2[1]
Retornado ao exemplo 2.1.3.1[1], onde a varivel aleatria X (dimetro de um tipo de cabo) tem
2 x x 0,1
funo densidade de probabilidade dada por f(x)
0 x 0,1
Sua funo de distribuio acumulada ser dada por:

x
x 0 F(x) 0dt 0

x
0 x 1 F(x) t 2tdt 0 x 2 x 2
0
0 1 x
x 1 F(x) 0dt 2tdt 0dt 0 1 0 1
0 1
0 x 0

Ento: F(x) x 2 0 x 1
1 x 1

OBSERVAO
Se X uma varivel aleatria, discreta ou contnua, e F(x) a funo de distribuio de X, ento:
1 ) 0 F(x) 1 x R
2 ) se x y F(x) F(y)
3) lim F(x) 0 e lim F(x) 1
x x
IMPORTANTE
A probabilidade P(aXb) pode ser calculada a partir da Funo
Distribuio Acumulada de Probabilidade: P(aXb)=F(b)-F(a)
Assim, uma vez determinada F(x), no mais necessria a operao
de calcular a integral de f(x) toda vez que se for calcular
determinadas probabilidades
EXEMPLO 2.1.3.2[2]
Ainda utilizando o exemplo 2.1.3.1[1], onde a varivel aleatria X (dimetro de um tipo de cabo)
2 x x 0,1
tem funo densidade de probabilidade dada por f(x) , a probabilidade de que um
0 x 0,1
cabo selecionado ao acaso tenha dimetro entre 0,25cm e 0,75cm pode ser calculada da seguinte
forma:
0 x 0

F(x) x 2 0 x 1
1 x 1

2 2
1 3 3 1 3 1 9 1 1
P X F F
4 4 4 4 4 4 16 16 2
3.3 ESPERANA MATEMTICA E VARINCIA
Para as variveis contnuas, a esperana e varincia, cujos significados j foram abordados no

caso discreto, so determinadas pelas expresses seguintes:

E(X) xf(x)dx DESAFIO

E[g(X)] g(x) f(x)dx Mostre que

EX E( X ) E( X 2 ) [ E( X )]2
2
V ( X ) EX E( X ) ou V ( X ) E( X 2 ) E( X )
2 2
EXEMPLO 2.1.3.3[1]
Retornado ao exemplo 2.1.3.1[1], no qual a varivel aleatria X (dimetro de um tipo de cabo)

2 x x 0,1
tem funo densidade de probabilidade dada por f(x) , a esperana e a varincia so
0 x 0,1
dadas por:
1
1 2x3 1 2
E(X) xf(x)dx x 2 xdx 2 x dx 2
0,67cm
0 0 3 3
0
1 2
1 2x 4 1 1 1 2 1
E(X ) x f(x)dx x 2 xdx 2 x dx
2 2 2 3
V ( X ) 0,06cm 2
0 0 4 0
2 2 3 18
IMPORTANTE
A interpretao de E(X) que, no processo de produo deste
tipo de cabo, o dimetro mdio dos mesmos de 0,67cm
4 PROPRIEDADES DA ESPERANA E VARINCIA
Se X uma varivel aleatria, discreta ou contnua, e c uma constante, as seguintes

propriedades so verificadas:
ESPERANA VARINCIA DESAFIO

1) E ( X c) E ( X ) c 1) V ( X c) V ( X ) Demostre as propriedades da
2) E (cX ) cE ( X ) 2) V (cX ) c 2V ( X ) Esperana e da Varincia
3) E (c ) c 3) V (c ) 0
EXEMPLO 2.1.4[1]
Seja X uma varivel aleatria contnua com Funo Densidade de Probabilidade dada por:
1 x -1 x 0

f(x) 1 x 0 x 1
0 x [-1,1]

Calcule E(X), E(X2), E(X+2) e E(2X2)
0 1
E(X) x( 1 x)dx x( 1 x)dx 0 E(X 2 ) E(X) 2 0 2 2
1 0
0 1 1 1 1
E(X 2 ) x 2( 1 x)dx x 2( 1 x)dx E(2 X 2 ) 2 E(X 2 ) 2.
1 0 6 6 3
Calcule V(X), V(X+2) e V(2X)
0 1 1
E(X) x( 1 x)dx x( 1 x)dx 0 V(X 2 ) V(X)
1 0 6
0 1 1 1 2
E(X 2 ) x 2( 1 x)dx x 2( 1 x)dx V(2 X) 2 2 V(X) 4
1 0 6 6 3
1 2 1
V(X) 0
6 6
EXEMPLO 2.1.2.4[2]
Retornando aos exemplos 2.1.2.4[2] e 2.1.2.5[2], no caso em que as probabilidades de que certo
4 3 2 1
tipo de pea tem probabilidades , , e de apresentar 0,1,2 ou 3 defeitos e fabricante vende
10 10 10 10
uma pea por R$50,00, mas devolve ao comprador R$2,00 por cada defeito apresentado. A receita
lquida esperada e a varincia podem ser calculadas da seguinte forma:
E( X ) 1 e V ( X ) 1
A receita lquida pode ser escrita como: R 50 2 X
Ento
E ( R) E (50 2 X ) E (
X 50
2 ) E (2 X ) E (50) 2 E ( X ) 50 2 1 50 48
Y c
V ( R) V (50 2 X ) V (
X 50
2 ) V (2 X ) (2) V ( X ) 4 1 4
2
Y c
EXEMPLO 2.1.4[3]
Retornando ao exemplo 2.1.3.3[1], no qual a varivel aleatria X (dimetro de um tipo de cabo)

2 x x 0,1
tem funo densidade de probabilidade dada por f(x) , considere que o custo de
0 x 0,1
manuteno deste cabo dado por C C1 C 2 X . A Esperana e Varincia do custo sero dadas por:
2 1
E(X) 0,67 cm V (X ) 0,06cm 2
3 18
2C 2
E (C ) E (C1 C 2 X ) E (C
2X C
1 ) E (C 2 X ) E (C1 ) C 2 E ( X ) C1 C1
Y c
3
C 22
V (C ) V (C1 C 2 X ) V (C
2X C
1 ) V (C 2 X ) C V ( X ) 18
2
2
Y c
Outras duas propriedades muito importantes da Esperana e Varincia, envolvendo n variveis

aleatrias, X1, X2,..., Xn so as seguintes:
1) E ( X 1 X 2 ... X n ) E ( X 1 ) E ( X 2 ) ... E ( X n ) para quaisquer X1, X2,..., Xn
2) V ( X 1 X 2 ... X n ) V ( X 1 ) V ( X 2 ) ... V ( X n ) se X1, X2,..., Xn so independentes

CAPTULO 2
Algumas Variveis Aleatrias Discretas
1 BINOMIAL B(n,p)
Seja E1 um experimento com apenas dois resultados possveis, S (sucesso) e F (fracasso), tal que
P(S)=p e P(F)=q=1-p. Seja E o experimento que consiste em repetir n vezes, independentemente, o
experimento E1. Seja X a varivel aleatria que d a quantidade de sucessos obtidos nas n
repeties (E1 conhecido como Experimento de Bernoulli).
DESAFIO
Determine f(x) (parta de uma
n x n x sequncia especfica de
p q x 0,1,2,3,..., n
f(x) x sucessos e fracassos)
0 x 0,1,2,3,..., n

E ( X ) np V ( X ) npq DESAFIO DESAFIO
Mostre que f(x) satizfaz s Determine E(X) e V(X) (calcule a
duas condies da definio Esperana e Varincia do
de Funo Densidade de Experimento de Bernoulli e depois
Probabilidade (para mostrar use as propriedades da Esperana e
que f(x)=1 use o Binmio de Varincia para a soma de n variveis
Newton) aleatrias independentes)
EXEMPLO 2.2.1[1]
Sabe-se que uma determinada moeda apresenta cara 3 vezes mais frequentemente do que
coroa. Essa moeda lanada 5 vezes. Seja X o nmero de caras que aparecem. Estabelea a densidade
de probabilidade discreta de X e calcule a probabilidade de que o nmero de caras seja maior ou igual
a 2 e menor ou igual a 4. Calcule E(X), V(X) e .
3 1
P(C ) P( K )
4 4
5 3 1 3 x
x
, x 0,1,2,3,5
f ( x) x 4 4

0 , x 0,1,2,3,5
5 3 1 5 3 1 5 3 1
2 3 3 2 4 1
P(2 X 4) f (2) f (3) f (4)

2 4 4 3 4 4 4 4 4
9 1 27 1 81 1 90 270 405 765
10 10 5
16 64 64 16 256 4 1024 1024
3 15 3 1 15 15 15
E(X) 5 V(X) 5
4 4 4 4 16 16 4
2 GEOMTRICA DISCRETA Geomtrica(p)
Seja E1 um experimento cujos resultados sejam sucesso S ou fracasso F, tal que P(S)=p e
P(F)=q=1-p. Seja E o experimento constitudo da repetio, independentemente, de E1 at que ocorra
um sucesso. Seja X a varivel aleatria que d a quantidade de repeties necessrias para se obter um
sucesso.
pq x 1 x 1,2,3,... DESAFIO
f(x)
0 x 1,2,3,... Determine f(x) (parta de uma
1 q sequncia especfica de
E( X ) V (X ) 2 sucessos e fracassos)
p p
EXEMPLO 2.2.2[1]
Um dado lanado at que aparea um 6. Qual a probabilidade de que no mximo 6

lanamentos sejam necessrios ? Calcule E(X), V(X) e .
1 5 x 1
1 1 5 x 1,2,...
p q 1- f(x) 6 6
6 6 6 0
x 1,2,...
1 5 5 5 5 5 5
0 1 2 3 4 5
P(X 6 )
6 6 6 6 6 6 6
1 5/ 6 5
E(X) 6 V(X) 36 30 30
1/ 6 1 / 6 6
2
3 BINOMIAL NEGATIVA (PASCAL) Pascal(R,p)
Suponhamos que um experimento E1 tenha como resultados sucesso (S) ou fracasso (F), com
P(S)=p e P(F)=1-p=q. Seja E o experimento que consiste em repetir o experimento E1,
independentemente, at que R sucessos ocorram. Seja X a varivel que d a quantidade de repeties
necessrias at que ocorram R sucessos.
x 1 R x R
p q , x R, R 1, R 2,... DESAFIO
f ( x) R 1
0 , x R, R 1, R 2,...
Determine f(x) (parta de uma
sequncia especfica de
1 q sucessos e fracassos)
E( X ) R V (X ) R
p p2
EXEMPLO 2.2.3[1]
Um dado lanado at que o nmero 6 aparea 3 vezes. Qual a probabilidade de que

exatamente 6 lanamentos sejam necessrios ? Calcule E(X), V(X) e .
x 1 1 3 5 x 3
x 3,4,5,...
f(x) 3 1 6 6
1 1 5
R3 p q 1-
6 6 6
0 x 3,4,5,...
x 1 1 5 x 3
x 3,4,5, ...
f(x) 2 216 6

0 x 3,4,5, ...
6 3
6 1 1 5 5 1 5
3
1 125 1250
P(X 6 ) 10
2 216 6 2 216 6 216 216 46656
5
1 5
E(X) 3 18 V(X) 3 6 2 3 36 90 X 90
1
6
1
6
6
4 HIPERGEOMTRICA Hipergeomtrica(N,R,n)
Suponha que se tenha N objetos, dos quais R so de um tipo 1 e N-R de um tipo 2. Uma amostra
no ordenada de extenso nN retirada, sem reposio, ao acaso. Seja X a varivel aleatria que d
a quantidade de objetos do tipo 1 na amostra.
R N R

x n x x 0 ,1,2,...,n
f ( x) N

n
0 x 0,1,2,...,n
N n R N R
E ( X ) np V ( X ) npq p q 1 p
N 1 N N
OBSERVAES
Veja que se a amostra for retirada sucessivamente (ordenada) com reposio, resulta numa
Distribuio Binomial com parmetros n e p=R/N, pois a cada retirada, a probabilidade de se
retirar um objeto do Tipo 1 permanece a mesma
A amostra com reposio tem a propriedade de tornar a populao (objetos na urna) infinita
N n
assim, com n fixo, se N tende a infinito a expresso tende a 1 e V(X) passa a ser npq, a
N 1
varincia da B(n,p)
EXEMPLO 2.2.4[1]
Uma urna contm 15 bolas, sendo 10 brancas e 5 vermelhas. Uma amostra de extenso 4, no
ordenada e sem reposio, retirada ao acaso da urna. Seja X a varivel aleatria que d o nmero de
bolas brancas na amostra. Determine a densidade f de X. Calcule P(X=3), E(X), V(X) e .
10 5
10 5

x 4 x x 0 ,1,2 ,3,4
P(X 3 )
3 1 40
f(x) 15
15 91
4
4

0 x 0 ,1,2 ,3,4
10 8
E(X) 4
15 3
10 5 15 4 8 11 88 44 44
V(X) 4 X
15 15 15 1 9 14 126 63 63
5 POISSON Poisson()
Seja X uma varivel aleatria discreta assumindo os valores 0,1,2,...,n,..., se sua densidade de
probabilidade dada por:
e x
, x 0,1,2,..., n,...
f ( x) x!
0 , x 0,1,2,..., n,...

E( X ) V (X )
Ento X dita ter distribuio de Poisson com parmetro >0.
EXEMPLO 2.2.5[1]
A mdia anual de acidentes em um determinado cruzamento no horrio de pico igual a 3. Se

essa quantidade X tem distribuio de Poisson, qual a probabilidade de, num determinado ano,
acontecer pelo menos um acidente no horrio de pico ?
e 3 3 x
, x 0,1,2,..., n,...
f ( x) x!
0 , x 0,1,2,..., n,...

E( X ) 3 V (X ) 3
e 3 3 0
P( X 1) 1 P( X 0) 1 1 e 3 1 0,0498 0,9502
0!
5.1 BINOMIAL x POISSON
Suponha uma varivel aleatria B(n,p), com n grande e p pequeno. Por exemplo, n=1.000 e
p=0,0001. A probabilidade de que X seja igual a 3 ser dada por:
1000
0,0001 x 0,9999 1000 x , x 0,1,2,...,1000
f ( x) x
0 , x 0,1,2,...,1000

1000
P( X 3) f (3) 0,00013 0,9999 997
3
Observa-se que o clculo das probabilidades nesta situao torna-se bastante difcil, que pode
ser contornado aproximando-se a Distribuio Binomial pela de Poisson, ou seja, quando n grande e
p pequeno, as probabilidades da Binomial, B(n,p), correspondente podem ser aproximadas por uma
distribuio de Poisson com parmetro =np:
(np) x e np
, x 0,1,2,..., n,...
f ( x) x!
0 , x 0,1,2,..., n,...

E ( X ) np V ( X ) np
A soluo do problema acima pode, ento, ser aproximada por:
np 1000 0,0001 0,1

0,15 e 0,1 0,00001 0,90484
P( X 5) f (5) 0,0000000754
5! 120
OBSERVAES
Pelo fato de que a aproximao da Binomial pela Poisson possvel quando p pequeno e n
grande, a Distribuio de Poisson tambm conhecida como a distribuio dos eventos raros,
ou seja, o evento em questo tem probabilidade (p) pequena de ocorrer, sendo necessria uma
grande quantidade de repeties do experimento (n) para que ele ocorra.
Uma boa aproximao obtida quando n30 e np ou nq<5.
Veja que se p (probabilidade de sucesso) for grande, a probabilidade de se obter uma
determinada quantidade de sucessos (x) deve ser calculada pela equivalente quantidade de
fracassos (x sucessos n-x fracassos), com passando a ser nq.
EXEMPLO 2.2.5.1[1]
Ao decolar de um porta-avies, determinado tipo de avio tem probabilidade muito pequena,

p=0,0002, de se perder por queda no mar. Qual a probabilidade de dois ou mais acidentes dessa
natureza em n=500 decolagens?
0,1x e 0,1
np 500 0,0002 0,1 P( X x) , x 0,1,2,...
x!
0,10 e 0,1 0,11 e 0,1

P( X 2) 1 P( X 2) 1 P( X 0) P( X 1) 1 0,0045
0! 1!
EXEMPLO 2.2.5.1[2]
A probabilidade de que uma ligao telefnica seja bem sucedida 0,99. Em 1000 tentativas de
ligaes, qual a probabilidade de que mais de 997 sejam bem sucedidas ?
X sucessos Y n X fracassos
10 x e 10
p 0,99; q 0,01 nq 1000 0,01 10 P(Y y ) , y 0,1,2,...
x!
P( X 997 ) P( X 998) P( X 999) P( X 1000 ) P(Y 2) P(Y 1) P(Y 0)
10 2 e 10 101 e 10 10 0 e 10
0,002769
2! 1! 0!
5.2 PROCESSO DE POISSON
Muitos fenmenos podem ser vistos como uma quantidade de ocorrncias de um evento dentro
de um determinado intervalo, ou espao, contnuo. Se o intervalo for o tempo, podemos ter, por
exemplo, a quantidade de chamadas que chegam a determinada central telefnica, a quantidade de
acidentes de trnsito em determinado cruzamento, etc. Se o espao contnuo for o volume de gua em
um reservatrio de uma cidade, as ocorrncias podem ser a quantidade de bactrias dentro deste
volume. Podemos ter tambm a quantidade de falhas numa pea de um cabo eltrico, aqui o espao
contnuo o comprimento da pea. Um fenmeno com as mesmas caractersticas dos descritos acima
chamado de Processo de Poisson, desde que satisfaa s seguintes condies:
1) Se Xt a varivel aleatria que d a quantidade de ocorrncias de um evento no intervalo

(espao) contnuo t, e Xt a varivel que d a quantidade de ocorrncias em um intervalo
pequeno t de t, ento a probabilidade de x ocorrncias no intervalo t diretamente
proporcional a t, ou seja, P(Xt=x)=t
2) A probabilidade de duas ou mais ocorrncias em um mesmo intervalo pequeno t de t
desprezvel, ou seja, P(Xt2)~0
3) Se t1 e t2 forem dois intervalos pequenos de t no superpostos, ento a ocorrncia ou a
no ocorrncia de um evento em t1 no exercero influncia sobre a ocorrncia ou no
ocorrncia de um evento em t2, ou seja, as variveis X t e X t so independentes.
1 2
Assim, a probabilidade de ocorrncia de x eventos em um intervalo (espao) contnuo de

comprimento t dada por:
P X t x
t x e t
, x 0,1,2,...
x!
que a Distribuio de Poisson com parmetro =t, onde a TAXA DE OCORRNCIA por unidade
do espao considerado.
EXEMPLO 2.2.5.2[1]
Uma adutora apresenta vazamentos a uma taxa de 2 por 100 km. Considerando que a
quantidade de vazamentos segue um Processo de Poisson, qual a probabilidade de ocorrer no mximo
um vazamento num trecho de 500 km ?
2 2
t 500 10
100 100
10 0 e 10 10 1 e 10
P X 1 P X 0 P X 1 e 10 10e 10 11e 10 0,000499
0! 1!
EXEMPLO 2.2.5.2[2]
Determinado sistema apresenta falhas a uma taxa de 5 por hora. Se o sistema for ligado s
7:00, qual a probabilidade de ocorram 5 falhas at s 9:30, sendo apenas 1 falha at s 7:40 ?
Fazendo X1quantidade de falhas das 7:00 s 7:40 (40 minutos) e X2quantidade de falhas das
7:40 s 9:30 (110 minutos), deseja-se calcular P(X1=1 e X2=4), como X1e X2 so independentes
(condio 3 do Processo de Poisson), temos, trabalhando com minutos:
5 5 10 5 55
1 40 ; 2 110
60 60 3 60 6
1 10 / 3
(10 / 3) e (55 / 6) 4 e 55 / 6
P( X 1 1) 0,1189 P( X 2 4) 0,0307
1! 4!
P( X 1 1 e X 2 4) P( X 1 1) P( X 2 4) 0,1189 0,0307 0,00365
CAPTULO 3
Algumas Variveis Aleatrias Contnuas
1 NORMAL N(,2)
2
1 x
1
f ( x) e 2 - x
2
E( X ) V( X ) 2
A Funo de Distribuio Acumulada de Probabilidade de X, F(x), no tem uma expresso

analtica definida, mas seus valores podem ser obtidos a partir da Distribuio Normal Padro,
denotada por Z, cuja Funo Distribuio de Probabilidade Acumulada, denotada por (z),
aproximada utilizando-se a expanso de Taylor pra a funo erro. A Distribuio Normal tem as
seguintes caractersticas:
1) Os limites de f(x) quando x tende a + e - so iguais a zero. DESAFIO

2) f(x) simtrica em torno de , ou seja, f( + d) = f( - d)
Determine o mximo def(x) e
3) O valor mximo de f(x) ocorre em x seus pontos de inflexo
4) Os pontos de inflexo de f(x) ocorrem em x1 e x 2
Os grficos seguintes ilustram estas propriedades.
1
2 2
f(-d)=f(+d)
- + -d +d
A caracterstica 2 garante que as reas sob f(x) entre -d e +d so iguais, ou seja, em termos
de probabilidade, P(-dX) = P(X+d). A figura seguinte ilustra este resultado.
Alm dessas caractersticas, a variabilidade da Distribuio Normal garante o seguinte:
3
1) 99,74% dos elementos da distribuio esto entre e 3
2) 95,44% dos elementos esto entre 2 e 2
3) 68,26% dos elementos esto entre e
EXEMPLO 2.3.1[1]
O comprimento, em milmetros de determinado tipo de objeto tem distribuio normal com

mdia 5mm e desvio padro 1mm, ento podemos dizer que, dos objetos produzidos:
99,74% deles tm comprimento entre 5-3x1=2mm e 5+3x1=8mm;

95,44% deles tm comprimento entre 5-2x1=3mm e 5+2x1=7mm;
68,26% deles tm comprimento entre 5-1=4mm e 5+1=6mm.
1.1 NORMAL PADRO (REDUZIDA) N(0,1)
X
Se X tem Distribuio Normal N(,2), ento Z tem distribuio Normal com mdia 0

e varincia 1, ou seja ZN(0,1)
1 -
z2 DESAFIO
F(z) P(Z z) (z) f(z)dz
z
f(z) e 2
- z Mostre que E(Z)=0 e V(Z)=1

2
(aplique as propriedades da
E(Z) 0 V(Z) 1 Esperana e da Varincia)
Alguns valores de (z), para z0, esto tabelados no Anexo 1.
As probabilidades de uma varivel aleatria X com distribuio N(,2) podem ser determinadas
pela transformao de X em Z:
x x
P(x1 X x2 ) P 1 Z 2 P(z1 Z z 2 ) (z 2 ) (z 1 )

Graficamente:
Os valores de (z) esto disponveis na tabela do Anexo 1.
Veja como utilizar a tabela:
No corpo da tabela esto os valores de (z), ou seja P(Zz) para z0

Na primeira coluna (coluna indicadora) esto os valores de z com uma casa decimal
Na primeira linha (cabealho) esto os valores da segunda casa dcima de z
Para encontrarmos a probabilidade para um determinado z, procuramos incialmente na coluna
indicadora seu valor com uma casa decimal, em seguida procuramos no cabealho o
correspondente sua segunda casa decimal . A probabilidade desejada encontrada no
cruzamento entre a linha e coluna correspondentes
Para valores negativos de z, usa-se a simetria da Distribuio Normal e a propriedade dos
eventos complementares: P(Z-z)=1-P(Zz)
EXEMPLO 2.3.1.1[1]
O processo de fabricao de determinado objeto apresenta variaes de tal forma que seu
comprimento final uma varivel aleatria com distribuio Normal com mdia =10 cm e varincia
2=4 cm2. Qual a probabilidade de que um objeto escolhido ao acaso tenha comprimento entre 6 cm
e 12 cm ? Maior do que 11 cm ? menor do que 5 cm ?
6-10 12 10
P6 X 12 P Z P 2 Z 1 1 2 1-1-2
2 2
0,8413-1-0,9772 0,8413-0,0228 0,8185
11-10
P X 11 P Z PZ 0,5 1 PZ 0,5 1 0,5 1 0,6915 0,3085
2
5-10
P X 5 P Z PZ 2,5 PZ 2,5 1 PZ 2,5 1 2,5 1 0,9938 0,0062
2
1.2 BINOMIAL x NORMAL
Para uma distribuio B(n,p), quando n grande e p prximo a 0,5, suas probabilidades podem
ser aproximadas por uma distribuio Normal com mdia =np e varincia 2=npq. Ou seja:
lim B(n, p) N np, npq

n
1
p
2
EXEMPLO 2.3.1.2[1]
No lanamento de uma moeda 500 vezes, qual a probabilidade de que sejam obtidas pelo menos
270 caras ?
1
A varivel original B 500, , deseja-se calcular P(X270)=1-P(X<270)=1-P(X269),
2
aproximando-se pela distribuio normal tem-se:
1
n 500 p
2
1 1 1
np 500 250 npq 500 125
2 2 2
1
B 500, N 250,125
2
269 250 19 19
P X 269 1
125 125 125
1 1,70 1 0,9554 0,0446
2 UNIFORME U(a,b)
1 DESAFIO
x [a,b] xa
f(x) b a F(x)
0 ba Mostre que f(x) satizfaz s
x [a,b] duas condies da definio
de Funo Densidade de
ab (b a)2
E(X) V(X) Probabilidade. Determine
2 12 F(x), E(X) e V(X)
Grficos de f(x) e F(x):
EXEMPLO 2.3.2[1]
O peso de determinado objeto uniformemente distribudo em [3,5]. Determine f(x) e F(x).

Calcule P(3,5X4,5), E(X), V(X) e .
1 1
x [3,5] x [3,5]
f(x) 5-3 f(x) 2
0 x [3,5] 0 x [3,5]
0, x 3
x 3 x 3

F ( x) F ( x) , x [3,5]
53 2
1, x 5
4,5 3 3,5 3 1,5 0,5 1

P(3,5 X 4,5) F (4,5) F (3,5) 0,5
2 2 2 2
35 8 (5-3) 2 4 1 1 1
E( X ) 4 V(X )
2 2 12 12 3 3 3
3 EXPONENCIAL Exp()
DESAFIO
e x x 0 , 0
f(x) Mostre que f(x) satizfaz s
0 x0 duas condies da definio
de Funo Densidade de
F(x) 1 e x
Probabilidade. Determine
1 1 F(x), E(X) e V(X)
E(X) V(X) 2

GRFICOS DE f(x) e F(x) para =2,4 e 8:

EXEMPLO 2.3.3[1]
Suponha que o tempo (min) das chamadas telefnicas de uma determinada cidade tenha
distribuio exponencial com parmetro =0,5. Determine f(x) e F(x). Calcule a probabilidade de que
uma ligao dure entre 1 min e 3 min. Calcule E(X) e V(X).
0,5e - 0 ,5 x x 0
f(x)
0 x 0
F(x) 1 e x 1 e 0 ,5 x
P(1 X 3 ) F( 3 )-F(1 ) 1-e - 0 ,53 1 e 0 ,51 e 0 ,5 e 1,5 0,6065 0,2231
0,3834 38,34%
1 1
E(X) 2min (tempo mdio de conversao) V(X) 2
4min 2
0,5 0,5
3.1 RELAO EXPONENCIAL x POISSON
Se Xt um Processo de Poisson, j vimos que a probabilidade de ocorrncia de x eventos em um

intervalo (espao) contnuo de tamanho t dada pela Distribuio de Poisson:
P X t x
t x e t
, x 0,1,2,... , onde a taxa de ocorrncias por unidade de t.
x!
Seja T a varivel aleatria que d a distncia a partir de um ponto qualquer at a primeira

ocorrncia do evento.
Para facilitar o entendimento, vamos considerar que T o tempo de espera decorrido at a
primeira ocorrncia de um evento a partir de um instante qualquer. Assim, podemos denotar a
probabilidade de que este tempo de espera seja superior a t por P(T>t) e a probabilidade de que seja
inferior ou igual a t por P(Tt)=1-P(T>t).
fcil perceber que a afirmao de que o tempo de espera at a primeira ocorrncia do evento
superior a t equivalente a afirmar que no existe qualquer ocorrncia do evento no intervalo t, ou
seja, P(T>t)=P(Xt=0), ento:
PT t 1 PT t 1 P X t 0 1
t 0 e t
1 e t que a Funo de Distribuio
0!
Acumulada de uma varivel aleatria Exponencial com parmetro , cuja derivada igual a e t , sua
Funo Densidade de Probabilidade.
EXEMPLO 2.3.3.1[1]
As mensagens destinadas a um determinado centro de atendimento chegam a uma taxa de 5

por minuto. Qual a probabilidade de que o tempo de espera para o recebimento de uma mensagem
seja inferior a 3 min ?
1 3
3
PT 3 1 e
1
(mensagens por minuto) 5
1 e 5
1 0,5488 0,4512
5
EXEMPLO 2.3.3.1[2]
Uma adutora apresenta vazamentos a uma taxa de 2 por 100 km. Considerando que a
quantidade de vazamentos segue um Processo de Poisson, qual a probabilidade de percorrermos no
mnimo 500 Km dessa adutora at encontrarmos um vazamento ?
2
0,02 (vazamento s por km)
100
PT 500 e 0,02500 e 10 0,0000454
EXERCCIOS
1) Uma varivel aleatria X tem a seguinte distribuio de probabilidade:

X P(X=x)
1 3/a a) determine o valor de a
2 5/a b) determine f(x) e F(x)
3 7/a c) esboce os grficos de f(x) e F(x)
4 9/a d) calcule E(X) e V(X)
5 11/a
2) Uma urna contm 1 bola marcada com o no 1, 2 com o no 2, e assim sucessivamente at n bolas
marcadas com o no n. Uma bola retirada dessa urna. Seja X a varivel aleatria que associa a bola
retirada ao seu nmero. Determine a funo densidade de probabilidade f(x) e a funo de
distribuio acumulada de probabilidade F(x) e esboce seus grficos. Determine E(X) e V(X). Para
n=6, calcule P(X=3), P(X2), P(2X4), E(X) e V(X).
3) Suponha que uma urna contenha n bolas numeradas de 1 a n. Duas bolas so retiradas
sucessivamente, com reposio, da urna. Se X=mximo(x1,x2), determine f(x), F(x), E(X) e V(X).
4) [XAVIER] Seja (aij) uma matriz real (todos os seus termos so nmeros reais), com n linhas e m
colunas. Dois jogadores, A e B, participam de um jogo que consiste no seguinte: o jogador A
seleciona uma linha da matriz escolhendo ao acaso um nmero de 1 a n enquanto B seleciona uma
coluna escolhendo ao acaso um nmero de 1 a m. Se i e j forem as escolhas de A e B,
respectivamente, B pagar a A uma quantia equivalente a aij se aij>0, caso aij<0 ento ser A que
pagar a B o equivalente a aij, se aij=0 no haver pagamento. Seja X a varivel aleatria que d o
ganho do jogador A, que ser negativo se B ganhar. Considerando que as escolhas feitas por A e B
so independentes, determine o ganho esperado do jogador A, nos seguintes casos:
a) Se n=m=2, p a probabilidade de A selecionar i=1, p a probabilidade de B selecionar j=1 e
a11 a12 1 1

a21 a22 1 1
b) Se m e n so quaisquer, sendo pi a probabilidade de A escolher o nmero i e pj a probabilidade
de B escolher o nmero j
5) [XAVIER] Considerando a situao do item (a) do problema 4, verificar que, no caso de p>1/2, tem-
se:
a) E(X)=0 para p=1/2
b) E(X) assume valor mximo 2p-1, para p=1
6) Num jogo que consiste no lanamento de um dado 3 vezes, um apostador paga R$ 2,00 para entrar
no jogo mas ganha R$ 3,00 por cada no 6 que aparece. Qual o ganho esperado desse apostador?
7) [MEYER] Um exame falso-verdadeiro constitudo de 10 questes. Qual a probabilidade de se obter
70% ou mais de respostas certas ? Exatamente 70% ? Determine o valor esperado e a varincia da
quantidade de questes certas.
8) [MEYER] Um exame constitudo de 20 questes, cada questo com 5 itens, sendo 4 errados e 1
certo. Qual a probabilidade de se acertar 60% ou mais das questes ? Determine o valor esperado
e a varincia da quantidade de questes certas.
9) Qual a probabilidade de se encontrar 2 ou menos peas defeituosas em um pacote de 5 peas
retiradas, sem reposio, de um lote contendo 6 peas boas e 4 com defeito ? Determine o valor
esperado e a varincia da quantidade de peas defeituosas para pacotes de 5 peas.
10) [adaptado de MEYER] A probabilidade de um acesso bem sucedido a determinada pgina na
Internet 0,8. Supondo que tentativas de acesso sejam feitas at que tenha ocorrido 1 acesso bem
sucedido:
a) Qual a probabilidade de que exatamente 6 tentativas sejam necessrias ?
b) Qual a probabilidade de que menos de 6 tentativas sejam necessrias ?
c) Qual a probabilidade de que mais de 3 tentativas sejam necessrias ?
d) Qual a probabilidade de que mais de 1 tentativa sejam necessrias ?
e) Qual a quantidade esperada de tentativas, e a varincia ?
11) Resolva o problema anterior para que tenham ocorrido 3 acessos bem sucedidos.
12) [adaptado de MEYER] Seja X uma varivel aleatria com funo densidade de probabilidade dada
por:
a) Determine o valor de a para que f(x) seja realmente uma
ax 0 x 1 funo densidade de probabilidade
a 1 x 2
b) Esboce o grfico de f(x)
f ( x)
c) Determine F(x) e esboce seu grfico
-ax 3a 2 x 3
x [0,3] d) Calcule P(1/2X5/2), P(1/2X<5/2), P(1/2<X5/2) e
0 P(1/2<X<5/2)
e) Calcule E(X) e V(X)
13) Seja X uma varivel aleatria Binomial, B(4,1/2)
a) Determine f(x) e esboce seu grfico
b) Determine F(x) e esboce o seu grfico
c) Calcule P(1<X2); P(1X2); P(1<X<2) e P(1X<2)
d) Calcule E(X) e V(X)
14) O tempo de durao, em mil horas, de determinado equipamento uma varivel aleatria com
funo densidade de probabilidade dada por:
k x 1 , 1 x 2

f ( x) k 3 x , 2 x 3
0
, x 1,3
a) Determine o valor de k, F(x), E(X) e V(X). Esboce os grficos de f(x) e F(x).
b) O lucro lquido (do fabicante) por equipamento dado por L C1 C2 X . Qual o lucro lquido
esperado do fabricante, por equipamento ?
c) Determinado comprador ganha, por equipamento, R$5,00 se o mesmo durar entre 1,5 e 2,5 mil
horas e perde R$2,00 caso contrrio. Qual o ganho esperado do comprador, por equipamento
?
15) [MEYER] Na produo de petrleo a temperatura de distribuio T (oC) decisiva na determinao
da qualidade do produto final. Suponha que T seja uma varivel aleatria uniformemente
distribuda em [150,300]. Admita-se que produzir um galo de petrleo custa C1 dlares. Se o leo
for destilado uma temperatura menor do que 200oC o produto conhecido como NAFTA e se
vende por C2 dlares por galo. Se o leo for destilado a uma temperatura maior, do que 200oC o
produto denominado LEO REFINADO DESTILADO e se vende por C3 dlares por galo. Determine
o lucro lquido esperado por galo.
16) [adaptado de XAVIER] A probabilidade de que um pacote de mensagens enviado a partir de certo
dispositivo no chegue ao seu destino p. Suponha que duas mensagens devem ser enviadas ao
custo de c1 e c2 respectivamente. Deve-se decidir em enviar as mensagens em um nico pacote ou
em pacotes separados. Trs critrios de deciso podem ser adotados: (I) escolher a forma de envio
para a qual o valor esperado da perda seja mnimo; (II) escolher a forma de envio que tenha maior
probabilidade de chegada de ambas as mensagens e (III) escolher a forma de envio para a qual a
probabilidade de chegada de pelo menos uma das mensagens maior. Qual deve ser a deciso,
para cada um dos critrios?
17) O dimetro de um cabo eltrico normalmente distribudo com mdia 0,8 e varincia 0,0004.
a) Qual a probabilidade de que o dimetro de um cabo escolhido ao acaso ultrapasse
0,81?
b) Se o dimetro do cabo diferir da mdia em mais de 0,02 ele considerado defeituoso.
Qual a probabilidade de se encontrar um cabo defeituoso?
c) Se o cabo for defeituoso, o fabricante perde R$0,01. Se seu dmetro estiver entre a
mdia e 0,78, o fabricante ganha R$0,05 e se estiver entre a mdia e 0,82 ele ganha
R$0,10. Qual o ganho esperado por cabo?
d) Qual deve ser o dimetro de um eletroduto de modo que 95% dos cabos passem pelo
mesmo ?
e) Num lote de 5 cabos, qual a probabilidade de que exatamente 3 sejam defeituosos ?
18) A altura, em metros, das pessoas que frequentam determinado restaurante tem distribuio normal
N(1,60;0,04). Qual deve ser a altura da porta do restaurante para que 90% das pessoas no tenham
que se abaixar para ultrapass-la?
19) A probabilidade de que um certo tipo de pea seja defeituosa 0,40. Num lote de 10 peas, qual a
probabilidade de que no mximo uma tenha defeito ? (utilize as distribuies Binomial e Normal e
compare os resultados)
20) A durao das chamadas telefnicas de determinada central tem distribuio exponencial com
parmetro . Se a durao mdia dessas chamadas de 3 min, qual a probabilidade de que em 5
chamadas pelo menos uma dure menos de 1,5 min ?
21) Um nmero X escolhido ao acaso no intervalo [1,4]. Calcular:
a) A probabilidade de que o nmero escolhido esteja entre 2 e 3
b) Entre 0,5 e 2,5
c) seja exatamente o 2
d) Calcule a esperana e a varincia de X
22) [MEYER] A incidncia anual de poliomielite, num determinado pas, de 3 casos por 100.000
pessoas. Supondo esse dado fidedigno, qual a probabilidade de ocorrerem no mximo 5 casos
anuais, numa cidade com 60.000 habitantes?
23) [MEYER] Uma certa liga formada pela unio da mistura em fuso de dois metais. A liga resultante
contm uma certa porcentagem X de chumbo que pode ser considerada uma varivel aleatria com
3
10 5 x(100 x) 0 x 100
funo densidade de probabilidade dada por: f ( x) 5 . Suponha

0 x [0,100 ]
que P, o lucro lquido obtido pela venda dessa liga (por libra) seja a seguinte funo da porcentagem
contida: P=C1+C2X. Calcule o lucro lquido esperado (por libra).
24) [MEYER] Suponha que um dispositivo eletrnico tenha uma durao de vida X (em unidades de
1.000 horas), a qual considerada uma varivel aleatria contnua com funo densidade de
e x x0
probabilidade dada por f(x) . Suponha que o custo de fabricao de um desses
0 x 0
dispositivos seja US$2,00. O fabricante vende a pea por US$5,00 mas garante o reembolso total
se X0,9. Qual ser o lucro esperado, por pea fabricada ?
25) [XAVIER] Considere a implantao de uma central telefnica em um escritrio com n telefones
individuais e uma certa quantidade de linhas que permitam ligaes externas. Se a probabilidade
de que cada um desses telefones se encontre ocupando uma linha externa num momento qualquer
for igual a p, qual o nmero mnimo de linhas externas que a central deve ter para se ter uma
probabilidade no inferior a 0,95 de haver, a qualquer momento, linha externa disponvel para uma
pessoa que necessite fazer uma ligao externa?
SOLUO DOS EXERCCIOS
EXERCCIO 1
3 5 7 9 11
a) 1 a 35
a a a a a
0, x 1
2x 1
, x 1,2,3,4,5 2x 1
b) f ( x) 35 F ( x) i ,1 x 5 , x i 1,2,3,4,5
0, x 1,2,3,4,5 ix x 35
1, x 5

c)
3 5 7 9 11 125 25
d ) E( X ) 1 2 3 4 5
35 35 35 35 35 35 7
3 5 7 9 11 505 101
E ( X 2 ) 12 22 32 42 52
35 35 35 35 35 35 7
707 625 82
2
101 25
V (X )
7 7 49 49
EXERCCIO 2
n(n 1)
n( S ) 1 2 3 ... n
2
2x
x 2x , x 1,2,..., n
P( X x) f ( x) n(n 1)
n(n 1) n(n 1) 0, x 1,2,..., n
2
0, x 1

2 xi
F ( x) ,1 x n , xi 1,2,..., n
ix x n ( n 1)
1, x n

OS GRFICOS FICAM A CARGO DO ALUNO
n n
2 xi 2 n
2 n
E ( X ) xi P( X xi ) xi xi2 k2
i 1 i 1 n(n 1) n(n 1) i 1 n(n 1) k 1
2 n(n 1)( 2n 1) 2n 1

n(n 1) 6 3
n n
2 xi 2 n
2 n
E ( X 2 ) xi2 P( X xi ) xi2 x 3
k3

i
i 1 i 1 n ( n 1) n ( n 1) i 1 n ( n 1) k 1
n(n 1) n(n 1)
2
2

n(n 1) 2 2
n(n 1) 2n 1 n(n 1) (2n 1)2 9n(n 1) 2(2n 1)2
2
V (X )
2 3 2 9 18
x
, x 1,2,3,4,5,6
n 6 f ( x) 21

0, x 1,2,3,4,5,6
3 1
P( X 3)
21 7
1 2 3 1
P( X 2) P( X 1) P( X 2)
21 21 21 7
2 3 4 9 3
P(2 X 4) P( X 2) P( X 3) P( X 4)
21 21 21 21 7
2n 1 2 6 1 13
E( X )
3 3 3
9n(n 1) 2(2n 1) 2 9 6 (6 1) 2 (2 6 1) 2 40 20
V (X )
18 18 18 9
EXERCCIO 3
n(S ) An2 n(S ) n2

A {(1, x); (2, x);...; ( x 1, x); ( x,1); ( x,2);...; ( x, x 1); ( x, x)} n( A) 2( x 1) 1
2x 1
2 x 1 P( A) P( X x) 2
n
0, x 1
2x 1
2 , x 1,2,3,..., n 2x 1
f ( x) n F ( x) i 2 ,1 x n, xi 1,2,..., n
0, x 1,2,3,..., n xi x n
1, x n

n(n 1)
n
2 x 1 1 n n
2 n
2 n 2 n 1
E ( X ) xi i
2 x i x i 2 x i
2 2 2 2 xi
i 1 n 2 n 2 i 1 i 1 n i 1 n2 n i 1 2n
2 n(n 1)( 2n 1) n 1 (n 1)( 2n 1) n 1 2(n 1)( 2n 1) 3(n 1) (n 1)( 4n 2 3)
2
n 6 2n 3n 2n 6n 6n
(n 1)( 4n 1)
6n
2 2 xi 1 1 n 3 n 2 1 n(n 1) n(n 1)(2n 1)
n 2
E ( X ) xi
2
2 x i x i 2
i 1 n 2 n 2 i 1 n 2
2
i 1 6
1 n 2 (n 1) 2 n(n 1)(2n 1) (n 1) 2 (n 1)(2n 1) 6n(n 1) 2 2(n 1)( 2n 1)

n2 2 6 2 6n 12n
6n(n 1) 2 2(n 1)( 2n 1) (n 1)( 4n 1)

2
V (X )
12 n 6n

3n 6n(n 1) 2 2(n 1)( 2n 1) (n 1) 2 (4n 1) 2

36 n 2
18n 2 (n 1) 2 6n(n 1)( 2n 1) (n 1) 2 (4n 1) 2 (n 1) 2 [18n 2 (4n 1) 2 ] 6n(n 1)( 2n 1)

36n 2 36 n 2
EXERCCIO 4
a) P( A escolher 1) p P( A escolher 2) 1 p
P( B escolher 1) p' P(B escolher 2) 1 p'
P( X 1) pp'(1 p)(1 p' )
P( X 1) (1 p) p' p(1 p' )
E ( X ) 1 P( X 1) (1) P( X 1) [ pp'(1 p)(1 p' )] [(1 p) p' p(1 p' )]
E ( X ) 4 pp'2( p p' ) 1
b) P( A escolher i ) p
i
P( B escolher j ) p'
j
m n
E ( X ) p p' a
i j ij
i 1 j 1
EXERCCIO 5
E ( X ) p(4 p'2) (1 2 p' )

1
E ( X ) ap b, a 4 p'2 0 e b 1 2 p' 0, pois p' , por hiptese
2
b 1 2 p' 1
i ) E ( X ) 0 para p
a 4 p'2 2
ii ) a 0 E ( X ) cresce com p e atinge seu mximo em p 1 (valor mximo de p)
max( E ( X )) (4 p'2) (1 2 p' ) 2 p'1
EXERCCIO 6
X quantidade de nmeros 6 no lanamento do dado 3 vezes

1 1 1
X ~ B 3, E ( X ) 3
6 6 2
1
G ganho do jogador G 3 X 2 E (3 X ) E (2) E (G ) 3E ( X ) 2 3 2 0,5
2
EXERCCIO 7
DISTRIBUIO BINOMIAL COM PARMETROS n=10 E p=1/2
1
X ~ B10,
2
10 1 x 1 10 x 10 1
, x 0,1,2,...,10 10 , x 0,1,2,...,10
f ( x) P( X x) x 2 2 x 2
0, x 0,1,2,...,10
0, x 0,1,2,...,10
10 1 10 10 10 10 120 45 10 1 176
P ( X 7) P ( X x ) 0,1719
x7 210 7 8 9 10 210 1024
1 1
E ( X ) np 10 5 V ( X ) npq 5 2,5
2 2
EXERCCIO 8
DISTRIBUIO BINOMIAL COM PARMETROS n=20 E p=0,2=1/5
20 1 x 4 20 x
1 , x 0,1,2,...,20
X ~ B 20, f ( x) P( X x) x 5 5
5
0, x 0,1,2,...,20
20 20 20 1 x 4 20 x
P( X 12) P( X x) 0,000102
x 12 x 12
x 5 5
1 4
E ( X ) np 20 4 V ( X ) npq 4 3,2
5 5
EXERCCIO 9
DISTRIBUIO HIPERGEOMTRICA COM PARMETROS N=10 E R=4
4 6

x 5 x x 0,1,2 ,3,4,5
N 10 R 4 n 5 f ( x) 10
5

0 x 0 ,1,2,3,4,5
4 6 4 6 4 6

P( X 2) P( X 0) P( X 1) P( X 2)
0 5 1 4 2 3
10 10 10

5 5 5
1 6 4 15 6 20 186 31

252 252 42
4 6 4 N n 4 6 10-5 6 2
n5 p q E(X) np 5 2 V(X) npq 5
10 10 10 N 1 10 10 10-1 9 3
EXERCCIO 10
DISTRIBUIO GEOMTRICA COM PARMETRO p=0,8
0,8 0,2 x 1 x 1,2,3,...

f(x)
0 x 1,2,3,...
a) P( X 6) f (6) 0,8 0,2 5 0,8 0,0032 0,000256

b) P( X 6) f (1) f (2) f (3) f (4) f (5) 0,8 0,2 0 0,21 0,2 2 0,2 3 0,2 4
0,8 1,2486 0,99968

c) P( X 3) 1 P( X 3) 1 f (1) f (2) f (3) 1 0,8 0,2 0 0,21 0,2 2
1 0,8 1,24 1 0,992 0,008
d ) P( X 1) 1 P( X 1) 1 f (1) 1 0,8 0,2 0 1 0,8 0,2
1 1 q 0,2 0,2
e) E ( X ) 1,25 V (X ) 2
2 0,3125
p 0,8 p 0,8 0,64
EXERCCIO 11
DISTRIBUIO DE PASCAL COM PARMETROS p=0,8 E R=3
x 1 3 x 3
0,8 0,2 , x 3,4,5...
f ( x) 2
0 , x 3,4,5,...

5
a) P( X 6) f (6) 0,83 0,23 10 0,512 0,008 0,04096
2
2 3 4
b) P( X 6) f (3) f (4) f (5) 0,8 3 0,2 0 0,21 0,2 2
2 2 2
0,512 (1 0,6 0,24) 0,512 1,84 0,94208
2
c) P( X 3) 1 f (3) 1 0,830,20 1 0,83 1 0,512 0,488
2
d ) P( X 1) 1
R 3 q 0,2 0,6
e) E ( X ) 3,75 V (X ) R 2
3 2 0,9375
p 0,8 p 0,8 0,64
EXERCCIO 12
1 3
1 2 3 x2 x2
axdx adx (ax 3a)dx 1 a a x1 a 3a x 2 1
2 3
a)
0 1 2 2 0
2 2
a 5a 1
a 3a 1 a
2 2 2
b)
x
2 0 x 1

1
1 x 2
f ( x) 2
x 3
- 2 x3
2 2

0 x [0,3]
x x
c) x 0 F ( x) f (t )dt 0dt 0

0 x 0 x t x2 x2
0 x 1 F ( x) f (t )dt f (t )dt 0dt dt 0
0 0 2 4 4
0 1 x 0 1 t x1
1 x 2 F ( x) f (t )dt f (t )dt f (t )dt 0dt dt dt
0 1 0 2 1 2
1 x 1 x 1
0
4 2 2 4
0 1 2 x
2 x 3 F ( x) f (t )dt f (t )dt f (t )dt f (t )dt
0 1 2
0 1t 21 x t 3 1 1 x 2 3x x 2 3x 5
0dt dt dt dt 0 2
0 2 1 2 2
2 2 4 2 4 2 4 2 4
0 1 2 3 x
x 3 F ( x) f (t )dt f (t )dt f (t )dt f (t )dt f (t )dt
0 1 2 3
0 3 x
f (t )dt f (t )dt f (t )dt
0 3
0 1 0 1
0 x0
2
x 0 x 1
4

x 1
F ( x) 1 x 2
2 4
x 2 3x 5
2 x3
4 2 4

1 x3
1 5 1 5 1 5 1 5
d ) P X P X P X P X
2 2 2 2 2 2 2 2
5 2 1 2
3
5
5 1 2 2 5 2 7
F F
2 2 4 2 4

4 8

1 x 2 1 3 x 3
e) E ( X ) xf ( x)dx x dx x dx x dx
0 2 1 2 2
2 2
1 2 3 3
1 x2 2 x 3 x
2
3 3x x3 x2 x3 3x 2 1 3 19 15 3
dx dx dx dx
0 2 1 2 2 2 2 2 6 0
4 1
6 2
2 2
6 4 6 4 2
1 x 2 1 3 x 3
E ( X 2 ) x 2 f ( x)dx x 2 dx x 2 dx x 2 dx
0 2 1 2 2
2 2
1 2 3 3
1 x3 2 x
2
3 x
3
3 3x
2
x4 x3 x4 3x 3
dx dx dx dx
0 2 1 2 2 2 2 2 8 0
6 1
8 2
6 2
2
8 3
V ( X ) E ( X 2 ) E ( X )
1 7 65 57 128 8 8 9 5

2
8 6 8 6 48 3 3 2 3 4 12
EXERCCIO 13
4 1 1
f (0)
0 16 16
4 1 4
a) f (1)
1 16 16
4 1 x 1 4 x
, x 0,1,2,3,4 4 1 6
f ( x) x 2 2 f (2)
2 16 16
0 , x 0,1,2,3,4
4 1 4
4 1 f (3)
, x 0,1,2,3,4 3 16 16
f ( x) x 16
0 4 1 1
, x 0,1,2,3,4 f (4)
4 16 16
b)
0 ,x0

4 1
F ( x) , 0 x 4 , xi 0,1,2,3,4
x i x xi 16
1 , x4

1
F (0)
16
1 4 5
F (1)
16 16 16
1 4 6 11
F (2)
16 16 16 16
1 4 6 4 15
F (3)
16 16 16 16 16
1 4 6 4 1 16
F (4) 1
16 16 16 16 16 16
6 4 6 10
c) P(1 X 2) f (2) P(1 X 2 ) f( 1 ) f( 2 )
16 16 16 16
6
P(1 X 2) 0 P(1 X 2 ) f( 2 )
16
1 1 1
d ) E ( X ) np 4 2 V ( X ) npq 4 1
2 2 2
EXERCCIO 14
2 3
a)
1
k ( x 1)dx k (3 x)dx 1 k 1
2
x 1 , 1 x 2

f ( x) 3 1 , 2 x3
0 , x [1,3]

x 1 F ( x) 0
x x2 1
1 x 2 F ( x) (t 1)dt F ( x) x
1 2 2
2 x 1 x2 x2 7
2 x 3 F ( x) (t 1)dt (3 t )dt F ( x) 3x 4 3x
1 2 2 2 2 2
x 3 F ( x) 1
0 , x 1
2
x x 1 , 1 x 2
2 2
F ( x) 2
x 3 x 7 , 2 x 3
2 2

1 , x3
2 3
E ( X ) x( x 1)dx x(3 x)dx 2
1 2
2 3 50 50 1
E ( X 2 ) x 2 ( x 1)dx x 2 (3 x)dx V (X ) 22
1 2 12 12 6
b) E ( L) E[C1 C2 X ] E (C1 ) E (C2 X ) C1 C 2 E ( X ) E ( L) C1 2C 2
3 5 5 3 7
c ) P X F F
2 2 2 2 8
3 5 7 1
P(G 5) P X P( X 2) 1 p ( X 5)
2 2 8 8
7 1
E (G ) 5 2 R$4,00
8 8
EXERCCIO 15
TTemperatura
0, t 150
1 1 t 150
, t (150,300) , t (150,300)
f (t ) 300 150 f (t ) 150 F (t ) , t (150,300)
0, t (150,300) 0, t (150,300) 150
1, t 300
LLucro lquido:
T 200 L C2 C1 PL ( L C2 C1 ) PT (T 200 ) PT (T 200 ) FT (200 )

T 200 L C3 C1 PL ( L C3 C1 ) PT (T 200) 1 PT (T 200 )
1 PT (T 200 ) 1 FT (200)
300 200 100 50
FT (200) 1 FT (200)
150 150 150
50 100
E ( L) (C 2 C1 ) PL ( L C 2 C1 ) (C3 C1 ) PL ( L C3 C1 ) (C 2 C1 ) (C3 C1 )
150 150
C 2 2C3
C1
3
EXERCCIO 16
C0nenhuma mensagem se extravia

C1apenas a mensagem de custo c1 se extravia
C2apenas a mensagem de custo c2 se extravia
C3ambas as mensagens se extraviam
C4pelo menos uma mensagem no se extravia
MTODO 1 (apenas 1 pacote) X1
P1(C0)=1-p perda=0
P1(C1)=0 perda=c1
P1(C2)=0 perda=c2
P1(C3)=p perda=c1+c2
P1(C4)=1-P1(C3)=1-p
E(X1)=0(1-p)+p(c1+c2)= p(c1+c2)
MTODO 2 (2 pacotes) X2
P2(C0)=(1-p)(1-p)=(1-p)2 perda=0
P2(C1)=(1-p)p perda=c1
P2(C2)=p(1-p) perda=c2
P2(C3)=pp=p2 perda=c1+c2
P2(C4)=1-P2(C3)=1-p2
E(X2)=0(1-p)2+(1-p)pc1+p(1-p)c2+p2(c1+c2)=p(1-p)(c1+c2)+p2(c1+c2)=(c1+c2)[p(1-p)+p2]=p(c1+c2)
CRITRIO I (menor valor esperado):
Como E(X1)=E(X2) indiferente a escolha do mtodo de envio

CRITRIO II (maior probabilidade de ambas as mensagens no se extraviarem):
Como P1(C3)>P2(C3) deve-se escolher o mtodo 1
CRITRIO III (maior probabilidade de pelo menos uma mensagem no se extraviar):
Como P2(C4)>P1(C4) deve-se escolher o mtodo 2
EXERCCIO 17
0,8
X ~ N (0,8;0,0004 )
0,0004 0,02
2
0,81 0,8
a) P( X 0,81) P Z 1 P( Z 0,5) 1 (0,5) 1 0,6915 0,3085
0,02
0,78 0,8 0,82 0,8
b) P X 0,8 0,02 P X 0,8 0,02 ou X 0,8 0,02 P Z P Z
0,02 0,02
1 1 1 1 1 1 1 21 (1) 2(1 0,8413) 2 0,1587 0,3174
c) G ganho do fabricante
P(G 0,01) 0,3174
(1 0,3174 ) 0,6826
P(G 0,05) P(0,78 X 0,8) 0,3413
2 2
P(G 0,10) P(0,8 X 0,82) 0,3413
E (G ) 0,01 0,3174 0,05 0,3413 0,10 0,3413 R$0,04821
x 0,8 x 0,8 x 0,8

d ) P X x 0,95 P Z 0,95 0,95 1,64 x 0,8328 cm
0,02 0,02 0,02
e) Y quantidade de cabos defeituosos no lote Y ~ B ( n, p ) n 5 p 0,3174

5
P(Y 3) 0,3174 3 0,6826 2 0,148989
3
EXERCCIO 18
X ~ N (1,60;0,04)
1,60 2 0,04 0,2
x 1,60 x 1,60 x 1,60
P X x 0,90 P Z 0,90 0,90 1,28 x 1,856 m
0,2 0,2 0,2
EXERCCIO 19
BINOMIAL
X ~ B(10;0,4) n 10 p 0,4
10 10
P( X 1) P( X 0) P( X 1) 0,4 0 0,610 0,410,6 9
0 1
0,0060466176 0,0403107840 0,0464
NORMAL
np 10 0,4 4 2 npq 4 0,6 2,4 1,5491933384 8297 X ~ N (4;2,4)

1 4
P( X 1) P Z P( Z 1,936491673 ) (1,94) 1 (1,94)
1,5491933384 8297
1 0,9738 0,0262
EXERCCIO 20
X tempo
1 1
X ~ Exp( ) E ( X ) 3
3
1
x
e ,x 0
x
3
f ( x) 3 F ( x) 1 e 3 , x 0
0, x 0

1, 5

P( X 1,5) P( X 1,5) F (1,5) 1 e 3
1 0,60653066 0,39346934
EXERCCIO 21
X ~ Uniforme (1,4)
0, x 1
1 x 1
, x [1,4]
f ( x) 3 F ( x) , x [1,4]

0, x [1,4] 3
1, x 4

3 1 2 1 2 1 1
a) P(2 X 3) F (3) F (2)
3 3 3 3 3
3
2,5 1 3 1
b) P(0,5 X 2,5) P( X 2,5) P( X 0,5) F (2) F (0,5) 0 2
3 3 6 2
c) P( X 2) 0
1 4 (4 1) 2 9 3
d ) E( X ) 2,5 V (X )
2 12 12 4
EXERCCIO 22
n 60000
60000 3
3 np 1,8
p 100000
100000
1,8 x e 1,8
P( X x) , x 0,1,2,...
x!
P( X 5) P( X 0) P( X 1) P( X 2) P( X 3) P( X 4)
1,8 0 1,81 1,8 2 1,8 3 1,8 4 1,8 5
e 1,8
0,989622
0! 1! 2! 3! 4! 5!
EXERCCIO 23
3 5
10 x(100 x) 0 X 100
f ( x) 5
0 x [0,100]
3 5
100 100
3 5 3 5 x3 x4
E ( X ) x 10 x(100 x) 10 100 x dx x dx 10 100
100 100 100
2 3

0 5 5 0 0 5 3 0 4
0
3 100 3 100 4 3 5 10 8 10 8 3 3 1 1 3 3 4 3 10 3
10 5 100 10 10 10 50
5 3 4 5 3 4 5 3 4 5 12 20
E ( P) E (C1 C 2 X ) E (C1 ) E (C 2 X ) C1 C 2 E ( X ) C1 50C 2
EXERCCIO 24
e x x 0
f(x) X ~ Exp (1) F ( x) 1 e x
0 x 0
P( X 0,9) F (0,9) 1 e 0,9 0,59343034 P( X 0,9) 1 0,59343034 0,40656966
X 0,9 L 2 X 0,9 L 5 2 3
E ( L) 2 0,59343034 3 0,40656966 US $0,0328
EXERCCIO 25
Dada uma pessoa que necessite fazer uma ligao externa, designemos por X a varivel aleatria igual
quantidade de outras pessoas ocupando linha externa, assim, X tem distribuio Binomial B(n-1 ,p):
n
P( X x) p x (1 p) n x , x 0,1,2,3,..., n 1
x
Se x0 a quantidade de linhas externas existentes, a probabilidade de que, a determinado instante, se
tenha uma linha externa desocupada dada por:
x0 1
n
P( X x 0 1) p x (1 p) n x
x 0 x
Como F(x)=P(Xx) crescente com lim F ( x) 1 existir um x0 tal que F(x0-1)0,95, que o nmero
x
mnimo de linhas procurado.
Obs: dependendo dos valores de n-1 e p, pode-se utilizar a aproximao pela Distribuio de Poisson
ou Normal.
Para n=51 e p=0,10 temos:
x P(Xx) x P(Xx)
0 0,00515 7 0,87785
1 0,03379 8 0,94213
2 0,11173 9 0,97546
3 0,25029 10 0,99065
4 0,43120 11 0,99678
5 0,61612 12 0,99900
6 0,77023 13 1
Veja que se tem P(Xx)0,95 em x=9, ou seja, x0-1=9, ento a quantidade (mnima) de linhas externas
desejada x0=10
UNIDADE 3
INFERNCIA ESTATSTICA
A INFERNCIA ESTATSTICA cuida da estimao e testes de hipteses feitas a respeito de
parmetros populacionais. Os parmetros populacionais so medidas que caracterizam a populao,
como a mdia a varincia e a proporo.
Por exemplo, o provedor de determinada pgina da Internet, para melhor dimensionar seu
sistema de atendimento e aprimorar a qualidade do mesmo, pode estar interessado em determinar
(estimar) o tempo mdio (mdia) de acesso de seus usurios bem como a variabilidade (varincia) desse
tempo, ou mesmo a incidncia (proporo) de acessos mal sucedidos. Aqui est caracterizado um caso
de ESTIMAO.
Por outro lado, esse mesmo provedor necessita comprar determinado tipo de componente para
seus equipamentos, que devem atender a determinadas condies, como o tempo mdio de vida, que
no deve ser inferior a determinado valor. Certo fornecedor afirma que seu produto atende a essa
especificao. O provedor deve, ento, verificar (testar) a validade dessa afirmao (hiptese), a fim de
decidir se compra ou no o componente desse fornecedor. Aqui est caracterizado um caso de TESTE
DE HIPTESES.
Em ambos os casos, para fazermos inferncias a respeito de um parmetro populacional,
genericamente denotado por , o procedimento consiste em retirar uma amostra da populao e, a
partir dessa amostra, utilizarmos um estimador, genericamento denotado por , para estimar o valor
de . Denotaremos a quantidade de elementos (tamanho) da populao por N e da amostra por n. A
figura abaixo ilustra este procedimento.
CAPTULO 1
Medidas Descritivas
1 O QUE SO MEDIDAS DESCRITIVAS
As medidas descritivas tm o objetivo de descrever o comportamento das populaes em

relao s suas diversas caractersticas (variveis), como, por exemplo, o tempo de durao da
utilizao do computador pelos alunos de uma escola, bem como se este tempo varia muito, de aluno
para aluno. Outra varivel que pode ser citada, de grande interesse, a quantidade de alunos que
utilizam o computador. As medidas descritivas podem ser classificadas em duas categorias bsicas:
medidas de posio e de variao.
As medidas de posio, como a termo sugere, ocupa uma posio entre os valores mnimo e
mximo da varivel. Alm disso, esse tipo de medida, ao ser comparada entre duas populaes, indica
qual delas est em uma posio superior (ou inferior) em relao outra. Veja que, para um grupo de
alunos cujos valores mnimo e mximo do tempo de utilizao do computador so 2h e 5h,
respectivamente, a mdia aritmtica, que ser definida posteriormente, uma medida que est
posicionada entre esses valores como, por exemplo, 4h.
As medidas de variao indicam o grau de variabilidade dos valores da varivel. Observe que os
valores mnimo e mximo da varivel j fornece uma primeira informao sobre a variabilidade da
mesma. A diferena entre estes dois valores chamada de amplitude total. Se outro grupo de alunos
tem um mnimo de 3h e mximo de 5h com mdia de 4h de utilizao, percebemos que ele est na
mesma posio do primeiro grupo, mas tem uma variabilidade menor, analisando a amplitude total.
IMPORTANTE
Uma nica medida descritiva no suficiente para a anlise do comportamento das populaes.
Pelo menos deve-se utilizar uma medida de posio associada a uma de variao.
2 MEDIDAS DESCRITIVAS E INFERNCIA
Nos trabalhos estatsticos, as medidas descritivas tm papel fundamental na inferncia sobre as

variveis das populaes. A Inferncia Estatstica um dos seus ramos, que cuida da estimao e testes
de hiptese sobre parmetros populacionais, esta inferncia realizada a partir de amostras, ou seja,
a partir de uma parte da populao (amostra) tiramos concluses sobre a mesma. Assim, as medidas
descritivas so calculadas a partir de amostras e, de acordo com condies previamente impostas no
planejamento do trabalho, so consideradas como estimativas vlidas dos respectivos parmetros
populacionais.
OBSERVAO
No contexto deste livro sero vistas apenas a mdia aritmtica e a proporo (medidas de posio), e a
varincia (medida de variao). Outras medidas podem ser encontradas na bibliografia indicada.
3 MDIA ARITMTICA
A mdia aritmtica de um conjunto de dados determinada pelo quociente entre a soma dos
elementos desse conjunto e a quantidade desses elementos. Para uma amostra com n elementos,
x1,x2,x3,...,xn, sua mdia aritmtica, denominada mdia amostral, pode ser expressada pela seguinte
frmula:
DESAFIO
xi
n
x X 0
n
X i 1
Mostre que i
n i 1
EXEMPLO 3.1.3[1]
Uma escola gastou nos 5 primeiros meses do ano 300,400,200,300 e 500 reais, respectivamente,
na manuteno de seu laboratrio de informtica. O gasto mdio com esse servio pode ser calculado
atravs da mdia aritmtica:
x
5
i
300 400 200 300 500 1700
X i 1
R$340,00
5 5 5
Veja que a mdia corresponde a um valor unitrio, ou seja, o que se fez foi determinar um valor
igual (unitrio) para cada manuteno mensal realizada, no alterando o total gasto:
x1 x2 x3 x4 x5 TOTAL
300 400 200 300 500 1700
340 340 340 340 340 1700
Este fato permite uma aplicao importante que calcular (estimar) totais baseados na mdia
aritmtica.
Supondo que as condies do laboratrio da escola no mude durante o ano, os cinco meses
utilizados so uma amostra daquilo que ocorrer durante todo o ano, ento, podemos inferir que
durante o ano (12 meses), a escola dever gastar ao todo R$4.080,00:
TOTAL GASTO = 12 340 = R$4.080,00

Esse resultado foi obtido atravs de uma variao da frmula da mdia:
x
n
i
n X
i 1
Outra variao bastante utilizada, para se encontrar a quantidade de elementos do grupo, :
x
n
n i 1
4 PROPORO
A proporo d a relao entre a quantidade de elementos de um grupo que pertencem a certa

categoria, atendendo a determinada caracterstica, e a quantidade total de elementos deste grupo. A
proporo amostral dada pela seguinte expresso:
nA
p
n
Onde nA a quantidade de elementos da amostra que pertencem categoria A e n a quantidade total

de elementos da amostra.
EXEMPLO 3.1.4[1]
na manuteno de seu laboratrio de informtica. A proporo de gastos acima de R$300,00 dada
por:
2
p 0,40
5
Multiplicando-se a proporo por 100, temos o percentual de meses com gasto superior a
R$300,00:
0,40x100 = 40%
A proporo amaostral permite estimar a quantidade de elementos da populao que atende a

determinada caracterstica. Para um determinado ano, a quantidade de meses com gasto superior a
R$300, 00 :
0,40x12=4,85 meses
5 VARINCIA E DESVIO PADRO
Para efeitos de inferncia, a varincia de uma amostra com n elementos, x1,x2,x3,...,xn, sua
varincia determinada pelo quociente entre a soma dos quadrados das diferenas entre seus
elementos e a mdia da amostra e a quantidade desses elementos menos um, denominada varincia
amostral, e expressada pela seguinte frmula:
DESAFIO
n
x X
n
xi
n
2 2
x a
n
x i Mostre que
2
i 1
i
S i 1
ou S i 1
2 2 i
i 1
n 1 n 1 n(n 1) mnima quando a X
O desvio padro amostral dado pela raiz quadrada da varincia amostral:
S S2
OBSERVAES
A rigor, o denominador da frmula da varincia a quantidade n de elementos, para a varincia amostral,
que utilizada na inferncia, usa-se n-1 para torn-la um estimador no viciado da varincia populacional,
como ser visto posteriormente;
Observe que a varincia mede, em mdia, o quanto os elementos do conjunto de dados se afastam da
mdia do conjunto, ou seja, quanto mais esses elementos se afastarem da mdia maior ser a varincia
ou, em outras palavras, mais heterogneo o grupo;
A unidade da varincia a unidade da varivel ao quadrado, enquanto que a unidade do desvio padro
a prpria unidade da varivel.
EXEMPLO 3.1.5[1]
na manuteno de seu laboratrio de informtica. A varincia e desvio padro amostrais dos gastos
com esse servio so dados por:
X 340
(300 340 ) 2 (400 340 ) 2 ... (500 340 ) 2
S2 13000 R$ 2
5 1
S R$114,02
CAPTULO 2
Distribuies Amostrais de Probabilidade
1 CONCEITOS INICIAIS DE ESTIMADORES E ESTIMATIVAS
Para as discusses seguintes, vamos adiantar as definies de ESTIMADOR e ESTIMATIVA, que

sero detalhadas posteriormente no Captulo 3.
ESTIMADOR ( ) uma funo dos elementos da amostra, que tem por objetivo de estimar o
valor do parmetro populacional
ESTIMATIVA o valor numrico do estimador
Por exemplo, para estimarmos o valor da mdia populacional, denotada por X , podemos
utilizar a mdia aritmtica da amostra, denotada por X , ento:
PARMETRO POPULACIONAL - X
n
x i
ESTIMADOR - X i 1
Se a amostra for 2,3,4,1,2,3,2,5,5,3
10
x i
2 3 4 1 2 3 2 5 5 3 30
ESTIMATIVA: X i 1
3
10 10 10
importante observar que a inferncia envolve um EXPERIMENTO ALEATRIO, que a retirada

de uma amostra da populao. Desta forma, a varivel populacional de interesse uma VARIVEL
ALEATRIA, geralmente denotada por X, com determinada distribuio de probabilidade (modelo
probabilstico), no necessariamente conhecida, com esperana (mdia) E ( X ) X e varincia
V ( X ) X2 . J o estimador, que tambm uma varivel aleatria, pois seu valor varia dependendo da
amostra retirada, deve, necessariamente, ter sua distribuio de probabilidade conhecida, com
esperana (mdia) E () e varincia V () 2 . A necessidade de se conhecer a distribuio de
probabilidade do estimador deve-se ao fato de que, ao realizarmos uma estimativa a partir de uma
amostra, estamos sujeitos a um ERRO DE ESTIMATIVA, que a diferena (para mais ou para menos)
entre o valor real do parmetro (desconhecido) e sua estimativa: e . Assim, todo o processo de
inferncia baseado na probabilidade, chamada de NVEL DE CONFIANA, denotado por 1-, de que o
erro de estimativa esteja dentro de uma margem aceitvel d:

P d 1
Como vimos acima, os estimadores so variveis aleatrias e suas distribuies de probabilidade

so chamadas de DISTRIBUIES AMOSTRAIS.
2 DISTRIBUIO AMOSTRAL DA MDIA - X
Para amostras retiradas de populaes com distribuio de probabilidade Normal a distribuio

de probabilidade de X normal, independentemente do tamanho da amostra (n). Caso a populao
no seja Normal ou seja desconhecida, a distribuio de X ser normal para grandes amostras. Ou
seja:
X N ( X , X2 )

X N X , X2 se ou
n grande

Com
X2
(populao infinita)
n
X X
e X2 ou
2
X N n (populao finita)

n N 1
Onde X e X2 so, respectivamente, a mdia e varincia populacionais.
OBSERVAES
X N n
Veja que na expresso de para populaes finitas, o fator , para n fixo, tende a 1 quando
N 1
N tende a infinito, resultando na expresso de X para populao infinita
Na prtica, a amostra pode ser considerada grande se n30

Em decorrncia da primeira observao, tambm na prtica, pode-se considerar a populao infinita se
n
0,05 (5%)
N
EXEMPLO 3.2.2[1]
O tempo de acesso dos usurios de determinada pgina na Internet tem mdia 170 min e
varincia 400 min2. Observada uma amostra de 100 usurios, qual a probabilidade de que a mdia
amostral seja superior a 175 ? Considerando que a populao finita, com 500 usurios qual ser essa
probabilidade ? E se a populao for de 10.000 usurios ?
Como a distribuio do tempo de acesso desconhecida mas a amostra grande (n>30), pode-
se considerar que a mdia amostral, X , tem distribuio Normal:
PARA POPULAO INFINITA

X 170 X2 400 X 400 20
n 100
X2 400
X X 170 X2 4X 2
n 100
X N (170,4)
175 170
PX 175 P Z PZ 2,5 1 P( Z 2,5)
2
1 (2,5) 1 0,9938 0,0062
PARA POPULAO FINITA

N 500 X 170 X2 400 X 400 20
n 100
X2 N n 400 500 100
X X 170 2
4 0,8 3,2 X 1,79
X
n N 1 100 500 1
X N (170;3,2)
175 170
P X 175 P Z PZ 2,79 1 P( Z 2,79)
1,79
1 (2,79) 1 0,9974 0,0026
N 10.000
X2 N n 400 10.000 100
X X 170 X2 4 0,99 3,96 X 1,99
n N 1 100 10.000 1
X N (170;3,96)
175 170
PX 175 P Z PZ 2,51 1 P( Z 2,51)
1,99
1 (2,51) 1 0,9940 0,0060
n 100
Veja que para a populao finita igual a 10.000 tem-se 0,01 5% , podendo ento
N 10000
ser considerada infinita. Compare os resultados.
2.1 CLCULO DO TAMANHO DA AMOSTRA PARA ESTIMAR A MDIA POPULACIONAL
Em geral, ao se planejar uma pesquisa por amosragem, inicialmente define-se um um erro de

estimativa d, considerado aceitvel, associado a um determinado nvel de confiana 1- (probabilidade

de se cometer no mximo o erro d): P d 1 .
Fazendo X e X , e considerando-se populao infinita, tem-se:

P X X d 1 P d X X d 1
d X X d
P d X X d 1 P 1
X X X
d d d
P Z 1 z / 2 d z / 2 X d z / 2 X
X X X n
Ento
z2 / 2 X2
n
d2
X N n
Para populaes finitas, no desenvolvimento acima substitui-se X por ,
n N 1
obtendo-se:
N z2 / 2 X2
n
z2 / 2 X2 ( N 1) d 2
2
Dividindo-se o numerador e denominador da expresso acima por Nd , passaremos a ter:
N z2 / 2 X2 z2 / 2 X2
n 2 N d2 d2
z / 2 X2 ( N 1) d 2 z2 / 2 X2

N d2 N d2 d2 ( N 1)

N N
z2 / 2 X2
Fazendo n0 , que o tamanho da amostra para populao infinita, podemos
d2
n0 n0
escrever n
( N 1) n0 n
1 0
N N N
Assim, na prtica, mesmo a populao sendo conhecidamente finita, com N elementos,

primeiramente se calcula o tamanho da amostra considerando-a infinita, ou sja, calcula-se n0 e, em
seguida verifica-se, a relao de n0 com N e corrige-se o tamanho da amostra, se necessrio, da seguinte
forma:
n0
n0 , se 0,05
N

n n0
n , caso contrrio
1 0
N
EXEMPLO 3.2.2.1[1]
Qual o tamanho da amostra para se estimar a mdia do tempo de acesso dos usurios de
determinada pgina na Internet, que tem varincia de 400 min 2, com erro de estimativa mximo de 2
min com 90% de confiana? E se a populao for finita, com 500 usurios? E se a populao for de
10.000 usurios ? Para a populao infinita, qual o erro de estimativa se a amostra for de 100 usurios
?
X2 400
d 2 1 0,90 z / 2 1,64
z2 / 2 X2 1,64 2 400
n 269
d2 22
Erro se a amostra for de 100 usurios
1,64 2 400 1,64 2 400

100 d 3,28
d2 100
PARA POPULAO FINITA
N 500 N 10.000
n0 269 n0 269
n0 269 n0 269
n 175 n 263
n0 269 n0 269
1 1 1 1
N 500 N 10.000
3 DISTRIBUIO AMOSTRAL DE p
Para amostras grandes (n30), a distribuio de probabilidade de p normal, com mdia p e

varincia p :
2

p N p , p2
Com
pq
(populao infinita)
n
p p e p
2
pq N n (populao finita)

n N 1
Onde p a proporo populacional e q 1 p
OBSERVAO
No caso da proporo amostral, se um elemento xi pertence categoria A, atribui-se a ele o valor 1, caso
n
x i
contrrio o valor 0, assim, a proporo amostral tambm pode ser calculada por p i 1
(mdia
n
amostral)
EXEMPLO 3.2.3[1]
O percentual de acessos mal sucedidos a determinada pgina da Internet de 5%. Se forem

observados 100 acessos, qual probabilidade de que no mximo 3% deles sejam mal sucedidos? Qual
ser essa probabilidade se a populao for finita, com 500 usurios? E se for de 10.000 usurios?
Como a amostra grande (n>30), pode-se considerar que a proporo amostral, p , tem distribuio
Normal:
PARA POPULAAO INFINITA

p 0,05 n 100 p p 0,05
pq 0,05 0,95
p2 0,00475 p 0,022
n 100
p N (0,05;0,00475 )
0,03 0,05
P p 0,03 P Z PZ 0,91 1 P( Z 0,91)
0,022
1 (0,91) 1 0,8186 0,1814
PARA POPULAO FINITA

N 500 p 0,05 n 100 p p 0,05
pq 500 100 0,05 0,95 400
p2 0,000381 p 0,0195
n 500 1 100 499
p N (0,05;0,000381)
0,03 0,05
P p 0,03 P Z PZ 1,03 1 P( Z 1,03)
0,0195
1 (1,03) 1 0,8485 0,1515
N 10.000 p 0,05 n 100 p p 0,05

pq 10.000 100 0,05 0,95 9.900
p2 0,00047 p 0,0217
n 10.000 1 100 9.999
p N (0,05;0,00047 )
0,03 0,05
P p 0,03 P Z PZ 0,92 1 P( Z 0,92)
0,0217
1 (0,92) 1 0,8212 0,1788
3.1 CLCULO DO TAMANHO DA AMOSTRA PARA ESTIMAR A PROPORO POPULACIONAL
Procedendo-se de forma anloga ao caso da mdia, tem-se:
P p p d 1 P d p p d 1
d p p d
P d p p d 1 P 1

p
p
p
d d d pq
P Z 1 z / 2 d z / 2 p d z / 2

p p n
p
z2 / 2 pq N z2 / 2 pq
Ento n para populaes infinitas e n para populaes
d2 z2 / 2 pq ( N 1) d 2
finitas.
n0
n0 , se 0,05

N z2 / 2 pq
E o procedimento prtico permanece o mesmo: n n0 onde n0
n , caso contrrio d2
1 0
N
OBSERVAES
DESAFIO
como no se conhece o valor de p, pois o objeto da estimativa,
Mostre que n mximo quando p=0,5
ele deve ser substitudo por uma estimativa preliminar tende a
(encontre o mximo de
infinito, resultando na expresso de X para populao infinita z2 / 2 pq
f ( p) , lembre que q=1-p)
caso se deseje obter o tamanho mximo de amostra possvel deve- d2
se substitu-lo por 0,5.
EXEMPLO 3.2.3.1[1]
Qual o tamanho da amostra para se estimar a proporo de acessos mal sucedidos a

determinada pgina na Internet, com erro de estimativa mximo de 0,02 com 90% de confiana, tendo-
se a informao de que a proporo poulacional est em torno de 10%? E se a populao for finita, com
500 acessos? E se a populao for de 10.000 acessos ? Para populao infinita, qual o erro de estimativa
se a amostra for do 100 acessos ? Para a populao com 10.000 acessos, qual o tamanho mximo da
amostra ?
p 0,10
z2 / 2 p q 1,96 2 0,10 0,90
d 0,02 1 0,95 z / 2 1,96 n 864
d2 0,02 2
Erro se a amostra for de 100 usurios
1,96 2 0,10 0,90 1,96 2 0,10 0,90

100 d 0,06
d2 100
Amostra mxima
z2 / 2 0,5 0,5 1,96 2 0,5 0,50

n 2.401
d2 0,02 2
PARA POPULAO FINITA
N 500 N 10.000
n0 864 n0 864
n0 864 n0 864
n 99 n 248
n0 864 n0 864
1 1 1 1
N 500 N 10.000
CAPTULO 3
ESTIMAO
1 O QUE ESTIMAO
Estimao o processo de se ESTIMAR o valor de um determinado parmetro populacional,

genericamente denotado por , os parmetros populacionais so medidas que caracterizam a
populao, como a mdia, a proporo e a varincia. No Captulo 1 vimos que as medidas descritivas
calculadas a partir de amostras so utilizadas para realizar estas estimativas. Mas apenas o clculo
dessas medidas no so suficientes para se ter uma estimativa confivel. Como visto no Captulo 2,
elas so obtidas por um processo aleatrio (amostra), portanto sujeitas a erro, sendo necessrio que
as associemos a uma margem de erro tolervel e probabilidade de que elas estejam dentro desta
margem.
2 ESTIMADOR
Um estimador, genericamente denotado por , uma funo dos elementos da amostra, que tem
o objetivo de estimar o valor do parmetro populacional .
Para uma amostra de tamanho n, x1 , x2 , x3 ,..., xn , temos:
x i
X i 1
(mdia amostral) um estimador de X (mdia populacional)
n
nA
p (proporo amostral) um estimador de p (proporo populacional), onde n A a
n
quantidade de elementos, na amostra, pertencentes categoria A, para a qual se deseja estimar
a proporo p
Para um mesmo parmetro podem ser definidos diferentes estimadores. Por exemplo, para se
n
x i
estimar a mdia populacional, podemos utilizar X i 1
, como mostrado acima, ou M xmax xmin
n 2
, a questo determinar qual deles o melhor. Existem algumas propriedades dos estimadores que
permitem esta determinao, aqui veremos apenas uma delas, que o conceito de ESTIMADOR NO
VICIADO: um estimador no viciado de se E()
No Captulo 2 (Distribuies Amostrais) j vimos que X e p so no viciados, ou seja:
DESAFIO
E( X ) X Mostre que X e p so no viciados (use a
) p
E( p propriedade de E(X) para a soma de
variveis aleatrias independentes)
3 ESTIMATIVAS
3.1 ESTIMATIVA POR PONTO
o valor numrico do estimador.
EXEMPLO 3.3.3.1[1]
Uma amostra de 36 ligaes telefnicas apresentou os seguintes resultados em relao ao

tempo de durao (T) em minutos e presena de rudos (R; 1=sim,0=no). Quais as estimativas por
ponto do tempo mdio de durao e da proporo de ligaes com rudo ?
T 2 4 2 3 3 3 5 5 8 2 4 3 3 3 8 5 4 7
R 0 0 1 1 0 1 0 0 0 0 0 1 1 0 0 0 0 1
T 3 3 3 2 4 4 5 5 6 6 6 8 9 6 6 7 7 5
R 0 0 1 0 0 0 0 1 1 1 0 0 0 0 0 1 1 0
2 4 2 3 ... 7 7 5 169
X 4,7
36 36
0 0 1 1 ... 1 1 0 12
p 0,33 33%
36 36
3.2 ESTIMATIVA POR INTERVALO (INTERVALO DE CONFIANA)
A estimativa por intervalo feita atribuindo-se uma margem de erro estimativa por ponto.
Denotando-se a estimativa por intervalo por IC (intervalo de confiana), ela ser dada por:

IC d1 , d 2
Na expresso acima, d1 e d2 so as margens de erro atribudas estimativa por ponto, elas sero
iguais quando a distribuio de probabilidade de for simtrica, neste caso a expresso passa a ser:

IC d , d
No exemplo acima, se for atribuda uma margem de erro de 0,5 unidades para a estimativa da
mdia e de 0,02 (2 pontos percentuais) para a estimativa da proporo, os intervalos de confiana
sero:
Para a mdia: IC 4,7 0,5;4,7 0,5 (4,2;5,2)
Para a proporo: IC 0,33 0,02;0,33 0,02 (0,31;0,35)
OBSERVAO
As margens de erro para mdia e proporo so iguais em ambos os lados porque, como visto anteriormente,
X e p tm Distribuio Normal, que simtrica
A determinao da margem de erro feita a partir da probabilidade (nvel de confiana),

denotada por 1-, de que o erro de estimativa esteja dentro desta margem, no caso de distribuies
simtricas, considerando-se um erro mximo de estimativa igual a d, teremos:

P d 1
4 INTERVALO DE CONFIANA PARA A MDIA
J vimos que para populaes Normais ou amostras grandes (n30), a distribuio de

probabilidade de X normal, com mdia X e varincia X2 :
X2
(populao infinita)

X N X , X2 , com X X e X2 2
n
.
X N n (populao finita)
n N 1
X X
Ento Z N 0,1 .
X
X X
Como X X podemos escrever P z / 2 z / 2 1 .
X

Isolando X chegamos a P X z / 2 X X X z / 2 X 1 .
Ento, o Intervalo de Confiana para a mdia populacional, com 1- de confiana ser dado por:
X
X z / 2 , X z / 2 X (populao infinita)
n n
IC X
X z X N n , X z X N n (populao finita)
/2
N 1
/2
N 1
n n
OBSERVAO

Para determinao de z/2 procuramos no corpo da tabela o valor mais prximo de 1 , em seguida
2
encontramos o valor de z correspondente:
EXEMPLO 3.3.4[1]
A varincia do tempo de acesso dos usurios de determinada pgina na Internet de 400 min2.
Para estimar o tempo mdio de acesso, foram observados 100 usurios, cujo tempo mdio foi de 175
min. Qual a estimativa por intervalo para a mdia, com 90% de confiana ?
X2 400 X 400 20
n 100 X 175 1 0,90 z / 2 1,64
20 20 4
IC X 175 1,64 ; 175 1,64
100 100
1,6 0,9495
20 20 0,90
IC X 175 1,64 ; 175 1,64 0,05 0,05
5 0,95
100 100
IC X 175 3,38 ; 175 3,38 -1,64 1,64
IC X 171,62 ; 178,38
Concluses:
A margem de erro d de 3,38 min

A probabilidade (confiana) de que a mdia da populao esteja entre 171,62 min e
178,38 min ou seja, dentro da margem de erro, de 90%
4.1 INTERVALO DE CONFIANA PARA A MDIA QUANDO X2 DESCONHECIDA
Observe que no intervalo de confiana para a mdia visto acima, necessrio o conhecimento
da varincia populacional X2 . Caso ela seja desconhecida, deve ser substituda por sua estimativa,
x X
n
n
n
xi
2
i x 2
i
que a varincia amostral, dada por S i 1 . Demostra-se que
i 1
ou S
2 2 i 1
n 1 n 1 n(n 1)
S2 um estimador no viciado de .
2
X
Com isto, a expresso

X X
X

no desenvolvimento de P X X d 1 passa a ser
n
X X
, onde S S , que no tem distribuio Normal (Z) e sim distribuio t-Student que tambm
2
S
n
simtrica e tem a forma de sino. Os valores da distribuio t (veja Anexo 2), para um mesmo nvel de
confiana, dependem do tamanho da amostra (n) e so denotados por tn-1, onde n-1 chamado de
X X
graus de liberdade. Assim, dita ter distribuio t-Student com n-1 graus de liberdade.
S
n
Neste caso, o intervalo de confiana para a mdia passa a ser:
S S
X t n 1, / 2 , X t n 1, / 2
(populao infinita)
n n
IC X
X t S N n S N n
(populao finita)
n 1, / 2 , X t n 1, / 2
n N 1 n N 1
Veja como utilizar a tabela (Anexo 2) da distribuio t-Student:
No corpo da tabela esto os valores de t

Na coluna indicadora esto os valores dos graus de liberdade GL=n-1
No cabealho esto os valores de
Quando a situao envolve os dois lados da distribuio, caso dos intervalos de confiana
e testes de hipteses bilaterais, procura-se na linha BICAUDAL
Quando o problema envolve apenas um dos lados da distribuio, caso dos testes de
hipteses unilaterais, procura-se na linha UNICAUDAL
EXEMPLO 3.3.4.1[1]
Para estimar o tempo mdio de acesso a determida pgina da Internet, foram observados 49
usurios, cujo tempo mdio foi de 175 min e varincia 400 min2. Qual a estimativa por intervalo para a
mdia, com 90% de confiana ?
n 49 GL 48
X 175 S 2 400 S 400 20
1 0,90 0,10 t 48;0,05 1,677
20 20
IC X 175 1,677 ; 175 1,677
49 49
IC X 175 4,79 ; 175 4,79
IC X 166,83 ; 179,79
Concluses:

A probabilidade (confiana) de que a mdia da populao esteja entre 166,83 min e
179,79 min ou seja, dentro da margem de erro, de 90%
EXEMPLO 3.3.4.1[2]
Considerando os dados do exemplo 3.3.3.1[1], qual a estimativa por intervalo do tempo mdio
de durao com 95% de confiana ?
n 36 GL 35
2 4 2 3 ... 7 7 5 169
X 4,7
36 36
927 169 2
x 169; x 927 S 35 36 35
2 2
S 2 3,82 S 3,82 1,95

1 0,95 0,05 t 36;0, 025 2,030
1,95 1,95
IC X 4,7 2,030 ; 4,7 2,030
36 36
IC X 4,7 0,66 ; 4,7 0,66
IC X 4 ,04 ; 5,36
Concluses:

A probabilidade (confiana) de que a mdia da populao esteja entre 4,04 min e 5,36
min ou seja, dentro da margem de erro, de 95%
5 INTERVALO DE CONFIANA PARA A PROPORO
Tambm j foi visto que para amostras grandes (n30), a distribuio de probabilidade de p
normal, com mdia p e varincia p2 :

p N p , p2
Com
pq
(populao infinita)
p p e X2 n

pq N n (populao finita)

n N 1
Onde p a proporo populacional e q 1 p
Tambm foi visto que d z / 2 p , assim o Intervalo de Confiana para a proporo

populacional, com 1- de confiana dado por:
p q p q
p z / 2 , p z / 2 (populao infinita)
n n
IC p
p q N n p q N n
(populao finita)
p z / 2
n N 1
, p z / 2
n N 1

IMPORTANTE
Como a proporo populacional no conhecida, pois o objeto da estimativa, nas
expresses de p2 p e q so substitudos por suas estimativas p e q , respectivamente,
onde q 1 p
EXEMPLO 3.3.3.5[1]
Uma amostra de 100 componentes apresentou 10% de defeituosos, qual a estimativa por
intervalo para a proporo populacional, com 95% de confiana?
n 100 p 0,10 1 0,95 z / 2 1,96

0,1 0,9 0,1 0,9
IC p 0,10 1,96 ; 0,10 1,96
100 100
IC p 0,10 1,96 0,03 ; 0,10 1,96 0,03
IC p 0,10 0,06 ; 0,10 0,06
IC p 0,04 ; 0,16
Concluses:
A margem de erro d de 0,06 (seis pontos percentuais)

A probabilidade (confiana) de que a proporo na populao esteja entre 0,04 e 0,16
ou seja, dentro da margem de erro, de 95%
EXEMPLO 3.3.3.5[2]
Considerando os dados do exemplo 3.3.3.1[1], qual a estimativa por intervalo da proporo de

chamadas com rudo, com 90% de confiana ?
0 0 1 1 ... 1 1 0 12
p 0,33 33%
36 36
1 0,90 0,10 z 0, 05 1,64
0,33 0,67 0,33 0,67
IC p 0,33 1,64 ; 0,33 1,64

36 36
IC p 0,33 0,13; 0,33 0,13
IC p 0,20;0,46
Concluses:
A margem de erro d de 0,13 pontos percentuais

A probabilidade (confiana) de que a proporo de chamadas com rudo, na populao,
esteja entre 0,20 e 0,46, ou seja, dentro da margem de erro, de 90%
CAPTULO 4
TESTES DE HIPTESES
1 O QUE SO TESTES DE HIPTESES
Os testes de hipteses so procedimentos que tm por objetivo verificar (testar) a veracidade

de afirmativas (hipteses) feitas a respeito de parmetros populacionais. Assim, uma hiptese,
chamada de HIPTESE NULA, de que determinado parmetro populacional tem valor 0 (H0: = 0),
pode ser testada a partir de sua estimativa atravs de um estimador . Retirando-se uma amostra da
popuao, a estimativa de (valor de ) calculada e comparada com seu valor hipottico 0,
dependendo da proximidade entre e 0, decide-se em aceitar ou rejeitar a hiptese nula, com uma
certa probabilidade de erro. Note que aqui tambm se est trabalhando com experimentos aleatrios
(amostras), de tal forma que o mecanismo de construo/aplicao dos testes de hipteses
semelhante construo de intervalos de confiana.
2 TIPOS DE ERROS
Os possveis tipos de erros que podem ser cometidos no teste de uma hiptese esto descritos
no quadro abaixo.
CONDIO (desconhecida) DE H0
DECISO TOMADA
VERDADEIRA FALSA
ACEITA-SE H0 deciso correta ERRO TIPO II
REJEITA-SE H0 ERRO TIPO I deciso correta
A probabilidade de se cometer um erro TIPO I denotada por e chamada de NVEL DE

SIGNIFICNCIA do teste. Todo o processo de construo/aplicao do teste ser baseado nesta
probabilidade:
P(ERRO TIPO I ) P(REJEITAR H 0 | H 0 VERDADEIR A )

P(REJEITAR H 0 | 0 )
3 TIPOS DE TESTES
Para o teste de parmetros populacionais podem ser consideradas as seguintes situaes:
H 0 : 0 H 0 : 0 H 0 : 0

H 1 : 0 H 1 : 0 H 1 : 0
(teste bilateral) (teste unilateral ) (teste unilateral )
OBSERVAES
Para os testes unilaterais, as hipteses nulas podem ser substitudas, quando necessrio, por
desigualdades, e , respectivamente
Isto acontece quando se afirma que parmetro populacional deve ser no mnimo (mximo) igual a um
determinado valor como, por exemplo, o percentual de determinada vitamina em um medicamento
3.1 MECANISMO DO TESTE
Como foi dito inicialmente, a partir de uma amostra de tamanho n calcula-se a estimativa de
(valor de ) e compara-se com 0, se estiver prximo de 0, ento aceita-se a hiptese nula. Para
verificar a proximidade de com 0 so determinados valores de referncia, que so denominados
VALORES CRTICOS, desta forma, dependendo da posio do valor da estimativa em relao aos valores
crticos, aceita-se ou no H0. Os procedimentos esto descritos nas figuras abaixo.
Os valores crticos so determinados a partir do nvel de significncia do teste, , ou seja, a partir
do desenvolvimento de Prejeitar H 0 | H 0 verdade :
Prejeitar H 0 | H 0 verdade Prejeitar H 0 | 0 P( RC | 0 )
4 TESTES DE HIPTESES PARA A MDIA
4.1 TESTE BILATERAL
H 0 : X 0
H 1 : X 0
Prejeitar H 0 | H 0 verdade Prejeitar H 0 | X 0 P X RC | X 0

P X VC1 ou X VC2 1 P VC1 X VC2 P VC1 X VC2 1
VC1 0
z / 2
VC1 0 X 0 VC2 0 VC1 0 z / 2 X
P 1 X

X X X VC2 0 z VC2 0 z / 2 X
/2
X
Assim, se X 0 z / 2 X ou X 0 z / 2 X rejeita-se H0. Onde, como j visto,

X N n
X para populaes infinitas e X X para populaoes finitas.
n n N 1
Observe que rejeitar H0 para X 0 z / 2 X ou X 0 z / 2 X equivalente a rejeitar

X 0 X 0 X 0
H0 para z / 2 ou z / 2 . A expresso Z c chamada de ESTATSTICA DE
X X X
PROVA e z / 2 , chamado de z tabelado, o VALOR CRTICO de Zc. Assim, se Z c z rejeita-se H0.
EXEMPLO 3.4.4.1[1]
Para testar a hiptese de que o tempo mdio de acesso de 179 min, contra a alternativa de que
diferente, foram observados 100 usurios, cujo tempo mdio foi de 175 min. Teste a hiptese aos nveis
de significncia de 10% e 2%.
H 0 : X 179
H 1 : X 179
0,10 z / 2 1,64
X2 400 X 400 20
20
n 100 X 2 X 175
100
175 179
Zc 2 Z c z / 2 rejeita - se H 0
2
0,02 z / 2 2,33
X2 400 X 400 20
20
n 100 X 2 X 175
100
175 179
Zc 2 Z c z / 2 aceita - se H 0
2
4.2 TESTES UNILATERAIS
1 caso
H 0 : X 0
H 1 : X 0

X 0 VC 0 VC 0
P X VC P
z VC 0 z X
X X X
Assim, se X 0 z X rejeita-se H0, caso contrrio, se X 0 z X aceita-se H0. E o
procedimento equivalente, utilizando a ESTATSTICA DE PROVA Zc, ser:
X 0
Zc , se Z c z / 2 , ou seja, se Z c z , rejeita-se H0.
X
EXEMPLO 3.4.4.2[1]
menor, foram observados 100 usurios, cujo tempo mdio foi de 175 min. Teste a hiptese aos nveis
H 0 : X 179
H 1 : X 179
0,10 z 1,28
X2 400 X 400 20
20
n 100 X 2 X 175
100
175 179
Zc 2 Z c z rejeita - se H 0
2
0,02 z 2,05
X2 400 X 400 20
20
n 100 X 2 X 175
100
175 179
Zc 2 Z c z aceita - se H 0
2
2 caso
H 0 : X 0
H 1 : X 0

X 0 VC 0 VC 0
P X VC P
z VC 0 z X
X X X
Assim, se X 0 z X rejeita-se H0, caso contrrio, se X 0 z X aceita-se H0. E o

X 0
X
EXEMPLO 3.4.4.2[2]
maior, foram observados 100 usurios, cujo tempo mdio foi de 183 min. Teste a hiptese aos nveis
H 0 : X 179
H 1 : X 179
0,10 z 1,28
X2 400 X 400 20
20
n 100 X 2 X 183
100
183 179
Zc 2 Z c z rejeita - se H 0
2
0,02 z 2,05
X2 400 X 400 20
20
n 100 X 2 X 183
100
183 179
Zc 2 Z c z aceita - se H 0
2
5 TESTES DE HIPTESES PARA A MDIA QUANDO X2 DESCONHECIDA
Como visto na parte sobre intervalos de confiana, quando no se conhece a varincia

populacional, X , ela deve ser substituda por sua estimativa S e a distribuio de probabilidade a ser
2 2
utilizada a t-Student. As estatsticas de prova passam a ser as seguintes.
5.1 TESTE BILATERAL
H 0 : X 0
H 1 : X 0
X 0 X 0
Tc para populaes infinitas e Tc para populaes finitas, se Tc t n1, / 2
S S N n

n n N 1
, rejeita-se H0.
EXEMPLO 3.4.5.1[1]
Para testar a hiptese de que o tempo mdio de acesso de 179 min, contra a alternativa de
que diferente, foram observados 81 usurios, cujo tempo mdio foi de 175 min e varincia 400 min.
Teste a hiptese aos nveis de significncia de 10% e 2%.
H 0 : X 179
H 1 : X 179
GL 81 1 80 0,10 t n 1, / 2 1,664
S 2 400 S 400 20
20
n 36 X X 175
81
175 179
Tc 1,8 Tc t n 1, / 2 rejeita - se H 0
20
9
GL 81 1 80 0,02 t n 1, / 2 2,374
S 2 400 S 400 20
20
n 81 X X 175
81
175 179
Tc 1,8 Tc t n 1, / 2 aceita - se H 0
20
9
1 caso
H 0 : X 0
H 1 : X 0
X 0 X 0
Tc para populaes infinitas e Tc para populaes finitas, se Tc t n1, / 2 ,
S S N n

n n N 1
rejeita-se H0.
EXEMPLO 3.4.5.2[1]
que menor, foram observados 81 usurios, cujo tempo mdio foi de 175 min e varincia 400 min.
H 0 : X 179
H 1 : X 179
GL 81 1 80 0,10 t n 1, 1,292
S 2 400 S 400 20
20
n 81 X X 175
81
175 179
Tc 1,8 Tc t n 1, rejeita - se H 0
20
81
GL 81 1 80 0,02 t n 1, 2,088
S 2 400 S 400 20
20
n 81 X X 175
81
175 179
Tc 1,8 Tc t n 1, aceita - se H 0
20
81
2 caso
H 0 : X 0
H 1 : X 0
X 0 X 0
Tc para populaes infinitas e Tc para populaes finitas, se Tc t n1, / 2
S S N n

n n N 1
, rejeita-se H0.
EXEMPLO 3.4.5.2[2]
que maior, foram observados 81 usurios, cujo tempo mdio foi de 183 min e varincia 400 min.
H 0 : X 179
H 1 : X 179
GL 81 1 80 0,10 t n 1, 1,292
S 2 400 S 400 20
20
n 81 X X 183
81
183 179
Tc 1,8 Tc t n 1, rejeita - se H 0
20
81
GL 81 1 80 0,02 t n 1, 2,088
S 2 400 S 400 20
20
n 81 X X 183
81
183 179
Tc 1,8 Tc t n 1, aceita - se H 0
20
81
6 TESTES DE HIPTESES PARA A PROPORO
6.1 TESTE BILATERAL
H 0 : p p0
H 1 : p p0
Prejeitar H 0 | H 0 verdade Prejeitar H 0 | p p 0 P p RC | p p 0

P p VC1 ou p VC2 1 PVC1 p VC2 PVC1 p VC2 1
VC1 p 0
z / 2
VC1 p 0 p 0 VC2 p 0 VC1 p 0 z / 2 p
P 1 p

p p VC2 p 0 z / 2 p
p VC2 p 0 z
/2
p

pq
Assim, se p p0 z / 2 p ou p p0 z / 2 p rejeita-se H0. Onde, como j visto, p
n
pq N n
para populaes infinitas e p para populaoes finitas. Como p e q so desconhecidos
n N 1
eles so substitudos por seus valores da hiptese nula p0 e q0, respectivamente. Assim teremos as
p0 q0 p0 q0 N n
seguintes expresses para o desvio padro de p : p e p . Observe que
n n N 1
rejeitar H0 para p p0 z / 2 p ou p p0 z / 2 p equivalente a rejeitar H0 para
p p0 p p0 p p0
z / 2 ou z / 2 . A expresso Z c chamada de ESTATSTICA DE PROVA e
p p p
z / 2 o VALOR CRTICO de Zc , chamado de z tabelado. Assim, se Z c z rejeita-se H0.
EXEMPLO 3.4.6.1[1]
Para testar a hiptese de que o percentual de acessos mal sucedidos a determinada pgina da
Internet 10%, contra a alternativa de que diferente, foram observados 100 acessos, dos quais 15
foram mal sucedidos. Teste a hiptese aos nveis de significncia de 10% e 2%.
H 0 : p 0,10
H 1 : p 0,10
0,10 z / 2 1,64
0,10 0,90
n 100 p 0,03 p 0,15
100
0,15 0,10
Zc 1,67 Z c z / 2 rejeita - se H 0
0,03
0,02 z / 2 2,33
0,10 0,90
n 100 p 0,03 p 0,15
100
0,15 0,10
Zc 1,67 Z c z / 2 aceita - se H 0
0,03
1 caso
H 0 : p p0
H 1 : p p0

p p 0 VC p 0
P p VC P VC p 0 z VC p 0 z p
p p
p
Assim, se p p0 z p rejeita-se H0, caso contrrio, se p p0 z p aceita-se H0. E o

p p0
p
EXEMPLO 3.4.6.2[1]
Internet de 10%, contra a alternativa de que menor, foram observados 100 acessos, dos quais 5
H 0 : p 0,10
H 1 : p 0,10
0,10 z 1,28
0,10 0,90
n 100 p 0,03 p 0,05
100
0,05 0,10
Zc 1,67 Z c z rejeita - se H 0
0,03
0,02 z 2,05
0,10 0,90
n 100 p 0,03 p 0,05
100
0,05 0,10
Zc 1,67 Z c z aceita - se H 0
0,03
2 caso
H 0 : p p0
H 1 : p p0

p p 0 VC p 0
P p VC P VC p 0 z VC p 0 z p
p p
p
Assim, se p p0 z p rejeita-se H0, caso contrrio, se p p0 z p aceita-se H0. O

p p0
p
EXEMPLO 3.4.6.2[2]
Internet de 10%, contra a alternativa de que maior, foram observados 100 acessos, dos quais 15
H 0 : p 0,10
H 1 : p 0,10
0,10 z 1,28
0,10 0,90
n 100 p 0,03 p 0,15
100
0,15 0,10
Zc 1,67 Z c z rejeita - se H 0
0,03
0,02 z 2,05
0,10 0,90
n 100 p 0,03 p 0,15
100
0,15 0,10
Zc 1,67 Z c z aceita - se H 0
0,03
EXERCCIOS
1) Para avaliar o tempo (horas) mensal gasto na Internet e o principal uso da mesma, foi realizada
uma pesquisa com uma amostra de 50 alunos de uma escola que tem um total de 800 alunos. O
quadro abaixo mostra o resultado obtido. (a) calcule a mdia, a varincia e o desvio padro do
tempo gasto com a Internet (b) qual o tempo total gasto na utilizao da Internet pelos alunos da
escola ? (c) qual o percentual de alunos que utilizam a Internet para pesquisa escolar ? (d) quantos
alunos na escola utilizam a Internet para pesquisa escolar ?
TEMPO USO TEMPO USO TEMPO USO TEMPO USO TEMPO USO
1 120 PE 11 140 PE 21 140 PE 31 120 PE 41 120 PE
2 100 PE 12 160 OUT 22 100 PE 32 110 PE 42 110 PE
3 250 OUT 13 160 OUT 23 130 OUT 33 110 PE 43 130 OUT
4 180 OUT 14 170 OUT 24 160 OUT 34 120 OUT 44 120 OUT
5 100 OUT 15 120 PE 25 170 PE 35 130 PE 45 150 PE
6 100 PE 16 100 OUT 26 130 PE 36 170 PE 46 120 PE
7 130 PE 17 100 PE 27 130 OUT 37 180 OUT 47 130 PE
8 180 PE 18 160 PE 28 140 OUT 38 160 PE 48 120 OUT
9 100 OUT 19 140 PE 29 110 OUT 39 160 OUT 49 110 PE
10 110 PE 20 130 OUT 30 120 PE 40 110 PE 50 110 PE
PE = PESQUISA ESCOLAR OUT=OUTROS
2) [STEVENSON] Se se extrai uma amostra de uma distribuio normal, qual a probabilidade de que a
mdia amostral esteja compreendida em cada um dos intervalos abaixo?
a) X 1,64 X b) X 1,96 X c) X 2,00 X d ) X 2,33 X
3) [adaptado de STEVENSON] A espessura mdia das baterias fabricadas por determinado processo
0,2 cm e o desvio padro 0,01 cm. Para uma amostra de 36 bateiras, responda: (a) Que
percentagem de mdias amostrais estar no intervalo 0,20,004 cm? (b) Qual a probabilidade de
se obter uma mdia amostral que se afaste por mais de 0,005 cm da mdia do processo?
4) Se o tempo mdio (por usurio) de utilizao de uma determinada pgina da Internet 24 minutos,
com distribuio normal e desvio padro de 3 minutos, qual a probabilidade de que uma amostra
aleatria de 100 usurios apresente tempo mdio que difira por mais de 30 segundos da mdia da
populao?
5) Os pesos dos habitantes de certa cidade tm desvio padro de 45Kg. Tomada uma amostra de 225
habitantes, qual a probabilidade de a mdia amostral se afastar por 7,5Kg ou mais da mdia de
todas os 20.000 habitantes da cidade? E se a populao consistisse de 2.000 habitantes? E se a
populao for considerada infinita?
6) [STEVENSON] Supondo uma amostra suficientemente grande, determine a percentagem de
propores amostrais que poderemos esperar nos seguintes intervalos:
a) p 1,64 p b) p 1,96 p c) p 2,00 p d ) p 2,33 p
7) [STEVENSON] Se vamos extrair amostras de tamanho n=100 observaes, em que a proporo
populacional 20%, que percentagem de propores amostrais podemos esperar nos intervalos
abaixo?
a) 16% a 24% b) maior que 24% c) 12% a 28% d) menos de 12% ou mais de 28%
8) [STEVENSON] O Departamento de Compras de uma companhia rejeita rotineiramente remessas de
peas se uma amostra aleatria de 100 peas, extrada de um lote com 10.000 peas, acusa 10 ou
mais defeituosas. Determine a probabilidade de se ter um lote rejeitado caso ele tenha uma
percentagem de peas defeituosas de:
a) 3% b) 5% c) 18% d) 25%
9) Considerando-se desconhecida a mdia do exerccio 2, responda:
a) Qual o tamanho da amostra para se estimar a mdia populacional com margem de erro
de 0,004 cm e 90% de confiana?
b) Para uma amostra de tamanho 100, com margem de erro de 0,005 cm, qual o nvel de
confiana?
c) Para uma amostra de tamanho 49, qual a margem de erro, com 80% de confiana?
10) Qual o tamanho da amostra para se estimar a proporo populacional, com margem de erro de
5% e 90% de confiana, nos seguintes casos:
a) Se a proporo populacional for 70%
b) Se a proporo populacional for desconhecida e se deseja que a amostra seja mxima.
c) O mesmo para os itens (a) e (b), considerando que a populao finita, com 5.000
elementos.
11) Deseja-se estimar a mdia dos pesos de certa pea. Pelas especificaes do produto, o desvio
padro dos pesos 10 Kg. Calcule o tamanho da amostra para um erro de estimativa de 1,5 Kg
com 95% de confiana, nos seguintes casos: (a) considerando a populao infinita e (b)
considerando a populao finita, com 600 elementos.
12) Deseja-se estimar a proporo de alunos de uma escola que usam o Chat disponibilizado pelo AVA
(Ambiente Virtual de Aprendizagem) utilizado pela mesma. Calcule o tamanho da amostra para
que o erro de estimativa seja de 2% com 99% de confiana, nos seguintes casos: (a) supondo-se
que a proporo de 30% e que a populao (total de alunos da escola) infinita; (b) supondo-se
que a proporo 30% e que a populao finita, com 10.000 alunos; (c) anlogo ao item (a), para
que a amostra seja a maior possvel; (d) anlogo ao item (b), para que a amostra seja a maior
possvel
13) O dimetro de um cabo eltrico normalmente distribudo com mdia 0,8 e varincia 0,0004.
a) Qual a probabilidade de que uma amostra de 16 cabos tenha mdia superior a
0,807 ?
b) Qual o tamanho da amostra para se estimar a mdia populacional com margem de
erro de 0,001 e 90% de confiana ?
c) Qual a margem de erro para uma amostra de 100 cabos, com 95% de confiana ?
d) Com que probabilidade (nvel de confiana) a estimativa est dentro da margem
de erro de 0,002, numa amostra de 200 cabos ?
14) A proporo de peas defeituosas em determinado processo de fabricao 10%.
a) Num lote (amostra) de 100 peas, qual a probabilidade de que o percentual de peas
defeituosas no ultrapasse a proporo populacional em mais de 0,02 ?
b) Qual o tamanho da amostra para se estimar a proporo de peas defeituosas com margem
de erro de 5% com 90 % de confiana ?
c) Resolver o item (b) para que se tenha amostra mxima.
d) Para a amostra mxima, qual a margem de erro com 95% de confiana ?
15) Foram retiradas 25 peas da produo diria de uma mquina, encontrando-se um comprimento
mdio de 5,2 mm. Sabendo-se que os comprimentos dessas peas tm distribuio normal com
desvio-padro 1,2 mm , construa intervalos de confiana para a mdia aos nveis de 90% e 95% de
confiana. Repita o exerccio, considerando-se o desvio padro da populao desconhecido e que
a amostra forneceu S=1,2 mm.
16) De uma populao normal com varincia 1,96, obteve-se a seguinte amostra (pesos em Kg): 25,
26, 26, 27, 28, 28, 29, 30, 25, 25, 28, 28, 30, 30, 25, 27 . Quais as estimativas por ponto e por
intervalo, 98% de confiana, para a mdia populacional? Repita o problema considerando que a
populao finita, com 100 elementos.
17) Quais as estimativas por ponto e por intervalo (98% de confiana) da proporo de elementos com
peso superior a 26 Kg, na populao do problema 16 ? Repita o problema considerando que a
populao finita, com 100 elementos.
18) Foi realizada uma pesquisa com uma amostra de 300 alunos de um curso a distncia sobre a
qualidade do ambiente virtual de aprendizagem utilizado, 200 deles se mostraram insatisfeitos com
a qualidade do mesmo. Quais as estimativas por ponto e por intervalo (90% de confiana) para a
proporo de alunos insatisfeitos na populao ?
19) Para as situaes do problema 14, teste a hiptese de que o comprimento mdio da populao
igual a 4,5 mm, contra a alternativa de que maior que 4,5mm.
20) Para o exerccio 15, teste a hiptese de que a mdia populacional 28, contra a alternativa de que
diferente de 28.
21) Para o problema 15, teste a hiptese de que o percentual de pessoas com peso superior a 26 Kg,
na populao, 64%, contra a alternativa de que menor que 64%.
SOLUO DOS EXERCCIOS
EXERCCIO 1
x
50
i
120 100 150 ... 110 110 6670
a) X i 1
133,40h
50 50 50
b) T 133,40 800 106720 h
n 30
c) p A 60%
50 50
30
d ) N A p N 800 480
50
EXERCCIO 2
X N X , X ; X X
( 1,64 X ) X ( 1,64 X ) X
a) P( X 1,64 X X X 1,64 X ) P X Z X

X X
( 1,64 X ) X ( 1,64 X ) X
P X Z X P(1,64 X 1,64)

X
X
(1,64) (1,64) (1,64) [1 (1,64)] 2 (1,64) 1 2 0,9495 1 0,8990
Para os itens b, c e d o procedimento anlogo
EXERCCIO 3
0,01 0,01
n 36; X 0,2; X 0,01 X 0,2; X 0,002
36 6
X N 0,2;0,002
(0,2 0,004 ) 0,2 (0,2 0,004 ) 0,2
a ) P(0,2 0,004 X 0,2 0,004 ) P Z
0,002 0,002
0,004 0,004
P Z P (2 Z 2) (2) (2) (2) [1 (2)]
0,002 0,002
2 (2) 1 2 0,9772 1 1,9544 1 0,9544
b) P(| X X | 0,005) P(| X 0,2 | 0,005) P( X 0,2 0,005 X 0,2 0,005)
X 0,2 0,005 X 0,2 0,005
P( X 0,2 0,005) P( X 0,2 0,005) P P
0,002 0,002 0,002 0,002
PZ 2,5 PZ 2,5 [1 P( Z 2,5)] [1 P( Z 2,5)] 2[1 P( Z 2,5)]
2[1 (2,5)] 2 (1 0,9938) 2 0,0062 0,0124
EXERCCIO 4
3
n 100; X 24; X 3 X 24; X 0,3
100
P(| X X | 0,5) P(| X 24 | 0,5) P( X 24 0,5 X 24 0,5)
X 24 0,5 X 24 0,5
P( X 24 0,5) P( X 24 0,5) P P
0,3 0,3 0,3 0,3
PZ 1,67 PZ 1,67 [1 P( Z 1,67 )] [1 P( Z 1,67 )] 2[1 P( Z 1,67 )]
2[1 (1,67 )] 2 (1 0,9525 ) 2 0,0475 0,095
OBS: A partir do exerccio seguinte sero omitidas as interpretaes grficas, que sero retomadas a
partir do exerccio 18.
EXERCCIO 5
45
n 225; X 45 X 3
225
45 20000 225
a) N 20000 ; n 225; X 45 X 2,98
225 20000 1
P(| X X | 7,5) P(| X X | 7,5) P( X X 7,5 X X 7,5)
X X 7,5 X X 7,5
P( X X 7,5) P( X X 7,5) P P

2,98 2,98 2,98 2,98
PZ 2,52 PZ 2,52 [1 P( Z 2,52)] [1 P( Z 2,52)] 2[1 P( Z 2,52)]
2[1 (2,52)] 2 (1 0,9941) 2 0,0059 0,0118
45 2000 225
b) N 2000; n 225; X 45 X 2,83
225 2000 1
P(| X X | 7,5) P(| X X | 7,5) P( X X 7,5 X X 7,5)
X X 7,5 X X 7,5
P( X X 7,5) P( X X 7,5) P P
2,83 2,83 2,83
2,83
PZ 2,65 PZ 2,65 [1 P( Z 2,65)] [1 P( Z 2,65)] 2[1 P( Z 2,65)]
2[1 (2,65)] 2 (1 0,9960 ) 2 0,004 0,008
45
c) n 225; X 45 X 3
225
P(| X X | 7,5) P(| X X | 7,5) P( X X 7,5 X X 7,5)
X X 7,5 X X 7,5
P( X X 7,5) P( X X 7,5) P P
3 3 3
3
PZ 2,5 PZ 2,5 [1 P( Z 2,5)] [1 P( Z 2,5)] 2[1 P( Z 2,5)]
2[1 (2,5)] 2 (1 0,9938 ) 2 0,0062 0,0124
EXERCCIO 6
Mesma soluo e resultados do EXERCCIO 1, agora com p N , ;
p p p p
EXERCCIO 7
0,2 0,8
n 100; p 0,2 p 0,2; p2 0,0016; p 0,0016 0,04
100
p N (0,2;0,0016 )
0,16 0,2 0,24 0,2
a) P(0,16 p 0,24) P Z P(1 Z 1) (1) (1)
0,04 0,04
(1) [1 (1)] 2(1) 1 2 0,8413 1 1,6826 1 0,6826 68,26%
0,24 0,2
b) P( p 0,24) 1 P( p 0,24) 1 P Z 1 P( Z 1) 1 (1)
0,04
1 0,8413 0,1587 15,87%
0,1 0,2 0,28 0,2
c) P(0,12 p 0,28) P Z P(2,5 Z 2,0) (2,0) (2,5)
0,04 0,04
(2) [1 (2,5)] 0,9772 [1 0,9938] 0,9772 0,0062 0,9710 97,10%
d ) P( p 0,12 p 0,18) P( p 0,12) P( p 0,18) P( p 0,12) [1 P( p 0,18)]

0,12 0,2 0,18 0,2
P Z 1 P Z P( Z 2) P( Z 0,5) (2) (0,5)
0,04 0,04
[1 (2)] [1 (0,5)] [1 0,9772 ] [1 0,6915 ] 0,0228 0,3085 0,3313 33,13%
EXERCCIO 8
N 10000 n 100 p N ( p , p2 )
p p
p q 10000 100
p2 p q 0,0099 p p q 0,0099
100 10000 1
10 0,10 p
P(rejeitar lote ) P p P p 0,10 1 P p 0,10 1 P Z
100 p q 0,0099
0,10 p
P(rejeitar lote ) 1
p q 0,0099

a) p 0,03
0,10 0,03
P(rejeitar lote ) 1 1 (4,12) 0

0,03 0,97 0,0099
b) p 0,05
0,10 0,05
P(rejeitar lote ) 1 1 (2,31) 1 0,9896 0,0104

0,05 0,95 0,0099
c) p 0,18
0,10 0,18
P(rejeitar lote ) 1 1 (2,09) 1 [1 (2,09)]

0,18 0,82 0,0099
(2,09) 0,9817
d ) p 0,25
0,10 0,25
P(rejeitar lote ) 1 1 (3,48) 1 [1 (3,48)]

0,25 0,75 0,0099
(3,48) 1
EXERCCIO 9
a) X 0,01 d 0,004 1 0,90 z / 2 1,64
z2 / 2 X2 1,64 2 0,012
n 17
d2 0,004 2
b) X 0,01 d 0,002 n 100
z2 / 2 X2 nd 2 nd 2 100 0,002 2
n z 2
/2 z / 2 2
d2 X2 X2 0,012
1 ( z / 2 ) ( z / 2 ) ( z / 2 ) [1 ( z / 2 )] 2( z / 2 ) 1
2 (2) 1 2 0,9772 1 0,9544 95,44%
c) X 0,01 n 49 1 0,80 z / 2 1,28
z2 / 2 X2 z2 / 2 X2 z2 / 2 X2 1,28 2 0,012
n d 2
d 0,002
d2 n n 49
EXERCCIO 10
a) d 0,05 1 0,90 z / 2 1,64 b) d 0,05 1 0,90 z / 2 1,64
p 0,70 p 0,50
z / 2 p q 1,64 0,7 0,3
2 2
z2 / 2 p q 1,64 2 0,5 0,5
n 226 n 269
d2 0,05 2 d2 0,05 2
c) N 5000
(a) n0 226 (b) n0 269
n0 226 n0 269
n 216 n 255
n0 226 n0 269
1 1 1 1
N 5000 N 5000
EXERCCIO 11
a) X 10 d 1,5 1 0,95 z / 2 1,96 b) N 600
n 171
z2 / 2 X2 1,96 2 10 2 n 0 133
n0 171 n0 171
d2 1,5 2 1 1
N 600
EXERCCIO 12
d 0,02
1 0,99 z / 2 2,57
b) n0 3468
a) p 0,30
n0 3468
z 2 p q 2,57 2 0,30 0,70 n 2575
n /2 2 3468 n0 3468
d 0,02 2 1 1
N 10000
d ) n0 4128
c) p 0,50
n0 4128
z 2 p q 2,57 2 0,50 0,50 n 2922
n /2 2 4128 n0 4128
d 0,02 2 1 1
N 10000
EXERCCIO 13
X N (0,8;0,0004 )
X 0,8 X2 0,0004 X 0,02
0,0004
X N 0,8;
n
0,0004 0,02
X 0,8 X2 X
n n
0,02
a) n 16 X 0,005
16 b) d 0,001 1 0,90 z / 2 1,64
P( X 0,807 ) 1 P( X 0,807 ) z2 / 2 X2 1,64 2 0,02 2
n 1076
0,807 0,8 d2 0,0012
1 P Z 1 P( Z 1,4)
0,005
1 (1,4) 1 0,9192 0,0808
d ) n 200 d 0,002
c) n 100 1 0,95 z / 2 1,96 z2 / 2 X2 nd 2
n z /2
z2 / 2 X2 z2 / 2 X2 d2 X2
n d
d2 n 200 0,002 2
1,41
1,96 2 0,02 2 0,02 2
0,004
100 1 0,8414 84,14%
EXERCCIO 14
a ) n 100 p 0,10
0,10 0,90
p N 0,10; p 0,10 p 0,0009 p 0,03
2
100
p p 0,02 0,10
P(| p p | 0,02) P P(| Z | 2,67 ) P( Z 2,67 ) P( Z 2,67 )
0 , 03 0, 03
(2,67 ) [1 (2,67 )] [1 (2,67 )] [1 (2,67 )] 2[1 (2,67 )] 2(1 0,9962 ) 0,0076
b) d 0,05 1 0,90 z / 2 1,64 c) p 0,5 d 0,05 1 0,90 z / 2 1,64
z2 / 2 p q 1,64 2 0,10 0,90 z2 / 2 p q 1,64 2 0,5 0,5
n 97 n 269
d2 0,05 2 d2 0,05 2
EXERCCIO 15
a) n 25 X 5,2 X 1,2 1 0,90 0,10 z / 2 1,64
1,2
IC X X z / 2 X X z / 2 X 5,2 1,64 5,2 0,39 IC X (4,81;5,59)
n 25
Para 1-=0,95 a soluo anloga, com z/2=1,96
b) n 25 GL 24 X 5,2 S 1,2 1 0,90 0,10 t n 1, / 2 1,711
S 1,2
IC X X t n 1, / 2 5,2 1,711 5,2 0,41 IC X (4,79;5,61)
n 25
Para 1-=0,95 a soluo anloga, com tn-1,/2=2,064
EXERCCIO 16
a) n 16
x 25 26 26 ... 25 27 437 x 25
2 2
26 2 26 2 ... 25 2 27 2 11987
X
x 437 27,31 (estimativ a por ponto)
n 16
x - x
2 2
11987 437 2
S - 1,85
n 1 n(n 1) 15 16 15
1 0,98 0,02 t n1, / 2 2,602
S 1,85
IC X X t n1, / 2 27,31 2,602 27,31 1,20 IC X (26,11;28,51)
n 16
b) n 16 N 100
X 27,31 (estimativ a por ponto) S 1,85
1 0,98 0,02 t n 1, / 2 2,602
S N n 1,85 100 16
IC X X t n 1, / 2 27,31 2,602 27,31 1,11
n N 1 16 100 1
IC X (26,20;28,42)
EXERCCIO 17
10
a) n 16 p 0,625 1 0,98 0,02 z / 2 2,33
16
p q 0,625 0,375
IC p p z / 2 0,625 2,33 0,635 0,282 IC p (0,353;0,917 )
n 16
b) n 16 N 100 p 0,625 1 0,98 0,02 z / 2 2,33
p q N n 0,625 0,375 100 16
IC p p z / 2 0,625 2,33 0,635 0,260
n N 1 16 100 1
IC p (0,375;0,895)
EXERCCIO 18
200
n 300 p 0,67 1 0,90 0,10 z / 2 1,64
300
p q 0,67 0,33
IC p p z / 2 0,67 1,64 0,67 0,04 IC p (0,63;0,71)
n 300
EXERCCIO 19
H 0 : X 4,5
a)
H 1 : X 4,5
n 25 X 5,2 X 1,2
1 0,90 0,10 z 1,28
X 0 5,2 4,5
Zc 2,92
X 1,2
n 25
Z c z / 2 rejeita - se H 0
Para 1-=0,95 a soluo anloga, com z=1,64
H 0 : X 4,5
b)
H 1 : X 4,5
n 25 X 5,2 S 1,2
1 0,90 0,10 t n1, 1,711
X 0 5,2 4,5
Tc 2,92
S 1,2
n 25
Tc t n1, rejeita - se H 0
Para 1-=0,95 a soluo anloga, com tn-1,/2=2,064
EXERCCIO 20
H 0 : X 28
a)
H 1 : X 28
n 16 X 27,31 S 1,85
1 0,98 0,02 t n1, / 2 2,602
X 0 27,31 28
Tc 1,49
S 1,85
n 16
Tc t n1, / 2 aceita - se H 0
H 0 : X 28
b)
H 1 : X 28
n 16 N 100 X 27,31 S 1,85
1 0,98 0,02 t n 1, / 2 2,602
X 0 27,31 28
Tc 1,62
S N n 1,85 100 16

n N 1 16 100 1
Tc t n 1, / 2 aceita - se H 0
EXERCCIO 21
H 0 : p 0,64
H 1 : p 0,64
10
n 16 p 0,625 1 0,98 0,02 z 2,05
16
p p0 0 ,625 0 ,64
a) Z c 0,125
p0 q0 0 ,64 0 ,36
n 16
|Z c| z aceita - se H 0
p p0 0,625 0,64
b) Z c 0,136
p0 q0 N n 0,64 0,36 100 16

n N 1 16 100 1
Z c z aceita - se H 0
UNIDADE 4
CORRELAO E REGRESSO
No cotidiano comum a anlise simultnea de duas ou mais caractersticas de uma populao
como, por exemplo, o peso e altura das pessoas ou, ainda, a quantidade de memria de um sistema e
o tempo de resposta do mesmo.
Nestes casos, esto envolvidas duas variveis aleatrias, X e Y, quem tm seus comportamentos
probabilsticos individuais, j discutidos na Unidade 2, ou seja, cada uma com sua respectiva funo
densidade e de distribuio acumulada de probabilidades, esperana matemtica e varincia.
de grande interesse verificar-se se h algum tipo de relao entre essas variveis, o que pode
ser feito atravs do que se chamam MEDIDAS DE ASSOCIAO, uma delas o COEFICIENTE DE
CORRELAO. Verificada a existncia de associao, a etapa seguinte a construo de um modelo
funcional ou MODELO DE PREVISO que a represente, permitindo a previso de uma varivel (Y) a
partir de valores da outra (X). No caso da existncia de uma relao linear entre essas variveis
utilizada a ANLISE DE REGRESSO LINEAR com esta finalidade.
CAPTULO 1
CORRELAO
1 VARIVEIS ALEATRIAS BIDIMENSIONAIS
Considere duas variveis aleatrias, X e Y, com densidades de probabilidade fX(x) e fY(y),

respectivamente. Ento, a varivel aleatria bidimensional (X,Y) ter funo densidade de
probabilidade conjunta denotada por fxy(x,y).
IMPORTANTE
fX(x) e fY(y) so chamadas densidades marginais de X e Y;
X e Y podem ser ambas do mesmo tipo (discreta ou contnua) ou de tipos diferentes;

Quando ambas so discretas, fXY(x,y) pode ser escrita como PXY(x,y) e fornece PXY(X=x
e Y=y), a probabilidade de X e Y assumirem os valores x e y, simultaneamente;
Quando ambas so contnuas, fXY(x,y) fornece PXY(XIx e YIy), a probabilidade de X e
Y assumirem os valores dentro dos intervalos reais Ix e Iy , simultaneamente.
Como fXY(x,y) uma densidade de probabilidade, tem-se que fXY(x,y)0 e

P
XY ( xi , y j ) 1 e f XY ( x, y) 1
1.1 ESPERANA MATEMTICA, VARINCIA E COVARINCIA
X E X - Esperana Matemtica ou Mdia de X
Y E Y - Esperana Matemtica ou Mdia de Y

X2 V X E X E X 2 EX 2 E X 2 - Varincia de X

Y2 V Y E Y EY 2 EY 2 EY 2 - Varincia de Y
XY COV ( XY ) E X E X Y E Y E XY E X E Y - Covarincia de (X,Y)
Sendo:
CASO DISCRETO CASO CONTNUO

E X xf X ( x, y ) E X xf X ( x)dx
E (Y ) yf Y ( x, y ) E (Y ) yf Y ( y )dy
E ( XY ) xyf E ( XY )
y x
XY ( x, y )
y
xyf
x
XY ( x, y )dxdy
IMPORTANTE
Duas variveis, X e Y, so INDEPENDENTES se e somente se fXY(x,y)=fX(x)fY(y);
Demosntra-se que, se X e Y so independentes ento E(XY) = E(X)E(Y), assim, COVXY= 0;
Por outro lado, a recproca no verdadeira, ou seja, se COVXY= 0 no implica que as

variveis so independentes.
EXEMPLO 4.1.1.1[1]
O quadro abaixo mostra a distribuio de probabilidade conjunta das variveis X e Y. Calcule

E(X), V(X), E(Y), V(Y) e COV(X,Y). Verifique se X e Y so independentes.
Y\X 0 1 2 3 SOMA
0 0,03 0,075 0,0225 0,0225 0,15
1 0,05 0,125 0,0375 0,0375 0,25
2 0,12 0,30 0,09 0,09 0,60
SOMA 0,20 0,50 0,15 0,15 1
E ( X ) 0 0,20 1 0,50 2 0,15 3 0,15 1,25

E ( X 2 ) 0 2 0,20 12 0,50 2 2 0,15 32 0,15 2,45
V ( X ) 2,45 1,25 2 0,8875
E (Y ) 0 0,15 1 0,25 2 0,60 1,45

E (Y 2 ) 0 2 0,15 12 0,25 2 2 0,60 2,65
V ( X ) 2,65 1,45 2 0,5475
E ( XY ) (0 0) 0,03 (0 1) 0,05 (0 2) 0,20
(1 0) 0,075 (1 1) 0,125 (1 2) 0,30
(2 0) 0,0225 (2 1) 0,0375 (2 2) 0,09
(3 0) 0,0225 (3 1) 0,0375 (3 2) 0,09 1,8125
COV ( XY ) 1,8125 1,25 1,45 0
PX ( X 0) PY (Y 0) 0,20 0,15 0,03 PXY ( X 0, Y 0)

PX ( X 0) PY (Y 1) 0,20 0,25 0,05 PXY ( X 0, Y 1)
PX ( X 0) PY (Y 2) 0,20 0,60 0,12 PXY ( X 0, Y 2)
PX ( X 1) PY (Y 0) 0,50 0,15 0,075 PXY ( X 1, Y 0)
PX ( X 1) PY (Y 1) 0,50 0,25 0,125 PXY ( X 1, Y 1)
PX ( X 1) PY (Y 2) 0,50 0,60 0,30 PXY ( X 1, Y 2)
PX ( X 2) PY (Y 0) 0,15 0,15 0,0225 PXY ( X 2, Y 0)
PX ( X 2) PY (Y 1) 0,15 0,25 0,0375 PXY ( X 2, Y 1)
PX ( X 2) PY (Y 2) 0,15 0,60 0,09 PXY ( X 2, Y 2)
PX ( X 3) PY (Y 0) 0,15 0,15 0,0225 PXY ( X 3, Y 0)
PX ( X 3) PY (Y 1) 0,15 0,25 0,0375 PXY ( X 3, Y 1)
PX ( X 3) PY (Y 2) 0,15 0,60 0,09 PXY ( X 3, Y 2)
Como, para todo par (x,y), tem-se que PXY ( x, y ) PX ( X x) PY (Y y ) , conclumos que X e Y so
independentes.
1.2 COEFICIENTE DE CORRELAO
O Coeficiente de Correlao uma medida que indica o grau de associao LINEAR entre as
variveis X e Y, definido por:
COV XY
XY XY
V X V Y X Y
Demonstra-se que -1 XY 1 e que se XY 1 , ou seja, se XY = 1 ento Y uma combinao

2
linear de X: Y = AX + B. Caso o coeficiente seja negativo isso indica que pequenos valores de X se
associam a grandes valores de Y (reta decrescente) e grandes valores de X se associam a pequenos
valores de Y. Se positivo, pequenos valores X se associam a pequenos valores de Y e grandes valores X
se associam a grandes valores de Y (reta crescente). Se XY = 0 as variveis so no correlacionadas
linearmente.
OBSERVAES
O coeficiente de correlao s existe se V(X) 0 e V(Y) 0;
Se X e Y so independentes elas no so correlacionadas linearmente, ou seja, XY = 0. Mas a
recproca no verdadeira;
XY = 0 no significa que X e Y no tenham algum tipo e associao, elas podem, por exemplo,
2
ter uma relao quadrtica: Y = X
2 COEFICIENTE DE CORRELAO AMOSTRAL
2.1 ESTIMADORES DOS PARMETROS POPULACIONAIS
Dada uma amostra aleatria, (x1,y1), (x2,y2),..., (xn,yn), temos os seguintes estimadores:
x 2
x X 2
2x
S 2
n o estimador da varincia de X
n 1 n 1
X
y 2
y
2 2
y Y n
SY2 o estimador da varincia de Y
n 1 n 1
x y
S XY
x X y Y xy
n o estimador da covarincia de (X,Y)
n 1 n 1
x y
S XY S XY xy n o estimador do coeficiente de correlao
rXY
S S x y 2 y
2 2
S X SY X Y
2 2
x
2

n

n

entre X e Y
Lembramos que os valores numricos dos estimadores so as estimativas pontuais dos

parmetros populacionais.
EXEMPLO 4.1.2.1[1]
A tabela abaixo apresenta os resultados obtidos a partir de uma amostra de 10 alunos de uma
escola, referentes ao tempo (min) de uso da Internet por dia (X) e o escore obtido em um teste de
qualificao para monitor do Laboratrio de Informtica (Y). Calcule as estimativas pontuais de V(X),
V(Y), COV(X,Y) e XY.
1 2 3 4 5 6 7 8 9 10 SOMA
x 30 40 10 50 10 20 30 40 50 60 340
y 5 7 8 10 5 2 7 9 7 10 70
2
x 900 1600 100 2500 100 400 900 1600 2500 3600 14200
2
y 25 49 64 100 25 4 49 81 49 100 546
xy 150 280 80 500 50 40 210 360 350 600 2620
x
x n
2
340 2
2
14200
S X2 10 293,33 S 17,13
n 1
X
9
y
y n
2
70 2
2
546
SY2 10 6,22 S 2,49
n 1
Y
9
xy x y 2620
340 70
S XY n 10 26,67
n 1 9
S XY 26,67
rXY 0,62
S X SY 17,13 2,49
2.2 ANLISE DO COEFICIENTE DE CORRELAO AMOSTRAL
Seguindo o mesmo comportamento do Coeficiente de Correlao populacional, temos os

seguintes resultados:
-1 rXY 1
rXY < 0 pequenos valores de X se associam a grandes valores de Y e grandes valores de X se
associam a pequenos valores de Y (reta decrescente)
rXY > 0 pequenos valores de X se associam a pequenos valores de Y e grandes valores de X
se associam a grandes valores de Y (reta crescente)
rXY = -1 correlao linear perfeita (decrescente) entre X e Y
rXY = 1 correlao linear perfeita (crescente) entre X e Y
rXY = 0 ausncia de correlao linear entre X e Y
se X e Y so independentes rXY = 0 (a recproca no verdadeira)
Uma ferramenta fundamental para a anlise da correlao linear variveis X e Y o DIAGRAMA

DE DISPERSO, tambm conhecido como NUVEM DE PONTOS, que o grfico cartesiano dos pontos
(x,y). As figuras abaixo caracterizam, atravs do referido diagrama, as situaes descritas na seo
anterior.
Antes de qualquer anlise numrica de rXY fundamental a avaliao grfica. Em muitas

situaes seu valor no um bom indicador do grau de relao entre as variveis. A presena de valores
fora da nuvem de pontos (outliers) ou mesmo a existncia de estratos detectados na amostra podem
influenciar decisivamente no valor de rXY. As figuras abaixo ilustram essas situaes.
EXEMPLO 4.1.2.2[1]
Construa o diagrama de disperso do exemplo 4.1.2.1[1].

3 INTERVALO DE CONFIANA PARA XY
Para a construo de intervalos de confiana e testes de hipteses para XY necessrio o

conhecimento da distribuio de probabilidade de seu estimador rXY. Mas esta distribuio depende
tanto de XY e de n (tamanho da amostra) e seu formato varia demasiadamente de acordo com o valor
de XY, no sendo facilmente determinada. Assim, ser utilizada a varivel aleatria abaixo, que tem
distribuio Normal.
1 1 rXY
R ln R ~ N ( R , R2 )
2 1 rXY
1 1 XY 1 1
R ln e R2 R
2 1 XY n3 n3
R R
Podemos ento escrever P z / 2 z / 2 1 . Substituindo-se R e R por suas
R
respectivas expresses e isolando XY (reveja na Unidade 3 Captulo 3), chegamos aos seguintes
resultados para o Intervalo de Confiana de XY :
e c1 1 e c2 1
IC : ,
c2
1 e c1
1 e
c1 2( R z / 2 R ) c2 2( R z / 2 R )
OBSERVAES
1- o Nvel de Confiana da estimativa e z/2 a abcissa da Curva Normal Padro, associada
a 1-;
ln o logaritmo na base natural (e 2,7183);
EXEMPLO 4.1.3[1]
Foram avaliados os desempenhos 100 processadores, com relao ao tempo de utilizao e

temperatura, encontrando-se um coeficiente de correlao de 0,70. Determine a estimativa por
intervalo, com 95% de confiana, para o coeficiente de correlao populacional.
n 100 rXY 0,70 1 0,95 z / 2 1,96
1 0,7 1
R 0,5 ln 0,8673 R 0,1015 SUGESTO
1 0,7 100 3
Construa um intervalo
c1 2(0,8673 1,96 0,1015 ) 1,3366 de confiana para o
EXEMPLO 4.1.2.1[1]
c2 2(0,8673 1,96 0,1015 ) 2,1326
e1,3366 1 e 2,1326 1
IC : , IC : 0,5839;0,7881
2 ,1326
1 e1, 3366
1 e
4 TESTES DE HIPTESES PARA XY
Os testes de significncia para o coeficiente de correlao so os seguintes:
H 0 : XY 0 H 0 : XY 0 H 0 : XY 0

H 1 : XY 0 H1 : XY 0 H1 : XY 0
(teste bilateral) (teste unilateral ) (teste unilateral )
J conhecido que o critrio de deciso dos testes de hipteses (reveja na Unidade 3 Captulo
4) baseado no nvel de significncia do teste (), que a probabilidade de se cometer um erro do Tipo
I, rejeitar H0 quando ela verdadeira. Sob a hiptese de que XY = 0 (H0), a seguinte varivel aleatria,
funo do coeficiente de correlao amostral rXY , tem distribuio de probabilidade t de Student com
n-2 graus de liberdade:
rXY n 2
T
1 rXY
2
Assim, esta ser a estatstica de prova, representada por TC , e o critrio de deciso : se

Tc t n2, / 2 , rejeita-se H0.
As figuras abaixo ilustram o procedimento.

EXEMPLO 4.1.4[1]
Considerando a situao do exemplo 4.3[1], teste a hiptese de que XY = 0 , contra a hiptese

de que XY 0, ao nvel de significncia de 10%.
obs: como n-2=98 grande e no se encontra na tabela (Anexo 2) vamos considerar graus de
liberdade, veja que se fossem considerados 72 graus de liberdade, ou qualquer outro valor entre 72 e
a deciso seria a mesma.
n 100 rXY 0,70

0,10 t98;0, 05 1,645
rXY n 2 0,70 100 2
Tc 9,70
1 rXY
2
1 0,70 2
| Tc | t98;0, 05 rejeita - se H 0
SUGESTO
Para o EXEMPLO 4.1.2.1[1], teste a
hiptese de que XY = 0 contra a
alternativa de que XY > 0
CAPTULO 2
REGRESSO LINEAR SIMPLES
1 A VARIVEL ALEATRIA E(Y|X)
Na seo 1 do captulo 1 desta unidade, foram discutidos aspectos da varivel aleatria

bidimensional (X,Y). Uma informao complementar que ser acrescentada aqui a existncia da
varivel aleatria E(Y|X), leia-se Esperana de Y dado X, cujos valores so dados por E(Y|x), que o
valor esperado, ou mdia, da varivel Y para um dado valor fixo x de X. O grfico de E(Y|X) chamado
de Curva de Regresso (da mdia) de Y em X. Caso a Curva de Regresso seja linear, a chamaremos de
Reta de Regresso de Y em X. O mesmo vale para a varivel E(X|Y).
2 O PROBLEMA DA REGRESSO LINEAR
Foi visto que se XY = 1, ento Y uma combinao linear de X, da forma Y=A+BX. Neste caso,
a Curva de Regresso de Y em X tambm linear, E(Y|x)= 0+1x, com 0=A e 1=B. Isto significa que
todos os pontos (x,y) e (y|x,x) esto sobre a reta correspondente, como ilustrado na figura abaixo.
OBSERVAES
Para simplificao da notao, usaremos a expresso Y= 0+1x, para representar a Reta de
Regresso de Y em X, ressaltando que ela fornece a mdia da varivel Y dado um valor fixo x
de X;
Este entendimento ser muito importante no momento em que forem tratados os
procedimentos de inferncia para o modelo de regresso.
Caso contrrio, a relao entre X e Y no ser estritamente linear, o que no ocorre

necessariamente com a curva de regresso de X em Y, que poder ser uma reta, como ilustrado na
figura abaixo.
Na avaliao do comportamento de duas variveis, caso haja algum indicativo de que elas
tenham uma relao linear, o problema, ento, consiste em encontrar a melhor aproximao da Curva
de Regresso de Y em X a partir de uma amostra de pares (x,y). Lembramos que a ferramenta ideal
para visualizar a possvel relao entre X e Y o Diagrama de Disperso, as figuras apresentadas nesta
seo so exemplos disto.
IMPORTANTE
O termo Linear Simples utilizado pelo fato de existir apenas uma varivel preditora X;
Existem diversas situaes em que a relao original das variveis no linear, mas que, atravs de
uma tranformao simples, pode-se conduzir o caso para uma situao linear, por exemplo:
Z aW b ln Z ln a bln W ;

Y b0 b1 X
O mtodo para anlise da Regresso Linear Simples pode ser estendido pra o caso de existirem mais
de uma varivel preditora, Y 0 1 X 1 2 X 2 ... n X n , passando a se chamar de Regresso
Linear Mltipla.
EXEMPLO 4.2.2[1]
Para a amostra abaixo, calcule o coeficiente de correlao entre X e Y, construa o diagrama de

disperso e faa o grfico dos valores mdios de Y dado X. Determine a equao que relaciona Y a X e
a curva de regresso de Y em X
x 3 3 3 3 3 3 3 4 4 4 4 4 5 5 5 6 6 6 6 6
y 7 7 7 7 7 7 7 9 9 9 9 9 11 11 11 13 13 13 13 13
x 86 y 192 x 2
398 y 2
1956 xy 882
7777777 99999
( y | x 3) 7 ( y | x 4) 9
7 5
11 11 11 13 13 13 13 13
( y | x 5) 11 ( y | x 6) 13
3 5
x
x n
2
86 2
2
398
S X2 20 1,48 S 1,22
n 1
X
19
y
y n
2
192 2
2
1956
SY2 20 2,94 S 2,44
n 1
Y
19
xy n
x y 86 192
882
S XY 20 2,97
n 1 19
S XY 2,97
rXY 1 (o valor encontrado foi 0,99716, por causa das aproximaes dos valores
S X SY 1,22 2,44
utilizados, caso essas aproximaes no fossem feitas o valor do coeficiente de correlao seria
exatamente 1)
Veja que no diagrama de disperso aparecem apenas 4 pontos pois, como para cada x os valores
de y so iguais, os pontos se sobrepem, o que no o caso do grfico da regresso de y em x.
Tanto pelo valor do coeficiente de correlao quanto pela visualizao dos grficos temos que
a relao entre y e x linear, bem como a curva de regresso:
y 2x 1 e y | x 2x 1
EXEMPLO 4.2.2[2]
Repetir o exemplo 4.2.2[1] para a amostra abaixo.
x 3 3 3 3 3 3 3 4 4 4 4 4 5 5 5 6 6 6 6 6
y 5 5,5 6 7 8 8,5 9 7,5 7 9,5 10 11 9,5 10,5 13 11 12,5 13 14 15
x 86 y 192 x 2
398 y 2
2000 xy 882
5 5,5 6 7 8 8,5 9 7,5 7 9,5 10 11

( y | x 3) 7 ( y | x 4) 9
7 5
9,5 10,5 13 11 12,5 13 14 15
( y | x 5) 11 ( y | x 6) 13
3 5
S X2 1,48 S X 1,22 SY2 8,25 SY 2,87 S XY 2,97 rXY 0,85
O diagrama de disperso mostra que no existe uma relao perfeita entre X e Y, mas indica
uma tendncia linear crescente, o valor do coeficiente de correlao confirma isto, mas percebe-se que
a curva de regresso linear: y | x 2 x 1
Observe que a linha de regresso, que tambm foi traada no diagrama de disperso encontra-
se centralizada na nuvem de pontos e uma aproximao da relao entre X e Y e utilizada para
estimar a mdia da varivel Y dado um valor x de X.
3 O MTODO DOS MNIMOS QUADRADOS
Retirada uma amostra (x1,y1), (x2,y2),..., (xn,yn), nem todos os pontos esto sobre uma linha reta,
assim, ser acrescentado ao modelo de regresso um componente de erro, , que a diferena entre
o verdadeiro valor de y e aquele que seria se estivesse sobre a reta.
O modelo passa ento a ser:
Y 0 1 x
Assim, para a amostra de n observaes existem, obviamente, n erros i , correspondentes a

cada um dos pares (xi,yi) obtidos. Portanto podemos escrever:
yi 0 1 xi i
O mtodo dos mnimos quadrados consiste em determinar estimativas dos parmetros 0 e 1

, b0 e b1 respectivamente, que minimizem a soma dos quadrados dos erros, determinando-se uma reta
estimada ou reta mdia dada por:
y b0 b1 x
IMPORTANTE
No modelo geral Y 0 1 x , o erro uma varivel aleatria normal com mdia 0
2
(zero) e varincia desconhecida , ou seja ~ N (0, 2 ) ;
Tambm no modelo acima, x um valor fixo da varivel X ;
Detrminada a reta y b0 b1 x , y o valor esperado (mdia) da varivel Y, dado um valor

especfico x da varivel X.
O problema ento :
n n
Dado yi 0 1 xi i , minimizar S i2 [ yi ( 0 1 xi )]2 .
i 1 i 1
Observe que em S as variveis so 0 e 1 . Calculando as derivadas parciais de S em relao a
0 e 1 e igualando-as a zero, chega-se ao seguinte sistema de equaes, chamadas de equaes
normais, e respectiva soluo, que fornece os as expresses de b0 e b1 que so os estimadores
desejados:
yi nb0 b1 xi 0

xy b0 xi b1 x 0

2
DESAFIO
Demonstre que
b0 y b1 x S XY S
rXY Y
2
xy n S
SX SX
x y
SY
b1 XY
rXY

x
2 2
2
x S X SX
2
OBSERVAO
S XY , S X2 , rXY , SY e S X so
os estimadores da covarincia , varincia, desvio padro e
coeficiente de correlao, j vistos no Captulo 1, Seo 2.1 desta Unidade.
EXEMPLO 4.2.3[1]
Foram avaliados 30 computadores de Laboratrios de Informtica de Escolas Pblicas em

relao ao tempo de uso (X) e custo de manuteno mensal (Y) dos mesmos. Os resultados esto no
quadro abaixo. (a) construa o diagrama de disperso; (b) calcule o coeficiente de correlao entre X e
Y; (c) determine a reta de regresso e (d) estime o custo mdio de manuteno para um computador
com 5 anos de uso.
x 0,5 0,5 1 1 1,5 1,5 2 2 2 2,5 2,5 3 3 3,5 3,5 3,5 4 4 4,5 4,5
y 8 5 8 10 7 10 12 15 8 10 15 12 18 20 20 18 25 20 22 25
n 20 x 50,50 x 2
158,75 y 288 y 2
4886 xy 867
50,50 288
X 2,525 Y 14,4
20 20
50,50 2 288 2
158,75 4886
SX 20 1,28 S 20 6,24
Y
19 19
50,50 288
867
S XY 20 7,36
19
DIAGARAMA DE DISPERSO
7,36
COEFICIENTE DE CORRELAO: rXY 0,9203
1,28 6,24
S XY 7,36 S 1,28
b1 2
2
4,48 ou b1 rXY Y 0,92 4,48
S X 1,28 SX 6,24
RETA DE REGRESSO: b0 Y b1 X 14,4 4,48 2,525 3,1
y 3,1 4,48 x
x5
ESTIMATIVA DO CUSTO MDIO PARA 5 ANOS DE USO:
y 3,1 4,48 5 25,48
4 COEFICIENTE DE DETERMINAO x COEFICIENTE DE CORRELAO
Uma das ferramentas utilizadas para analisar a eficincia do modelo de regresso o que se
denomina COEFICIENTE DE DETERMINAO, que obtido a partir da seguinte identidade:

Yi Yi Yi Y Yi Y Yi Yi Y Y Y Y Y Y Y Y Y Y
2
i i
2
i i
2
i i
2
Desenvolvendo a ltima igualdade, chega-se ao seguinte resultado:

Y Y Y Y Y Y
2 2 2
i i i i i
Observando os elementos envolvidos em cada soma de quadrados, este resultado pode ser
expressado por:
SOMA DE QUADRADOS SOMA DE QUADRADOS EM SOMA DE QUADRADOS

EM TORNO DA MDIA = TORNO DA REGRESSO + DEVIDO REGRESSO
(SQM) (SQE) (SQR)
Com a relao vista acima, temos que a variao de Y em torno de sua mdia (SQM), tambm
chamada de soma de quadrado total, pode ser atribuda em parte reta de regresso (SQR) e outra
parte devido aos erros (SQE), pelo fato de que as observaes reais no se situam sobre a reta de
regresso. Se isto ocorresse, a soma de quadrados em torno da regresso (SQE) seria zero.
Portanto, quanto maior SQR for que SQE, melhor ser o ajustamento, pois, assim, a variao
de Y em torno da mdia ser melhor explicada pela reta de regresso. Ou, de forma equivalente, quanto
mais prxima de 1 for a relao SQR/SQM, melhor o ajustamento. Assim, o COEFICIENTE DE
DETERMINAO dado por:
R
2 SQR
onde SQM y
2
y
2

e SQR b1 xy
x y
n
SQM n
IMPORTANTE
Demonstra-se que, no caso do modelo de regresso linear simples, o quadrado do
coeficiente de correlao linear ro coeficiente de determinao, ou seja, rXY
2
R2 ;
2
Na Regresso Linear Mltipla, R o instrumento utilizado para uma verificao
preliminar do grau de relacionamento linear entre a varivel Y e as variveis X, a
exemplo de rXY na regresso simples;
2
rXY e R no tm o mesmo significado, o coeficiente de correlao indica o grau de
associao linear entre X e Y, enquanto que o coeficiente de determinao avalia qual
a parcela variao total de Y explicada pela reta de regresso estimada.
EXEMPLO 4.2.4[1]
Determine o coeficiente de determinao para o caso do exemplo 4.2.3[1], a partir de sua

definio e compare com o coeficiente de correlao.
n 20 y 288 y 2
4886 xy 867 rXY 0,9203
288 2 50,25 288
SQM 4886 738,8 SQR 4,48 867 625,66
20 20
625,66
R2 0,8469 84,69% 2
rXY 0,9203 2 0,8469 R 2
738,8
5 INTERVALOS DE CONFIANA E TESTES DE HIPTESES DA REGRESSO
5.1 INTERVALO DE CONFIANA E TESTE PARA 0
O estimador de 0 , b0 , uma varivel aleatria com Esperana e Varincia dadas por:
1
E (b0 ) 0 e V (b0 ) 2
X2
2
n n 1) S X
2
A expresso abaixo fornece um estimador no viciado de .
SQE
S2
n2
Onde SQE = SQM - SQR (reveja na seo 4 deste captulo) e
xy n
y
SQM y 2
2

e SQR b1
x y
n
Assim, a seguinte varivel tem distribuio t de Student com n-2 graus de liberdade.
b0 0
T0
1 X2
S2 2
n (n 1) S X
O intervalo de confiana e a estatstica de prova para H0:0=0,0 so:

2 1 X2 2 1 X2
IC0: b0 tn2, / 2 S 2
, b0 tn2, / 2 S
n (n 1) S X n (n 1) S X
2

b0 0,0
T0C
1 X2
S2 2
n (n 1) S X
EXEMPLO 4.2.5.1[1]
Para a amostra seguinte determine o intervalo de confiana para o coeficiente linear da reta de
regresso de Y em X e teste a hiptese de que ele igual a 0 (zero), contra a hiptese de que maior
do que 0 (zero), use 1-=0,95.
x 2,8 3,0 3,4 3,8 4,2 4,7 5,0 5,6 5,8 6,5 6,7 7,6 8,4 8,6 9,0 9,7
y 20,5 23,2 21,0 18,3 19,0 19,7 16,7 16,3 17,8 15,5 13,2 14,6 12,8 10,5 12,7 9,5
n 16 x 94,8 x 2
637,08 y 261,5 y 2
4502,01
94,82
637,08
94,8 261,5
xy 1424,71 X
16
5,93 Y
16
16,34 S X2
15
16 5,03
261,5 2
94,8 261,5
4502 ,01 1424 ,71
SY2 16 15,21 S 16 8,31
XY
15 15
8,31 15,21
rXY 0,95 b1 0,95 1,65
5,03 15,21 5,03
261,52
b0 16,34 (1,65 5,93) 26,14 SQM 4502 ,01 228,12
16
94,8 261,5
SQR 1,65 1424 ,71 206,19 SQE 228,12 206,19 21,93
16
21,93
S2 1,57
14
INTERVALO DE CONFIANA
n 16 1 0,95 t14;0,025 2,145

1 5,932 1 5,932

IC0 : 26,14 2,145 1,57 ;26,14 2,145 1,57
16 15 5,03
16 15 5,03

IC0 : 26,14 1,95 ;26,14 1,95 IC0 : 24,19 ;28,09
TESTE DE HIPTESES
n 16 1 0,95 t14;0,025 2,145

H 0 : 0 0 26,14 0
T0C 28,69
H1 : 0 0 1 5,93 2
1,57
16 15 5,03
T0C t14;0,025 rejeita - se H 0
5.2 INTERVALO DE CONFIANA E TESTE PARA 1
O estimador de 1 , b1 , uma varivel aleatria com Esperana e Varincia dadas por:
2
E (b1 ) 1 e V (b1 )
(n 1) S X2
2
Assim, a seguinte varivel tem distribuio t-Student com n-2 graus de liberdade, onde S o
2
estimador de (veja seo anterior):
b1 1
T1
S2
(n 1) S X2
O intervalo de confiana e a estatstica de prova para H0:1=1,0 so:
S2 S2
IC1: b1 t n1, / 2 , b t
(n 1) S X2
1 n 1, / 2
(n 1) S X2

b1 1,0
T1C
S2
(n 1) S X2
IMPORTANTE
No caso da Regresso Linear Mltipla ( Y 0 1 X 1 2 X 2 ... n X n , utilizada a Anlise de Varincia,

envolvendo as somas de quadrados vistas na seo sobre o Coeficiente de Determinao, na qual aplicado
o teste F (veja na bibliografia indicada) que verifica a adequao da reta ajustada, testando as hipteses
H 0 : 1 2 ... n 0 e H1 : pelo menos um i 0 ). Na regresso simples o teste F equivalente ao teste
t apresentado.
EXEMPLO 4.2.5.2[1]
Considerando os dados do EXEMPLO 4.2.5.1[1], construa o intervalo de confiana para o

coeficiente angular da reta de regresso e teste a hiptese de que ele igual a 0 (zero) contra a hiptese
alternativa de que menor do que 0 (zero)
INTERVALO DE CONFIANA
n 16 1 0,95 t14;0,025 2,145

1,57 1,57
IC 0 : 1,65 2,145 ;1,65 2,145

15 5,03 15 5,03
IC 0 : 1,65 0,31;1,65 0,31 IC 0 : - 1,96 ;1,34
TESTE DE HIPTESES
n 16 1 0,95 0,05 t14;0, 05 1,761

H 0 : 1 0 1,65 0
T1C 11,438
H 1 : 1 0 1,57
15 5,03
T1C t14;0, 025 rejeita - se H 0
5.3 INTERVALO DE CONFIANA PARA O VALOR MDIO DE Y DADO xk
Para um dado valor xk , y k b0 b1 xk um estimador do valor esperado (mdia) de Y dado o

valor fixo xk de X, ou seja, y k um estimador (no viciado) de E(Y|xk ), com mdia E(Y|xk ) e
1 ( x X )2
V ( y k ) 2 k 2
. Assim, a varivel abaixo tem distribuio t-Student com n-2 graus de
n (n 1) S X
liberdade.
y k E (Y | xk )
T
1 ( xk X ) 2
S
2
2
n (n 1) S X
A estimativa por intervalo, com 100(1 )% de confiana, para E(Y|xk ) dado, ento, por:
1 ( x X )2 ( xk X ) 2
2 1
ICYk : y k tn2, / 2 S 2 k 2
;
y t S
n (n 1) S 2
n (n 1) S X
k n2, / 2
X

IMPORTANTE
Veja que o termo 1 ( x X ) 2 mnimo quando x X e cresce medida que x se afasta
S2 k 2
k k
n (n 1) S X
de X , em ambos os sentidos, isto significa que quanto mais afastado de X estiver o valor de X,
menor ser a preciso da estimativa do valor mdio de Y dado o valor xk .
EXEMPLO 4.2.5.3[1]
Para o exemplo 4.2.5.1[1], calcule os intervalos de confiana (1-=0,95) para todos os pares
observados, construa um grfico com o diagrama de disperso, a reta de regresso estimada e as curvas
dos limites dos intervalos de confiana.
n 16 x 94,8 x 2
637,08 y 261,5 y 2
4502,01 xy 1424,71
X 5,93 Y 16,34 S X2 5,03 SY2 15,21 S XY 8,31 b1 1,65 b0 26,14
y 26,14 1,65 x SQM 228,12 SQR 206,19 SQE 21,93 S 2 1,57
n 16 16 2 14 GL 1 0,95 0,05 t14;0, 025 2,145
1 (x X )2 ( x1 X ) 2
2 1
ICY1 : y1 t n2, / 2 S 2 1 2
;
y t S 2
n (n 1) S X
1 n 2 , / 2
n (n 1) S X

1 (2,8 5,93) 2 1 (2,8 5,93) 2
ICY1 : 21,51 2,145 1,57 16 15 5,03
15 5,03
; 21 ,51 2,145 1 ,57
16

ICY1 : 21,51 1,18;21,51 1,18 ICY1 : 20,33;22,69
Os demais intervalos so determinados analogamente.

INTERVALO DE
x y y CONFIANA 95%
erro Li Ls
2,8 20,50 21,51 1,18 20,34 22,69
3,0 23,20 21,18 1,13 20,05 22,31
3,4 21,00 20,52 1,03 19,49 21,55
3,8 18,30 19,86 0,94 18,92 20,80
4,2 19,00 19,20 0,86 18,34 20,05
4,7 19,70 18,37 0,77 17,60 19,14
5,0 16,70 17,87 0,73 17,14 18,60
5,6 16,30 16,88 0,68 16,20 17,56
5,8 17,80 16,55 0,67 15,88 17,22
6,5 15,50 15,39 0,69 14,70 16,09
6,7 13,20 15,06 0,71 14,35 15,77
7,6 14,60 13,57 0,85 12,73 14,42
8,4 12,80 12,25 1,02 11,23 13,27 SUGESTO
8,6 10,50 11,92 1,07 10,85 12,99 Faa os clculos para os outros
9,0 12,70 11,26 1,16 10,09 12,42 intervalos de confiana
9,7 9,50 10,10 1,35 8,75 11,45
Observe na tabela, que est em ordem crescente de x, que o valor do erro no intervalo de
confiana diminui medida que x aproxima de X 5,93 e passa a crescer a partir de ento, indicando
que quanto mais distante da mdia dos valores de X estiver o valor para o qual se pretende estima Y,
menor ser a preciso da estimativa. As linhas pontilhadas do grfico ilustram este fato.
5.4 INTERVALO DE CONFIANA PARA UM VALOR INDIVIDUAL DE Y DADO xk
Caso se deseje estimar o valor individual Yk de Y que seria obtido caso se fizesse uma nova
observao xk de X, por exemplo um valor futuro, o estimador continua sendo y k b0 b1 xk mas a
1 ( xk X ) 2
varincia de y k passa a ser V ( y k ) 2 1 e a varivel T ser:
n (n 1) S X2
Yk y k
T
1 ( x X )2
S 2 1 k 2
n (n 1) S X
E o Intervalo de Confiana ser:
1 ( x X )2 2 1 ( x X )2
ICYk : y k tn2, / 2 S 1
2
2
; y k tn2, / 2 S 1 2
n (n 1) S X n (n 1) S X
IMPORTANTE
Como no caso da seo anterior, o termo 1 (x X )2 mnimo quando xk X e cresce
S 21 k 2
n (n 1) S X
medida que xk se afasta de X , em ambos os sentidos, isto significa que quanto mais afastado de
X estiver o novo valor de X para o qual se deseja estimar Y, menor ser a preciso da estimativa.
EXEMPLO 4.2.5.4[1]
Para o exemplo 4.3.3[1], calcule as previses do custo mensal de manuteno para

computadores com 5, 8 e 10 anos de uso. Determone os intervalos de confiana para estas estimativas,
com 98% de confiana.
n 20 x 50,50 x 2
158,75 y 288 y 2
4886 xy 867
X 2,525 Y 14,4 S X2 1,28 SY2 6,24 S XY 7,36
b0 3,1 b1 4,48 y 3,1 4,48 x
SQM 738,8 SQR 625,66 SQE 113,14 S 2 6,29
n 20 18 GL 1 0,98 0,02 t18;0, 01 2,552

x 5 y 3,1 4,48 5 25,48
1 (5 2,525) 2 1 (5 2,525) 2
ICYk : 25,48 2,552 6,29 1 20 19 1,64

19 1,64
;25 , 48 2,552 6, 29 1
20

ICYk : (25,48 7,14;25,48 7,14) ICYk : (18,34;32,62)
INTERVALO DE SUGESTO
x y CONFIANA (1-=0,98)
Li Ls Erro Faaos clculos para os intervalos
de confiana para x=8 e x=10 ;
5 25,48 18,34 32,62 7,14
Repita o exemplo anterior
8 38,90 29,83 47,97 9,07 (4.2.5.3[1]) para este exemplo.
10 47,85 37,07 58,63 10,78
EXERCCIOS
1) Suponha que a varivel aleatria bidimensional (X,Y) tenha a seguinte distribuio de

probabilidade conjunta.
X
Y\ -1 0 1
-1 1/12 1/6 1/12
0 1/6 0 1/6
1 1/12 1/6 1/12
a) Mostre que E(XY)=E(X)E(Y) e, consequentemente, XY=0

b) Mostre que, embora no sejam correlacionadas (item a), X e Y no so independentes
2) Para a distribuio conjunta abaixo, mostre que X e Y so independentes e, consequentemente,

so no correlacionadas.
X
Y\ -1 0 1
-1 0,21 0,06 0,03
0 0,14 0,04 0,02
1 0,35 0,10 0,05
3) Uma pesquisa envolvendo uma amostra de 20 observaes, resultou nos dados mostrados na
tabela abaixo. Construa os diagramas de disperso e calcule os coeficientes de correlao, para as
variveis (X,Y1), (X,Y2) e (X,Y3).
OBS X Y1 Y2 Y3 OBS X Y1 Y2 Y3
1 2,0 9,0 4,0 3,7 11 4,0 14,0 2,7 3,5
2 2,5 8,0 3,8 4,0 12 4,5 15,0 3,0 4,0
3 2,5 9,5 3,4 3,5 13 5,0 16,0 2,6 3,3
4 3,0 12,0 3,2 4,3 14 5,5 18,0 2,8 4,0
5 3,0 10,0 3,5 4,0 15 5,5 19,5 2,5 3,6
6 3,5 12,5 3,4 3,5 16 6,0 18,0 2,3 4,2
7 3,5 14,0 3,0 3,7 17 6,0 22,0 2,5 3,8
8 4,0 13,5 3,2 3,2 18 6,5 21,5 2,4 3,6
9 4,0 15,5 3,5 4,5 19 6,5 19,5 2,7 4,0
10 4,0 16,5 2,9 4,2 20 7,0 25,0 2,2 3,8
4) Para as variveis do exerccio 3, construa os intervalos com 90% de confiana para os coeficientes
de correlao populacionais.
5) Para as variveis do exerccio 3, faa o teste de que os coeficientes de correlao populacionais so

iguais a 0 (zero) contra as seguintes hipteses alternativas (use =0,02): a) XY1>0 b) XY2<0 b)
XY30
6) Para as variveis do exerccio 3 encontre as equaes das retas de regresso e construa seus
grficos no mesmo plano do diagrama de disperso. Calcule os coeficientes de determinao e
compare-os com os coeficientes de correlao encontrados no exerccio 4.
7) Para as retas de regresso encontradas no exerccio 6, construa intervalos de confiana para os

coeficientes lineares e angulares, use 1-=0,95.
8) Para as retas de regresso encontradas no exerccio 6, teste as hipteses de que os coeficientes

lineares e angulares so iguais a 0 (zero), contra as hipteses de que so diferentes de 0 (zero), use
=0,05.
9) Para as variveis do exerccio 3 encontre os valores estimados de Yi (i=1,2,3) e seus respectivos

intervalos de confiana, use 1-=0,98. Faa os grficos das retas de regresso com as respectivas
curvas dos intervalos de confiana.
10) A partir das retas encontradas no exerccio 6 estime os valores de Yi (i=1,2,3) para X=10 e
determine seus respectivos intervalos de confiana, use 1-=0,90.
SOLUO DOS EXERCCIOS
EXERCCIO 1
X
Y\ -1 0 1 SOMA
-1 1/12 1/6 1/12 1/3
0 1/6 0 1/6 1/3
1 1/12 1/6 1/12 1/3
SOMA 1/3 1/3 1/3 1
1 1 1 1 1 1
a) E ( X ) 1 0 1 0 E (Y ) 1 0 1 0
3 3 3 3 3 3
1 1 1 1 1
E ( XY ) 1 1 1 0 11 0 1 0 0 0 0 1
12 6 12 6 6
1 1 1
1 1 1 0 11 0
12 6 12
E ( XY ) E ( X ) E (Y ) 0 0 0
XY 0
XY XY
1 1 1 1
b) P( X 1) P(Y 1) P( X 1, Y 1) , ento X e Y no so independentes,
3 3 9 12
pois para que o sejam necessrio que P(X=xi,Y=yj)=P(X=xi)P(Y=yj) para todos os pares (xi,yj)
EXERCCIO 2
X
Y\ -1 0 1 SOMA
-1 0,21 0,06 0,03 0,30
0 0,14 0,04 0,02 0,20
1 0,35 0,10 0,05 0,50
SOMA 0,70 0,20 0,10 1
a) P( X 1) P(Y 1) 0,70 0,30 0,21 P( X 1, Y 1)

P( X 1) P(Y 0) 0,70 0,20 0,14 P( X 1, Y 1)
...
P( X 1) P(Y 1) 0,10 0,50 0,05 P( X 1, Y 1)
Como P(X=xi,Y=yj)=P(X=xi)P(Y=yj) para todos os pares (xi,yj), X e Y so independentes.

b) E ( X ) 1 0,70 0 0,20 1 0,10 0,6 E (Y ) 1 0,3 0 0,20 1 0,50 0,2
E ( XY ) 1 1 0,21 1 0 0,14 1 1 0,35
0 1 0,06 0 0 0,04 0 1 0,10
1 1 0,03 1 0 0,02 1 1 0,05 0,12
E ( XY ) E ( X ) E (Y ) 0,12 (0,6 0,2)
XY 0
XY XY
EXERCCIO 3
SOLUO PARA (X,Y1)
n 20 x 88,5 x 2
434,25 y 309 y 2
1 5183 xy 1493,75
X
x 88,5 4,425 Y
y 309 15,45
n 20 n 20
x 2
88,5 2 y 2
309 2
x n2
434,25
20 1,498
y n
2
5183
20 4,639
SX SY
n 1 19 n 1 19
x y 88,5 309
xy n
1493,75
20
S XY 6,654
n 1 19
S XY 6,654
COEFICIENTE DE CORRELAO: rXY 0,9574
S X SY 1,498 4,639
As solues para (X,Y2) e (X,Y3) so anlogas, ressaltando-se que rXY2 0 e rXY3 0 , ficando a cargo do
aluno.
EXERCCIO 4
SOLUO PARA (X,Y1)
n 20 1 0,90 z 0, 05 1,64 rXY 0,9574

1 1 1 1 rXY 1 1 0,9574
R 0,2425 R ln ln 1,914
n3 20 3 2 1 rXY 2 1 0,9574
c1 2 ( R z / 2 R ) 2 ( 1,914 -1,64 0,2425 ) 3,0325
c2 2 ( R z / 2 R ) 2( 1,914 1,64 0,2425 ) 4,6235
e c1 1 e c2 1 e 3, 0325 1 e 4, 6235 1
IC : ; IC
c2
: ; IC : 0,9080;0,9806
4 , 6235
1 e c1
1 e 1 e 3, 0325
1 e
As solues para (X,Y2) e (X,Y3) so anlogas, ficando a cargo do aluno.
EXERCCIO 5
SOLUO PARA (X,Y1)
n 20 0,02 t18;0,02 2,214 rXY 0,9574

H 0 : XY 0
H 0 : XY 0
rXY n 2 0,9574 20 2
T 14,07 T t18;0,02 rejeita - se H 0
1 rXY
2
1 0,9574 2
EXERCCIO 6
SOLUO PARA (X,Y1)
n 20 x 88,5 x 2
434,25 y 309 y 2
5183 xy 1493,75
X 4,425 Y 15,45 S X 1,498 SY 4,639 S XY 6,654 rXY 0,9574
S XY 6,654 S 4,639
b1 2
2
2,9651 ou b1 rXY Y 0,9574 2,9651
S X 1,498 SX 1,498
b0 Y b1 X 15,45 1,9651 4,425 2,3294
y 2,3294 2,9651x
SQM y
y 5183 309 408,95
2
2
2
n 20

SQR b xy
x y 2,9651 1493,75 88,5 309 374,8644
1
n 20

SQR
R2 0,9167 2
rXY 0,9574 2 0,9167 R 2
SQM
EXERCCIO 7
SOLUO PARA (X,Y1)
n 20 X 4,425 S X 1,498 b0 2,3294 b1 2,9651 SQM 408,95 SQR 374,8644
SQE 34,0856
SQE SQM SQR 408,95 374,8644 34,0856 S2 1,8936
n2 20 2
INTERVALO DE CONFIANA PARA O COEFICIENTE LINEAR (0)
1 0,95 t18;0, 025 2,101

1 X2
2 1 X2
IC 0 : b0 t n2, / 2 S 2 2
, b t S
n (n 1) S X
0 n 2 , / 2
n (n 1) S X
2

1 4,425 2 1 4,425 2

IC 0 : 2,3294 2,101 1,8936 , 2,3294 2,101 1,8936
2 2
20 (20 1)1,498 20 (20 1)1,498
IC 0 : (2,3294 2,0632;2,3294 2,0632 ) IC 0 : (0,2662;4,3926 )
INTERVALO DE CONFIANA PARA O COEFICIENTE ANGULAR (1)
1 0,95 t18;0,025 2,101

S2 S2

IC 1: b1 t n1, / 2 , b t
( n 1) S 2 1 n 1, / 2
( n 1) S 2
X X
1,8936 1,8936
IC 1: 2,9651 2,101 , 2,9651 2,101

(20 1) 1,498 2
(20 1) 1,498 2
IC 1: 2,9651 0,4428 , 2,9651 0,4428 IC 1: 2,5223;3,4 079
EXERCCIO 8
SOLUO PARA (X,Y1)
n 20 X 4,425 S X 1,498 b0 2,3294 b1 2,9651 SQM 408,95 SQR 374,8644
SQE 34,0856
SQE SQM SQR 408,95 374,8644 34,0856 S2 1,8936
n2 20 2
TESTE DE HIPTESES PARA O COEFICIENTE LINEAR (0)
0,05 t18;0,025 2,101

H 0 : 0 0
H1 : 0 0
b0 0,0 2,3294 0
T0C 2,372
2 1 1 4,425 2
2
X
S 2
1,8936 2
n (n 1) S X 20 (20 1) 1,498
TESTE DE HIPTESES PARA O COEFICIENTE ANGULAR (1)
0,05 t18;0,025 2,101

H 0 : 1 0
H 1 : 1 0
b 2,9651 0
T1C 1 1,0 14,07
S2 1,8936
(n 1) S X2 (20 1) 1,498 2
EXERCCIO 9
SOLUO PARA (X,Y1)
n 20 X 4,425 S X 1,498 b0 2,3294 b1 2,9651 S 2 1,8936
1 ( x X )2 ( xk X ) 2
2 1
ICYk : y k tn2, / 2 S 2 k 2
;
y t S
n (n 1) S 2
n (n 1) S X
k n2, / 2
X

Para o primeiro par observado:
x1 2 y1 9 y1 2,3294 2,9651 2 8,26

1 0,98 t18;0,01 2,552
1 (2 4,425) 2 1 (2 4,425) 2
ICY1 : 8,26 2,552 1,8936 2
;8, 26 2,552 1,8936
20 (20 1) 1,498 2
20 (20 1) 1,498

ICY1 : 8,26 1,52;8,26 1,52 ICY1 : 6,74;9,78
Para o demais pares o procedimento anlogo, fica a cargo do aluno.
INTERVALO DE
OBS x y y CONFIANA
erro LI LS
1 2,00 9,00 8,26 1,52 6,74 9,78
2 2,50 8,00 9,74 1,30 8,44 11,04
3 2,50 9,50 9,74 1,30 8,44 11,04
4 3,00 12,00 11,22 1,10 10,13 12,32
5 3,00 10,00 11,22 1,10 10,13 12,32
6 3,50 12,50 12,71 0,93 11,78 13,64
7 3,50 14,00 12,71 0,93 11,78 13,64
8 4,00 13,50 14,19 0,82 13,37 15,01
9 4,00 15,50 14,19 0,82 13,37 15,01
10 4,00 16,50 14,19 0,82 13,37 15,01
11 4,00 14,00 14,19 0,82 13,37 15,01
12 4,50 15,00 15,67 0,79 14,89 16,46
13 5,00 16,00 17,15 0,84 16,31 18,00
14 5,50 18,00 18,64 0,98 17,66 19,61
15 5,50 19,50 18,64 0,98 17,66 19,61
16 6,00 18,00 20,12 1,16 18,96 21,28
17 6,00 22,00 20,12 1,16 18,96 21,28
18 6,50 21,50 21,60 1,36 20,24 22,97
19 6,50 19,50 21,60 1,36 20,24 22,97
20 7,00 25,00 23,09 1,59 21,49 24,68

EXERCCIO 10
SOLUO PARA (X,Y1)
n 20 X 4,425 S X 1,498 b0 2,3294 b1 2,9651 S 2 1,8936
1 ( x X )2 1 ( x X ) 2
2
ICYk : y k tn2, / 2 S 2 1
n (n 1)S 2
n (n 1) S X2
; y t S 1

k n2, / 2
X

x 10 y 2,3294 2,9651 10 31,98

1 0,90 t18;0,05 1,734
(10 4,425) 2
ICY : 31,98 3,18
1
ICY : 31,98 1,734 1,8936 1
20 (20 1) 1,498 2

ICY : 28,80;35,16

APNDICE 1
FORMULRIO
PROBABILIDADE
n( A)
P( A) (espaos amostrais equiprovveis, n(A) e n(S) nmero de elementos de A e S)
n( S )
P( ) 0 ( o conjunto vazio)
P(A ) 1 P(A) ( A o complementar de A)
P Ai P( Ai ) PAi A j PAi A j Ar ... 1 P A1 A2 ... An (eventos
n n n n
n 1
i 1 i 1 i j 2 i j r 3
quaisquer)
P Ai P( Ai ) (eventos mutuamente exclusivos)
n n
i 1 i 1
P( A B)
P( A | B) (probabilidade condicional)
P( B)
P(A1 A2 ... An ) P(A1 )P(A2|A1 )P(A3|A1 A2 )...P(An|A1 A2 ... An1 ) (enventos quaisquer)
P(A1 A2 ... An ) P(A1 )P(A2 )P(A3 )...P(An ) (eventos mutuamente independentes)
n
P(A) P(A|Bi ) P(Bi ) (Teorema da Probabilidade Total)
i 1
P(A|B j ) P(B j )
P(B j|A) n
(Teorema de Bayes)
P(A|B ) P(B )
i 1
i i
VARIVEIS ALEATRIAS

E ( X ) xi P( X xi ) (X discreta)
i 1

E ( g ( X )) g ( xi ) P( X xi ) (X discreta)
i 1

E(X)
xf(x)dx (X contnua)

E ( g(X)) g(x) f(x)dx (X contnua)

V ( X ) EX E( X ) ou V ( X ) E ( X ) {E ( X )} (X qualquer)
2 2 2
E ( X c) E ( X ) c (c constante e X qualquer)
E (cX ) cE ( X ) (c constante e X qualquer)
E (c) c (c constante)
V ( X c) V ( X ) (c constante e X qualquer)
V (cX ) c 2V ( X )
(c constante e X qualquer)
V (c) 0 (c constante)
E ( X 1 X 2 ... X n ) E ( X 1 ) E ( X 2 ) ... E ( X n ) (quaisquer X1, X2,..., Xn)
V ( X 1 X 2 ... X n ) V ( X 1 ) V ( X 2 ) ... V ( X n ) (X1, X2,..., Xn independentes)
n x n x
p q x 0,1,2,3,..., n
f(x) x
0 (Distribuio Binomial)
x 0,1,2,3,..., n
E ( X ) np V ( X ) npq
pq x 1
x 1,2,3,...
f(x)
0 x 1,2,3,...
(Distribuio Geomtrica)
1 q
E( X ) V (X ) 2
p p
x 1 R x R
p q , x R, R 1, R 2,...
f ( x) R 1
0 , x R, R 1, R 2,... (Distribuio Binomial Negativa ou Pascal)

1 q
E( X ) R V (X ) R
p p2
R N R

x n x x 0 ,1,2,...,n
f ( x) N

n (Distribuio Hipergeomtrica)

0 x 0,1,2,...,n
N n R N R
E ( X ) np V ( X ) npq p q 1 p
N 1 N N
e x
, x 0,1,2,..., n,...
f ( x) x!
0 , x 0,1,2,..., n,...

(Distribuio de Poisson)
E( X ) V (X )
1
x [a,b] xa
f(x) b a F(x)
0 ba
x [a,b] (Distribuio Uniforme)
ab (b a) 2
E(X) V(X)
2 12
e x x 0 , 0
f(x)
0 x0
F(x) 1 e x (Distribuio Exponencial)
1 1
E(X) V(X) 2

INTERVALOS DE CONFIANA
PARA ESTIMAR A MDIA POPULACIONAL - X

VARINCIA POPULACIONAL - X
TAMANHO 2
DA
POPULAO CONHECIDA DESCONHECIDA
X S
INFINITA X z / 2 X t n 1, / 2
n n
X N n S N n
FINITA X z / 2 X t n 1, / 2
n N 1 n N 1
x X
n n
x
x i
n
x
2 n
2
i i
i 1
i
X i 1
S i 1
ou S i 1
n n 1 n 1 n(n 1)
PARA ESTIMAR A PROPORO POPULACIONAL - p

p q
POPULAO INFINITA p z / 2
n
p q N n
POPULAO FINITA p z / 2
n N 1
nA
p q 1 p
n
TESTES DE HIPTESES
PARA A MDIA POPULACIONAL - X

ESTATSTICA DE PROVA CRITRIO DE DECISO
TAMANHO
DA
POPULAO
X2 X2 TESTE BILATERAL
TESTE
UNILATERAL
CONHECIDA DESCONHECIDA
X 0 X 0 Z c z / 2 Z c z
Zc Tc
INFINITA X S
Tc t n 1, / 2 Tc t n 1,
n n
X 0 X 0 REJEITA-SE REJEITA-SE
Zc Tc
FINITA X N n S N n H0 H0

n N 1 n N 1
x X
n n
x
xi i
n
x
2 n
2
i
i 1
i
X i 1
S i 1
ou S i 1
n n 1 n 1 n(n 1)
PARA A PROPORO POPULACIONAL - p

TAMANHO CRITRIO DE DECISO
DA ESTATSTICA DE PROVA TESTE
TESTE BILATERAL
POPULAO UNILATERAL
p p0
Zc
INFINITA p0 q0 Z c z / 2 Z c z
n
p p 0 REJEITA-SE REJEITA-SE
Zc H0 H0
FINITA p0 q0 N n

n N 1
nA
p q 1 p q0 1 p0
n
CORRELAO E REGRESSO
VARIVEIS ALEATRIAS BIDIOMENSIONAIS
X E X - Esperana Matemtica ou Mdia de X
Y E Y - Esperana Matemtica ou Mdia de Y

X2 V X E X E X 2 EX 2 E X 2 - Varincia de X

Y2 V Y E Y EY 2 EY 2 EY 2 - Varincia de Y
XY COV ( XY ) E X E X Y E Y E XY E X E Y - Covarincia de (X,Y)
COV XY
XY XY - Coeficiente de Correlao de (X,Y)
V X V Y X Y
x 2
x
2 2
x X n
S X2 o estimador da varincia de X
n 1 n 1
y 2
y Y 2
2 y
S 2
n o estimador da varincia de Y
n 1 n 1
Y
x y
S XY
x X y Y xy
n o estimador da covarincia de (X,Y)
n 1 n 1
x y
S XY S XY xy n o estimador do coeficiente de correlao
rXY
S X SY S X SY x 2 y 2 y 2
2 2

2
x
n

n

entre X e Y
e c1 1 e c2 1
IC : ,
c2
1 e c1
1 e - intervalo de confiana para XY
c1 2( R z / 2 R ) c2 2( R z / 2 R )
rXY n 2
T
1 rXY
2
- testes de hipteses para XY
Tc t n2, / 2 rejeita - se H 0
REGRESSO LINEAR
y b0 b1 x
b0 y b1 x - mtodo dos mnimos quadrados
xy n S
x y
SY
b1 XY
rXY
x S 2 2
SX
x 2 X
SQM y
y
2
2
- soma de quadrados total (em torno da mdia)

n

SQR b1 xy
x y - soma de quadrados devido regresso
n

SQE SQM SQR - soma de quadrados em torno da regresso (erro)
SQE
S2 - estimador da varincia do erro
n2
SQR
R2 - coeficiente de determinao
SQM
INTERVALOS DE CONFIANA PARA OS PARMETROS DA REGRESSO

PARMETRO INTERVALO
1 X2
b0 b0 tn2, / 2 S 2
2
n (n 1) S X
S2
b1 b1 t n1, / 2
(n 1) S X2
x
x n
n 2
x i
QME
2
X i 1
S2 S X2
n n2 n 1
TESTES DE HIPTESES PARA OS PSRMETROS DA REGRESSO
CRITRIO DE DECISO
ESTATSTICA DE PROVA
PARMETRO TESTE
TESTE BILATERAL
UNILATERAL
b0 0,0
T0C
b0 1 X2 T0C t n2; / 2 T0C t n2,
S2 2
n (n 1) S X
b REJEITA-SE REJEITA-SE
T1C 1 1,0 H0 H0
b1 S2
(n 1) S X2
x
x n
n 2
xi QME
2
X i 1
S2 S X2
n n2 n 1
INTERVALOS DE CONFIANA PARA AS PREVISES

SITUAO INTERVALO
ESTIMAR O VALOR MDIO DE Y 1 ( xk X ) 2

y k tn2, / 2 S 2
2
n (n 1) S X
DADO UM VALOR x
ESTIMAR UM VALOR INDIVIDUAL 1 ( xk X ) 2

y k tn2, / 2 S 1
2
2
n (n 1) S X
DE Y DADO UM VALOR x
x
x n
n 2
x i
QME
2
X i 1
S2 S X2
n n2 n 1
APNDICE 2
CONJUNTOS
Na teoria dos conjuntos so consideradas noes primitivas (aceitas sem definio):
Conjunto
Elemento
Pertinncia entre elemento e conjunto
A noo matemtica de conjunto a mesma da linguagem comum: agrupamento, classe, coleo, etc.
RELAO DE PERTINNCIA
Se A um conjunto e x um elemento que pertence a A ento escreve-se x A , caso contrrio escreve-

se x A .
DESCRIO DE UM CONJUNTO
Existem duas maneiras para descrever um conjunto e seus elementos:
Enumerao enumeram-se, citam-se ou escrevem-se seus elementos: A {2,3,5,7}

Propriedade dos elementos define-se uma propriedade caracterstica P, de seus elementos:
A {x x natural primo menor do que 11}
CONJUNTO UNITRIO
aquele que possui apenas um elemento: A {2}
CONJUNTO VAZIO
aquele que no possui elementos, denotado por . Em geral descrito por uma propriedade
logicamente falsa: A {x x x} .
CONJUNTO UNIVERSO
Usualmente denotado por U ou o conjunto no qual se procura a soluo, ou solues, de um

problema especfico. Ao se descrever um conjunto atravs de determinada propriedade P,
fundamental definir o conjunto U, que restringir o espao de busca pelas solues:
A {x U x tem a propriedad e P}
CONJUNTOS IGUAIS
Os conjuntos A e B so iguais se todos os elementos de A pertencem a B e, reciprocamente, todo

elemento de B pertence a A.
A B (x)( x A x B)
SUBCONJUNTO
Um conjunto A subconjunto do conjunto B e, e somente se, todo elemento de A tambm pertence a

B.
A B (x)( x A x B)
O smbolo denominado sinal de incluso

A notao A B indica que A subconjunto de B, A est contido em B ou A parte de
B
A notao A B indica que A no est contido em B
Tambm usa-se B A e l-se B contm A
Se A, B e C so conjuntos quaisquer, valem as seguintes propriedades da incluso:
A
A A (reflexiva)
A B B A A B (anti-simtrica)
A B B C A C (transitiva)
CONJUNTO DAS PARTES
O conjunto das partes de A aquele formado por todos os subconjuntos de A, e denota-se por ( A)
( A) um conjunto cujos elementos tambm so conjuntos, neste caso, se B subconjunto

de A , correta a notao B ( A)
n n
Se A tem n elementos, ( A) tem 2 elementos, isto , a quantidade de subconjuntos de A 2 ,
incluindo o conjunto vazio
UNIO (REUNIO)
A unio de dois conjuntos A e B, denotada por A B o conjunto formado pelos elementos que
pertencem a A ou a B, isto , pertencem a pelo menos um deles.
A B {x x A x B}
Se A, B e C so conjuntos quaisquer, valem as seguintes propriedades da unio:
A A A (idempotente)
A A (elemento neutro)
A B B A (comutativa)
( A B) C A ( B C ) (associativa)
INTERSEO
A interseo de dois conjuntos A e B, denotada por A B o conjunto formado pelos elementos que
pertencem a A e a B.
A B {x x A x B}
Se A B eles so ditos disjuntos, ou exclusivos

Se para n conjuntos, A1 , A2 ,..., An , tem-se que eles so dois a dois disjuntos, ou seja,
(i j)( Ai Aj ) ,eles so ditos mutuamente exclusivos
Se A, B e C so conjuntos quaisquer, valem as seguintes propriedades da interseo:
A A A (idempotente)
A U A (elemento neutro)
A B B A (comutativa)
( A B) C A ( B C ) (associativa)
PROPRIEDADES ENVOLVENDO UNIO E INTERSEO
Se A, B e C so conjuntos quaisquer, valem as seguintes propriedades gerais:
A ( A B) A
A ( A B) A
A ( B C ) ( A B) ( A C ) (distributiva da unio em relao interseo)
A ( B C ) ( A B) ( A C ) (distributiva da interseo em relao unio)
DIFERENA
A diferena entre dois conjuntos A e B, denotada por A-B dada pelo conjunto formado pelos
elementos de A que no pertencem a B.
A B {x x A x B}
DIFERENA SIMTRICA
A diferena simtrica entre dois conjuntos A e B, denotada por AB dada por:
AB ( A B) ( B A)
Se A e B so conjuntos quaisquer, valem as seguintes propriedades para a diferena simtrica:
A A
AA
AB BA
COMPLEMENTAR
Se A e B so conjuntos com A B , o complementar de A em relao a B, denotado por C BA , o

conjunto formado pelos elementos de B que no pertencem a A, ou seja:
C BA B A .
O complementar de um conjunto A em relao ao conjunto universo U pode ser denotado

simplesmente por A c ou A
Se A e B so subconjuntos de um conjunto universo U, valem as seguintes propriedades:
A A e A A U
U e U
A A
A B A B
A B A B
Veja que essas propriedades valem para A e B em relao a qualquer outro conjunto que no seja o
universo.
PARTIO
Dados os conjuntos , A1 , A2 ,..., An , ento A1 , A2 ,..., An formam uma partio de se:
Ai , i 1,2,...,n
n
A
i 1
i
Ai Aj , i j
Observe que A1 , A2 ,..., An so subconjuntos de A
PARTIO ORDENADA
Chama-se de partio ORDENADA de a SEQUENCIA de conjuntos A1 , A2 ,..., An

Aqui, A1 , A2 , A3 ..., An e A2 , A1 , A3 ..., An , por exemplo, so parties diferentes.
PARTIO NO ORDENADA
Chama-se de partio NO ORDENADA de a FAMLIA de conjuntos A1 , A2 ,..., An
Aqui, A1 , A2 , A3 ..., An e A2 , A1 , A3 ..., An , por exemplo, so parties iguais.

PRINCPIO DA INCLUSO-EXCLUSO
A quantidade de elementos de um conjunto A ser denotada por #A ou n(A).

Dados dois conjuntos, A e B, a quantidade de elementos da unio dos mesmos dada por:
n( A B) n( A) n( B) n( A B)
Para trs conjuntos, tem-se:
n( A B C ) n( A) n( B) n(C ) n( A B) n( A C ) n( B C ) n( A B C )
Denotando os conjuntos por A1 , A2 , A3 podemos escrever:

n n
n( A1 A2 A3 ) n( Ai ) ( A A ) n( A
i j 1 A2 A3 )
i 1 i j 2
Por induo finita prova-se que:
n n
n Ai n( Ai ) nAi A j nAi A j Ar ... 1 n A1 A2 ... An
n n
n 1
i 1 i 1 i j 2 i j r 3
APNDICE 3
TCNICAS DE CONTAGEM
PERMUTAES
Quantidade de maneiras que se pode ordenar um conjunto de objetos.
PERMUTAES SIMPLES
Quantidade de maneiras que se pode ordenar n objetos distintos: a1 , a2 ,..., an
Pn n!
EXEMPLO
Determinar a quantidade de todas as ordenaes possveis dos nmeros 1,2 e 3.

1,2,3 ; 1,3,2 ; 2,1,3 ; 2,3,1 ; 3,1,2 ; 3,2,1
P3 3! 1 2 3 6
PERMUTAES CATICAS
Quantidade de permutaes dos objetos (a1 , a2 ,...,an ) nas quais nenhum deles ocupa sua posio
original.
n
(1) i
Dn n! ou Dn inteiro mais prximo de
n!
i 0 i! e
EXEMPLO
Determinar a quantidade de permutaes caticas dos nmeros 1,2 e 3.

2,3,1 ; 3,1,2
3
(1) i (1) 0 (1)1 (1) 2 (1) 3 1 1 1 1 2
D3 3! 6 6 6 2
i 0 i! 0! 1! 2! 3! 1 1 2 6 6
Ou
3!
2,2... D3 2
e
PERMUTAES DE ELEMENTOS REPETIDOS (ANAGRAMAS)
Quantidade de maneiras que se pode ordenar n elementos, nem todos distintos:
a1a1 ,...a1 , a2 ,a 2 ,...a2 ,..., ak , ak ,...ak

n1 n2 nk
n1 n2 ... nk n
n!
Pnn1 , n2 ,...,nk
n1!n2 !...nk !
EXEMPLO
Determinar a quantidade de anagramas que podem ser formados com a palavra ANA
ANA , AAN , NAA
3! 1 2 3
P32,1 3
2!1! 1 2 1
PERMUTAES CIRCULARES
Quantidade de maneiras que se pode colocar n objetos distintos, a1 , a2 ,..., an , em n lugares

(equiespaados) em torno de um crculo, considerando-se equivalentes as disposies que possam
coincidir por rotao.
PCn (n 1)!
EXEMPLO
Determinar a quantidade de maneiras que se pode dispor 4 pessoas em uma mesa redonda.
PC 4 3! 6
ARRANJOS
Quantidade de subgrupos ORDENADOS, com k elementos, que podem ser formados a partir de um
grupo com n elementos distintos.
ARRANJOS SIMPLES
Quantidade de subgrupos ORDENADOS, com k elementos, no repetidos, que podem ser formados a
partir de um grupo com n elementos distintos.
n!
An ,k
(n k )!
EXEMPLO
Dado o conjunto {a1,a2,a3}, os subgrupos ordenados com 2 elementos no repetidos que podem ser
formados so:
S [a1 , a2 ],[a2 , a1 ],[a1 , a3 ],[a3 , a1 ],[a2 , a3 ],[a3 , a2 ]

3!
n( S ) A3, 2 6
(3 2)!
ARRANJOS COM REPETIO (COMPLETOS)
Quantidade de subgrupos ORDENADOS, com k elementos, podendo ser repetidos, que podem ser
formados a partir de um grupo com n elementos distintos.
An,k n k
EXEMPLO
Dado o conjunto {a1,a2,a3}, os subgrupos ordenados com 2 elementos, com repetio, que podem ser
formados so:
S [a1 , a1 ], [a1 , a 2 ], [a1 , a 3 ], [a 2 , a1 ], [a 2 , a 2 ], [a 2 , a 3 ], [a 3 , a1 ], [a 3 , a 2 ], [a 3 , a 3 ]

n( S ) A3*, 2 3 2 9
COMBINAES
Quantidade de subgrupos NO ORDENADOS, com k elementos, que podem ser formados a partir de
um grupo com n elementos distintos.
COMBINAES SIMPLES
Quantidade de subgrupos NO ORDENADOS, com k elementos, no repetidos, que podem ser

n!
C n ,k
k!(n k )!
EXEMPLO
Dado o conjunto {a1,a2,a3}, os subgrupos no ordenados com 2 elementos no repetidos que podem
ser formados so:
S [a1 , a2 ],[a1 , a3 ],[a2 , a3 ]

3!
n ( S ) C 3, 2 3
2!(3 2)!
COMBINAES COM REPETIO (COMPLETAS)
Quantidade de subgrupos ORDENADOS, com k elementos, podendo ser repetidos, que podem ser
C n*,k C n k 1,k
EXEMPLO
Dado o conjunto {a1,a2,a3}, os subgrupos no ordenados com 2 elementos, com repetio, que podem
ser formados so:
S [a1 , a1 ], [a1 , a 2 ], [a1 , a 3 ], [a 2 , a 2 ], [a 2 , a 3 ], [a 3 , a 3 ]

4!
n( S ) C 3*, 2 C 3 21, 2 C 4, 2 6
2!(4 2)!
RETIRADA DE BOLAS DE UMA URNA
Para contarmos de quantas maneiras podemos retirar uma amostra de n bolas de uma urna contendo
N bolas distinguveis temos as situaes a seguir. Denotaremos esta quantidade por n(A).
OBS: Amostra ordenada significa que a ordem de retirada das bolas levada em considerao, por
exemplo, o resultado (b1,b2) diferente do resultado (b2,b1) devendo, portanto, os dois serem contados.
O mesmo no acontece na amostra no ordenada, onde apenas um deles contado. Na amostra com
reposio as bolas retiradas so recolocadas na urna, podendo ser retiradas novamente.
AMOSTRA ORDENADA COM REPOSIO
n( A) AN* ,n
EXEMPLO
Retirar uma amostra de 2 bolas, ORDENADA COM REPOSIO, de uma urna contendo 3 bolas
distinguveis.
n( A) A3*, 2 32 9
AMOSTRA ORDENADA SEM REPOSIO
n( A) AN ,n
EXEMPLO
Retirar uma amostra de 2 bolas, ORDENADA SEM REPOSIO, de uma urna contendo 3 bolas
distinguveis.
3!
n( A) A3, 2 6
(3 2)!
AMOSTRA NO ORDENADA COM REPOSIO
n( A) C N* ,n
EXEMPLO
Retirar uma amostra de 2 bolas, NO ORDENADA COM REPOSIO, de uma urna contendo 3 bolas
distinguiveis.
4!
n( A) C3*, 2 C3 21, 2 C 4, 2 6
2!(4 2)!
AMOSTRA NO ORDENADA SEM REPOSIO
n( A) CN ,n
EXEMPLO
Retirar uma amostra de 2 bolas, NO ORDENADA SEM REPOSIO, de uma urna contendo 3 bolas
distinguiveis.
3!
n( A) C3, 2 3
2!(2 2)!
DISTRIBUIO DE BOLAS EM URNAS
Para contarmos de quantas maneiras podemos distribuir n bolas em N urnas numeradas temos que
considerar as seguintes situaes. Denotaremos esta quantidade por n(B).
OBS: Distribuio sem excluso significa que uma urna pode no receber bolas ou receber uma ou mais
bolas. Distribuio com excluso significa que uma urna pode no receber bolas ou receber apenas uma
bola.
BOLAS DISTINGUIVEIS SEM EXCLUSO
n( B) AN* ,n
EXEMPLO
Distribuir 2 bolas DISTINGUVEIS em 3 urnas, SEM EXCLUSO.
n( B) A3*, 2 32 9
BOLAS DISTINGUIVEIS COM EXCLUSO
n( B) AN ,n
EXEMPLO
Distribuir 2 bolas DISTINGUVEIS em 3 urnas, COM EXCLUSO.
3!
n( B) A3, 2 6
(3 2)!
BOLAS NO DISTINGUIVEIS SEM EXCLUSO
n( B) C N* ,n
EXEMPLO
Distribuir 2 bolas NO DISTINGUVEIS em 3 urnas, SEM EXCLUSO.
4!
n( B) C3*, 2 C3 21, 2 C 4, 2 6
2!(4 2)!
BOLAS NO DISTINGUIVEIS COM EXCLUSO
n( B) C N ,n
EXEMPLO
Distribuir 2 bolas NO DISTINGUVEIS em 3 urnas, COM EXCLUSO.
3!
n ( B ) C 3, 2 3
2!(3 2)!
PRINCPIO DA INCLUSO-EXCLUSO
Dados os conjuntos S , A1 , A2 ,..., An , sendo A1 , A2 ,..., An subconjuntos de S e as seguintes somas:
S 0 n( S )
n
S1 n( Ai )
i 1
n
S2 n( A A )
1i j n
i j
n
S 3 n( A A
1i j k n
i j Ak )
...
S n n( A1 A2 ... An )
Observe que cada soma, a partir de S1 , tem Cn,k , k 1,2,..., n parcelas.

Ento, tem-se:
a) A quantidade de elementos de S que pertencem a exatamente p (pn) dos subconjuntos

A1 , A2 ,..., An :
n p
a p (1) k C p k ,k S p k
k 0
b) A quantidade de elementos de S que pertencem a pelo menos p (pn) dos subconjuntos

A1 , A2 ,..., An :
n p
b p (1) k C p k 1,k S p k
k 0
c) A quantidade de elementos de S que pertencem a A1 A2 .... An :
n( A1 A2 .... An ) S1 S2 S3 ... (1) n1 Sn
EXEMPLO
n 4; n( S ) 50
n( A1 ) 24; n( A2 ) 24; n( A3 ) 19; n( A4 ) 17
n( A1 A2 ) 12; n( A1 A3 ) 13; n( A1 A4 ) 8; n( A2 A3 ) 7; n( A2 A4 ) 12; n( A3 A4 ) 8
n( A1 A2 A3 ) 6; n( A1 A2 A4 ) 7; n( A1 A3 A4 ) 5; n( A2 A3 A4 ) 5
n( A1 A2 A3 A4 ) 4
S 0 n( S ) 42
4
S1 n( Ai ) 24 24 19 17 84
i 1
4
S2 n( A A ) 12 13 8 7 12 8 60
1i j 4
i j
4
S 3 n( A A
1i j k 4
i j Ak ) 6 7 5 5 23
S 4 n( A1 A2 . A3 A4 ) 4
Quantidade de elementos que pertencem a exatamente 2 conjuntos:

n 4; p 2
42 2
a 2 (1) k C 2 k ,k S 2 k (1) k C 2 k ,k S 2 k (1) 0 C 2 0,0 S 20 (1)1 C 21,1 S 21 (1) 2 C 2 2, 2 S 2 2
k 0 k 0
C 2,0 S 2 C3,1 S 3 C 4, 2 S 4 1 60 3 23 6 4 60 69 24 15
Quantidade de elementos que pertencem a pelo menos 2 conjuntos:
n 4; p 2
4 2 2
b2 (1) k C 2 k 1,k S 2 k (1) k C1 k ,k S 2 k (1) 0 C10,0 S 2 0 (1)1 C11,1 S 21 (1) 2 C1 2, 2 S 2 2
k 0 k 0
C1,0 S 2 C 2,1 S 3 C3, 2 S 4 1 60 2 23 3 4 60 46 12 26
Quantidade de elementos que pertencem a pelo menos 1 conjunto (unio dos conjuntos):
n4
n( A1 A2 A3 A4 ) S1 S 2 S 3 S 4 84 60 23 4 43
ANEXO 1
DISTRIBUIO N(0,1)
valores de (z)=P(Z z) para z 0
z 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
ANEXO 2
DISTRIBUIO t

UNICAUDAL 0,10 0,05 0,025 0,02 0,01 UNICAUDAL 0,10 0,05 0,025 0,02 0,01
BICAUDAL 0,20 0,10 0,05 0,04 0,02 BICAUDAL 0,20 0,10 0,05 0,04 0,02
GL VALORES DE t GL VALORES DE t
1 3,078 6,314 12,706 15,895 31,821 38 1,304 1,686 2,024 2,127 2,429
3 1,638 2,353 3,182 3,482 4,541 39 1,304 1,685 2,023 2,125 2,426
4 1,533 2,132 2,776 2,999 3,747 40 1,303 1,684 2,021 2,123 2,423
5 1,476 2,015 2,571 2,757 3,365 41 1,303 1,683 2,020 2,121 2,421
6 1,440 1,943 2,447 2,612 3,143 42 1,302 1,682 2,018 2,120 2,418
7 1,415 1,895 2,365 2,517 2,998 43 1,302 1,681 2,017 2,118 2,416
8 1,397 1,860 2,306 2,449 2,896 44 1,301 1,680 2,015 2,116 2,414
9 1,383 1,833 2,262 2,398 2,821 45 1,301 1,679 2,014 2,115 2,412
10 1,372 1,812 2,228 2,359 2,764 46 1,300 1,679 2,013 2,114 2,410
11 1,363 1,796 2,201 2,328 2,718 47 1,300 1,678 2,012 2,112 2,408
12 1,356 1,782 2,179 2,303 2,681 48 1,299 1,677 2,011 2,111 2,407
13 1,350 1,771 2,160 2,282 2,650 49 1,299 1,677 2,010 2,110 2,405
14 1,345 1,761 2,145 2,264 2,624 50 1,299 1,676 2,009 2,109 2,403
15 1,341 1,753 2,131 2,249 2,602 51 1,298 1,675 2,008 2,108 2,402
16 1,337 1,746 2,120 2,235 2,583 52 1,298 1,675 2,007 2,107 2,400
17 1,333 1,740 2,110 2,224 2,567 53 1,298 1,674 2,006 2,106 2,399
18 1,330 1,734 2,101 2,214 2,552 54 1,297 1,674 2,005 2,105 2,397
19 1,328 1,729 2,093 2,205 2,539 55 1,297 1,673 2,004 2,104 2,396
20 1,325 1,725 2,086 2,197 2,528 56 1,297 1,673 2,003 2,103 2,395
21 1,323 1,721 2,080 2,189 2,518 57 1,297 1,672 2,002 2,102 2,394
22 1,321 1,717 2,074 2,183 2,508 58 1,296 1,672 2,002 2,101 2,392
23 1,319 1,714 2,069 2,177 2,500 59 1,296 1,671 2,001 2,100 2,391
24 1,318 1,711 2,064 2,172 2,492 60 1,296 1,671 2,000 2,099 2,390
25 1,316 1,708 2,060 2,167 2,485 61 1,296 1,670 2,000 2,099 2,389
26 1,315 1,706 2,056 2,162 2,479 62 1,295 1,670 1,999 2,098 2,388
27 1,314 1,703 2,052 2,158 2,473 63 1,295 1,669 1,998 2,097 2,387
28 1,313 1,701 2,048 2,154 2,467 64 1,295 1,669 1,998 2,096 2,386
29 1,311 1,699 2,045 2,150 2,462 65 1,295 1,669 1,997 2,096 2,385
30 1,310 1,697 2,042 2,147 2,457 66 1,295 1,668 1,997 2,095 2,384
31 1,309 1,696 2,040 2,144 2,453 67 1,294 1,668 1,996 2,095 2,383
32 1,309 1,694 2,037 2,141 2,449 68 1,294 1,668 1,995 2,094 2,382
33 1,308 1,692 2,035 2,138 2,445 69 1,294 1,667 1,995 2,093 2,382
34 1,307 1,691 2,032 2,136 2,441 70 1,294 1,667 1,994 2,093 2,381
35 1,306 1,690 2,030 2,133 2,438 71 1,294 1,667 1,994 2,092 2,380
36 1,306 1,688 2,028 2,131 2,434 72 1,293 1,666 1,993 2,092 2,379
37 1,305 1,687 2,026 2,129 2,431 1,282 1,645 1,960 2,236 2,576
DADOS DO AUTOR
Francisco de Assis Amaral Bastos
Bacharel em Estatstica pela Universidade Federal do Cear (UFC), com ttulo de Especialista em
Mtodos Quantitativos, pela Universidade de Fortaleza (UNIFOR) e Mestre em Computao Aplicada,
na rea de Sistemas de Apoio Deciso, pela Universidade Estadual do Cear (UECE). Atuou na
Telecomunicaes do Cear S.A. (TELECEAR), no cargo de Estatstico, onde exerceu as funes de
chefe da Diviso de Estudos de Demanda, Diviso de Estudos de Mercado e Diviso de Estatstica.
Professor aposentado da Universidade Estadual do Cear lotado no Centro de Cincias e Tecnologia,
Curso de Bacharelado em Cincia da Computao, onde, alm das atividades acadmicas nas reas de
estatstica e probabilidade, exerceu as funes de Subchefe do Departamento de Estatstica e
Computao, vice Coordenador do Curso de Bacharelado em Cincia da Computao e Coordenador
do curso de Licenciatura em Computao do programa Universidade Aberta do Brasil (UAB).
BIBLIOGRAFIA
Probabilidade - Aplicaes Estatstica, Paul L. Mayer, Ao Livro Tcnico S.A.
Estatstica Aplicada e Probabilidade para Engenheiros, Douglas C. Montgomery, George S.

Runger, LTC
Probabilidade, Teresinha de Maria B. Sampaio Xavier, Airton Fontenele Sampaio Xavier, Coleo
Universitria de Problemas, LTC
Anlise Combinatria e Probabilidade, Augusto Cesar de Oliveira Morgado et all, Coleo do

Professor de Matemtica, Sociedade Brasileira de Matemtica
Estatstica Bsica, Wilton O. Bussab, Pedro A. Morettin, Editora Atual
Estatstica Bsica Volume I Probabilidade, Luiz Gonzaga Morettin, Markron Books
Estatstica Bsica Volume II Inferncia, Luiz Gonzaga Morettin, Markron Books
Estatstica Elementar, Paul G. Hoel, Editora Fundo de Cultura
Estatstica Aplicada Administrao, William J. Stevenson, Haraper & Row do Brasil

Livro Probabilidade e Estatistica PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Livro Probabilidade e Estatistica PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Francisco de Assis Amaral Bastos

SECRETRIO DE EDUCAO A DISTNCIA

DIRETOR DO DEPARTAMENTO DE POLTICAS EM EDUCAO A DISTNCIA DPEAD

SISTEMA UNIVERSIDADE ABERTA DO BRASIL

GOVERNADOR DO ESTADO DO CEAR

REITOR DA UNIVERSIDADE ESTADUAL DO CEAR

COORDENADOR DA SECRETARIA DE EDUCAO A DISTNCIA

COORDENADOR GERAL UAB/UECE

COORDENADORA ADJUNTA UAB/UECE

COORDENADOR DA LICENCIATURA EM COMPUTAO

COORDENADORA DE TUTORIA E DOCNCIA DA LICENCIATURA EM COMPUTAO

O Ambiente das Probabilidades

EXPERIMENTOS ALEATRIOS OU PROBABILSTICOS so aqueles que, ao serem repetidos em

E1: Jogar um dado e anotar o nmero mostrado na face superior

O conjunto S de todos os resultados possveis de um experimento aleatrio chamado de

E1: S1={1,2,3,4,5,6} E2: S2={C,KC,KKC,KKKC,...} E3: S3={tR , t0}

Os espaos amostrais podem ser classificados como:

DISCRETOS Quando os resultados do experimento so pontuais: S1 e S2

Necessariamente, os espaos contnuos so INFINITOS, enquanto que os discretos podem ser

No contexto deste livro, um EVENTO qualquer subconjunto de S. Na prtica, um evento

1) Se A subconjunto de S, ento A um EVENTO;

Para espaos amostrais discretos, temos:

1) Se A um conjunto unitrio ele dito um EVENTO SIMPLES;

1.1 FUNO PROBABILIDADE

Na realizao de um experimento E, a probabilidade de ocorrncia de um evento qualquer A

Considere uma roleta com os nmeros 1,2,3,4,5,6,7,8,9,10,11 e 12, cujas probabilidades de

A: o n par B: o n mpar C: o n primo D: o n mltiplo de 4

Como B e C no so mutuamente exclusivos, pois existe interseo entre eles, B C , temos

2 DETERMINAO DAS PROBABILIDADES

2.1 FREQUENCIA RELATIVA

Avaliando a definio de probabilidade, fcil verificar que a frequncia relativa (ou o

2.2 ESPAOS AMOSTRAIS FINITOS

O item (2) resulta de que P(S)=1 (por definio):

Retornando ao exemplo 1.2.1.1[1], da fabricao de peas, vimos que:

3.3 ESPAOS AMOSTRAIS FINITOS EQUIPROVVEIS

Se E um experimento com espao amostral finito, S={a1,a2,...,an}, e seus eventos simples,

O resultado em (2) comumente enunciado de uma das seguintes formas:

nmero de elementos de A nmero de casos favorveis a A n( A)

Experimento: lanar um dado e observar a face superior

Considerando S equiprovvel, temos:

Uma urna contm 10 bolas, sendo 2 brancas, 3 vermelhas e 5 amarelas.

Uma sequncia possvel de ser obtida , cuja quantidade :

A2,1 A3, 2 A5,3 2 3 60 360

Probabilidade Condicional e Independncia

Para entendermos o conceito de probabilidade condicional, vamos considerar a seguinte

Define-se, ento, a probabilidade condicional como:

Conclui-se ento que A e B so independentes. Observe que a definio de eventos

De forma anloga encontramos

Verifica-se, ento, que

Verifica-se, ento, que

Assim, como todas as 11 operaes foram satisfeitas, conclumos que A1,A2,A3 e A4 so

Estendendo para n eventos, tem-se:

P(A1 A2 ... An ) P(A1 )P(A2|A1 )P(A3|A1 A2 )...P(An|A1 A2 ... An1 )

Se os eventos forem MUTUAMENTE INDEPENDENTES, passamos a ter:

Como A1, A2, A3 e A4 so mutuamente independentes, ou seja, as probabilidades de cara e coroa

Em um balco existem 3 gavetas I, II e III. Na gaveta I esto 5 peas, sendo 3 boas e 2

I gaveta I ; II gaveta II ; III gaveta III ; B pea boa ; D pea defeituosa

Definamos os eventos: A1bola branca na 1 retirada, A2bola vermelha na 2 retirada, A3bola

O que se deseja calcular P A1 A2 A3 A4 A5

Teorema da Probabilidade Total e Teorema de Bayes

Seja S o espao amostral associado a um experimento E. Se B1,B2,...,Bn so eventos satisfazendo

Ento os eventos Bi formam uma PARTIO do espao amostral S.

2 TEOREMA DA PROBABILIDADE TOTAL