Você está na página 1de 24

Mácio A.

Albuquerque

Variáveis Aleatórias Discretas

Nesta unidade temática introduziremos alguns modelos probabilísticos por meio de


espaços amostrais bem simples. Isso facilitara bastante a compreensão do conceito de
probabilidade e a obtenção de algumas propriedades. Mas, para atender a situações práticas
mais gerais, necessitamos ampliar esses conceitos para que tenhamos modelos probabilísticos
que representem todos os tipos de variáveis descritivos. Muito do que foi apresentado nas
unidades temáticas para tratamento descritivo das variáveis terá o seu correspondente no
modelo teórico.

Definição

Seja E um experimento e S o espaço associado ao experimento. Uma função X, que


associe a cada elemento s  S um número real X(s) é denominada variável aleatória. Veja a
ilustração.

s (S) X
R

Variável aleatória

Exemplo: E: lançamento de duas moedas;

X: nº de caras obtidas nas duas moedas;

S = { (c, c), (c, k), (k, c), (k, k)}

Onde:

X = 0 → corresponde ao evento (c, c) com probabilidade 1/ 4

X = 1 → corresponde ao evento (k, c), (c, k) com probabilidade 2/4.

X = 2 → corresponde ao evento (k, k) com probabilidade ¼.

1
Mácio A. Albuquerque

Observações Importantes

1. Observe que, apesar da infelicidade da terminologia “variável aleatória” é uma função


cujo domínio é S e contradomínio R.
2. Nas aplicações, é conveniente trabalhar com números e não com eventos daí, o uso da
variável aleatória.
3. Se S é numérico, então X(s) = s.
4. Uma variável aleatória X será discreta se o número de valores possível de X (seu
contradomínio) for finito ou infinito numerável. Caso seu contradomínio seja um
intervalo ou uma coleção de intervalos, ela será uma variável continua.

Função de Probabilidades

Seja X uma variável aleatória discreta.

Seja X uma variável aleatória discreta. Sejam x1, x2,...,xn, seus possíveis valores. A cada resultado
xi associamos um número p( xi )  p( X  xi ) , denominado probabilidade de xi tal que:

a) p( xi )  p( X  xi )
b) p( xi )  0 para todos os xi

Essa função é denominada de função de probabilidade da variável aleatória X.

A distribuição de X é dada pelos pares [ x; p( x)], i  1, 2,..., e poderá ser expressa


por uma tabela, gráfico ou fórmula.

Exemplo1: E: lançamento de duas moedas.

X: nº de caras obtidas.

Tabela
x 0 1 2

P(x) 1/4 2/4 1/4

Gráfico

2
Mácio A. Albuquerque

Exemplo2: Lança-se um dado.

X = Variável aleatório pontos de um dado

Y = X + X → v. a. Soma dos pontos de dois dados.

Determina a distribuição de probabilidade da variável aleatória.

Exemplo 3: Uma urna contém duas bolas brancas e três vermelhas. Suponha que são sorteadas
duas bolas ao acaso, sem reposição. Definamos a v. a. X: número de bolas vermelhas obtidas nas
duas extrações.

Determina a distribuição de probabilidade da variável aleatória.

Exemplo 4: considere uma urna contendo três bolas vermelhas e cinco pretas. Retire três bolas,
sem reposição, e defina a v. a. X igual ao número de bolas pretas. Obtenha a distribuição de X.

Determina a distribuição de probabilidade da variável aleatória.

Exemplo 5. Repita o exemplo4, mas considerando extrações com reposição.

Determina a distribuição de probabilidade da variável aleatória.

Valor Médio de uma Variável Aleatória

Dada a v. a. X discreta, assumindo os valores x1, x2,...,xn, chamamos valor médio ou


esperança matemática de X ao valor

n n
E ( X )   xi P( X  x i )   xi pi
i 1 i 1

3
Mácio A. Albuquerque

Propriedades da média

1. A média de uma constante é a própria constante.

E(K )   K .P( x )  K  P( x )  K
i i

2. Multiplicando uma variável aleatória X por uma constante, sua média fica
multiplicada por essa constante.

E ( KX )   Kxi P( xi )  K  xi P( xi )  KE ( X )

3. A média da soma ou da diferença de duas variáveis aleatórias é a soma ou


diferença das médias.

E ( X  Y )  E ( X )  E (Y )

4. Somando ou subtraindo uma constante a uma variável aleatória, a sua média fica
somada ou subtraída da mesma constante.

E( X  K )  E( X )  E(K )  E( X )  K

5. A média do produto de duas variáveis aleatórias independentes é o produto das


médias.

E ( XY )   xi yi P( xi yi )
E ( XY )   xi yi P( xi ) P( yi ), pois x e y são independentes
E ( XY )   xi P( xi )  yi P( yi )
E ( XY )  E ( xi )  E ( yi )

Variância

Defini-se variância de uma variável aleatória como sendo:

Var( x)  2  E[( X   x )2 ]  E ( X 2 ) {E ( X )}2

VAR( X )   ( xi   x ) 2  p( xi )

Notação:

4
Mácio A. Albuquerque

2
VAR(X), V(X),  (X),  x2  2

Deduziremos uma fórmula mais fácil operacionalmente de ser aplicada.

VAR( X )  E ( X 2 )   x2 ou VAR( X )  E ( X 2 )  {E ( X )}2

n
Obs1: onde E ( X 2 )   xi2  p( xi )
i 1

Obs2: O desvio padrão da variável X é a raiz quadrada da variância de X, isto é   VAR(X )

Var( x)  2  E[( X   x )2 ]  E ( X 2 ) {E ( X )}2

Exemplo 6. Uma urna contém 4 bolas brancas e 6 pretas. 3 bolas são retiradas com reposição. Seja
X o número de bolas brancas. Calcule E(X) e V(X). Calcule a média e o desvio padrão

Exemplo 7. Os empregados A, B, C e D ganham 1, 2, 2, e 4 salários mínimos, respectivamente.


Retiram-se amostra com reposição de 2 indivíduos e mede-se o salário médio da amostra retirada.
Qual a média e desvio padrão do salário médio amostral?

Exempli 8. Um jogador lança um dado não viciado. Se ocorrer um número primo, ele ganha este
número em dólares, mas se ocorrer um número que não seja primo ele perde este número em
dólares. Qual a média e diga se partida é ou não favorável ao jogador.

Propriedades da variância

1. VAR(k) = 0, k: constante

2. VAR(k . X) = k2 . Var(x)

VAR( X ± Y ) = VAR(X) + VAR(Y) ± 2 cov (X, Y)

VAR( X ± Y ) = E{[ (X ± Y) – E(X ± Y)]2}

Definição. Covariância entre X e Y.

Cov (X, Y) = E{[X – E (X)] . [Y – E(Y)]}

Cov ( X, Y) = E( X . Y) – E( X ) E ( Y )

A covariância mede o grau de dependência entre as duas variáveis X e Y.

5
Mácio A. Albuquerque

DISTRIBUIÇÃO CONJUNTA DE DUAS VARIÁVEIS ALEATÓRIAS

Muitas vezes estaremos interessados em estudar mais de um resultado de um

experimento aleatório. Faremos, apenas, o estudo das variáveis aleatórias bidimensionais.

Introduzirmos esse assunto com o seguinte problema:

Dado o quadro a seguir, referente ao salário e tempo de serviço de dez operários,

determinar a distribuição conjunta de probabilidade da variável X: salário (reais) e da variável

Y: tempo de serviço em anos.

Operário A B C D E F G H I J

X 500 600 600 800 800 800 700 700 700 600

Y 6 5 6 4 6 6 5 6 6 5

Faremos uma tabela de dupla entrada onde, no corpo da mesma, colocaremos a probabilidade
conjunta das variáveis X e Y.

Y 4 5 6 Totais das linhas


(X)
X

500 0 0 1/10 1/10

600 0 2/10 1/10 3/10

700 0 1/10 2/10 3/10

800 1/10 0 2/10 3/10

Totais das 1/10 3/10 6/10 1


colunas (Y)

FUNÇÃO DE PROBABILIDADE CONJUNTA

Seja X uma variável aleatória que assume os valores x1, x2, ........xm e Y uma variável
aleatória que assume os valores y1, y2,........yn.

6
Mácio A. Albuquerque

Definição. A função de probabilidade conjunta associa a cada par (xi, yi), i = 1,....,m e j =
1,.....n, a probabilidade P(X = xi, Y = yj) = p(xi, yj).

Damos o nome de distribuição conjunta de probabilidades da variável bidimensional (X, Y)


ao conjunto:
{(xi, yj), p(xi, yj), i = 1,......,m e j = 1,…….n}

m n
Observamos que:   P( X  xi , Y  y j ) 1
i 1 j 1

BISTRIBUIÇÃO MARGINAIS DE PROBABILIDADES

Distribuição marginal de X

X P(X)

500 1/10

600 3/10

700 3/10

800 3/10

Total 1

A Probabilidade Marginal de X = 600 é:

P(X = 600, Y = 4) + P(X = 600, Y = 5) + P(X = 600, Y = 6) = 0 + 2/10 + 1/10 = 3/10

Distribuição marginal de Y

Y P(Y)

4 1/10

5 3/10

6 6/10

Total 1

Calcular a média e variância das distribuições marginais de X e Y.

7
Mácio A. Albuquerque

Distribuições condicionais

Podemos estar interessados em calcular o salário médio dos operários com 5 anos de serviço, por
exemplo. Queremos E(X/Y = 5)

Definição
P( X  xi ; Y  y j )
P( X  xi / Y  y j )  , j  fixo e i  1,2,.....m
P(Y  y j )
e P(Y  y j )  0

Definição
P( X  xi ; Y  y j )
P(Y  y j / X  xi )  , i  fixo e j  1,2,.....m
P( X  xi )
e P( X  xi )  0

P( X  500, Y  5) 0
P( X  500 / Y  5)   0
P(Y  5) 3 / 10
P( X  600, Y  5) 2 / 10 2
P( X  600 / Y  5)   
P(Y  5) 3 / 10 3
Assim temos: P( X  700, Y  5) 1 / 10 1
P( X  700 / Y  5)   
P(Y  5) 3 / 10 3
P( X  800, Y  5) 0
P( X  800 / Y  5)   0
P(Y  5) 3 / 10

X P(X/Y= 5) X.P(X/Y = 5)

500 0 0

600 2/3 1200/3

700 1/3 700/3

800 0 0

Total 1 1900/3

E(X/Y = 5) = 633,3, o salário médio dos operários com 5 anos de serviço é de R$ 633,33

8
Mácio A. Albuquerque

Variáveis Aleatórias independentes

As variáveis aleatórias X e Y são independentes se e somente se

P(X = xi, Y = yj) = P(X = xi) . P(Y = yj), paara todo par (xi, yj), i = 1, 2,...,m e j = 1, 2,....,n.
As variáveis X e Y do problema anterior não independentes pois, por exemplo,
1 1 1
P(X = 500, Y = 4) = 0 e P(X = 500) . P9Y = 4) = 
10 10 100
P(X = 500, Y = 4) ≠ P(X = 500) . P(Y = 4)

Covariância

O grau de dispersão conjunta e de associação linear entre duas variáveis


aleatória podem ser avaliados pela covariância.

Cov( X , Y )  E[( X i   x ) (Y j   j )]

Desenvolvendo-se os parentes, obtem-se a fórmula prática:

Cov ( X , Y )  E[ XY ]  x  y ou
Cov ( X, Y) = E( X . Y) – E( X ) E ( Y )

Se X e Y são independentes, então cov (x, y) = 0, a recíproca não verdadeira.


Se X e Y não são independentes, então VAR (X ± Y) = VAR ( X ) + VAR ( Y).

Coeficiente de Correlação

Define-se coeficiente de correlação entre x e y como:

E[ XY ]  E ( X ) E (Y )
correlação  , -1≤ correlação ≤ 1
 x y
ou
cov ariância
correlação 
xy
Aplicação
Y 0 1 2 3
X
0 1/8 2/8 1/8 0
1 0 1/8 2/8 1/8

Ex1. Dada a distribuição conjunta de probabilidade da variável (X, Y), representada pela tabela
acima, calcular:

9
Mácio A. Albuquerque

a) E(2X – 3Y)
b) Cov(X, Y)
c) Correlação
d) E(Y/X=1)

Ex2. Considere a seguinte distribuição conjunta de X e Y.

a) Achar as distribuições marginais de X e Y;


b) Calcular as marginais
c) Calcular E[X], E[Y] e E[XY}
d) Calcular covariância entre X eY
e) Calcular a correlação
f) As variáveis são independentes? Por quê?

Y -2 -1 4 5

1 0,1 0,2 0 0,3

2 0,2 0,1 0,1 0

Ex3.Sejam M e N duas variáveis aleatórias independentes com as seguintes distribuições:

a) Achar a distribuição conjunta de (M, N);


b) Calcule E[M] e E[N];
c) Calcular a correlação e explique o resultado.

M 1 3 N 5 10 12

P(M) 0,6 0,4 P(N) 0,3 0,5 0,2

Ex4. X é uma variável aleatória discreta, tal que a função repartição é dada por:

F(-2) = 0,3 F(0) = 0,5 F(1) = 0,6 F(2) = 0,8 F(5) = 1,0

a) Calcular a media de X,
b) Calcular o desvio padrão.

10
Mácio A. Albuquerque

Ex 5. A probabilidade do time A vencer qualquer jogo é 1/2. A joga com o time B num torneio.
O primeiro time que ganhar 2 jogos seguidos ou um total de três jogos, vence o torneio. Encontre
o número esperado de jogos no torneio.

Ex 6. Um jogador lança três moedas não viciadas. Ganga Cr$ 5,00 se ocorrerem 3 caras, Cr$ 3,00
se ocorrerem e Cr$ 1,00 se somente 1 cara ocorrer. Por outro lado, perde Cr$ 15,00, se 3 coroas
ocorrerem. Encontre o valor do jogo.

Ex 7. Considere a seguinte distribuição conjunta de X e Y:

X -4 2 7 Soma

1 1/8 1/4 1/8 1/2

5 1/4 1/8 1/8 1/2

Soma 3/8 3/8 2/4

Encontre:

a) E(X) e E(Y)
b) Cov (X, Y)
c) Correlação (X, Y)

Resposta E(X) = 3, E(Y) = 1; Cov (X, Y) = 1,5 e correlação 0,17

Ex8. Suponha que D, a demanda diária de uma peça, seja uma variável aleatória com a seguinte
distribuição de probabilidade:

P( D  d )  C 2d / d !, d  1, 2,3, 4.

a) Calcule a constante C. respostas C=1/6


b) Calcule a demanda esperada. E(D) = 19/9
Exercício

1 - Dentre os 5 alunos de um curso com coeficiente de rendimento (CR) superior 8,5, dois serão
sorteados para receber uma bolsa de estudos. Os CRs desses alunos são: 8,8; 9,2; 8,9; 9,5; 9,0.

a) Designando por A, B, C, D e E os alunos, defina um espaço amostral para esse


experimento.
b) Seja X = CR médio dos alunos sorteados. Liste os possíveis valores de X.
c) Liste o evento X ≥ 9, 0.
d) Encontre a função densidade de probabilidade da variável aleatória X e a probabilidade
de  X  9
e) Encontre a sua média

11
Mácio A. Albuquerque

5
Solução: (a) Note que aqui a ordem não importa; logo, #    10 . Mais especificamente, S =
 2
{(A, B),(A, C),(A, D),(A, E),(B, C),(B,D),(B,E),(C, D),(C, E),(D, E)}

(b) Usando uma tabela de duas entradas podemos representar os valores de X da seguinte forma:

A (8,8) B (9,2) C (8,9) D (9,5) E (9,0)


A (8,8) 9,0 8,85 9,15 8,9
B (9,2) 9,05 9,35 9,10
C (8,9) 9,20 8,95
D (9,5) 9,25
E (9,0)

(c) {X ≥ 9} = {(A, B),(A, D),(B,C),(B,D),(B,E),(C, D),(D, E)}.

(d) Como todos os pontos do espaço amostral são equiprováveis, a fdp de X é:

7
P ( X  9) 
10

(e) Qual a média

E(X) = 9,08

2 - Um lojista mantém extensos registros das vendas diárias de um certo aparelho. O quadro a
seguir dá a distribuição de probabilidades do número de aparelhos vendidos em uma semana. Se
é de R$500,00 o lucro por unidade vendida, qual o lucro esperado em uma semana? Qual é o
desvio padrão do lucro?

x = número de aparelhos 0 1 2 3 4 5
P(X=x) 0,1 0,1 0,2 0,3 0,2 0,1

DP (X)=1, 706 aparelhos

Com relação ao lucro semanal, temos que

E (L) = 500 E (X) = R$1350, 00 500 x 2,7

DP (L) = R$853 500 x 1,706

12
Mácio A. Albuquerque

3 - Um homem possui 4 chaves em seu bolso. Como está escuro, ele não consegue ver
qual a chave correta para abrir a porta de sua casa. Ele testa cada uma das chaves até
encontrar a correta.

a) Defina um espaço amostral para esse experimento


b) Defina a v.a. X = número de chaves experimentadas até conseguir abrir a porta
(inclusive a chave correta). Quais são os valores de X?

Algumas Distribuições de Probabilidade Para Variáveis Aleatórias Discretas

A DISTRIBUIÇÃO DE BERNOULLI

Consideremos uma única tentativa de um experimento aleatório. Podemos ter sucesso ou fracasso
nessa tentativa.

Seja p a probabilidade de sucesso e q a probabilidade de fracasso, com p+q=1.

Seja X: número de sucessos em uma única tentativa do experimento. X assume o valor 0


que corresponde ao fracasso, com probabilidade q, ou o valor 1, que corresponde ao sucesso, com
probabilidade p.

Logo temos: P ( X  x)  p x  q1 x

Esperança e variância

E(X) = p

VAR(X) = p – p2 = p (1- p) = pq

A DISTRIBUIÇÃO BINOMIAL

A distribuição binomial é uma distribuição discreta de probabilidade, aplicável sempre


que o processo de amostragem é do tipo Bernoulli. Um processo de Bernoulli é um processo de
amostragem no qual:

1. Em cada tentativa existem dois resultados possíveis mutuamente exclusivos.

13
Mácio A. Albuquerque

Eles são chamados, por conveniência, sucesso e fracasso.

2. As séries de tentativas, ou observações, são constituídas de eventos

independentes.

3. A probabilidade de sucesso, indicada por p, permanece constante de tentativa para


tentativa. Ou seja, o processo é estacionário.

A distribuição binomial pode ser utilizada para determinar a probabilidade de se

obter um dado número de sucessos em um processo de Bernoulli. Três valores são

necessários: o número de sucessos(X); o número de tentativas, ou observações (n); e a


probabilidade de sucesso em cada tentativa (p).

A variável X tem distribuição binomial, com parâmetros n e p, e indicaremos pela notação X: B (n,
p)

n
P( X )    p x (1  p) n x
A fórmula é:  x
n!
 p x (1  p) n x
(n  x)! x!

Ex 1. A probabilidade de que um funcionário aleatoriamente escolhido partice de um programa


de investimento em ações patrocinado pela empresa Albuquerque é de 0,40. Se 10 funcionários
são escolhidos aleatoriamente, a probabilidade de que a proporção de participante seja no mínino
0,70.

O valor esperado (média) E(X) = n p

Variância Var(X) = n.p (1-p)

Obs. a variância binomial é menor que a média.

Ex 2. Se a probabilidade de que um possível cliente realize uma compra é 0,20, então a


probabilidade de um vendedor que visita 15 clientes presumíveis realizar menos do que 3 vendas.

14
Mácio A. Albuquerque

Ex 3. Com referência ao exemplo 2, calcular o valor esperado e a variância.

Ex 4. Devido às taxas de juros, uma firma informa que 30% de suas contas a receber de outras
firmas comerciais se encontram vencidas. Se um contador escolher aleatoriamente uma amostra
de cinco contas, determinar a probabilidade de cada um dos seguintes eventos:

a) Nenhuma das contas está vencida;

b) Exatamente duas contas estão vencidas;

c) A maioria das contas está vencida

d) Exatamente 20% das contas estão vencidas.

DISTRIBUIÇÃO DE POISSON

Consideremos a probabilidade de ocorrência de sucessos em um determinado intervalo.

A probabilidade da ocorrência de um sucesso no intervalo é proporcional ao intervalo. A


probabilidade de mais de um sucesso nesse intervalo é bastante pequena com relação à
probabilidade de um sucesso.

Seja x o número de sucessos no intervalo, então:

e    x
P( X  x) 
x!

e = 2,718 é uma constante.

onde λ é a média.

A variável X assim definida tem distribuição de poisson.

A distribuição de Poisson é muito usada na distribuição do número de:

1. Carros que passam por um cruzamento por minuto, durante uma certa hora do dia;
2. Erros tipográficos por página, em um material impresso;
3. Colônias de bactérias numa dada cultura por 0,01 mm2, numa plaqueta de microscópio;
4. Defeitos por unidade (m2, m3, m, etc.,) por peça fabricada;
5. Mortes por ataque de coração por ano, numa cidade;
6. Problemas de filas de espera em geral, e outros.

Em muitos casos, conhece-se o nº de sucessos, porém se torna difícil e, ás vezes, sem sentido,
determinar o nº de fracasso ou o nº total de provas.

15
Mácio A. Albuquerque

Esperança e variância


Calculo da média: E ( X )   xp( x)  
x 0

Variância VAR(X )  

Ex 7. Num livro de 800 páginas há 800 erros de impressão. Qual a probabilidade de que uma
página contenha pelo menos 3 erros?

Ex 8.Numa central telefônica chegam 300 telefonemas por hora. Qual a probabilidade de que:

a) Num minuto não haja nenhum chamado;


b) Em 2 minuto haja 2 chamados;
c) Em t minutos não haja chamados.

Ex 9. Em média, cinco pessoas por hora realizam transações em um setor de “serviços especiais”
de um banco comercial. Supondo que a chegada de tais pessoas está distribuída de maneira
independente e de forma igual em todo o período de interesse, qual a probabilidade de que mais
de 10 pessoas queiram fazer transações no setor de “serviços especiais” durante uma hora
especifica?

Aproximação da distribuição binomial pela distribuição de Poisson

Muitas vezes, no uso da binomial, acontece que n é muito grande (n→∞) e p é muito pequeno
(p→0).

Quando isso ocorre, a média   np será tomado   np

Ex10. Seja X: B(200;0,01). Calcular P(X=10) usando binomial e aproximação pela Poisson.

1
Ex11. A probabilidade de uma lâmpada se queimar ao ser ligada é . Numa instalação com 100
100
lâmpadas, qual a probabilidade de 2 lâmpadas se queimarem ao serem ligadas?

Lista de Exercícios

1. Se X tiver uma distribuição de Poisson com parâmetro β, e se P(X=0) = 0,2, calcular P(X > 2).

2. Suponha-se que a probabilidade de que uma peça, produzida por determinada máquina, seja
defeituosa é 0,2. se 10 peças produzidas por essa máquina forem escolhida ao acaso, qual é a
probabilidade de que não mais de uma defeituosa seja encontrada? Empregue a distribuição
binomial e de Poisson e compare os resultados e comente.

16
Mácio A. Albuquerque

3. Uma companhia de seguros Albuquerque descobriu que somente cerca de 0,1 por cento da
produção está incluída em certo tipo de acidente cada ano. Se seus 10.000 segurados são
escolhidos, ao acaso, na população, qual é a probabilidade de que não mais do que 5 de seus
clientes venham a estar incluídos em tal acidente no próximo ano?

4. Suponha que x tenha uma distribuição de Poisson. Se P(X=2)=2/3 P(X=1), calcular P(X=0) e
P(X=3).

6. Sabe-se que 20% dos animais submetidos a certo tratamento não sobrevivem. Se esse
tratamento foi aplicado em 20 animais e se X é o número de não sobreviventes:

a) Qual a distribuição de X?
b) Calcular E(X) e V(X)
c) Calcular P(2<X<4)
d) Calcular P(X≥2)

7. Um caixa do banco Albuquerque atende 150 clientes por hora. Qual a probabilidade de que
atenda:

a) nenhum cliente em 4 minutos;

b) no máximo dois clientes em 2 minutos.

8- Em uma indústria de panificação, uma máquina automática que empacota um


determinado tipo de biscoito, em embalagens de 1 kg, produz 6 unidades fora do peso
especificado a cada 1.000 pacotes embalados. Qual a probabilidade que, em um lote de
200 unidades, sejam encontrados 8 pacotes fora do peso padrão

n  200
6
p  0.006
1000
se   n. p então   200 x0.006  1.2
 x  e 
1.28.(2.7183)1.2
P( x  8)    0.00003
x! 8!
A probabilidade é igual a 0.003%

9- Em uma determinada população, 80% das pessoas apresentam grupo sanguíneo com
fator Rh positivo. Objetivando estudar a presença do fator Rh na população (sucesso),
temos Fator Rh positivo (p = 0,80) e fator Rh negativo (q = 0,20). Qual a probabilidade
que em 2 dentre 6 pessoas dessa população apresentem fator Rh positivo?

17
Mácio A. Albuquerque

6
P( X  2)    (0,8) 2 (0, 2)62
 2
P( X  2)  0, 0154 ou 1,54%

10. Acredita-se que 20% dos moradores das proximidades de uma grande indústria
siderúrgica têm alergia aos poluentes lançados ao ar. Admitindo que este percentual de
alérgicos é real (correto), calcule a probabilidade de que pelo menos 4 moradores tenham
alergia entre 13 selecionados ao acaso.

SOLUÇÃO:

Seja X o número de moradores que têm alergia em 13.


Sucesso: ter alergia.
p: probabilidade de um indivíduo, selecionado ao acaso, ter alergia; p=0,2. X ~B(13;
0,20),
Assim, a probabilidade de que pelo menos 4 moradores tenham alergia é dada por:
P(X ≥ 4) = 1 - P(X≤3) = 1 – [P(X=0) + P(X=1) + P(X=2) + P(X=3)] = 0,2526

11 -Várias universidades americanas exigem um escore mínimo de 600 pontos para


aceitar candidatos de países de língua não inglesa. De um grande grupo de estudantes
brasileiros que prestaram o último exame escolhemos ao acaso 20 deles. Qual a
probabilidade de no máximo 3 atenderem ao requisito mínimo mencionado?

SOLUÇÃO:
X: Nº de estudantes aptos em 20. Sucesso: apto; p=0,10 (ver tabela: [600; 700])
X~B(20;0,10)

 20   20   20   20 
P( X  3)    0,10  0,920    0,11  0,919    0,12  0,918    0,13  0,917  0,867
0 1 2 3
Este valor reflete as altas probabilidades atribuídas aos escores menores de
600, conforme o modelo de desempenho no teste.

12. (Magalhães,2004) 25% dos universitários de São Paulo praticam esporte.


Escolhendo-se ao acaso 15 desses estudantes, determine a probabilidade de:

a) Pelo menos 2 deles serem esportistas

18
Mácio A. Albuquerque

SOLUÇÃO:
X: Universitários que praticam esporte em 15. Sucesso: praticar
n=15 ; p=0,25 X~B(15,0,25)

15  15  
P( X  2)  1  P( 2)  1    0, 250  0, 7515    0, 251  0, 7514   0,9198
 0  1 

b) No mínimo 12 deles não serem esportistas


SOLUÇÃO:
Y: Universitários que não praticam esporte em 15.
15  15  15   15  
P( X  2)  1  P( 2)  1    0, 250  0, 7515    0, 251  0, 7514    0, 252  0, 7513    0, 253  0, 7512   0, 4613
 0  1 2 3 

133. (Moretin,1999) A probabilidade de uma máquina produzir uma peça defeituosa é de


0,1. Qual a probabilidade de que em 20 peças produzidas pela máquina num dia, ocorram
3 defeituosas? Com base nesse resultado você continuaria produzindo peças com esta
máquina levando em consideração uma grande produção de peças por dia?

SOLUÇÃO:

X: nº de peças defeituosas em 20. Sucesso: defeituosa. p=0,1

 20  
P ( X  3)    0,11  0,917   0,1901
 3  

Discussão: Veja que P(X=3) já possui um lavor elevado. Praticamente 19% (o que se
espera) das amostras de tamanho 20 teriam exatamente 3 peças com defeito. Acredito
que seja um valor significativo a ponto de não se utilizar essa máquina. Agora, se
contemplarmos X≥3, teremos P(X≥3)=0,3230732, um valor ainda mais preocupante.

Distribuição de Poisson

Considere: Função de Probabilidade: !

λ: frequência média; t: intervalo contínuo

19
Mácio A. Albuquerque

e   t  ( t ) x
P( X  x )     2   t
x!

47. O número de vezes que um indivíduo tem gripe em determinado ano é uma variável
aleatória de Poisson com λ = 5. Suponha que um novo medicamento reduza o parâmetro
λ para 3 em 75% da população. Para os 25% restantes a droga não tem um efeito
significativo. Se um indivíduo toma o medicamento durante um ano e tem duas gripes,
qual a probabilidade de que o medicamento seja benéfico para ele (ela)? Com base nesse
resultado, se o indivíduo soubesse essa probabilidade a priori, você acha que ele deveria
continuar tomando o medicamento?

SOLUÇÃO:

Sejam os eventos:

G2: indivíduo tem duas gripes no ano

M: Medicamento é benéfico para ele (a)

E sejam as variáveis aleatórias:

N: Indivíduo tem duas gripes no ano quando o medicamento é benéfico para ele.

T: Indivíduo tem duas gripes no ano quando o medicamento não é benéfico para ele.

N ~ P(5)
T ~ P(3)
Queremos saber P(M|G 2 ).Assim
P( M  G2 )
P(M|G 2 ) 
P(G2 )
Do enunciado tem-se que P(M)=0,75e P(G 2 |M)=P(T=2).
Basta então, encontrar P(G 2 ).Para isso, usa-se a regra de probabilidade
total, condicionando G 2 pelos eventos e M c :

P(G2 )  P(G2 | M ) P(M)  P(G 2 | M c ) P( M c )

Substituindo com os valores que temos do enunciado:

e3 32 e5 52
P(T  2)  0,75  P( N  2)  0, 25   0,75   0, 25  0,1891
2! 2!

20
Mácio A. Albuquerque

Substituindo na primeira igualdade:

e3 32
 0, 75
P( M | G2 )  2!  0,8886
0,1891

A probabilidade de o medicamento ser benéfico para ele é, portanto, de 0,8886.

48.(Meyer,2000) Suponha que Xt, o nº de partículas emitidas em t horas por uma fonte
radioativa, tenha uma distribuição de Poisson com parâmetro 20t. Qual será a
probabilidade de que exatamente 5 partículas sejam emitidas durante um período de 15
min?

SOLUÇÃO: X: o nº de partículas emitidas em t horas;

X ~ P(20)   20t é representado para partículas em1hora


1 1
15min= hora    20  ( )  5
4 4
X ~ P(5)
e5 55
P(X  5)   0,1754
5!

49.(Magalhães, 2004) Uma indústria de tintas recebe pedidos de seus vendedores através
de fax, telefone e internet. A taxa média é de 5 pedidos por hora.

a) Qual a probabilidade da indústria receber mais de dois pedidos por hora? Digamos
que, no horário do almoço, a indústria fica impossibilitada de atender a mais de dois
pedidos por hora. Você acha que deveria aumentar o nº de atendentes nesse período?
X ~ P(5)
 e5 50 e5 51 e5 52 
P(X  2)  1  P(X  2)  1      1  0, 0067  0, 00337  0, 0842
 0! 1! 2! 
 1  0,1246  0,8754

Discussão: Como P[X>2] = 0,8754, tem-se um alto índice para tal ocorrência. Portanto,
recomenda-se a contração ou remanejamento de funcionários.

b) Em um dia de trabalho (8 horas) qual seria a probabilidade de haver 50 pedidos? A


indústria deveria aumentar o nº de atendentes para receber mais de 50 pedidos por dia?
  5 / hora    5  8  40 / dia

21
Mácio A. Albuquerque

e40 4050
P( X  50)   0, 0177
50!

Discussão: P[X>50] = 0,05262805. Logo, em aproximadamente 5% dos casos a industria


receberá mais de 50 pedidos. Portanto, se a gerência considerar esse índice alto, pode-se
decidir em contratar mais funcionários. Caso contrário, não.

50. A chegada de ônibus em um terminal acontece a razão de 3 por minuto. Supondo que
tenha uma distribuição de Poisson, determine a probabilidade de:

a) chegarem exatamente 8 ônibus em 2 minutos.

  3 / ônibus/ min
X:Nº de ônibus que chegam no terminal num intervalo de tempo  t  .
X ~ P(3)      t  3  2  6 ônibus
e6 68
P(X=8|t=2)=  0,1033
8!

a) chegarem exatamente 4 ônibus em 5 minutos.


b)
X ~ P(3)      t  3  5  15 ônibus
e 15154
P(X=4|t=5)=  0, 006
4!

51. A cada ano, ocorrem 450 mortes acidentais por arma de fogo na faixa etária de 15 –
24 anos (National Safety Council, Accident Facts,1996).

a) Por semana, qual é o número médio de mortes acidentais por armas de fogo?
 = 450 mortes por ano.

X: Nº de mortes acidentais num intervalo de tempo (t).

1
X ~ P(450)      t  450   8, 6 mortes (t  1 semana)
52
 450
  8, 65 mortes por semana em média
52 52

b) Em uma semana típica, qual é a probabilidade de não haver nenhuma morte acidental
por armas de fogo?

22
Mácio A. Albuquerque

c) Em um dia típico, qual é a probabilidade de duas ou mais mortes acidentais por armas
de fogo?

Problema
Se houver doze carros atravessando uma ponte por minuto, em média, encontre a
probabilidade de ter dezessete ou mais carros cruzando a ponte em um determinado
minuto.

Solução

A probabilidade de ter dezesseis ou menos carros atravessando a ponte em um


determinado minuto é dada pela função ppois .

ppois (16, lambda = 12) # cauda inferior


[1] 0,89871
f=dpois (0, lambda = 12)+dpois(1,lambda=12)+dpois (2, lambda = 12)+dpois(3,lambda=12)+
dpois (4, lambda = 12)+dpois(5,lambda=12)+dpois (6, lambda = 12)+dpois(7,lambda=12)+
dpois (8, lambda = 12)+dpois(9,lambda=12)+dpois (10, lambda = 12)+dpois(11,lambda=12)+
dpois (12, lambda = 12)+dpois(13,lambda=12)+dpois (14, lambda = 12)+dpois(15,lambda=12)+
dpois(16,lambda=12)

ou fazer ppois (16, lambda = 12) veja que ele somou todas probabilidades
y=1-f

Portanto, a probabilidade de ter dezessete ou mais carros cruzando a ponte em um


minuto está na cauda superior da função de densidade de probabilidade.
> ppois (16, lambda = 12, inferior = FALSE) # cauda superior
[1] 0.10129

Boa Sorte

Probabilidade na loteria

Uma profissão que se utiliza muito da teoria das probabilidades, é o de Estatístico (claro
que em um nível mais alto). Um dos possíveis cálculos que um Matemático Estatístico
poderia fazer, que seria de muita valia para cultura geral, é o cálculo da probabilidade de
ganhar nos principais jogos de loteria do Brasil.

Inclusive, o estudo desta teoria iniciou justamente para ser possível este tipo de cálculo
que iremos demonstrar aqui.

Como as regras do jogo das diferentes loterias seguem uma certa linearidade, podemos
utilizar uma fórmula geral para cálculo das probabilidades em qualquer que seja o jogo.

23
Mácio A. Albuquerque

Neste tópico iremos explicar de onde veio esta fórmula! Veja ela abaixo:

a = Total de números disponíveis para apostar.

b = Total de números sorteados.

k = Total de números que iremos apostar.

i = Total de números que se deve acertar para ganhar tal prêmio.


Vamos chamá-la no decorrer da
explicação de:
"FÓRMULA (1)"
= Combinação de "n" elementos tomados "p" a "p".

Exemplo de aplicação:
Qual a probabilidade acertar 5 dezenas no jogo da mega sena apostando um jogo simples?

a = 60 k = 6 (aposta simples)

b=6 i=5

Bilhetes na mão, e BOA SORTE!! :

"O professor é aquele que faz brotar duas ideias onde antes só havia uma". Elbert Hubbard

24

Você também pode gostar