Você está na página 1de 114

Cálculo de

Probabilidade
I

Joaquim Neto
Universidade Federal de Juiz de Fora (UFJF)
Instituto de Ciências Exatas (ICE)
Departamento de Estatı́stica
www.ufjf.br/joaquim neto

3 de março de 2015
”Nosso mundo, nossa vida, nosso destino, são
dominados pela incerteza. Esta é talvez a
única declaração que podemos afirmar sem
incerteza”.

de Finetti
Sumário

1 Métodos de contagem 7
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Princı́pio fundamental da contagem . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Arranjos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Permutações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Permutações com repetição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Combinações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Triângulo de Pascal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.9 Respostas dos exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2 Introdução à probabilidade 21
2.1 Espaço amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Definições de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.1 Probabilidade clássica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.2 Probabilidade frequentista . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.3 Probabilidade geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.4 Probabilidade subjetiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4 Teoria dos conjuntos: revisão de conceitos . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Axiomas de probabilidade e espaço de probabilidade . . . . . . . . . . . . . . . . 26
2.6 Principais resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6.1 Probabilidade do vazio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6.2 Probabilidade da união finita de eventos disjuntos 2 a 2 . . . . . . . . . . 27
2.6.3 Probabilidade do evento complementar . . . . . . . . . . . . . . . . . . . . 27
2.6.4 Probabilidade de eventos aninhados . . . . . . . . . . . . . . . . . . . . . 27
2.6.5 Probabilidade entre 0 e 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.6 Probabilidade da subtração . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.7 Desigualdade de Boole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.8 Probabilidade da união de 2 eventos . . . . . . . . . . . . . . . . . . . . . 29
2.6.9 Probabilidade da união de 3 eventos . . . . . . . . . . . . . . . . . . . . . 29
2.6.10 Probabilidade da união finita . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.11 Outros resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.7 Probabilidade condicional e principais teoremas . . . . . . . . . . . . . . . . . . . 30
2.7.1 Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.7.2 Teorema da multiplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.3 Partição de um conjunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.4 Teorema da probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.5 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.7.6 Sensibilidade e especificidade . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.8 Independência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.9.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.9.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Joaquim Neto www.ufjf.br/joaquim neto página 5 de 114


2.9.3 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3 Variáveis aleatórias 51
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Variável aleatória discreta e função de probabilidade . . . . . . . . . . . . . . . . 52
3.3 Variável aleatória contı́nua e densidade . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4 Função de distribuição acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5 Variável aleatória mista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.6 Função de uma variável aleatória . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.7 Quantil e mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.8 Valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.9 Valor esperado da função de uma v.a. . . . . . . . . . . . . . . . . . . . . . . . . 66
3.10 Propriedades do valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.11 Momento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.12 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.13 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.13.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.13.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.13.3 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4 Famı́lias de distribuições 85
4.1 Famı́lias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1.1 Distribuição uniforme discreta . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1.2 Distribuição de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1.3 Distribuição binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.1.4 Distribuição geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.1.5 Distribuição binomial negativa (Pascal) . . . . . . . . . . . . . . . . . . . 88
4.1.6 Distribuição hipergeométrica . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1.7 Distribuição de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2 Famı́lias contı́nuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2.1 Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2.2 Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2.3 Função gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.2.4 Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.2.5 Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.2.6 Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.2.7 Chi-quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2.8 t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.2.9 F de Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.2.10 Gama invertida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.2.11 Relações entre distribuições . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.3.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.3.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.3.3 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

Joaquim Neto www.ufjf.br/joaquim neto página 6 de 114


Métodos de contagem
www.ufjf.br/joaquim neto

1.1 Introdução
A princı́pio, pode parecer desnecessária a existência de métodos para realizar uma contagem.
Isto de fato é verdade se o número de elementos que queremos contar for pequeno. Entretanto,
se o número de elementos for grande, a contagem pode se tornar uma tarefa árdua.
Exemplo 1.1. Seja A o conjunto de números de 3 algarismos distintos. Assim,
A = {123, 124, 125, ..., 875, 876}.
Observe que é trabalhoso obter todos os elementos deste conjunto e depois contá-los. Corre-se
o risco de haver omissões ou repetições de elementos.
Resultado 1.1. Consideremos os conjuntos A = {a1 , a2 , ..., an } e B = {b1 , b2 , ..., bm }. Podemos
formar n · m pares ordenados (a, b), onde a ∈ A e b ∈ B.
O diagrama de árvore, ilustrado abaixo, pode ser usado para visualizar os pares ordenados.

𝒃𝟏 𝒂𝟏 , 𝒃𝟏
𝒃𝟐 o
𝒂𝟏 , 𝒃𝟐
et
𝒂𝟏 ⋮ ⋮
_n

𝒃𝒎 𝒂𝟏 , 𝒃𝒎
im

𝒃𝟏 𝒂𝟐 , 𝒃𝟏
qu

𝒂𝟐 𝒃𝟐 𝒂𝟐 , 𝒃𝟐
oa

⋮ ⋮

r/j

𝒃𝒎 𝒂𝟐 , 𝒃𝒎
.b

𝒂𝒏 𝒃𝟏 𝒂𝒏 , 𝒃𝟏
fjf

𝒃𝟐 𝒂𝒏 , 𝒃𝟐
.u
w

⋮ ⋮
w

𝒃𝒎 𝒂𝒏 , 𝒃𝒎
w

Exemplo 1.2. Consideremos 3 cidades: X, Y e Z. Suponhamos 4 rodovias que ligam X à Y


e 5 que ligam Y à Z. Partindo de X e passando por Y , de quantas formas podemos chegar até
Z?
Solução:

𝒃𝟏
o

𝒂𝟏
et
_n

𝒃𝟐
m

𝑿 𝒂𝟐 𝒀 𝒁
i
qu

𝒃𝟑
oa

𝒂𝟑
r/j

𝒃𝟒
.b

𝒂𝟒
fjf
.u

𝒃𝟓
w
w
w

Sejam A = {a1 , a2 , a3 , a4 } o conjunto das rodovias que ligam X à Y e B = {b1 , b2 , b3 , b4 , b5 } o


conjunto das rodovias que ligam Y à Z. Cada modo de viajar de X até Z pode ser associado a
um par (a, b), com a ∈ A e b ∈ B. Logo número de modos de viajar de X até Z é 4 · 5 (número
de pares ordenados).

Joaquim Neto www.ufjf.br/joaquim neto página 7 de 114


Definição 1.1. Seja n um número natural (inteiro não negativo). O fatorial de n, indicado
por n!, é definido por:

n! = n · (n − 1) · (n − 2) · · · · · 3 · 2 · 1, para n ≥ 2,
1! = 1 e
0! = 1.

Exemplo 1.3. ˆ 3! = 3 · 2 · 1.

ˆ 4! = 4 · 3 · 2 · 1.

ˆ 5! = 5 · 4 · 3 · 2 · 1.

1.2 Princı́pio fundamental da contagem


Resultado 1.2 (Primeira parte do princı́pio fundamental da contagem). Consideremos
os conjuntos A1 , A2 , ..., An . O número de n-uplas ordenadas (sequências de n elementos) do
tipo (a1 , a2 , ..., an ) tais que ai ∈ Ai ∀i ∈ {1, 2, ..., n} é

#A1 · #A2 · · · #An .

𝑨𝟏 𝑨𝟐 𝑨𝒏
o
et
_n
im


qu
oa/j
br
fjf.
.u
w

𝒂𝟏, 𝒂𝟐, ⋯ , 𝒂𝒏
w
w

Exemplo 1.4. Três classes diferentes contém 20, 18 e 25 estudantes e nenhum estudante é
membro de mais de uma das classes. Se uma equipe deve ser composta por um estudante de
cada classe, de quantos modos diferentes os membros desta equipe podem ser escolhidos?
Solução: Sejam A1 , A2 , A3 conjuntos que representam as 3 classes. Cada equipe escolhida
pode ser associada a um vetor (a1 , a2 , a3 ), com ai ∈ Ai .

𝑨𝟏 𝑨𝟐 𝑨𝟑
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w

𝒂𝟏, 𝒂𝟐, 𝒂𝟑
w
w

Joaquim Neto www.ufjf.br/joaquim neto página 8 de 114


Logo, aplicando a primeira parte do princı́pio fundamental da contagem, o número de modos
que esta equipe pode ser escolhida é
#A1 · #A2 · #A3 = 20 · 18 · 25 = 9000.

Resultado 1.3 (Segunda parte do princı́pio fundamental da contagem). Sejam A =


{a1 , a2 , ..., an } e p ≤ n. O número de sequências (vetores) do tipo (b1 , b2 , ..., bp ) tais que bi ∈ A
∀i ∈ {1, ..., p} e bi 6= bj para i 6= j é
n!
= n · (n − 1) · (n − 2) · · · · · (n − p + 1) .
(n − p)! | {z }
p fatores

Em outras palavras, o número de sequências de tamanho p formadas com elementos distintos


2 a 2 de A é n!/(n − p)!.

o
et
_n
im
qu
oa
r/j
.b
fjf

𝒃𝟏 , 𝒃𝟐 , ⋯ , 𝒃𝒑
.u
w

𝒃𝟏 ≠ 𝒃𝟐 ≠ ⋯ ≠ 𝒃𝒑
w
w

Exemplo 1.5. Em um campeonato de futebol participam 20 times. Quantos resultados são


possı́veis para os 3 primeiros lugares?
Solução: Seja A o conjunto dos times que participam do campeonato. Os resultados possı́veis
para os 3 primeiros lugares podem ser associados a sequências-vetores (b1 , b2 , b3 ) de elementos
distintos dois a dois escolhidos em A.

𝑨
o
et
_n
m
i
qu
oa

𝒃𝟐
r/j

𝒃𝟏 𝒃𝟑
.b
fjf
.u
w
w

𝒃𝟏 , 𝒃𝟐 , 𝒃𝟑
w

𝒃𝟏 ≠ 𝒃𝟐 ≠ 𝒃𝟑
Logo, aplicando a segunda parte do princı́pio fundamental da contagem, o número de resultados
possı́veis para os 3 primeiros lugares é
20!
= 20 · 19 · 18 = 6840.
(20 − 3)!

Joaquim Neto www.ufjf.br/joaquim neto página 9 de 114


Como veremos no exemplo a seguir, algumas vezes as sequências a serem contadas possuem
tamanhos diferentes, o que impede o uso do princı́pio fundamental da contagem.
Exemplo 1.6. Uma pessoa lança uma moeda sucessivamente até que ocorram duas caras con-
secutivas ou quatro lançamentos sejam feitos, o que ocorrer primeiro. Quantos são os resultados
possı́veis?
Solução: No diagrama abaixo, representamos os resultado “cara” e “coroa” com “K” e “C”,
respectivamente. Como podemos ver, o número de resultados possı́veis é 12.
4° lançamento

o
3° lançamento K

et
2° lançamento C

_n
K
1° lançamento K K

im
C
K C

u
C
K

aq
K

/jo
C
rK C
C K
.b
K
fjf

C
C C
.u
w

K
w

C
w

1.3 Arranjos
Definição 1.2. Um arranjo é uma sequência formada com os elementos de um conjunto. Um
arranjo de elementos distintos é chamado de arranjo sem repetição.
O número de arranjos com p elementos de um conjunto A com n elementos será denotado por
An,p e chamado de arranjo de n tomado p a p. Para o número de arranjos sem repetição,
usaremos a notação ASn,p e diremos arranjo sem repetição de n tomado p a p.

Arranjo Arranjo sem repetição


o
et

A A
_n
m
ui
aq
/jo
br
.
fjf

𝒃𝟏 , 𝒃𝟐 , 𝒃𝟑, … , 𝒃𝒑 𝒃𝟏, 𝒃𝟐, 𝒃𝟑, . . . , 𝒃𝒑


.u
w

𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒑
w
w

Obs: Para formar um arranjo, não é preciso usar todos os elementos do conjunto.
Resultado 1.4. Pelo princı́pio fundamental da contagem, temos que
An,p = np
e
n!
ASn,p = (n−p)! , para p ≤ n.

Joaquim Neto www.ufjf.br/joaquim neto página 10 de 114


Exemplo 1.7. As placas dos automóveis são formadas por 3 letras (26 letras no alfabeto)
seguidas de 4 algarismos (números de 0 a 9). Quantas placas podem ser formadas?
Solução: Seja A um conjuntos de sequências de 3 letras e B um conjunto de sequências
de 4 algarismos. Pelo princı́pio fundamental da contagem, temos que #A = A26,3 = 263 e
#B = A10,4 = 104 . Assim, cada placa pode ser associada a um par (a, b) tal que a ∈ A e b ∈ B.
Aplicando novamente o princı́pio fundamental da contagem, o número de placas que podem ser
formadas é
#A · #B = 263 · 104 = 175760000.

Exemplo 1.8. Uma linha ferroviária tem 16 estações. Quantos tipos de bilhetes devem ser
impressos, se cada tipo deve assinalar a estação de partida e a de chegada.
Solução: Seja A o conjunto de estações da linha ferroviária. Cada bilhete pode ser associado
a um par (a1 , a2 ), tal que a1 ∈ A, a2 ∈ A e a1 6= a2 . Logo, pelo princı́pio fundamental da
contagem, o número de bilhetes é
AS16,2 = 16 · 15.

Exemplo 1.9. Os caracteres em código MORSE são formados por sequências de traços (-) e
pontos (.), sendo permitidas repetições. Por exemplo: “- . - - . .”.
a) Quantos caracteres podem ser representados usando 3 sı́mbolos?
b) Quantos caracteres podem ser representados usando no máximo 8 sı́mbolos?
Solução: a) Seja A = {−, .}. Cada caracter de 3 sı́mbolos pode ser associado a um vetor
(a1 , a2 , a3 ), tal que a1 , a2 , a3 ∈ A. Pelo princı́pio fundamental da contagem, temos que o número
de caracteres de 3 sı́mbolos é A2,3 = 23 = 8.
b) O número de caracteres usando p sı́mbolos é A2,p e, consequentemente, o número de
caracteres com no máximo 8 sı́mbolos é a soma do número de caracteres obtidos com p = 1, 2, ..., 8
sı́mbolos, ou seja,
A2,1 + A2,2 + ... + A2,8 = 2 + 22 + ... + 28 = 510.

1.4 Permutações
Definição 1.3. Uma permutação, é uma sequência de elementos distintos formada com todos
os elementos de um determinado conjunto. O número de permutações de um conjunto com n
elementos será denotado por Pn e chamado simplesmente de permutação de n elementos.

A
o
et
_n
im
qu
oa
r/j
.b
fjf

𝒃𝟏, 𝒃𝟐 , . . . , 𝒃𝒏
.u
w

𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒏
w
w

Joaquim Neto www.ufjf.br/joaquim neto página 11 de 114


Obs: Para formar uma permutação, todos os elementos do conjunto devem ser utilizados.

Resultado 1.5. Pelo princı́pio fundamental da contagem, temos


Pn = ASn,n = n!

Exemplo 1.10. Quantos anagramas possui a palavra “Joaquim”?


Solução: Seja A o conjunto das letras da palavra “Joaquim”. Como cada anagrama é uma
permutação dos elementos de A, temos que a quantidade procurada é
P7 = 7! = 5040.

1.5 Permutações com repetição


Resultado 1.6. Seja A = {a1 , ..., ar } um conjunto qualquer. Uma sequência com
n1 elementos iguais a a1 ,
n2 elementos iguais a a2 ,
..
.
nr elementos iguais a ar
é uma permutação com repetição dos elementos de A. Sendo n = n1 +n2 +...+nr , o número
total de sequências deste tipo é
n!
Pnn1 ,n2 ,...,nr = .
n1 !n2 !...nr !
o
et
_n
im
qu
oa
r/j
.b
fjf

(∆, ◊ , ◊, ◊, ∆ , , ∆)
.u
w
w
w

Exemplo 1.11. Um bairro é formado por 12 quarteirões dispostos segundo a figura abaixo. Uma
pessoa sai do ponto P e caminha até o ponto Q, sempre usando o caminho mais curto (movendo-
se sempre da esquerda para direita ou de baixo para cima no gráfico). Nestas condições, quantos
caminhos diferentes ela poderá fazer?

Q
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w

P
w
w

Joaquim Neto www.ufjf.br/joaquim neto página 12 de 114


Solução: Usando V para denotar um movimento vertical e H para um movimento hori-
zontal, cada caminho pode ser associado a uma sequência com 3 elementos iguais a V e 4
elementos iguais a H. Por exemplo, a sequência (V, V, V, H, H, H, H) representa 3 movimentos
verticais seguidos de 4 movimentos horizontais. Deste modo, o problema se resume a contagem
de sequências com elementos repetidos. Logo, a quantidade procurada é
7!
P73,4 = = 35.
4!3!

1.6 Combinações
Definição 1.4. Seja A um conjunto qualquer. Um subconjunto de A é chamado de combinação
dos elementos de A. O número de combinações com p elementos de um conjunto com n elementos
é denotado por Cn,p e chamado de combinação de n tomado p a p.

o
et
_n
m
ui
o aq
r/j
.b
fjf

𝒃𝟏, 𝒃𝟐, . . . , 𝒃𝒑
.u
w

𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒑
w
w

 
n
Obs: Uma outra notação para Cn,p é .
p

É importante notar a diferença entre combinação e arranjo sem repetição. Em uma combi-
nação a ordem dos elementos não importa, ou seja, elementos que diferem apenas pela ordem
são contados como um único elemento. Já em um arranjo, a ordem importa, ou seja, sequências
com os mesmos elementos, mas em ordem diferente são contadas separadamente.

Resultado 1.7. A combinação de n tomado p a p é dada por


n!
Cn,p = .
(n − p)!p!

Exemplo 1.12. Dentre 10 homens e 8 mulheres, quantas comissões de 5 pessoas podem ser
formadas, sendo que em cada uma deve haver 3 homens e 2 mulheres?
Solução: Seja A o conjunto dos subconjuntos de 3 homens e B o conjunto dos subconjuntos
de 2 mulheres. Pelo resultado 1.7, temos que #A = C10,3 = 120 e #B = C8,2 = 28. Além disso,
cada comissão pode ser associada a um par (a, b), com a ∈ A e b ∈ B. Logo, pela primeira parte
do princı́pio fundamental da contagem, o número de comissões é

#A · #B = 120 · 28 = 3360.

Joaquim Neto www.ufjf.br/joaquim neto página 13 de 114


1.7 Triângulo de Pascal
 
n
O triângulo de pascal é uma forma de organizar os resultados de para diferentes
p
valores de n e p, conforme indica a figura abaixo.

o
et
_n
m
ui
aq
o
r/j
.b
fjf
.u
w
w
w

A seguir, veremos alguns resultados relacionados à combinações e, consequentemente, ao


Triângulo de Pascal.
Henrique Neto 29
Resultado 1.8. Para todo n ∈ N, temos que
 
n
= 1.
0

Prova:
 
n n! n!
= = = 1.
0 (n − 0)!0! n!

Resultado 1.9. Para todo n ∈ N, temos que


 
n
= 1.
n

Prova:
 
n n! n!
= = = 1.
n (n − n)!n! n!

Resultado 1.10 (Relação de Stiefel). Se n, p ∈ N e n > p ≥ 0 então


     
n n n+1
+ = .
p p+1 p+1

Joaquim Neto www.ufjf.br/joaquim neto página 14 de 114


Prova:
   
n n n! n!
+ = +
p p+1 p! (n − p)! (p + 1)! (n − p − 1)!
n! n!
= +
p! (n − p)! (p + 1) p! (n − p − 1)!
 
n! 1 1
= +
p! (n − p)! (p + 1) (n − p − 1)!
 
n! 1 1
= +
p! (n − p) (n − p − 1)! (p + 1) (n − p − 1)!
 
n! 1 1
= +
p! (n − p − 1)! (n − p) (p + 1)
 
n! n+1
=
p! (n − p − 1)! (n − p) (p + 1)
n! (n + 1)
=
(n − p) (n − p − 1)! (p + 1) p!
 
(n + 1)! n+1
= = .
(n − p)! (p + 1)! p+1
Obs: Podemos usar este resultado para fazer o cálculo das combinações do triângulo de
pascal. Note que:
 
n
ˆ Como = 1 ∀n ∈ N, todos os elementos da coluna 0 são iguais a 1.
0
 
n
ˆ Como = 1 ∀n ∈ N, o último elemento de cada linha é igual a 1.
n
ˆ Cada elemento do triângulo que não seja da coluna 0 nem o último de cada linha é igual
à soma daquele que está na mesma coluna e linha anterior com o elemento que se situa à
esquerda deste último (Relação de Stifel).
A figura abaixo ilustra passo-a-passo como a relação de Stiefel pode ser usada para construir
o triângulo de Pascal.
o
et
_n
m
ui
aqo
r/j
.b
fjf
.u
w
w
w

Resultado 1.11. Se n, p ∈ N e p ≤ n, então


   
n n
= .
p n−p
Prova: Henrique Neto
   29

n n! n! n
= = = .
n−p (n − p)! [n − (n − p)!] (n − p)!p! p

Obs: Este resultado afirma que os elementos de uma linha do triângulo de Pascal equidis-
tantes dos extremos são iguais. Veja a figura abaixo.

Joaquim Neto www.ufjf.br/joaquim neto página 15 de 114


o
et
_n
u im
aq
/jo
br
fjf.
.u
w
w
w
Resultado 1.12. Para todo n ∈ N, temos
    Henrique
 Neto    29

n n n n
+ + + ... + = 2n .
0 1 2 n
 
n
Prova: Seja A um conjunto com n elementos. Como é o número de subconjuntos
p
    
  
n n n n
com p elementos do conjunto A, temos que + + + ... + é o número
0 1 2 n
total de subconjuntos de A. Pensando de outra forma, para formar um subconjunto, temos duas
opções de escolha para cada elemento de A: ou o elemento está no subconjunto ou não está.
Como A tem n elementos, terá 2n subconjuntos.

Joaquim Neto www.ufjf.br/joaquim neto página 16 de 114


1.8 Exercı́cios
Exercı́cio 1.1. Três classes diferentes contém 20, 18 e 25 estudantes e nenhum estudante é
membro de mais de uma das classes. Se uma equipe deve ser composta por um estudante de
cada classe, de quantos modos diferentes os membros desta equipe podem ser escolhidos?

Exercı́cio 1.2. Em um campeonato de futebol participam 20 times. Quantos resultados são


possı́veis para os 3 primeiros lugares?

Exercı́cio 1.3. Um cofre possui um disco marcado com os dı́gitos 0,1,2,3,4,5,6,7,8 e 9. O


segredo do cofre é formado por uma sequência de 3 dı́gitos distintos. Se uma pessoa tentar abrir
o cofre, quantas tentativas deverá fazer (no máximo) para conseguir abri-lo? Suponha que a
pessoa sabe a quantidade de dı́gitos do segredo e que este é formado por dı́gitos distintos.

Exercı́cio 1.4. De quantas formas 6 pessoas podem sentar-se numa fileira de 6 cadeiras se duas
delas, Joaquim e Rafael, se recusam a sentar um ao lado do outro?

Exercı́cio 1.5. Considere 10 cadeiras numeradas de 1 a 10. De quantas maneiras 2 pessoas


podem sentar-se, devendo haver ao menos uma cadeira entre eles?

Exercı́cio 1.6. Quantos anagramas da palavra “estudo” começam e terminam com vogal?

Exercı́cio 1.7. Considere 2 urnas. A primeira com 4 cartas numeradas de 1 a 4 e a segunda


com 3 cartas numeradas de 7 a 9. Duas cartas são extraı́das da primeira urna, sucessivamente
e sem reposição, e em seguida duas cartas são extraı́das da segunda urna, sucessivamente e sem
reposição. Quantos números de 4 algarismos podem ser formados com os números das cartas
na sequência em que foram obtidas?

Exercı́cio 1.8. Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9, quantos números de 4 algarismos


com pelo menos dois algarismos iguais existem?

Exercı́cio 1.9. De quantas formas 5 meninos e 5 meninas podem ficar em fila, de modo que
meninos e meninas devem ficar em posições alternadas?

Exercı́cio 1.10. Dez pessoas, dentre elas Antônio e Beatriz, devem ficar em fila. De quantas
formas isto pode ser feito de modo que Antônio e Beatriz fiquem sempre juntos?

Exercı́cio 1.11. De quantas formas 4 homens e 5 mulheres podem ficar em fila se

a) os homens devem ficar juntos?

b) E se os homens devem ficar juntos e as mulheres também?

Exercı́cio 1.12. Considere 15 livros em uma estante, dos quais 4 são de probabilidade. De
quantas formas podemos coloca-lo em uma prateleira da estante de modo que os livros de proba-
bilidade fiquem sempre juntos?

Exercı́cio 1.13. Quantos anagramas existem da palavra “AMARILIS”?

Exercı́cio 1.14. Uma urna contém 3 bolas vermelhas e 2 amarelas, que se distinguem apenas
pela cor. Quantas sequências de cores são possı́veis de observar extraindo uma a uma sem
reposição?

Exercı́cio 1.15. Quantos números de 7 algarismos existem nos quais comparecem uma só vez
os algarismos 3, 4 e 5 e quatro vezes o algarismo 9?

Exercı́cio 1.16. Uma moeda é lançada 20 vezes. Quantas sequências de caras e coroas existem
com 10 caras e 10 coroas?

Joaquim Neto www.ufjf.br/joaquim neto página 17 de 114


Exercı́cio 1.17. Quantos produtos podemos obter se tomarmos 3 fatores distintos escolhidos
entre 2,3,5,7 e 11?

Exercı́cio 1.18. Um time de futebol de salão deve ser escalado a partir de um conjunto de 10
jogadores, entre eles Joaquim e Caio. Quantos times de 5 jogadores podem ser formados se Ari
e Arnaldo devem ser escalados necessariamente?

Exercı́cio 1.19. Considere 10 homens e 10 mulheres. Quantas comissões de 5 pessoas podemos


formar se em cada uma deve haver 3 homens e 2 mulheres?

Exercı́cio 1.20. Uma urna contém 10 bolas brancas e 6 pretas, todas marcadas com sı́mbolos
distintos. Quantos conjuntos de 7 bolas (retiradas desta urna) podemos formar de modo que pelo
menos 4 bolas do conjunto sejam pretas?

Exercı́cio 1.21. Em uma reunião, cada pessoa cumprimentou todas as outras, havendo ao todo
45 apertos de mão. Quantas pessoas haviam na reunião?

Exercı́cio 1.22. Um quı́mico possui 10 tipos diferentes de substâncias. De quantos modos


possı́veis poderá associar 6 diferentes tipos destas substâncias, sendo que dois tipos (somente)
não podem ser juntados pois produzem mistura explosiva?

Exercı́cio 1.23. Quantas diagonais tem um polı́gono regular de n lados?

Exercı́cio 1.24. Obter o número de maneiras que nove algarismos iguais a 0 e seis algarismos
iguais a 1 podem ser colocados em sequência de modo que dois uns não compareçam juntos.

Exercı́cio 1.25. Quantos subconjuntos de 5 cartas contendo exatamente 3 ases podem ser for-
mados de um baralho de 52 cartas?

Exercı́cio 1.26. A diretoria de uma firma é composta por 7 diretores brasileiros e 4 japoneses.
Quantas comissões podem ser formadas com 3 diretores brasileiros e 3 japoneses?

Exercı́cio 1.27. Em um grupo de 15 pessoas existem 5 médicos, 7 engenheiros e 3 advogados.


Selecionando pessoas neste grupo, quantas comissões de 5 pessoas podemos formar, de modo que
cada comissão seja constituı́da de 2 médicos, 2 engenheiros e 1 advogado?

Exercı́cio 1.28. Um homem possui 8 pares de meias distintos. De quantas formas ele pode
selecionar escolher dois pés de meia (um direito e um esquerdo) de modo que eles sejam de
pares diferentes?

Exercı́cio 1.29. Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9, quantos números de algarismos


distintos existem entre 500 e 1000?

Exercı́cio 1.30. Com os algarismos 1, 2, 3, 4, 5 e 6, quantos números pares de 3 algarismos


distintos podemos formar?

Exercı́cio 1.31. Quantos números pares de 3 algarismos podemos formar com os algarismos 1,
3, 6, 7, 8 e 9?

Exercı́cio 1.32. Suponhamos que todos os números obtidos a partir da permutação dos alga-
rismos 1,2,4,6 e 8 foram dispostos em ordem crescente. Qual posição ocupa o número 68412?

Joaquim Neto www.ufjf.br/joaquim neto página 18 de 114


1.9 Respostas dos exercı́cios
1.1) 20 × 18 × 25 =9000.
1.2) 20 × 19 × 18 =6840.
1.3) 10 × 9 × 8 =720.
1.4) 6! − 2 × 5! =480.
1.5) 90 − 18 =72.
1.6) 3 × 2 × 4 × 3 × 2 × 1 =144.
1.7) 4 × 3 × 3 × 2 =72.
1.8) 94 − 9 × 8 × 7 × 6 =3537.
1.9) 5! × 5! × 2 =28800.
1.10) 2 × 9! =725760.
1.11) a) 4! × 5! × 6 =17280; b) 4! × 5! × 2 =5760.
1.12) 4! × 11! × 12 =11496038400.
8!
1.13) 2!2! =10080.
5!
1.14) 3!2! =10.
1.15) 7!
4! =210.
20!
1.16) 10!10! =184756.
1.17) C5,3 =10.
1.18) C8,3 =56.
1.19) C10,3 × C10,2 =5400.
1.20) C6,4 × C10,3 + C6,5 × C10,2 + C6,6 × C10,1 =2080.
1.21) Cn,2 = 45 ⇒ n =10.
1.22) C10,6 − C8,4 =140.
1.23) Cn,2 − n = n(n−3)
2 .
1.24) C10,6 =210.
1.25) C4,3 × C48,2 =4512.
1.26) C7,3 × C4,3 =140.
1.27) C5,2 × C7,2 × C3,1 =630.
1.28) 8 × 7 + 8 × 7 =112.
1.29) 5 × 8 × 7 =280.
1.30) 3 × 5 × 4 =60.
1.31) 2 × 6 × 6 =72.
1.32) 3 × 4! + 3 × 3! + 2 × 2! + 1 =95.

Joaquim Neto www.ufjf.br/joaquim neto página 19 de 114


Joaquim Neto www.ufjf.br/joaquim neto página 20 de 114
Introdução à probabilidade
www.ufjf.br/joaquim neto

2.1 Espaço amostral


Definição 2.1. Suponhamos um experimento realizado sob certas condições fixas. O espaço amostral
Ω do experimento é um conjunto que contém representações de todos os resultados possı́veis,
onde por “resultado possı́vel”, entende-se resultado elementar e indivisı́vel do experimento. Ω
deve satisfazer as seguintes condições:

ˆ A todo resultado possı́vel corresponde um, e somente um, elemento ω ∈ Ω.

ˆ Resultados distintos correspondem a elementos distintos em Ω, ou seja, ω ∈ Ω não pode


representar mais de um resultado.

Resultados
𝜴

o
possíveis

et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w

Exemplo 2.1. Considere um experimento que consiste em arremessar dois dados e observar os
números obtidos nas faces voltadas para cima. Defina um espaço amostral para este experimento.
Solução: Não é difı́cil encontrar quem defina Ω = {1, 2, 3, 4, 5, 6} como espaço amostral deste
experimento. No entanto, esta definição está incorreta, pois no experimento são arremessados
dois dados e não um. Lembre-se que o espaço amostral deve conter representações de todos os
resultados possı́veis do experimento. Um espaço amostral para este experimento é

Ω = {(1, 1), (1, 2), ..., (1, 6),


(2, 1), (2, 2), ..., (2, 6),
(3, 1), (3, 2), ..., (3, 6),
(4, 1), (4, 2), ..., (4, 6),
(5, 1), (5, 2), ..., (5, 6),
(6, 1), (6, 2), ..., (6, 6)}.

Exemplo 2.2. Considere um experimento que consiste em selecionar ao acaso a altura de um


habitante do estado de Minas Gerais. Quais os resultados possı́veis deste experimento? Supondo
que não exista uma altura máxima, talvez seja razoável assumir Ω = (0, ∞). Evidentemente,

Joaquim Neto www.ufjf.br/joaquim neto página 21 de 114


este conjunto contém todos os resultados possı́veis e também resultados impossı́veis, tais como
1 milhão ou 1 bilhão de metros. Outros candidatos para Ω seriam, por exemplo, os intervalos
(0, 3) e [1/10, 3].

Exemplo 2.3. Considere um experimento que consiste em escolher aleatoriamente um ponto


do cı́rculo de raio unitário centrado na origem do sistema cartesiano. Neste caso, temos

Ω = {(x, y) ∈ R2 : x2 + y 2 ≤ 1}.

2.2 Eventos
Quando se realiza um experimento, há certos eventos que ocorrem ou não. Por exemplo, ao
jogar um dado e observar o resultado, alguns eventos são:

ˆ observar um número par,

ˆ observar o número 2 e

ˆ observar um número maior ou igual a 4.

Todo evento associado à um experimento pode ser identificado a um subconjunto do espaço


amostral Ω. Reciprocamente, todo subconjunto A de Ω pode ser associado a um evento. Assim,
podemos associar

ˆ o conjunto {2, 4, 6} ao evento observar um número par e

ˆ o conjunto {4, 5, 6} ao evento observar um número maior ou igual a 4.

Definição 2.2. Seja Ω o espaço amostral do experimento. Todo subconjunto A ⊂ Ω será cha-
mado evento.

ˆ Ω é o evento certo.

ˆ ∅ é o evento impossı́vel.

ˆ Para ω ∈ Ω, o evento {ω} é dito elementar (ou simples).

ˆ Eventos com uma atribuição de probabilidade são chamados de eventos aleatórios.

Definição 2.3. O complementar de um evento A, denotado por Ac , é o conjunto formado


pelos elementos de Ω que não pertencem à A. Assim, Ac = {ω ∈ Ω : ω ∈
/ A}.

𝜴 𝜴
o
et
_n

𝑨 𝑨
m
ui
aq
o
r/j
.b
fjf

𝑨𝒄
.u
w
w
w

Joaquim Neto www.ufjf.br/joaquim neto página 22 de 114


2.3 Definições de probabilidade
Há várias interpretações da probabilidade. A seguir, veremos as quatro mais importantes.

2.3.1 Probabilidade clássica


Definição 2.4. Se Ω é finito, a definição clássica da probabilidade P (A) de um evento A ⊂ Ω
é dada por
#A número de elementos de A
P (A) = = .
#Ω número de elementos de Ω
Obs: Esta definição basea-se no conceito de resultados equiprováveis, ou melhor, no princı́pio
da indiferença. Por exemplo, em um experimento que consiste em lançar um dado e observar
o resultado, podemos usar Ω = {1, 2, ..., 6} e, diante da indiferença entre os resultados, temos
P (i) = 61 , ∀i ∈ Ω.

Exemplo 2.4. Suponhamos um experimento que consiste em retirar uma carta em um baralho.
Usando a definição clássica de probabilidade, qual é a probabilidade de tirar um 7?
Solução: Seja Ω = {A♥, 2♥, ..., J♣, K♣} o espaço amostral e A = {7♣, 7♦, 7♥, 7♠} o
evento de interesse. Assim,
#A 4
P (A) = = .
#Ω 52

2.3.2 Probabilidade frequentista


Definição 2.5. A definição frequentista baseia-se na freqüência relativa de um número
grande de realizações do experimento. Mais especificamente, definimos a probabilidade P (A)
de um evento A usando o limite da frequência relativa da ocorrência de A em n repetições
independentes1 do experimento, com n tendendo ao infinito, ou seja,
 
1 número de ocorrências de A em n realizações
P (A) = lim × .
n→∞ n independentes do experimento

Obs: A grande dificuldade da definição frequentista é que os experimentos nunca são realizados
infinitas vezes, logo não há como avaliar a probabilidade de forma estrita.
Número de sucessos / número de realizações

o
1.0

et


_n



0.8

im



qu



0.6






●●●●●●●

● ●
●●
●●
●●
●●

●●



●●



●●


●●●
●●
●●

●●

●●●●●●

● ●●● ● ● ● ●
●● ● ● ● ●●● ●● ●
oa


●●


●●

●●


●●



●●



●●

●●


●●


●●


●●



●●



●●


●●




●●


●●


●●


●●



●●

●●


●●




●●



●●

●●


●●


●●
●●




●●



●●

●●


●●


●●


●●

●●

●●



●●

●●

●●

●●

●●

●●


●●



●●●●
●●


●●
●●


●●

●●
●●

●●

●●

●●
●●
●●


●●


●●

●●

●●

●●
●●
●●
●●

●●

●●


●●

●●

●●


●●●

● ●



●●
●●


●●



●●



●●

●●
●●


●●


●●





●●


●●





●●

●●



●●


●●



●●



●●




●●




●●




●●


●●





●●



●●



●●




●●


●●



●●



●●





●●



●●




●●




●●





●●


●●


●●





●●




●●




●●



●●




●●



●●



●●




●●





●●




●●




●●




●●



●●






●●




●●



●●





●●



●●




●●




●●





●●




●●




●●


●●




●●





●●




●●





●●





●●



●●



●●



●●


●●




●●




●●



●●




●●






●●●


●●
●●


●●


●●
●●


●●



●●

●●

●●
●●



●●


●●



●●


●●


●●

●●


●●

●●


●●

●●



●●


●●


●●

●●




●●
●●



●●

●●



●●


●●



●●

●●

●●
●●

●●


●●
●●

●●

●●
●●●


●●
●●


●●


●●


●●
●●


●●
●●

●●

●●
●●
●●
●●
●●
●●

●●
●●
●●

●●●●
●●
●●
●●



●●●

●●
●●

●●




●●●



●●



●●
●●

●●
●●

●●


●●

●●


●●

●●

●●
●●
●●● ●●● ●● ●
● ●

● ●
●●●

●●

●●●
●●●●
0.4


● ●
●●
r/j





.b



0.2


fjf


.u
w

0 1000 2000 3000 4000 5000


w

Número de realizações
w

Figura 1: Número de arremessos de uma moeda honesta versos proporções de coroas obtidas.
1
Mais adiante vamos formalizar o conceito de independência.

Joaquim Neto www.ufjf.br/joaquim neto página 23 de 114


10 arremesos 100 arremesos

o
Proporções

Proporções

et
aq 0.0 0.8
0.8

_n
0.0

m
1 3 5 1 3 5

ui
Resultados Resultados

o
r/j
200 arremesos 1000 arremesos

.b
Proporções

Proporções
w 0.0 0.8

0.0 0.8
fjf
.u
w

1 3 5 1 3 5
Resultados Resultados
w

Figura 2: Proporção de resultados em 10, 100, 200 e 1000 arremessos de um dado.

2.3.3 Probabilidade geométrica

Definição 2.6. Consideremos um experimento que consiste em escolher um ponto ao acaso em


uma região Ω ⊂ Rp . A definição geométrica da probabilidade P (A) de um evento A ⊂ Ω é
dada por

volume de A
P (A) = .
volume de Ω

Obs: Naturalmente, em espaços unidimensionais (p = 1) o volume é substituı́do por compri-


mento e em espaços bidimensionais (p = 2), por área.

Exemplo 2.5. O jogo de franc-carreau foi estudado pela primeira vez em 1733 pelo natura-
lista e matemático francês Georges-Louis Leclerc e é apresentado por Badizé et al. (1996) como
uma proposição para introdução às probabilidades. O jogo consiste em lançar uma moeda em
um piso de azulejos de forma quadrada. Os jogadores então apostam se a moeda irá parar com-
pletamente sobre um único azulejo, posição chamada “franc-carreau”, ou sobrepor algum trecho
do rejunte (junção dos azulejos). Em uma região com n azulejos de lado igual a b centı́metros,
qual é a probabilidade de uma moeda de raio r centı́metros parar em posição “franc-carreau”?
Solução:

Joaquim Neto www.ufjf.br/joaquim neto página 24 de 114


o geométrica e a resolução
a, que consiste em considerar
D C
quadrados EFGH e ABCD,

o
H G

et
_n
FGH representa o conjunto de

m
ui
aq
ucesso”, enquanto que ABCD r

o
P

b r/j
esse ponto P.

jf.
(b-2r)

f
.u
E F

w
w
vo de contagem N para iniciar A b B

w
dos em númeroCada
suficientemente
localização possı́vel para a moeda pode ser caracterizada pelo seu ponto central. Na
figura acima, o quadrado de vértices A, B, C e D ilustra um azulejo e a circunferência de centro
obtidos. Esta
P esimulação é feita
raio r ilustra a moeda. Repare que a moeda estará localizada completamente sobre o azulejo
(posição “franc-carreau”) se, e somente se, seu centro estiver no interior do quadrado de vértices
que permitem
E, F, Ga e diferenciação
H. Assim, usando a definição geométrica, a probabilidade procurada é

n(b − 2r)2 (b − 2r)2


a figura que foi proposta nesta nb2
=
b2
.

quando o resultado é do Para


tipoexplorar um aplicativo deste jogo, acesse
http://www.ufjf.br/joaquim_neto/aplicativos.
po “fracasso”. Estes resultados
eridos para 2.3.4
a planilha Excel,subjetiva
Probabilidade na
m dentro de Definição
EFGH 2.7. assim como,subjetiva de probabilidade baseia-se em crenças e/ou informações
A definição
do observador a respeito do fenômeno em estudo.

Exemplo 2.6. Consideremos o evento A =“chove em Moscou”. Para alguém em Minas Gerais
podemos ter a seguinte avaliação: P (A) = 0, 5. Para alguém de Leningrado, podemos ter P (A) =
0, 8 se chove em Leningrado e P (A) = 0, 3 se não chove em Leningrado. Para alguém de Moscou,
P (A) = 1 se está chovendo em Moscou e P (A) = 0 se não está chovendo em Moscou.

2.4 Teoria dos conjuntos: revisão de conceitos


Definição 2.8. Os conjuntos da sequência (finita ou enumerável) A1 , A2 , ... são disjuntos 2 a 2,
se Ai ∩ Aj = ∅, ∀i 6= j.

𝜴
o
et

𝑨𝟏 𝑨𝟐
_n
im

𝑨𝟒
qu
oa

𝑨𝟑
r/j

𝑨𝟓
.b
fjf
.u
w
w
w

Joaquim Neto www.ufjf.br/joaquim neto página 25 de 114


Definição 2.9. O conjunto das partes P(A) de um conjunto A é definido por

P(A) = {B|B ⊂ A}.

Exemplo 2.7. Se A = {3, 5, 7}, então

P(A) = {{3}, {5}, {7}, {3, 5}, {3, 7}, {5, 7}, {3, 5, 7}, ∅}.

2.5 Axiomas de probabilidade e espaço de probabilidade


Não vamos nos preocupar, doravante, com o problema de como definir probabilidade para
cada experimento. Simplesmente, vamos admitir que as probabilidades estão definidas em um
certo conjunto A 2 de eventos, chamados de eventos aleatórios. Vamos supor que a todo A ∈ A
seja associado um número real P (A), chamado de probabilidade de A, de modo que os axiomas
a seguir sejam satisfeitos.

ˆ Axioma 1: P (A) ≥ 0, ∀A ∈ A .

ˆ Axioma 2: P (Ω) = 1.

ˆ Axioma 3: Se A1 , A2 , ... ∈ A são disjuntos 2 a 2, então


∞ ∞
!
[ X
P An = P (An ).
n=1 n=1

Definição 2.10. Um espaço de probabilidade é um trio (Ω, A , P ), onde

ˆ Ω é um conjunto não vazio,

ˆ A é um conjunto de eventos aleatórios e

ˆ P é uma probabilidade em A .
e to
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w

2
Geralmente usamos A = P(Ω). Para saber mais sobre condições que A deve satisfazer, consulte James
(1981).

Joaquim Neto www.ufjf.br/joaquim neto página 26 de 114


2.6 Principais resultados
2.6.1 Probabilidade do vazio
Resultado 2.1. P (∅) = 0.
Prova: Temos que
P (Ω) = P (Ω ∪ ∅ ∪ ∅ ∪ ...) ⇒
P (Ω) = P (Ω) + P (∅) + P (∅) + ... ⇒
0 = P (∅) + P (∅) + ... ⇒
P (∅) = 0.

2.6.2 Probabilidade da união finita de eventos disjuntos 2 a 2


Resultado 2.2. Se A1 , A2 , ..., An ∈ A são eventos aleatórios disjuntos 2 a 2 então
n n
!
[ X
P Ai = P (Ai ).
i=1 i=1

Prova: Fazendo Ai = ∅ ∀i ∈ {n + 1, n + 2, ...}, temos que


n ∞
! !
[ [
P Ai = P Ai = (pelo axioma 3) =
i=1 i=1

X n
X ∞
X
= P (Ai ) = P (Ai ) + P (Ai )
i=1 i=1 i=n+1
Xn X∞
= P (Ai ) + P (∅) = (pelo resultado anterior) =
i=1 i=n+1
Xn X∞ n
X
= P (Ai ) + 0= P (Ai ).
i=1 i=n+1 i=1

2.6.3 Probabilidade do evento complementar


Resultado 2.3.
P (Ac ) = 1 − P (A), ∀A ∈ A .
Prova: Temos que

Ω = A ∪ Ac ⇒
⇒ P (Ω) = P (A ∪ Ac ) ⇒ (aplicando os axiomas 2 e 3) ⇒
⇒ 1 = P (A) + P (Ac ) ⇒
⇒ P (A) = 1 − P (Ac ).

2.6.4 Probabilidade de eventos aninhados


Resultado 2.4. ∀A, B ∈ A ,
A ⊂ B ⇒ P (A) ≤ P (B).

Joaquim Neto www.ufjf.br/joaquim neto página 27 de 114


Prova: Pelo axioma 1, temos que P (B ∩ Ac ) ≥ 0. Assim,

P (B ∩ Ac ) ≥ 0 ⇒
⇒ P (B ∩ Ac ) + P (A) ≥ P (A) ⇒ (pelo axioma 3) ⇒
⇒ P ((B ∩ Ac ) ∪ A) ≥ P (A) ⇒
⇒ P (B) ≥ P (A).

2.6.5 Probabilidade entre 0 e 1


Resultado 2.5.
0 ≤ P (A) ≤ 1, ∀A ∈ A
Prova: Como A ⊂ Ω, aplicando o resultado 2.4, temos que

P (A) ≤ P (Ω) ⇒ (pelo axioma 2) ⇒ P (A) ≤ 1.

Além disso, pelo axioma 1, P (A) ≥ 0. Logo 0 ≤ P (A) ≤ 1.

2.6.6 Probabilidade da subtração


Resultado 2.6. ∀A, B ∈ A ,

P (A ∩ B c ) = P (A) − P (A ∩ B).

Prova: Temos que

(A ∩ B c ) ∪ (A ∩ B) = A ⇒
⇒ P ((A ∩ B c ) ∪ (A ∩ B)) = P (A) ⇒
⇒ P (A ∩ B c ) + P (A ∩ B) = P (A) ⇒
⇒ P (A ∩ B c ) = P (A) − P (A ∩ B) .

Obs: Em alguns livros o evento A ∩ B c é definido como A − B. Aqui não adotamos esta
notação para evitar confusões entre a subtração de probabilidades e a subtração de conjuntos.

2.6.7 Desigualdade de Boole


Resultado 2.7. Supondo que A1 , A2 , A3 , ... são eventos aleatórios,
∞ ∞
!
[ X
P Ai ≤ P (Ai ).
i=1 i=1

Prova: Consideremos a seguinte sequência de eventos

B 1 = A1
B2 = A2 ∩ Ac1
B3 = A3 ∩ (A1 ∪ A2 )c
..
.
Bi = Ai ∩ (A1 ∪ ... ∪ Ai−1 )c
..
.

Joaquim Neto www.ufjf.br/joaquim neto página 28 de 114


Note que esta sequência é de eventos disjuntos 2 a 2. Além disso, temos que Bi ⊂ Ai , o que
implica P (Bi ) ≤ P (Ai ). Deste modo, temos que
∞ ∞
! !
[ [
P Ai = P Bi = (pelo axioma 3) =
i=1 i=1

X ∞
X
= P (Bi ) ≤ P (Ai )
i=1 i=1

Resultado 2.8. Supondo que A1 , A2 , ..., An são eventos aleatórios, temos que
n n
!
[ X
P Ai ≤ P (Ai ),
i=1 i=1

Prova: Análoga à prova do resultado anterior.

2.6.8 Probabilidade da união de 2 eventos


Resultado 2.9. Se A e B forem eventos quaisquer, então
P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

o
et
A B
_n
A B A B A B
im
qu

P =P +P -P
oa
r/j
.b
fjf
.u
w
w
w

Prova:

P (A ∪ B) = P ((A ∩ B c ) ∪ B)
= (repare que A ∩ B c e B são disjuntos) =
= P (A ∩ B c ) + P (B)
= P (A) − P (A ∩ B) + P (B).

2.6.9 Probabilidade da união de 3 eventos


Resultado 2.10. Se A, B e C forem eventos quaisquer, então
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C).
Prova:
P (A ∪ B ∪ C) = (pelo resultado 2.9) = P (A ∪ B) + P (C) − P ((A ∪ B) ∩ C)
= (pelo resultado 2.9) =
= P (A) + P (B) + P (C) − P (A ∩ B) − P ((A ∪ B) ∩ C)
= P (A) + P (B) + P (C) − P (A ∩ B) − P ((A ∩ C) ∪ (B ∩ C))
= (pelo resultado 2.9) =
= P (A) + P (B) + P (C) − P (A ∩ B)
− P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C) .

Joaquim Neto www.ufjf.br/joaquim neto página 29 de 114


2.6.10 Probabilidade da união finita
Resultado 2.11. Supondo uma sequência A1 , A2 , ..., An de eventos aleatórios, temos que
n
X n
X
P (A1 ∪ A2 ∪ ... ∪ An ) = P (Ai ) − P (Ai ∩ Aj )
i=1 i<j=2
Xn
+ P (Ai ∩ Aj ∩ Ar ) + ...
i<j<r=3
n−1
+ (−1) P (A1 ∩ A2 ∩ ... ∩ An ) .

Prova: Por indução finita.


Obs: Os dois últimos resultados são casos particulares deste resultado.

2.6.11 Outros resultados


Resultado 2.12. Sejam A, B ∈ A .

Se P (B) = 1 então P (A) = P (A ∩ B).

Prova: Como B ⊂ (A ∪ B), pelo resultado 2.4, P (B) ≤ P (A ∪ B), o que implica 1 ≤
P (A ∪ B) ≤ 1, ou seja, P (A ∪ B) = 1. Pelo resultado 2.9, temos ainda que

P (A ∪ B) = P (A) + P (B) − P (A ∩ B) ⇒
⇒ 1 = P (A) + 1 − P (A ∩ B) ⇒
⇒ P (A ∩ B) = P (A).

2.7 Probabilidade condicional e principais teoremas


2.7.1 Probabilidade condicional
Definição 2.11. Seja (Ω, A , P ) um espaço de probabilidade. Se B ∈ A e P (B) > 0, a
probabilidade condicional de A ∈ A dado B é definida por

P (A ∩ B)
P (A|B) = .
P (B)

Obs:

ˆ Se P (B) = 0, P (A|B) pode ser arbitrariamente definida. Mas, por independência, é


conveniente fazer P (A|B) = P (A), como veremos adiante.

ˆ Decorre da definição que P (A ∩ B) = P (B)P (A|B) e esta igualdade também é válida


quando P (B) = 0 (verifique!).

Exemplo 2.8. Suponhamos que uma fábrica possui 310 máquinas de soldar. Algumas destas
máquinas são elétricas (E), enquanto outras são manuais (M). Por outro lado, temos também
que algumas são novas (N) e outras são usadas (U). A tabela abaixo informa o número de
máquinas de cada categoria.

Joaquim Neto www.ufjf.br/joaquim neto página 30 de 114


Elétricas Manuais Totais
Novas 10 60 70
Usadas 200 40 240
Totais 210 100 310

a) Sabendo que uma determinada peça foi soldada usando uma máquina nova, qual é a
probabilidade (clássica) de ter sido soldada por uma máquina elétrica?
b) Sabendo que uma determinada peça foi soldada usando uma máquina elétrica, qual é a
probabilidade (clássica) de ter sido soldada por uma máquina nova?
Solução:
a)
P (E ∩ N ) #(E ∩ N ) 10
P (E | N ) = = = = 0, 1428571.
P (N ) #N 70

b)
P (N ∩ E) #(N ∩ E) 10
P (N | E) = = = = 0, 04761905.
P (E) #E 210

Resultado 2.13. Uma probabilidade condicional dado um evento B qualquer é uma probabili-
dade.
Solução:
Para mostrar que a probabilidade condicional é uma probabilidade, devemos verificar que

ˆ P (A | B) ≥ 0, ∀A ∈ A ,

ˆ P (Ω | B) = 1 e que

ˆ se A1 , A2 , ... ∈ A são disjuntos 2 a 2, então

∞ ∞
!
[ X
P Ai B = P (Ai |B).


i=1 i=1

Vamos verificar então as condições acima.

ˆ Como P (A | B) = P P(A∩B)(B) , com P (A ∩ B) ≥ 0 e P (B) > 0, temos que P (A | B) ≥ 0 e a


1ª condição foi satisfeita.
P (Ω∩B) P (B)
ˆ Temos também que P (Ω | B) = P (B) = P (B) = 1 e a segunda condição foi satisfeita.

ˆ Por fim, temos


 ∞   ∞ 
S S

! P
Ai ∩B P (Ai ∩ B)
i=1 i=1
[
P Ai B = = = (pelo axioma 3) =

P (B) P (B)
i=1

P
P (Ai ∩ B) ∞ ∞
i=1
X P (Ai ∩ B) X
= = = P (Ai |B).
P (B) P (B)
i=1 i=1

Joaquim Neto www.ufjf.br/joaquim neto página 31 de 114


2.7.2 Teorema da multiplicação
Teorema 2.1 (teorema da multiplicação). Seja (Ω, A , P ) um espaço de probabilidade com
A1 , A2 , ..., An ∈ A . Então

P (A1 ∩ A2 ∩ ... ∩ An ) = P (An |A1 ∩ ... ∩ An−1 )


× P (An−1 |A1 ∩ ... ∩ An−2 )
× ...×
× P (A2 |A1 ) P (A1 )
Prova: Por indução finita.
Obs: Especificamente, para n = 2, temos

P (A1 ∩ A2 ) = P (A2 | A1 )P (A1 ) = P (A1 | A2 )P (A2 ).

2.7.3 Partição de um conjunto


Definição 2.12. Uma sequência A1 , A2 , ... finita ou enumerável de conjuntos é uma partição
de um conjunto A quando

ˆ for uma sequência de conjuntos disjuntos 2 a 2 e

ˆ
S
Ai = A.
i
o

𝑨𝟐
et
_n

𝑨𝟏
im
qu

𝑨𝟑
oa
r/j
.b
fjf

𝑨𝟓 𝑨𝟒
.u
w
w
w

2.7.4 Teorema da probabilidade total


Teorema 2.2 (teorema da probabilidade total). Seja (Ω, A , P ) um espaço de probabilidade.
Se a sequência (finita ou enumerável) A1 , A2 , ... ∈ A formar uma partição de Ω, então
X
P (B) = P (B|Ai ) P (Ai ).
i
o

𝑨𝟐
et
_n

𝑨𝟏 𝑩
im
qu

𝑨𝟑
oa
r/j
.b
fjf

𝑨𝟓 𝑨𝟒
.u
w
w
w

Joaquim Neto www.ufjf.br/joaquim neto página 32 de 114


Prova: !
[
P (B) = P (B ∩ Ai ) = (pelo axioma 3) =
i
X X
= P (B ∩ Ai ) = P (B|Ai ) P (Ai ).
i i

Exemplo 2.9. Uma empresa produz circuitos em três fábricas, denotadas por I, II e III. A
fábrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As proba-
bilidades de que um circuito produzido por essas fábricas não funcione são 0, 01, 0, 04 e 0, 03
respectivamente. Escolhido ao acaso um circuito da produção conjunta das três fábricas, qual é
a probabilidade do circuito não funcionar?
Solução: Consideremos os eventos

ˆ A1 =”o circuito foi produzido pela fábrica I”,

ˆ A2 =”o circuito foi produzido pela fábrica II”,

ˆ A3 =”o circuito foi produzido pela fábrica III”e

ˆ B =”o circuito não funciona”.

Primeiro repare que os conjuntos A1 , A2 e A3 formam uma partição do espaço amostral.


Assim, aplicando o teorema da probabilidade total, temos que
P (B) = P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 )
= 0, 01 × 0, 4 + 0, 04 × 0, 3 + 0, 03 × 0, 3 = 0, 025.

2.7.5 Teorema de Bayes


Teorema 2.3 (teorema de Bayes). Seja (Ω, A , P ) um espaço de probabilidade. Se a sequência
(finita ou enumerável) A1 , A2 , ..., ∈ A formar uma partição de Ω, então
P (B|Ai ) P (Ai )
P (Ai |B) = P .
P (B|Aj ) P (Aj )
j
o

𝑨𝟐
et
_n

𝑨𝟏 𝑩
im
qu

𝑨𝟑
oa
r/j
.b
fjf

𝑨𝟓 𝑨𝟒
.u
w
w
w

Prova:
P (Ai ∩ B) P (B|Ai ) P (Ai )
P (Ai |B) = =
P (B) P (B)
= (pelo teorema da probabilidade total) =
P (B|Ai ) P (Ai )
=P .
P (B|Aj ) P (Aj )
j

Joaquim Neto www.ufjf.br/joaquim neto página 33 de 114


Exemplo 2.10. Uma empresa produz circuitos em três fábricas, denotadas por I, II e III.
A fábrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As
probabilidades de que um circuito produzido por essas fábricas não funcione são 0, 01, 0, 04 e
0, 03 respectivamente. Um circuito é escolhido ao acaso da produção conjunta das três fábricas.
Dado que o circuito escolhido não funciona, qual é a probabilidade do circuito ter sido produzido
pela fábrica I?
Solução: Consideremos os eventos

ˆ A1 =”o circuito foi produzido pela fábrica I”,

ˆ A2 =”o circuito foi produzido pela fábrica II”,

ˆ A3 =”o circuito foi produzido pela fábrica III”e

ˆ B =”o circuito não funciona”.

Primeiro repare que os conjuntos A1 , A2 e A3 formam uma partição do espaço amostral.


Assim, aplicando o teorema de Bayes, temos que
P (B|A1 ) P (A1 )
P (A1 |B) =
P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 )
0, 01 × 0, 4
= = 0, 16
0, 025

Exemplo 2.11. O problema de Monty Hall é um problema matemático que surgiu a partir
de um concurso televisivo dos Estados Unidos da América chamado Let’s Make a Deal, exibido
na década de 1970.
O jogo consiste no seguinte: Monty Hall (o apresentador) apresentava 3 portas aos concor-
rentes, sabendo que atrás de uma delas está um carro (prêmio bom) e que as outras têm prêmios
de pouco valor.
1. Na 1ª etapa o concorrente escolhe uma porta (que ainda não é aberta).

2. Em seguida, Monty abre uma das outras duas portas que o concorrente não escolheu,
sabendo que o carro não se encontra nela.

3. Agora, com duas portas apenas para escolher e sabendo que o carro está atrás de uma
delas, o concorrente tem que se decidir se permanece com a porta que escolheu no inı́cio
do jogo ou se muda para a outra porta que ainda está fechada.
Qual é a estratégia mais lógica? Ficar com a porta escolhida inicialmente ou mudar de porta?
Com qual das duas portas ainda fechadas o concorrente tem mais probabilidades de ganhar? Por
que?
o
et
_n
m
ui
q
oa
r/j
.b
fjf
.u
w
w
w

Para explorar jogos e aplicativos sobre o problema de Monty Hall, acesse


http://www.ufjf.br/joaquim_neto/aplicativos.

Joaquim Neto www.ufjf.br/joaquim neto página 34 de 114


Para assistir a videos sobre o problema de Monty Hall, acesse
http://www.ufjf.br/joaquim_neto/videos.

Para obter um código R que simula o problema de Monty Hall, acesse


http://www.ufjf.br/joaquim_neto/codigos.

Solução: Consideremos os eventos

ˆ A1 = “Carro está na primeira porta”,

ˆ A2 = “Carro está na segunda porta”,

ˆ A3 = “Carro está na terceira porta” e

ˆ B = “O apresentador abre a terceira porta”.

Naturalmente, iremos assumir P (B | A1 ) = 0, 5, P (B | A2 ) = 1 e P (B | A3 ) = 0. Assim,


pelo teorema da probabilidade total, temos

P (B) = P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 ) =


1 1 1 1 1
= · + 1 · + 0 · = = 0, 5
2 3 3 3 2
Agora, usando o teorema de Bayes, temos
1 1
P (B | A1 )P (A1 ) 2 × 3 1
P (A1 | B) = = 1 = ,
P (B) 2
3
1
P (B | A2 )P (A2 ) 1× 3 2
P (A2 | B) = = 1 = e
P (B) 2
3
1
P (B | A3 )P (A3 ) 0× 3
P (A3 | B) = = 1 = 0.
P (B) 2

Portanto, escolhendo trocar de porta a chance de ganhar o carro é maior.

2.7.6 Sensibilidade e especificidade


Suponhamos um exame médico qualquer com dois resultados possı́veis. Vamos assumir que
X = 1 quando o exame acusa a doença e que X = 0 caso contrário. Por outro lado, vamos usar
θ para indicar o verdadeiro estado do indivı́duo submetido ao exame, onde theta = 1 indica um
indivı́duo doente e θ = 0 indica um indivı́duo saudável.
Definição 2.13. A sensibilidade é a probabilidade de um exame acusar a doença dado que o
indivı́duo possui a doença, ou seja,

P (X = 1 | θ = 1)

Definição 2.14. A especifidade é a probabilidade de não acusar a doença dado que o indivı́duo
não tem a doença.
P (X = 0 | θ = 0)

Os médicos apóiam-se em exames laboratoriais para estabelecer diagnósticos e sabem que,


para tal, quanto maiores forem estas duas medidas, melhor é o teste.

Joaquim Neto www.ufjf.br/joaquim neto página 35 de 114


Exemplo 2.12. Uma pessoa vai ao médico reclamando de dores. O médico acredita que o
paciente pode ter uma determinada doença. Ele então examina o paciente cuidadosamente,
observa seus sintomas e assume subjetivamente que P (θ = 1) = 0, 6.
Para auxiliar o diagnóstico, ele prescreve um exame laboratorial. Vamos assumir que X = 1
quando o exame acusa a doença e X = 0 caso contrário. O exame fornece um resultado incerto
com as seguintes probabilidades
P (X = 0 | θ = 0) = 0, 90 (especificidade: exame não acusar sem a doença) e
P (X = 1 | θ = 1) = 0, 95 (sensibilidade: exame acusar com a doença) e
.

Dado que o exame acusou a doença (X = 1), qual é a probabilidade do paciente ter a doença?
Solução: Pelo teorema de Bayes, temos que

P (X = 1 | θ = 1)P (θ = 1)
P (θ = 1 | X = 1) =
P (X = 1 | θ = 1)P (θ = 1) + P (X = 1 | θ = 0)P (θ = 0)
0, 95 × 0, 6
= = 0, 9344262.
0, 95 × 0, 6 + 0, 1 × 0, 4

Exemplo 2.13. Recomenda-se que, a partir dos 40 anos, as mulheres façam mamografias anu-
ais. Nesta idade, aproximadamente uma em cada 100 mulheres são portadoras de um tumor
assintomático de mama.
Seja θ uma quantidade desconhecida que indica se uma paciente desta faixa etária tem a
doença ou não. Se ela possui a doença então θ = 1, caso contrário θ = 0. Assim, podemos
assumir que
P (θ = 1) = 0, 01 e P (θ = 0) = 0, 99.
Sabe-se que a mamografia indica a doença em 80% das mulheres com câncer de mama, mas
esse mesmo resultado ocorre também com 9,6% das mulheres sem o câncer. Assim, seja X uma
variável aleatória associada ao resultado da mamografia, de modo que se X = 1 o exame acusou
a doença e X = 0 caso contrário. Temos então que

P (X = 0 | θ = 0) = 0, 904 (especificidade: exame não acusar sem a doença) e


P (X = 1 | θ = 1) = 0, 80 (sensibilidade: exame acusar com a doença).

Imagine agora que você encontra uma amiga de 40 e poucos anos aos prantos, desesperada,
porque fez uma mamografia de rotina e o exame acusou a doença. Qual a probabilidade de ela
ter um câncer de mama?
Solução: Temos que

P (X = 1 | θ = 1)P (θ = 1)
P (θ = 1 | X = 1) =
P (X = 1 | θ = 1)P (θ = 1) + P (X = 1 | θ = 0)P (θ = 0)
0, 80 × 0, 01
= = 0, 07763975
0, 80 × 0, 01 + 0, 096 × 0, 99
Logo, a probabilidade dela ter a doença é de aproximadamente 7,8%.
Obs: Ao apresentar este problema a várias pessoas, inclusive estudantes de medicina, observa-
se uma tendência a superestimar a probabilidade a posteriori da doença. Isto revela que o raciocı́-
nio bayesiano não é intuitivo. Parece haver uma tendência geral a ignorar o fato de que a probabi-
lidade a priori de doença é pequena, fenômeno denominado “falácia da probabilidade de base”
pelo psicólogo norte-americano (de origem israelense) Daniel Kahneman, premiado com o No-
bel de Economia em 2002 por estudos sobre o comportamento de investidores. Num sentido
especı́fico: “as pessoas não são racionais”.

Joaquim Neto www.ufjf.br/joaquim neto página 36 de 114


2.8 Independência
Definição 2.15 (independência entre dois eventos). Dois eventos aleatórios A e B são
independentes quando
P (A ∩ B) = P (A)P (B).
Obs: Se os eventos A e B são independentes, então

P (A | B) = P (A) e P (B | A) = P (B).

Assim, se dois eventos forem independentes, a ocorrência de um deles não afeta a probabilidade
de ocorrência do outro.
Exemplo 2.14. Consideremos novamente o experimento que consiste em escolher um ponto
aleatoriamente no cı́rculo de raio unitário (centrado na origem do sistema cartesiano de coor-
denadas). Sejam A um evento formado pelos pontos que estão a menos de meia unidade de
distância da origem e B um evento formado pelos pontos que possuem primeira coordenada
maior que a segunda. Mostre que os eventos A e B são independentes.
Solução: Como
1 11 1
P (A ∩ B) = e P (A)P (B) = = ,
8 42 8
temos que P (A ∩ B) = P (A)P (B) e, consequentemente, os eventos são independentes.
Agora, vejamos dois modos de definir independência para 2 ou mais eventos: a independência
2 a 2 e a independência mútua.
Definição 2.16 (independência 2 a 2). Seja {Ai : i ∈ I} uma coleção de eventos aleatórios in-
dexada por um conjunto (de ı́ndices) I. Os eventos desta coleção são ditos independentes 2 a 2
se
P (Ai ∩ Aj ) = P (Ai )P (Aj ) ∀i, j ∈ I tais que i 6= j.

Definição 2.17 (independência mútua). Seja B = {Ai : i ∈ I} uma coleção de eventos


aleatórios indexada por um conjunto (de ı́ndices) I. Os eventos desta coleção são (mutuamente)
independentes se, para toda subfamı́lia finita {Ai1 , Ai2 , ..., Ain } de eventos em B, tivermos

P (Ai1 ∩ Ai2 ∩ ... ∩ Ain ) = P (Ai1 )P (Ai2 )...P (Ain )

As duas definições de independência formuladas acima são parecidas, porém não são equiva-
lentes. O resultado a seguir estabelece que uma coleção de eventos (mutuamente) independentes
é necessariamente uma coleção de eventos independentes 2 a 2. Porém, a recı́proca não é verda-
deira, conforme veremos no exemplo 2.15.
Resultado 2.14. Qualquer coleção B de eventos aleatórios (mutuamente) independentes é uma
coleção de eventos independentes 2 a 2.
Prova: Como B é uma coleção de eventos (mutuamente) independentes, para toda subfamı́lia
finita {Ai1 , Ai2 , ..., Ain } de eventos em B, temos que

P (Ai1 ∩ Ai2 ∩ ... ∩ Ain ) = P (Ai1 )P (Ai2 )...P (Ain ).

Em particular, para todas as subfamı́lias {Ai , Aj } com i 6= j, temos que

P (Ai ∩ Aj ) = P (Ai )P (Aj ).

Logo, B é uma coleção de eventos independentes 2 a 2.

Joaquim Neto www.ufjf.br/joaquim neto página 37 de 114


Exemplo 2.15. Suponhamos um experimento que consiste em jogar dois dados. Considere os
eventos:

ˆ A = {o primeiro dado mostra um número par},

ˆ B = {o segundo dado mostra um número ı́mpar},

ˆ C = {ambos os dados mostram números ı́mpares ou ambos mostram números pares}.

a) Os eventos acima são independentes 2 a 2?


b) Os eventos acima são mutuamente independentes?
Solução:
a) Para mostrar que os eventos são independentes 2 a 2, devemos verificar se

P (A ∩ B) = P (A)P (B), P (A ∩ C) = P (A)P (C) e P (B ∩ C) = P (B)P (C).

Primeiro, note que

ˆ P (A) = 3×6
6×6 = 0, 5,

ˆ P (B) = 6×3
6×6 = 0, 5,

ˆ P (C) = 3×3
6×6 + 3×3
6×6 = 0, 5,

ˆ P (A ∩ B) = 3×3
6×6 = 0, 25,

ˆ P (A ∩ C) = 3×3
6×6 = 0, 25 e

ˆ P (B ∩ C) = 3×3
6×6 = 0, 25.

Consequentemente,

ˆ P (A ∩ B) = 0, 25 = 0, 5 × 0, 5 = P (A)P (B),

ˆ P (A ∩ C) = 0, 25 = 0, 5 × 0, 5 = P (A)P (C) e

ˆ P (B ∩ C) = 0, 25 = 0, 5 × 0, 5 = P (B)P (C).

Logo os eventos são independentes 2 a 2.


b) Para mostrar que os eventos são (mutuamente) independentes, devemos verificar se

ˆ P (A ∩ B) = P (A)P (B),

ˆ P (A ∩ C) = P (A)P (C),

ˆ P (B ∩ C) = P (B)P (C) e

ˆ P (A ∩ B ∩ C) = P (A)P (B)P (C).

No item (a), verificamos que as 3 primeiras condições são verdadeiras e, portanto, falta
apenas avaliar se P (A ∩ B ∩ C) = P (A)P (B)P (C). Pelo item (a), temos ainda que P (A) =
P (B) = P (C) = 0, 5 e, consequentemente, P (A)P (B)P (C) = 0, 53 = 0, 125. Por outro lado,
A ∩ B ∩ C = ∅ e, consequentemente, P (A ∩ B ∩ C) = P (∅) = 0. Assim,

P (A ∩ B ∩ C) = P (∅) = 0 6= 0, 125 = P (A)P (B)P (C).

Logo, os eventos não são mutuamente independentes.

Joaquim Neto www.ufjf.br/joaquim neto página 38 de 114


Resultado 2.15. Se A e B forem acontecimentos independentes, também o serão
a) A e B c ,
b) Ac e B e
c) Ac e B c .
Solução:
a)

P (A ∩ B c ) = P (A) − P (A ∩ B) = P (A) − P (A)P (B) = P (A)(1 − P (B)) = P (A)P (B c ).

b)

P (Ac ∩ B) = P (B) − P (A ∩ B) = P (B) − P (A)P (B) = P (B)(1 − P (A)) = P (B)P (Ac ).

c)
P (Ac ∩ B c ) = P ((A ∪ B)c ) = 1 − P (A ∪ B)
= (pelo resultado 2.9) = 1 − (P (A) + P (B) − P (A ∩ B))
= 1 − P (A) − P (B) + P (A) P (B)
= (colocando − P (B) em evidência) =
= 1 − P (A) − P (B) (1 − P (A))
= (colocando 1 − P (A) em evidência) =
= (1 − P (A)) (1 − P (B)) = P (Ac ) P (B c ) .

Joaquim Neto www.ufjf.br/joaquim neto página 39 de 114


2.9
Descritor Descrição Palavra chave 2.9.1

Joaquim Neto
D2.1 Definir o espaço amostral de um experimento. Espaço amostral
D2.2 Usar a definição clássica para calcular probabilidades. Definição clássica
D2.3 Usar a definição geométrica para calcular probabilidades. Definição Geométrica
Descritores
Exercı́cios

D2.4 Identificar uma sequência de eventos disjuntos 2 a 2. Eventos disjuntos 2 a 2


Calcular probabilidades usando teoria dos conjuntos, axiomas, 
D2.5 resultados e teoremas não relacionados ao conceito de  Axiomas, resultados e teoremas
probabilidade condicional.
Usar a definição de probabilidade condicional para calcular 
D2.6 Probabilidade condicional
probabilidades.
D2.7 Usar o Teorema da Multiplicação para calcular probabilidades. Teorema da Multiplicação
Usar o Teorema da Probabilidade Total para calcular 
D2.8 Teorema da Probabilidade Total
probabilidades.
D2.9 Usar o Teorema de Bayes para calcular probabilidades. Teorema de Bayes

www.ufjf.br/joaquim neto
Provar ou fornecer contra exemplos para proposições de 
D2.10 probabilidade não relacionadas aos conceitos de probabilidade  Prova, proposições
condicional ou independência.
D2.11 Calcular probabilidades usando as definições de independência. Independência
Provar ou fornecer contra exemplos para proposições de 
D2.12 probabilidade relacionadas ao conceito de probabilidade  Prova, probabilidade condicional
condicional.
Provar ou fornecer contra exemplos para proposições de 
D2.13 Prova, independência
probabilidade relacionadas aos conceitos de independência.

Tabela 2.1: Descritores dos exercı́cios de introdução à probabilidade (matriz de referência).

página 40 de 114
2.9.2 Enunciados
Exercı́cio 2.1. (D2.2) Óleos de cozinha são produzidos em duas principais variedades: monoin-
saturados e polinsaturados. Duas matérias primas para óleos de cozinha são: milho e canola. A
tabela a seguir mostra o número de garrafas destes óleos em um supermercado.

Tipo de óleo
Canola Milho
Tipo de mono 7 13
insaturação poly 93 77

a) Se uma garrafa de óleo é selecionada aleatoriamente, qual a probabilidade (clássica) de ser


um óleo polinsaturado?

b) Se uma garrafa de óleo é selecionada aleatoriamente, qual a probabilidade (clássica) de ser


monoinsaturado de canola?

Exercı́cio 2.2. (D2.2) Qual é a probabilidade (clássica) de observar quatro números diferentes
ao lançar quatro dados?
Exercı́cio 2.3. (D2.2) Se 12 bolas são colocadas aleatoriamente em 20 caixas, qual é a proba-
bilidade (clássica) de nenhuma caixa receber mais do que uma bola?
Exercı́cio 2.4. (D2.2) Uma caixa contém 24 lampadas, das quais 4 são defeituosas. Se uma
pessoa seleciona 4 lampadas aleatoriamente desta caixa, qual é a probabilidade (clássica) das
quatro lampadas serem defeituosas?
Exercı́cio 2.5. (D2.2) Suponhamos que n pessoas irão se sentar aleatoriamente em n cadeiras
alinhadas em fila (de um teatro). Qual é a probabilidade (clássica) de duas pessoas em particular,
A e B, sentarem uma do lado da outra?
Exercı́cio 2.6. (D2.2) Suponhamos que k pessoas irão se sentar aleatoriamente em n cadeiras
alinhadas em fila (de um teatro). Qual é a probabilidade (clássica) de k pessoas ocuparem cadeiras
adjacentes?
Exercı́cio 2.7. (D2.2) Suponha que um comitê de 12 pessoas será selecionado aleatoriamente
dentre 100 pessoas. Qual é a probabilidade (clássica) de duas pessoas em particular, A e B,
serem selecionadas.
Exercı́cio 2.8. (D2.2) Uma caixa contém 24 lampadas, das quais 4 são defeituosas. Supo-
nhamos que uma pessoa seleciona 10 lampadas aleatoriamente e, em seguida, uma outra pessoa
seleciona as 14 lampadas restantes. Qual é a probabilidade (clássica) das 4 lampadas defeituosas
serem selecionadas pela mesma pessoa?
Exercı́cio 2.9. (D2.2) Um baralho contém 52 cartas e 4 ases. Se as cartas forem embaralhadas
e distribuı́das de maneira aleatória para 4 pessoas, de modo que cada pessoa receba 13 cartas,
qual é a probabilidade (clássica) dos 4 ases ficarem com a mesma pessoa?
Exercı́cio 2.10. (D2.2)
a) Suponha que os três dı́gitos do número 123 sejam escritos em ordem aleatória. Qual é
a probabilidade de que ao menos um dı́gito ocupe seu lugar próprio? b) Suponha que os quatro
dı́gitos do número 1234 sejam escritos em ordem aleatória. Qual é a probabilidade de que ao
menos um dı́gito ocupe seu lugar próprio?
Exercı́cio 2.11. (D2.2) Um fabricante de lâmpadas para faróis automotivos testa as lâmpa-
das sob condições de alta umidade e alta temperatura, usando a intensidade e vida útil como
parâmetros de interesse. A tabela abaixo mostra a performance de 130 lâmpadas.

Joaquim Neto www.ufjf.br/joaquim neto página 41 de 114


Vida útil
Satisfatório Insatisfatório
Intensidade Satisfatório 117 3
Insatisfatório 8 2

Qual é a probabilidade de uma lâmpada selecionada aleatoriamente ser insatisfatória sob pelo
menos um dos critérios?

Exercı́cio 2.12. (D2.2) Uma empresa efetuou um estudo sobre fraudes em cartões de crédito,
com resultados resumidos no quadro abaixo.

Tipo de fraude Quantidade


Cartão roubado 243
Cartão falsificado 85
Pedido por telefone 52
Outros 46

Selecionando aleatoriamente um caso de fraude nos casos resumidos acima, qual é a proba-
bilidade da fraude resultar de um cartão falsificado?

Exercı́cio 2.13. (D2.2) Uma mão de poker consiste na combinação de 5 cartas aleatórias de
um baralho comum de 52 cartas. Pesquise sobre o jogo de poker e responda:
a) Quantas mãos de poker são possı́veis?
b) Em uma mão de poker, qual é a probabilidade de se ter uma dupla (duas cartas com o
mesmo valor)?
c) Em uma mão de poker, qual é a probabilidade de se ter duas duplas?
d) Em uma mão de poker, qual é a probabilidade de se ter uma trinca (três cartas com o
mesmo valor)?
e) Em uma mão de poker, qual é a probabilidade de se ter um ”straight”(cinco cartas em
sequência)?
f ) Em uma mão de poker, qual é a probabilidade de se ter um ”flush”(cinco cartas do mesmo
naipe)?
g) Em uma mão de poker, qual é a probabilidade de se ter um ”full house”(uma trinca e uma
dupla)?
h) Em uma mão de poker, qual é a probabilidade de se ter uma quadra (quatro cartas com o
mesmo valor)?
i) Em uma mão de poker, qual é a probabilidade de se ter um ”straight flush”(cinco cartas
em sequência do mesmo naipe)?
j) Em uma mão de poker, qual é a probabilidade de se ter um ”royal straight flush”(10, J, Q,
K e Ás, todos do mesmo naipe)?

Exercı́cio 2.14. (D2.5) Sejam A e B dois eventos. Se P (A) = 0, 3, P (B) = 0, 2 e P (A ∩ B) =


0, 1, então calcule:

a) P (Ac ),

b) P (A ∪ B),

c) P (Ac ∩ B),

d) P (A ∩ B c ),

e) P ((A ∪ B)c ) e

f ) P (Ac ∪ B).

Joaquim Neto www.ufjf.br/joaquim neto página 42 de 114


Exercı́cio 2.15. (D2.5) Um empreiteiro apresentou orçamentos separados para a execução da
parte elétrica e da parte de encanamento de um edifı́cio. Ele acha que a probabilidade de ganhar
a concorrência da parte elétrica é de 50%. Caso ele ganhe a parte elétrica, a chance de ganhar
a parte de encanamento é de 3/4, caso contrário esta probabilidade é de 1/3.
a) Qual a probabilidade do empreiteiro ganhar os dois contratos?

b) Qual a probabilidade do empreiteiro ganhar apenas um?

c) Qual a probabilidade do empreiteiro perder a parte elétrica e perder a parte de encanamento?


Exercı́cio 2.16. (D2.5) Um certo tipo de motor elétrico falha se ocorrer uma das seguintes
situações: emperramento dos mancais, queima dos rolamentos ou desgaste das escovas. Suponha
que o emperramento seja duas vezes mais provável do que a queima, esta sendo quatro vezes mais
provável do que o desgaste das escovas. Qual é a probabilidade de que a falha seja devida a cada
uma dessas circunstâncias?
Exercı́cio 2.17. (D2.5) Suponha que A e B sejam eventos tais que P (A) = x, P (B) = y e
P (A ∩ B) = z. Exprima cada uma das seguintes probabilidades em termos de x, y e z.
a) P (Ac ∪ B c ).

b) P (Ac ∩ B).

c) P (Ac ∪ B).

d) P (Ac ∩ B c ).
Exercı́cio 2.18. (D2.5) Suponha que A, B, C sejam eventos tais que P (A) = P (B) = P (C) =
1/4, P (A ∩ B) = P (B ∩ C) = 0 e P (A ∩ C) = 1/8. Calcule a probabilidade de que ao menos um
dos eventos (A, B ou C) ocorra.
Exercı́cio 2.19. (D2.6) Uma caixa contém 4 válvulas defeituosas e 6 perfeitas. Duas válvulas
são extraidas juntas. Sabendo que uma delas é perfeita, qual é a probabilidade da outra válvula
também ser perfeita?
Exercı́cio 2.20. (D2.6 e D2.2) Em um lote de 100 chips semicondutores 20 são defeituosos.
Dois deles são selecionados ao acaso e sem reposição.
a) (D2.2) Qual é a probabilidade do primeiro chip selecionado ser defeituoso?

b) (D2.6 e D2.2) Qual é a probabilidade do segundo chip selecionado ser defeituoso, dado que
o primeiro deles é defeituoso?

c) (D2.6 e D2.2) Como a resposta do item (b) mudaria se os chips selecionados fossem repostos
antes da próxima seleção?
Exercı́cio 2.21. (D2.6 e D2.2) Amostras de uma peça de alumı́nio fundido são classificadas em
duas categorias de acabamento: “excelente” e “bom”. Uma outra classificação divide as peças em
duas categorias de comprimento: “excelente” e “bom”. A tabela abaixo exibe o número de peças
por categoria de um determinado lote:

Comprimento
Excelente Bom
Acabamento Excelente 75 7
da superfı́cie Bom 10 8

Suponhamos que uma peça é selecionada aleatoriamente deste lote.

Joaquim Neto www.ufjf.br/joaquim neto página 43 de 114


a) (D2.2) Qual é a probabilidade da peça ter um excelente acabamento na superfı́cie?

b) (D2.2) Qual é a probabilidade da peça ter um excelente comprimento?

c) (D2.6 e D2.2) Se a peça selecionada tiver excelente acabamento na superfı́cie, qual é a pro-
babilidade do comprimento ser excelente?

d) (D2.6 e D2.2) Se a peça selecionada tiver bom comprimento, qual é a probabilidade do aca-
bamento na superfı́cie ser excelente?

Exercı́cio 2.22. (D2.6 e D5) Um equipamento eletrônico é formado por 2 componentes, I e II.
Suponha que

ˆ a chance do componente I falhar é 0,20;

ˆ a chance de apenas o componente II falhar é 0,15 e

ˆ a chance de I e II falharem simultaneamente é 0,15.

a) (D2.5) Calcule a probabilidade de apenas o componente I falhar.


b) (D2.6 e D2.5) Calcule a probabilidade do componente I falhar dado que o componente II
falhou.

Exercı́cio 2.23. (D2.6 e D2.5) Uma montagem eletrônica é formada de dois subsistemas. Su-
pondo que a probabilidade do primeiro sistema falhar é igual a 0.20, que a probabilidade ambos
falharem é 0,15 e que a probabilidade do segundo sitema falhar sozinho é 0,15.

a) (D2.6) Calcule a probabilidade do primeiro sistema ter falhado dado que o segundo sistema
falhou.

b) (D2.5) Calcule a probabilide de ocorrer falha apenas no primeiro sistema.

Exercı́cio 2.24. (D2.6 e D2.5) Suponha que A e B sejam eventos, tais que P (A) = 13 , P (B) =
1 2 c c
5 e P (A | B) + P (B | A) = 3 . Calcule P (A ∪ B ).

Exercı́cio 2.25. (D2.8) Um operador de rádio envia pontos e traços com igual probabilidade,
mas devido a perturbações atmosféricas, os pontos são muitas vezes entendidos pelo receptor
como traços e vice-versa. Seja 51 a probabilidade de um ponto ser recebido como traço e 41 a
probabilidade de um traço ser recebido como ponto. Supondo que o receptor interpreta todos os
pontos aparentes como pontos verdadeiros (o mesmo valendo para os traços), qual é a probabili-
dade de haver um erro na transmissão?

Exercı́cio 2.26. (D2.8) A urna I contém x bolas brancas e y bolas vermelhas. A urna II contém
z bolas brancas e v bolas vermelhas. Uma bola é escolhida ao acaso da urna I e posta na urna
II. Em seguida, uma bola é escolhida ao acaso da urna II. Qual é a probabilidade desta bola ser
branca?

Exercı́cio 2.27. (D2.9) Suponha que temos duas urnas I e II, cada uma com duas gavetas.
A urna I contém uma moeda de ouro em uma gaveta e uma moeda de prata na outra gaveta,
enquanto a urna II contém uma moeda de ouro em cada gaveta. Uma urna é escolhida ao acaso
e, em seguida, uma de suas gavetas é aberta ao acaso. Sabendo que a moeda encontrada nesta
gaveta é de ouro, qual é a probabilidade de que a moeda provenha da urna II?

Exercı́cio 2.28. (D2.9) Um software que detecta fraudes em cartões telefônicos detecta o nú-
mero de áreas metropolitanas onde as chamadas são originadas a cada dia. São obtidos os
seguintes dados:

Joaquim Neto www.ufjf.br/joaquim neto página 44 de 114


- 1% dos usuários legı́timos chamam de duas ou mais áreas metropolitanas em um mesmo dia.

- 30% dos usuários fraudulentos chamam de duas ou mais áreas metropolitanas em um mesmo
dia.

- A proporção de usuários fraudulentos é de 0,01%.

Se um mesmo usuário faz chamadas de duas ou mais áreas metropolitanas em um mesmo


dia, qual é a probabilidade de que o usuário seja fraudulento?

Exercı́cio 2.29. (D2.9) Em uma fábrica de parafusos, as máquinas A, B e C produzem 25%,


35% e 40% do total, respectivamente. Da produção de cada máquina, 5%, 4% e 2%, respectiva-
mente, são parafusos defeituosos. Escolhe-se ao acaso um parafuso e verifica-se que é defeituoso.

a) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na máquina A?

b) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na máquina B?

c) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na máquina C?

Exercı́cio 2.30. (D2.9) Uma urna contém 4 bolas brancas e 6 bolas pretas. Duas bolas são
retiradas da urna sucessivamente e sem reposição. Determine a probabilidade da primeira bola
ser branca sabendo que a segunda bola é branca.

Exercı́cio 2.31. (D2.9) Suponha que 80% de todos os estatı́sticos sejam tı́midos, enquanto
apenas 15% de todos os economistas sejam tı́midos. Suponha também que 90% das pessoas em
um congresso sejam economistas e os outros 10% sejam estatı́sticos. Se você estiver no congresso
e conhecer, ao acaso, uma pessoa tı́mida, qual é a probabilidade de que ela seja um estatı́stico?

Exercı́cio 2.32. (D2.9 e D2.8) No design preliminar de produtos são utilizadas avaliações de
clientes. No passado, 95% dos produtos de alto sucesso receberam boas avaliações, 60% dos pro-
dutos de sucesso moderado receberam boas avaliações, e 10% dos produtos de pobre desempenho
receberam boas avaliações. Além disso, 40% dos produtos tiveram alto sucesso, 35% tiveram
sucesso moderado e 25% tiveram desempenho pobre.

a) (D2.8) Qual é a probabilidade de que o produto consiga uma boa avaliação?

b) (D2.9) Se um novo design obtém uma boa avaliação, qual a probabilidade de que ele tenha
alto sucesso?

c) (D2.9) Se um produto não recebe uma boa avaliação, qual é a probabilidade de que ele tenha
alto sucesso?

Exercı́cio 2.33. (D2.9 e D2.8) Um inspetor trabalhando para uma companhia de manufatura
tem uma probabilidade de 99% de identificar corretamente um item com defeito e 0,5% de pro-
babilidade de classificar incorretamente um produto bom como defeituoso. A companhia tem
evidências de que sua linha produz 0,9% de ı́tens defeituosos.

a) (D2.8) Qual é a probabilidade de um item selecionado para inspeção ser classificado como
defeituoso?

b) (D2.9) Se um item selecionado aleatoriamente é classificado como não-defeituoso, qual é a


probabilidade dele ser realmente bom?

Exercı́cio 2.34. (D2.10) Se A, B e C são eventos disjuntos dois a dois, é possı́vel ter P (A) =
0, 3, P (B) = 0, 4 e P (C) = 0, 5? Por que ou por que não?

Joaquim Neto www.ufjf.br/joaquim neto página 45 de 114


Exercı́cio 2.35. (D2.10) Prove que

P [(A ∩ B c ) ∪ (B ∩ Ac )] = P (A) + P (B) − 2P (A ∩ B) .

Exercı́cio 2.36. (D2.10) Sejam A e B dois eventos. Prove que

P (A ∩ B) ≤ P (A) ≤ P (A ∪ B) .

Exercı́cio 2.37. (D2.11 e D2.5) Um dado é lançado e, independentemente, uma carta é extraı́da
de um baralho completo (52 cartas).

a) (D2.11) Qual é a probabilidade de obter um número par no dado e uma carta de naipe
vermelho?

b) (D2.5 e D2.11) Qual é a probabilidade de obter um número par no dado ou uma carta de
naipe vermelho?

Exercı́cio 2.38. (D2.11 e D2.5) Suponha que A e B são eventos independentes associados a
um experimento. Se a probabilidade de A ou B ocorrerem for igual a 0,6 e a probabilidade da
ocorrência de A for igual a 0,4, determine a probabilidade da ocorrência de B.

Exercı́cio 2.39. (D2.11 e D2.5) Suponha que a probabilidade de se ganhar um certo jogo é de
1
50 . Se você jogá-lo 50 vezes, independentemente, qual é a probabilidade de ganhar pelo uma vez?

Exercı́cio 2.40. (D2.12) Suponha que P (A | B) > P (A). Prove que P (B | A) > P (B) ou
forneça um contra-exemplo.

Exercı́cio 2.41. (Não classificado ainda) Duas válvulas defeituosas se misturam com duas vál-
vulas perfeitas. As válvulas são selecionadas, uma a uma e sem reposição, até que ambas as
defeituosas sejam encontradas.

a) Qual é a probabilidade de encontrar a última válvula defeituosa no segundo ensaio?

b) Qual é a probabilidade de encontrar a última válvula defeituosa no terceiro ensaio?

c) Qual é a probabilidade de encontrar a última válvula defeituosa no quarto ensaio?

d) Some os números obtidos em (a), (b) e (c) acima. O resultado surprende?

Exercı́cio 2.42. (Não classificado ainda) Vinte peças, 12 das quais são defeituosas e 8 perfeitas,
são inspecionadas uma após a outra. Se estas peças forem extraı́das ao acaso e sem reposição,
qual é probabilidade de que:

a) Qual é probabilidade das duas primeiras peças serem defeituosas?

b) Qual é probabilidade das duas primeiras peças serem perfeitas?

c) Dentre as duas primeiras peças inspecionadas, qual é a probabilidade de uma ser perfeita e a
outra defeituosa?

Joaquim Neto www.ufjf.br/joaquim neto página 46 de 114


2.9.3 Respostas
93+77 170 7 7
2.1) a) 7+13+93+77 = 190 = 0, 8947368; b) 7+13+93+77 = 190 = 0, 03684211.
6×5×4×3
2.2) 6×6×6×6 = 0, 277777.
20!
2.3) 8!2012
= 0, 01473140.
2.4)  1  = 9, 410879 × 10− 5.

24 
4
2(n−2)!(n−1) n−1
2.5) n! ou  .

n 
n−2
n−k+1
2.6)  .

n 
k
 

98 
10
2.7)   = 0.01333333.

100 
12
   

20 +
20 
6 10
2.8)   = 0, 1139657.

24 
10
 
13
4 
4
2.9)   = 0, 01056423.

52 
4
2!
2.10) a) 3 × 3! − 3 × 3!1 + 3!1 = 0, 6666667; b) 4 × 3!
4! −6× 2!
4! +4× 1
4! − 1
4! = 0, 625.
1
2.11) 10 .
85
2.12) 243+85+52+46 = 0, 1995305.
2.13)
 
52
a) = 2598960;
5
  
4 · 
12 ·4·4·4
13·
2 3 1098240
b)   = 2598960 = 0, 422569;

52 
5
   

13 · 
4 ·
4 ·44
2 2 2 123552
c)   = 2598960 = 0, 04753902;

52 
5
  
4 ·
12 ·4·4
13·
3 2 54912
d)   = 2598960 = 0, 02112845;

52 
5
10·4·4·4·4·4−36−4 10200
e)   = 2598960 = 0, 003924647;

52 
5

Joaquim Neto www.ufjf.br/joaquim neto página 47 de 114


 
13 −36−4
4·
5 5108
f)   = 2598960 = 0, 001965402;

52 
5
  
4  ·
4
13·12· 
3 2 3744
g)   = 2598960 = 0, 001440576;

52 
5
13·48 624
h)   =
2598960 = 0, 000240096;

52 
5
i) 4·10−4 = 2598960 36
= 1, 385169 · 10−5 ;

52 
5
j)  4  = 2598960 4
= 1, 539077 · 10−6 .

52 
5
2.14) a) 0.7; b) 0.4; c) 0.1; d) 0.2; e) 0.6; f) 0.8.
2.15) a) P (EL∩EN ) = P (EN |EL)P (EL) = 0.75×0.5 = 0.375; b) P (EL∩EN c )+P (EN ∩
ELc ) = P (EN c | EL)P (EL)+P (EN | ELc )P (ELc ) = 0.25×0.5+ 13 ×0.5 = 0.2916667; c) Temos
que P (EN ) = P (EN | EL)P (EL) + P (EN | ELc )P (ELc ) = 0.75 × 0.5 + 13 × 0.5 = 0.5416667.
Além disso, P (EL ∪ EN ) = P (EL) + P (EN ) − P (EL ∩ EN ) = 0.5 + 0.5416667 − 0.375 = 23 .
Portanto, P (ELc ∩ EN c ) = P ((EL ∪ EN )c ) = 1 − P (EL ∪ EN ) = 1 − 32 = 13 .
1 4 8
2.16) 13 , 13 , 13 .
2.17) a) 1 − z; b) y − z; c) 1 − x + z; d) 1 − x − y + z.
2.18) P (A ∪ B ∪ C) = 14 + 14 + 14 − 18 = 0.625.
2.19) 95 .
19
2.20) a) 0, 20; b) 100 = 0, 1919192; c) 0, 20.
2.21) a) 0, 82; b) 0, 85; c) 0, 61; d) 0, 466666.
2.22) a) 0, 05; b) 0, 05;
2.23) a) 0,50; b) 0,05.
11
2.24) 12 = 0, 9166667.
9
2.25) 40 .
x z+1 y z
2.26) ( x+y )( z+v+1 ) + ( x+y )( z+v+1 ).
2
2.27) 3 .
2.28) 0, 00299.
2.29) a) 0,36; b) 0,41; c) 0,23.
2.30) 31 .
2.31) 0, 372093.
2.32) a) 0, 615; b) 0, 618; c) 0, 052.
2.33) a) 0, 99 × 0, 009 + 0, 005 × (1 − 0, 009) = 0, 013865; b) (1−0,005)(1−0,009)
1−0,013865 = 0, 9999087.
2.34) Não é possı́vel, pois P (A ∪ B ∪ C) = P (A) + P (B) + P (C) = 0, 3 + 0, 4 + 0, 5 = 1, 2 > 1.
2.35) −.
2.36) −.
2.37) a) 41 ; b) 34 .
2.38) 0, 2.
49 50

2.39) 1 − 50 .
2.40) −.
2.41) a) 61 ; b) 13 ; c) 12 ; d) O resultado não surpreende, pois os eventos descritos nos itens
anteriores formam uma partição do espaço amostral. Assim, a soma de suas probabilidades deve
ser 1.

Joaquim Neto www.ufjf.br/joaquim neto página 48 de 114


33 14 48
2.42) a) 95 ; b) 95 ; c) 95 .

Joaquim Neto www.ufjf.br/joaquim neto página 49 de 114


Joaquim Neto www.ufjf.br/joaquim neto página 50 de 114
Variáveis aleatórias
www.ufjf.br/joaquim neto

3.1 Introdução
Informalmente, uma variável aleatória (v.a.) é uma caracterı́stica numérica do resultado
de um experimento. Matematicamente, uma variável aleatória é uma função com domı́nio Ω e
contradomı́nio R. Porém, nem toda função deste tipo é uma variável aleatória. Para saber sobre
as condições que uma função deve satisfazer para ser uma variável aleatória, consulte James
(1981).

𝛀 ℝ

o
et
_n
𝑿
im
qu
oa
r/j
.b
fjf
.u
w
w
w

Exemplo 3.1. Em um experimento que consiste em lançar uma moeda n vezes, o número de
caras observado é uma caracterı́stica numérica do experimento.

Exemplo 3.2. Suponhamos agora um experimento que consiste em escolher um número ao


acaso em [0, 1]. Podemos definir uma v.a. X que associa o resultado do experimento ao seu
quadrado. Assim,
Ω = [0, 1]
e
X(ω) = ω 2 , ∀ω ∈ Ω.

Exemplo 3.3. Suponhamos um experimento que consiste em escolher um ponto ao acaso no


cı́rculo de raio unitário. Podemos definir uma v.a. X que associa o resultado do experimento à
distância entre o ponto escolhido e a origem. Assim,

Ω = {(x, y) : x2 + y 2 ≤ 1}

e, com ω = (x, y), p


X(ω) = x2 + y 2 .

Notação: Seja x ∈ R e A ⊂ R. Consideremos os seguintes conjuntos:

ˆ [X ≤ x] = {ω ∈ Ω : X(ω) ≤ x}

ˆ [X = x] = {ω ∈ Ω : X(ω) = x}

ˆ [X < x] = {ω ∈ Ω : X(ω) < x}

Joaquim Neto www.ufjf.br/joaquim neto página 51 de 114


ˆ [X ≥ x] = {ω ∈ Ω : X(ω) ≥ x}
ˆ [X > x] = {ω ∈ Ω : X(ω) > x}
ˆ [X ∈ A] = {ω ∈ Ω : X(ω) ∈ A}

3.2 Variável aleatória discreta e função de probabilidade


Definição 3.1. Uma variável aleatória X é discreta se toma um número finito ou enumerável
de valores, ou seja, se existe um conjunto finito ou enumerável {x1 , x2 , ...} ⊂ R tal que P ([X ∈
{x1 , x2 , ...}]) = 1.
Se X for uma v.a. discreta, a função
p(x) = P ([X = x])
é chamada de função de probabilidade.

o
et

0.20

_n

m
p(x)

ui
aq


0.10


o
r/j
.b



w 0.00
fjf


● ● ●
.u

0 2 4 6 8 10
w

x
w

Exemplo 3.4. Suponhamos um experimento que consiste em arremessar um dado honesto. Seja
X a v.a. associada ao quadrado do número observado na face voltada para cima após o dado
parar. Faça o gráfico da função de probabilidade de X.
Solução: Primeiro, vamos construir uma tabela. Em seguida, podemos usar os dados da
tabela para construir o gráfico.
Resultado x p(x)
1 1 1/6
2 4 1/6
3 9 1/6
4 16 1/6
5 25 1/6
6 36 1/6
0.20

o
et
_n

● ● ● ● ● ●
m
ui
0.10
p(x)

o aq
r/j
.b
fjf
0.00

.u
w

0 5 10 20 30
w
w

Joaquim Neto www.ufjf.br/joaquim neto página 52 de 114


Obs: Se X é uma v.a. discreta e A ⊂ R então

P (X ∈ A) = P ([X ∈ A] ∩ [X ∈ {x1 , x2 , ...}])


= P (X ∈ (A ∩ {x1 , x2 , ...}))
 
[
=P [X = xi ]
i:xi ∈A
X
= P ([X = xi ]).
i:xi ∈A

Resultado 3.1. Uma função p(x) é função de probabilidade de alguma variável aleatória discreta
se, e somente se, existir um conjunto finito ou enumerável {x1 , x2 , ...} ⊂ R tal que

ˆ p(x) > 0 para x ∈ {x1 , x2 , ...},

ˆ p(x) = 0 caso contrário e

ˆ
P
p(xi ) = 1.
i

Exemplo 3.5. Considere a função de probabilidade

kx2 , para x = 1, 2, 3

p (x) = .
0, caso contrário

Calcule o valor de k.
Solução: Temos que
n
X 1
p (xi ) = 1 ⇒ k12 + k22 + k32 = 1 ⇒ k = .
14
i=1

3.3 Variável aleatória contı́nua e densidade


Definição 3.2. Uma variável aleatória X é contı́nua se existe uma função integrável f (x) ≥ 0
∀x ∈ R, tal que Z
P (X ∈ A) = f (x) dx, para A ⊂ R.
A

Se X for contı́nua, f (x) é chamada de função densidade de probabilidade, ou simples-


mente densidade.
Rb
Obs: Se A é um intervalo, A = (a, b), temos P (X ∈ (a, b)) = f (x) dx
a
o
et
_n

ࡼ ࢇ൏ࢄ൏࢈
m
ui
aq
/jo

ࢌ ࢞
r
.b
fjf
.u
w

ࢇ ࢈
w
w

Joaquim Neto www.ufjf.br/joaquim neto página 53 de 114


Resultado 3.2. Se X é uma v.a. contı́nua então P (X = x) = 0, ∀x ∈ R.
Resultado 3.3. Se X é uma v.a. contı́nua então, ∀a, b ∈ R,
P (X ≤ a) = P (X < a),
P (X ≥ a) = P (X > a), e

P (a < X < b) = P (a ≤ X ≤ b)
= P (a < X ≤ b)
= P (a ≤ X < b).
Prova: Veremos apenas a prova da primeira equação, pois as demais possuem provas análogas.
P (X ≤ a) = P ([X < a] ∪ [X = a]) = (pelo axioma 3) =
= P (X < a) + P (X = a)
= P (X < a) + 0
= P (X < a).

3.4 Função de distribuição acumulada


Definição 3.3. A função de distribuição acumulada (f.d.a.) de uma variável aleatória
X, representada por F , é definida por

F (x) = P ([X ≤ x]), x ∈ R.

Obs: A função de distribuição acumulada também é chamada de simplesmente de acumulada


ou função de distribuição.
Exemplo 3.6. Suponhamos um experimento que consiste em arremessar um dado honesto. Seja
X a v.a. associada ao número observado na face voltada para cima após o dado parar. Sejam
p(x) e F (x) a função de probabilidade e a acumulada de X, respectivamente.
a) Calcule p(2).
b) Calcule p(3, 5).
c) Calcule F (2).
d) Calcule F (3, 7).
e) Calcule F (500).
f ) Calcule F (−9).
Solução: Temos que a) p(2) = P ([X = 2]) = 1/6.
b) p(3, 5) = P ([X = 3, 5]) = 0.
c) F (2) = P ([X ≤ 2])
= P ([X = 1]) + P ([X = 2])
= 1/6 + 1/6 = 2/6.
d) F (3, 7) = P ([X ≤ 3, 7])
= P ([X = 1]) + P ([X = 2]) + P ([X = 3])
= 1/6 + 1/6 + 1/6 = 3/6.
e) F (500) = P ([X ≤ 500])
= P ([X = 1]) + P ([X = 2]) + P ([X = 3]
+ P ([X = 4] + P ([X = 5] + P ([X = 6])
= 1.

Joaquim Neto www.ufjf.br/joaquim neto página 54 de 114


f ) F (−9) = P ([X ≤ −9])
= P (∅) = 0.
Exemplo 3.7. Suponhamos um experimento que consiste em jogar dois dados. Suponhamos
ainda que os resultados são equiprováveis, ou seja, que cada resultado possı́vel tem a mesma
probabilidade. Seja X uma variável aleatória que associa cada resultado à soma dos números
obtidos em cada dado.
a) Faça o gráfico da função de probabilidade p de X.
b) Faça o gráfico da acumulada F de X.
Solução: Veja abaixo uma tabela com os valores de x, p(x) e F (x).

x p(x) p(x) (decimal) F (x) F (x) (decimal)


2 1/36 0,028 1/36 0,028
3 2/36 0,056 3/36 0,083
4 3/36 0,083 6/36 0,167
5 4/36 0,111 10/36 0,278
6 5/36 0,139 15/36 0,417
7 6/36 0,167 21/36 0,583
8 5/36 0,139 26/36 0,722
9 4/36 0,111 30/36 0,833
10 3/36 0,083 33/36 0,917
11 2/36 0,056 35/36 0,972
12 1/36 0,028 1 1
A partir da tabela, podemos construir os gráficos.
0.04 0.08 0.12 0.16


to



w
e


0.8

● ●
_n


.u


m

● ●
jf.
F(x)


i
p(x)

qu

br
0.4


oa

● ●
/j oa


r/j


● ●
qu
.b


0.0


fjf

im

● ●
.u

_n
w

2 4 6 8 10 12 2 4 6 8 10 12
w

e to
w

x x
Função de probabilidade Acumulada

Exemplo 3.8. Suponhamos um experimento que consiste em escolher um número ao acaso


em Ω = [−1, 1]. Sejam X uma v.a. que associa o número escolhido ao seu quadrado e F a
acumulada de X.
a) Calcule F (0, 25).
b) Determine F .
c) Construa o gráfico de F .
Solução:
a)
F (0, 25) = P ([X ≤ 0, 25]) = P ({ω ∈ Ω : X (ω) ≤ 0, 25})
= P ω ∈ Ω : ω 2 ≤ 0, 25 = P ({ω ∈ Ω : −0, 5 ≤ ω ≤ 0, 5})
 

= (pela definição geométrica de probabilidade) =


0, 5 − (−0, 5)
= = 0, 5.
1 − (−1)

Joaquim Neto www.ufjf.br/joaquim neto página 55 de 114


b) Para x < 0, temos que

F (x) = P ([X ≤ x]) = P ({ω ∈ Ω : X (ω) ≤ x})


= P ω ∈ Ω : ω 2 ≤ x = (como x < 0) = P (∅) = 0.
 

Para 0 ≤ x ≤ 1,

a) F (x) = P ([X ≤ x]) = P ({ω ∈ Ω : X (ω) ≤ x})


√ √ 
= P ω ∈ Ω : ω2 ≤ x = P ω ∈ Ω : − x ≤ ω ≤ x
  

= (pela definição geométrica de probabilidade) =


√ √
x − (− x) √
= = x.
1 − (−1)
Finalmente, se x > 1,

F (x) = P ([X ≤ x]) = P ({ω ∈ Ω : X (ω) ≤ x})


= P ω ∈ Ω : ω2 ≤ x
 

= (como x > 1) = P (Ω) = 1.

Logo, 
 0,

se x < 0
F (x) = x, se 0 ≤ x ≤ 1 .
1 se x > 1

c)
o
et
0.8

_n
m
F(x)

i
qu
0.4

oa
r/j
.b
0.0

fjf
.u
w

−0.2 0.2 0.6 1.0


w
w

Resultado 3.4. Se X é uma v.a. contı́nua então sua acumulada é


Zx
F (x) = f (t) dt, ∀x ∈ R.
−∞
o
et
_n

ࡼ ࢄ൑࢞
m
q ui

ࢌ ࢚
oa
r/j
.b
fjf
.u
w


w
w

Joaquim Neto www.ufjf.br/joaquim neto página 56 de 114


Resultado 3.5. Se X é uma v.a. contı́nua, então

P (a ≤ X ≤ b) = P (a < X < b) = F (b) − F (a), ∀a, b ∈ R.

Prova:
P (a ≤ X ≤ b) = P (a < X ≤ b) = P ([X ≤ b] ∩ [X ≤ a]c )
= P (X ≤ b) − P (X ≤ a)
= F (b) − F (a).

Exemplo 3.9. Seja X uma variável aleatória com densidade

6(x − x2 ), se 0 ≤ x ≤ 1

f (x) = .
0, caso contrário

a) Determine a acumulada F de X.
b) Calcule P (0, 2 < X < 0, 7).
Solução:
a)

ˆ Para x ≤ 0,
Zx Zx
F (x) = f (t) dt = 0dt = 0.
−∞ −∞

ˆ Para 0 < x < 1,


Zx Zx Zx
2
t − t2 dt

F (x) = f (t) dt = 6 t−t dt = 6
−∞ 0 0
x 
t2 3 x2 x3
  
t
=6 − =6 − = 3x2 − 2x3 .
2 3 0 2 3

ˆ Para x ≥ 1,

Z0 Z1 Zx Z1
6 t − t2 dt = 1.

F (x) = f (t) dt + f (t) dt + f (t) dt =
−∞ 0 1 0

b) Usando a acumulada encontrada no item anterior, temos

P (0, 2 < x < 0, 7) = F (0, 7) − F (0, 2)


= 3 × 0, 72 − 2 × 0, 73 − 3 × 0, 22 − 2 × 0, 23


= 0, 68

Resultado 3.6. Uma função f (x) é densidade de alguma variável aleatória contı́nua se, e
somente se,

ˆ f (x) ≥ 0, ∀x ∈ R e
R∞
ˆ f (x) dx = 1.
−∞

Joaquim Neto www.ufjf.br/joaquim neto página 57 de 114


to
e
_n

න ࢌ ࢞ ࢊ࢞ ൌ ૚

m
i
ିஶ

qu
oa
ࢌ ࢞

r/j
.b
fjf
.u
w
w
w
Resultado 3.7. Uma função F é uma acumulada se, e somente se, as condições abaixo forem
satisfeitas:

ˆ x ≤ y implicar F (x) ≤ F (y), ou seja, F for uma função não decrescente.

ˆ lim F (x) = F (a), ou seja, F for contı́nua a direita.


x→a+

ˆ lim F (x) = 0.
x→−∞

ˆ lim F (x) = 1.
x→∞

Prova: Ver James (1981).

Resultado 3.8. Para os pontos x onde F (x) é derivável, temos que f (x) = F 0 (x).
Prova: Teorema Fundamental do Cálculo
Obs: Este resultado estabelece que a densidade de uma v.a. contı́nua pode ser obtida deri-
vando a acumulada.

Exemplo 3.10. Sejam k ∈ R e X uma v.a. com acumulada


−x
 k
F (x) = 2 (1 − e ) , se x > 0 .
0, se x ≤ 0

a) Calcule o valor de k.
b) Determine a densidade f de X.
Solução:
a) Lembre-se que o limite da acumulada quando x tende a infinito é igual a 1. Assim,

lim F (x) = 1
x→∞
⇒ lim k2 (1 − e−x ) = 1

x→∞
⇒ k2 lim (1 − e−x ) = 1
x→∞
⇒ k2 =1
⇒ k = 2.

b) Como a densidade é dada pela derivada da acumulada, temos que

ˆ Se x ≤ 0,
f (x) = F 0 (x) = (0)0 = 0.

Joaquim Neto www.ufjf.br/joaquim neto página 58 de 114


ˆ Se x > 0,
0
f (x) = F 0 (x) = 1 − e−x = e−x .

Logo 
0, se x ≤ 0
f (x) = .
e−x , se x > 0

3.5 Variável aleatória mista


Vamos estudar as variáveis aleatórias mistas através de um exemplo:

Exemplo 3.11. A acumulada de uma variável aleatória X é dada por:



 0, se x < 0
 x2 , se 0 ≤ x < 1



2
F (x) = 3 , se 1 ≤ x < 2 .
11
, se 2 ≤ x < 3


 12


1, se x ≥ 3

a) Faça o gráfico de F (x).


b) Calcule P (X = 2).
c) Calcule P (X < 2).
d) Calcule P (X = 1).
e) Calcule P (X > 12 ).
f ) Calcule P (1 < X < 3).
Solução:
a)
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w

b) P (X = 2) = 11 2 3 1
12 − 3 = 12 = 4 = 0, 25.
11 3 8 2
c) P (X < 2) = P (X ≤ 2) − P (X = 2) = 12 − 12 = 12 = 3 = 0, 66666.
d) P (X = 1) = 32 − 12 = 67 = 0, 16666.
e) P (X > 12 ) = 1 − P (X ≤ 12 ) = 1 − 41 = 3
4 = 0, 75.
f)
P (1 < X < 3) = P (X < 3) − P (X ≤ 1)
= P (X ≤ 3) − P (X = 3) − P (X ≤ 1)
11 2
= 1 − (1 − ) −
12 3
= 0, 25.

Joaquim Neto www.ufjf.br/joaquim neto página 59 de 114


3.6 Função de uma variável aleatória
Se X é uma variável aleatória, então qualquer função de X, digamos g(X), é também uma
variável aleatória. Assim, podemos considerar uma variável Y = g(X), onde g é uma função
com domı́nio e contradomı́nio R.
Para cada subconjunto A de R, consideremos um novo conjunto, denotado por g −1 (A), e
definido por
g −1 (A) = {x ∈ R : g(x) ∈ A}.

𝒀 = 𝒈(𝑿)

o
et
_n
𝛀 ℝ ℝ

m
ui
𝛀 𝒈−𝟏 (𝑨) 𝑨

aq
𝑿 𝒈

r/jo
.b
fjf
.u
w
w

𝑷(𝑿 ∈ 𝒈−𝟏 (𝑨)) = 𝑷(𝒀 ∈ 𝑨)


w

A partir da distribuição de probabilidades da variável X, podemos calcular chances para a


variável Y . Este cálculo pode ser feito com a equação
P (Y ∈ A) = P (g(X) ∈ A)
= P (X ∈ g −1 (A)).
Exemplo 3.12. Seja X uma v.a. com função de probabilidade
 x2
pX (x) = 15 , para x = −1, 1, 2, 3
0, caso contrário
Determine a função de probabilidade pY de Y = X 2 .
Solução: A tabela abaixo exibe uma relação entre valores e chances.

x y pX (x)
-1 1 1/15
1 1 1/15
2 4 4/15
3 9 9/15
Resumindo as informações da tabela acima, podemos construir uma tabela que com a distri-
buição de chances de Y , a saber:
y py (y)
1 2/15
4 4/15
9 9/15

Exemplo 3.13. Seja X uma v.a. com densidade


 2
fX (x) = 9 (x + 1) , se − 1 ≤ x ≤ 2 .
0, caso contrário
a) Determine a acumulada FY de Y = X 2 .
b) Determine a densidade fY de Y = X 2 .
Solução:
a) Primeiro, observe o gráfico da densidade e o gráfico da função g(x) = x2 .

Joaquim Neto www.ufjf.br/joaquim neto página 60 de 114


to
w
w

e
_n
w
.u

im
fjf

qu
br .

oa
/jo

r/j
aq

.b
ui

fjf
m

.u
_n

w
w
et

w
o
Sejam FX (x) e FY (y) as funções de distribuição acumulada de X e Y , respectivamente.
Vamos encontrar FY (y).

ˆ Para y ≤ 0, temos

FY (y) = P (Y ≤ y) = P (X 2 ≤ y) = P (∅) = 0.

ˆ Para 0 < y ≤ 1, temos

FY (y) = P (Y ≤ y) = P (X ∈ g −1 ([Y ≤ y]))


√ √
= P (− y ≤ X ≤ y)

Zy  √y !
t2

2 2
= (t + 1) dt = + t

9 9 2 √
− y
− y
2 y √ y √ 
= + y− + y
9√ 2 2
4 y
=
9

ˆ Para 1 < y ≤ 4, temos

FY (y) = P (Y ≤ y) = P X ∈ g −1 ([Y ≤ y])




= P (−1 < X ≤ y)

Zy  2  √y !
2 2 t
= (t + 1) dt = + t
9 9 2 −1
−1
 
2 y √ 1
= + y− +1
9 2 2

y+2 y+1
= .
9

ˆ Por fim, se y > 4,

FY (y) = P (Y ≤ y) = P X ∈ g −1 ([Y ≤ y])




= P (−1 < X ≤ 2) = 1.

Resumindo, temos

0, se y ≤ 0
 4√y



9 √, se 0 < y ≤ 1
FY (y) = y+2 y+1 .


 9 , se 1 < y ≤ 4
1, se y > 4

Joaquim Neto www.ufjf.br/joaquim neto página 61 de 114


b) Agora, para encontrar a densidade de Y , basta derivar a acumulada obtida no item ante-
rior, ou seja, 

 0, se y ≤ 0
 2y−0,5

fY (y) = 9 , se 0 < y ≤ 1 .
1+y −0,5


 9 , se 1 < y ≤ 4
0, se y > 4

Definição 3.4 (Suporte). Sejam X uma v.a. e Y = g(X) uma tranformação de X. Conside-
remos os conjuntos
X = {x : fX (x) > 0} e
Y = {y : y = g(x) para algum x ∈ X }.
O conjunto X é chamado de suporte de X.

Resultado 3.9. Sejam X uma v.a. e Y = g(X) uma tranformação de X.

ˆ Se g for uma função crescente em X ,

FX g −1 (y) , se y ∈ Y
 
FY (y) = .
0, caso contrário

ˆ Se g for uma função decrescente em X e X for contı́nua,

1 − FX g −1 (y) , se y ∈ Y
 
FY (y) = .
0, caso contrário

Exemplo 3.14 (Relação da exponencial com a uniforme). Para exemplificar, vamos es-
tabelecer uma relação entre duas distribuições que serão chamadas mais adiante de distribuição
uniforme e distribuição exponencial. Seja X uma v.a. com densidade

1, se 0 < x < 1
fX (x) = .
0, caso contrário

Determine a densidade fY de Y = g(X) = −ln(X).


Solução: Consideremos os conjuntos X = (0, 1) e Y = (0, ∞). Primeiro, observe que g
é decrescente em X (derive a função g para uma verificação formal deste fato). Além disso,
g −1 (y) = e−y e a acumulada de X é

 0, se x ≤ 0
FX (x) = x, se 0 < x < 1 .
1, se x ≥ 1

Pelo resultado 3.9, a acumulada de Y é dada por

1 − FX g −1 (y) , se y ∈ Y 1 − e−y , se y ∈ (0, ∞)


  
FY (y) = = .
0, caso contrário 0, caso contrário

Derivando, temos
e−y , se y ∈ (0, ∞)

fY (y) = .
0, caso contrário

Joaquim Neto www.ufjf.br/joaquim neto página 62 de 114


Resultado 3.10 (Densidade de uma transformação). Sejam X uma v.a. e Y = g(X) uma
tranformação de X, onde g é uma função estritamente crescente ou estritamente decrescente.
Suponhamos ainda que fX (x) é contı́nua1 em X e que g −1 (y) é derivável em Y. A densidade
de Y é dada por (
−1
 d −1
fX g (y) dy g (y) , se y ∈ Y

fY (y) = . (3.1)
0, caso contrário
Prova: Usando o resultado anterior e a regra da cadeia,
(
fX g −1 (y) dy
 d −1
d g (y) , se g for crescente
fY (y) = FY (y) = −1
 d −1 ,
dy −fX g (y) dy g (y) , se g for decrescente

que pode ser expressa de forma concisa como (3.1).

Exemplo 3.15. Seja X uma v.a. com densidade


 x
fX (x) = 2 , se 0 < x < 2 .
0, caso contrário

Determine a densidade fY de Y = X 2 .
Solução: Consideremos os conjuntos X = (0, 2) e Y = (0, 4). Temos que Y = g(X), onde
g(x) = x2 e, como g é uma função estritamente crescente em X , temos que
(
−1
 d −1
fX g (y) dy g (y) , se y ∈ Y

fY (y) =
0, caso contrário
(  1
1
fX y 2 12 y − 2 , se 0 < y < 4

=
0, caso contrário
 1
= 4 , se 0 < y < 4 .
0, caso contrário

3.7 Quantil e mediana


Definição 3.5. Seja r um número real tal que 0 < r < 1. O quantil q(r) de uma v.a. contı́nua
X é um número real tal que

P (X ≤ q(r)) = r.
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w

Obs:
1
A continuidade de f (x) garante a diferenciabilidade de FX (x)

Joaquim Neto www.ufjf.br/joaquim neto página 63 de 114


ˆ Se a variável é contı́nua, podemos obter q(r) a partir da densidade com a equação
q(r)
Z
f (x) dx = r.
−∞

ˆ Se a variável é contı́nua, podemos obter q(r) a partir da acumulada com a equação


q(r) = F −1 (r).

Definição 3.6. A mediana de uma v.a. contı́nua X é dada por q(0, 5).
Obs: Alguns quantis recebem nomes especiais. Por exemplo:
ˆ q 34 é o terceiro quartil.


ˆ q 10 4

é o quarto decil.
ˆ q 10020

é o vigésimo percentil.
Deste modo, podemos dizer, por exemplo, que o 2º quartil, o 5º decil, o 50º percentil e a
mediana são diferentes denominações de q(0, 5).

Exemplo 3.16. Seja X uma v.a. com densidade


3x2 , se 0 < x < 1

f (x) = .
0, caso contrário
Calcule a mediana de X.
Solução: Primeiro, observe que 0 < q(0.5) < 1. Assim,
q(0,5)
R
f (x) dx = 0, 5 ⇒
−∞
q(0,5)
3x2 dx = 0, 5 ⇒
R

0
⇒ q(0, 5)3 = 0, 5 ⇒

⇒ q(0, 5) = 3 0, 5.

3.8 Valor esperado


Definição 3.7. ˆ Se X é uma v.a. discreta que assume valores no conjunto {x1 , x2 , ..., xn },
o valor esperado de X é

n
X
E (X) = xi p (xi ) = x1 p (x1 ) + x2 p (x2 ) + ... + xn p (xn ) .
i=1

ˆ Seja X uma v.a. contı́nua, o valor esperado de X é


Z∞
E (X) = x · f (x) dx,
−∞

quando a integral está bem definida.

Joaquim Neto www.ufjf.br/joaquim neto página 64 de 114


o
et
_n
m
ui
aq
ࢌ ࢞

/jo
br
jf.
f
.u
ࡱ ࢄ

w
w
w
Obs: O valor esperado também é chamado de esperança ou expectativa.

Exemplo 3.17. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$8,00 reais e tem um custo
de R$2,00. Sabendo que a probabilidade de um produto ser vendido antes de vencer seu prazo
de validade é de 90%, quanto a empresa espera lucrar em uma unidade do produto?
Solução: Seja X o lucro da empresa em uma unidade do produto. Se o produto for vendido,
temos que X assume o valor R$8,00-R$2,00=R$6,00. Caso contrário, X assume o valor -
R$2,00. Assim,
E(X) = R$6, 00 × 0, 9 + (−R$2, 00) × 0, 1 = R$5, 20.

Logo, o lucro esperado em uma unidade do produto é de R$5,20 reais.

Exemplo 3.18. Sejam k ∈ R e X uma v.a. com densidade

x−1

f (x) = k , se 1 < x < 3
.
0, caso contrário

a) Calcule o valor de k.
b) Calcule o valor esperado de X.
Solução:
a)

R∞
f (x) dx = 1 ⇒
−∞
R3 x−1
⇒ k dx =1⇒
1
 3 
1 x2
⇒ − x = 1 ⇒

k 2 1
⇒ k = 2.

b)

Z∞ Z3  
x−1
E (X) = xf (x) dx = x dx
2
−∞ 1
3 2
3 !  
1 x x 1 27 9 1 1
= − = − − +
2 3 2 1 2 3 2 3 2
14
= .
6

Joaquim Neto www.ufjf.br/joaquim neto página 65 de 114


3.9 Valor esperado da função de uma v.a.
Resultado 3.11. Sejam X e Y = g(X) duas variáveis aleatórias.

ˆ Se X é discreta e assume valores em um conjunto {x1 , x2 , ...}, então


X
E (Y ) = g (xi ) pX (xi ).
i

ˆ Se X é contı́nua, então
Z∞
E (Y ) = g (x) fX (x) dx.
−∞

Exemplo 3.19. Seja X uma v.a. associada ao preço de comercialização de um produto. Assuma
que X tem densidade

3x2 −60x+300

1000 ,
se 0 < x < 10
f (x) = .
0, caso contrário

Assuma que a demanda Y desse produto depende do preço de comercialização segundo a


relação Y = −X 2 + 100. Qual é a demanda esperada para este produto?
Solução: Para resolver este exercı́cio, vamos assumir que Y = g(X) = −X 2 + 100 e usar a
fórmula do valor esperado da função de uma variável aleatória, ou seja,

Z∞
E (g (X)) = g (x) fX (x).
−∞

Assim,

E (Y ) = E −X 2 + 100


Z∞
= g (x) fX (x)
−∞
Z10
3x2 − 60x + 300
 
2

= −x + 100 dx
1000
0
Z10
−3x4 + 60x3 − 300x2 + 300x2 − 6000x + 30000
= dx
1000
0
Z10
−3x4 + 60x3 − 6000x + 30000
= dx
1000
0
5 4
10
6000x2
− 3x5 + 60x
4 − 2 + 30000x
= = 90.

1000
0

Logo, a demanda esperada é de 90 unidades.

Joaquim Neto www.ufjf.br/joaquim neto página 66 de 114


3.10 Propriedades do valor esperado
Resultado 3.12. Se a, b ∈ R e X é uma v.a., temos que
a) E(a) = a,
b) E(aX + b) = aE(X) + b e
Prova:
a) E(a) = a × 1 = a.
b) Vamos provar o resultado assumindo que X é discreta. A prova para X contı́nua é análoga
(basta trocar os somatórios por integrais).
n
X n
X
E (aX + b) = (axi + b) P ([(aX + b) = (axi + b)]) = (axi + b) P ([X = xi ])
i=1 i=1
Xn n
X
=a xi p (xi ) + b p (xi ) = aE (X) + b.
i=1
|i=1 {z }
1
Obs: Como consequência imediata do resultado acima, temos que
ˆ E(aX) = aE(X), ∀a ∈ R e

ˆ E(X − E(X)) = 0.

Exemplo 3.20. Seja X uma v.a. associada ao preço de comercialização de um produto. Assuma
que X tem densidade
 3x2 −60x+300
1000 , se 0 < x < 10
f (x) = .
0, caso contrário
Assuma que a demanda Y desse produto depende do preço de comercialização segundo a
relação Y = −10X + 100. Qual é a demanda esperada para este produto?
Solução: Como a relação entre Y e X é linear, podemos primeiro calcular E(X), para em
seguida obter E(Y ) sem muito esforço.

Z10  2 
3x − 60x + 300
E (X) = x dx =
1000
0
300x2 10

3x4 60x3
− +
= 4 3 2
= 2, 5.
1000
0
Assim,

E(Y ) = E(−10X + 100) = −10E(X) + 100 = −10 × 2, 5 + 100 = 75.

Logo, a demanda esperada é de 75 unidades.

3.11 Momento
Definição 3.8. ˆ O k-ésimo momento da variável aleatória X, é definido por

E(X k ).

ˆ Seja a ∈ R. O k-ésimo momento em torno de a da variável aleatória X, é definido


por
E((X − a)k ).

Joaquim Neto www.ufjf.br/joaquim neto página 67 de 114


ˆ O k-ésimo momento central da variável aleatória X, é definido por

E((X − E(X))k ).

3.12 Variância
Definição 3.9. A variância de uma variável aleatória X é
V ar(X) = E((X − E(X))2 ).
Obs:
ˆ Se X é discreta, X
V ar (X) = (xi − E (X))2 p (xi ).
i

ˆ Se X é contı́nua,
Z∞
V ar (X) = (x − E (X))2 f (x) dx.
−∞

Exemplo 3.21. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$9,00 reais e tem um custo
de R$2,00. Nestas condições a probabilidade de um produto ser vendido antes de vencer seu
prazo de validade é de 80%.
a) Quanto a empresa espera lucrar em uma unidade do produto?
b) Qual é a variabilidade do lucro da empresa em uma unidade do produto?
c) Faça uma comparação entre esta empresa e a empresa apresentada no exercı́cio 3.17
(compare a expectativa de lucro por unidade do produto e a variabilidade do lucro/prejuı́zo por
unidade).
Solução:
a) Seja X o lucro da empresa em uma unidade do produto. Se o produto for vendido, temos
que X assume o valor R$9,00-R$2,00=R$7,00. Caso contrário, X assume o valor −R$2, 00.
Assim,
E(X) = R$7, 00 × 0, 8 + (−R$2, 00) × 0, 2 = R$5, 20.
Logo, o lucro esperado em um carro segurado é de R$5,20 reais.
b) A variabilidade do lucro da empresa em uma unidade do produto é dada por
n
X
V ar (X) = (xi − E (X))2 p (xi )
i=1
= (−2 − 5, 20)2 0, 2 + (7 − 5, 20)2 0, 8
= 12, 96.
c) Note que o valor esperado da unidade do produto nesta empresa é igual ao da empresa
apresentada no exemplo 3.17 (R$5, 20). Por outro lado, a variabilidade do lucro em uma unidade
do produto desta empresa é maior (aplicando os passos do item (b) no exemplo 3.17, temos
V ar(X) = 5, 76). Assim, podemos concluir que ambas as empresas possuem a mesma expectativa
de lucro por carro. Porém, a empresa deste exercı́cio possui uma variabilidade de lucro maior,
ou seja, está sujeita a perdas maiores mas, por outro lado, possui a possibilidade de lucrar mais
(mais agressiva).

Joaquim Neto www.ufjf.br/joaquim neto página 68 de 114


Resultado 3.13 (Propriedades da variância). Sejam a, b ∈ R e X uma variável aleatória.
As seguintes propriedades são válidas:
a) V ar(a) = 0,
b) V ar(aX + b) = a2 V ar(X).
Prova:
a)
V ar(a) = (a − E(a))2 × 1 = (a − a)2 = 0.
b) Sem perda de generalidade, suponhamos que X é uma v.a. discreta. Assim,
n
X
V ar (aX) = (axi − E (aX))2 p (xi ) =
i=1
n
X
= (axi − aE (X))2 p (xi )
i=1
n
X
= a2 (xi − E (X))2 p (xi )
i=1
2
= a V ar (X)

Resultado 3.14.
V ar(X) = E(X 2 ) − (E(X))2 .
Prova:
Sem perda de generalidade, suponhamos que X é uma v.a. discreta. Assim,
n
X
V ar (X) = (xi − E (X))2 p (xi )
i=1
n 
X 
= x2i − 2xi E (X) + (E (X))2 p (xi )
i=1
n
X n
X n
X
= x2i p (xi ) −2E (X) xi p (xi ) + (E (X))2 p (xi )
i=1 i=1 i=1
| {z } | {z } | {z }
E(X 2 ) E(X) 1

= E X 2 − 2 (E (X))2 + (E (X))2


= E X 2 − (E (X))2 .


Joaquim Neto www.ufjf.br/joaquim neto página 69 de 114


3.13
Descritor Descrição Palavra chave 3.13.1

Joaquim Neto
3.1 Determinar evento definido por uma variável aleatória discreta. Discreta
Determinar uma função de probabilidade, sem usar uma Função de probabilidade
3.2
acumulada. (sem acumulada)
Calcular o valor de uma função de probabilidade em um conjunto
Função de probabilidade
Descritores
Exercı́cios

3.3 de pontos ou realizar cálculos de probabilidade a partir destes


(sem acumulada)
valores, sem usar uma acumulada.
Função de probabilidade
3.4 Mostrar que uma função é uma função de probabilidade.
(propriedades)
Calcular a constante de proporcionalidade de uma função de Constante de proporcionalidade
3.5
probabilidade. (discreta)
Determinar uma função de probabilidade (ou calcular o valor da Função de probabilidade e
3.6
função em um conjunto de pontos) a partir de uma acumulada. acumulada
Determinar a acumulada de uma variável aleatória discreta ou
3.7 Acumulada (discreta)
calcular o valor da função em um conjunto de pontos.
3.8 Calcular probabilidades a partir de uma densidade. Densidade
Mostrar que uma função é (ou não) uma densidade. Determinar
3.9 Densidade (propriedades)

www.ufjf.br/joaquim neto
condições para que uma função seja (ou não) uma densidade.
Constante de proporcionalidade
3.10 Calcular a constante de proporcionalidade de uma densidade.
(contínua)
3.11 Determinar a densidade a partir de uma acumulada. Densidade e acumulada
3.12 Determinar a acumulada a partir de uma densidade. Densidade e acumulada
3.13 Calcular probabilidades a partir de uma acumulada. Acumulada (contínua)
Calcular a constante de proporcionalidade de uma acumulada Constante de proporcionalidade
3.14
contínua. (acumulada contínua)
Calcular quantis (quartil, decil, percentil, mediana) de uma variável
3.15 Quantis (contínua)
aleatória contínua.

Tabela 3.1: Descritores dos exercı́cios de variáveis aleatórias (parte 1) (matriz de referência).

página 70 de 114
Joaquim Neto
Descritor Descrição Palavra chave
3.16 Calcular o valor esperado de uma variável aleatória discreta. Valor esperado (discreta)
3.17 Calcular o valor esperado de uma variável aleatória contínua. Valor esperado (contínua)
3.18 Calcular a variância de uma variável aleatória discreta. Variância (discreta)
3.19 Calcular a variância de uma variável aleatória contínua. Variância (contínua)
Função de variável aleatória
3.20 Determinar acumulada da função de uma variável aleatória.
(acumulada)
Função de variável aleatória
3.21 Determinar densidade da função de uma variável aleatória.
(densidade)
Determinar a função de probabilidade da função de uma variável Função de variável aleatória
3.22

www.ufjf.br/joaquim neto
aleatória. (função de probabilidade)
Calcular o valor esperado de uma função não linear de uma variável Função de variável aleatória
3.23
aleatória. (não linear) (valor esperado)
Calcular o valor esperado de uma função linear de uma variável Função de variável aleatória
3.24
aleatória. (linear) (valor esperado)

Tabela 3.2: Descritores dos exercı́cios de variáveis aleatórias (continuação).

página 71 de 114
3.13.2 Enunciados
Exercı́cio 3.1. (D3.3) Seja X uma variável aleatória com função de probabilidade
 1 x
2 , para x = 1, 2, ...
p (x) = .
0, caso contrário

a) (D3.3) Calcule P (X ser par).

b) (D3.3) Calcule P (X ≥ 5).

c) (D3.3) Calcule P (X ser divisı́vel por 3).

Exercı́cio 3.2. (D3.4) Considere a função


 k
p (x) = x , x = 1, 2, . . . ,
0, caso contrário

Mostre que p não é uma função de probabilidade para todo k ∈ R.


Exercı́cio 3.3. (D3.4, D3.3 e D2.6) Seja 0 < a < 1. Considere a função

(1 − a) ax , se x = 0, 1, 2, ...

p (x) = .
0, caso contrário

a) (D3.4) Mostre que p é uma função de probabilidade.

b) (D3.3 e D2.6) Seja X uma variável aleatória com função de probabilidade p. Mostre que,
para quaisquer dois inteiros positivos s e t,

P (X > s + t | X > s) = P (X ≥ t) .

Exercı́cio 3.4. (D3.5) Seja X uma variável aleatória com função de probabilidade

k (1 − β)x−1 , para x = 1, 2, 3, ...



p (x) = .
0, caso contrário

Determine a constante k em função de β.


Exercı́cio 3.5. (D3.7 e D3.3) Suponha um experimento com espaço amostral Ω = {ω1 , ω2 , ..., ω5 }.
Observe a tabela abaixo.
i 1 2 3 4 5
ωi 0 1 2 3 4
P ({ωi }) 0,1 0,2 0,3 0,3 0,1
Seja X uma variável aleatória definida por

2ωi , ωi ≥ 2
X (ωi ) = .
6ωi − 8, ωi < 2

a) Determine a acumulada de X.

b) Calcule P (X < 0).

Exercı́cio 3.6. (D3.7, D3.3 e D3.2) Numa fábrica existem três máquinas iguais de uma mesma
marca, que trabalham independentemente. A probabilidade de cada máquina falhar num dado
perı́odo de tempo é 0,1. Seja X uma variável aleatória associada ao número de máquinas que
continuam funcionando ao fim deste perı́odo.

Joaquim Neto www.ufjf.br/joaquim neto página 72 de 114


a) (D3.2) Determine a função de probabilidade de X.

b) (D3.7) Determine a acumulada de X.

c) (D3.3) Calcule P (2 ≤ X ≤ 3).

Exercı́cio 3.7. (D3.7, D3.4, D3.3 e D2.6) Considere a função:

x2

p (x) = 14 , para x = 1, 2, 3
.
0, caso contrário

a) (D3.4) Mostre que p é uma função de probabilidade.

b) (D3.7) Seja X uma variável aleatória com função de probabilidade p. Determine a acumulada
de X.

c) (D3.3 e D2.6) Seja X uma variável aleatória com função de probabilidade p. Calcule P (X = 1 | X ≤ 2).

Exercı́cio 3.8. (D3.8) Seja X uma variável aleatória contı́nua associada à duração da vida de
uma válvula eletrônica, com densidade
 −bx
be , para x ≥ 0
f (x) = .
0, caso contrário

Mostre que P (a ≤ X < a + 1) = 1 − e−b e−ba , para a ∈ R+ .




Exercı́cio 3.9. (D3.8) Seja X uma variável aleatória com densidade

xe−x , para x ≥ 0

f (x) = .
0, caso contrário
Calcule P (X > 2).

Exercı́cio 3.10. (D3.8 e D2.6) Seja X uma variável aleatória contı́nua com densidade

3x2 , para − 1 ≤ x ≤ 0

f (x) = .
0, caso contrário

Calcule P X > b X < 2b em função de b, para −1 < b < 0.




Exercı́cio 3.11. (D3.8 e D2.6) Seja X uma variável aleatória associada à duração da vida (em
horas) de certa válvula. Suponha que X tem densidade
100

x2
,
para x > 100
f (x) = .
0, caso contrário

Sabendo que uma válvula está funcionando há 150 horas, qual é a probabilidade de que uma
válvula dure menos de 200 horas?

Exercı́cio 3.12. (D3.9) Sejam f e g funções densidade.

a) (D3.9) Mostre que f + g não é uma densidade.

b) (D3.9) Mostre que βf (x) + (1 − β) g (x) é uma densidade para todo número β tal que 0 <
β < 1.

Joaquim Neto www.ufjf.br/joaquim neto página 73 de 114


Exercı́cio 3.13. (D3.11) Seja X uma variável aleatória com acumulada

 0, para x < 0
x
F (x) = , para 0 ≤ x ≤ 5 .
 5
1, para x > 5

Determine a densidade de X.

Exercı́cio 3.14. (D3.11) Seja X uma variável aleatória com acumulada



 0, para x <√0
F (x) = 2
sen−1 ( x) , para 0 ≤ x ≤ 5 .
 π
1, para x > 1

Determine a densidade de X.

Exercı́cio 3.15. (D3.11) Seja X uma variável aleatória com acumulada


 3x
e , para − ∞ < x ≤ 0
F (x) = .
1, para x > 0

Determine a densidade de X.

Exercı́cio 3.16. (D3.11) Seja X uma variável aleatória com acumulada



 0, para x ≤ 0
1 2
F (x) = x , para 0 < x ≤ 3 .
 9
1, para x > 3
Encontre a densidade de X.

Exercı́cio 3.17. (D3.12) Seja X uma variável aleatória associada à porcentagem de álcool em
certo composto. Suponha que X tem densidade

20x3 (1 − x) , para 0 < x < 1



f (x) = .
0, caso contrário

Determine a acumulada de X.

Exercı́cio 3.18. (D3.12 e D3.9) Considere a função



6x (1 − x) , para 0 ≤ x ≤ 1
f (x) = .
0, caso contrário

a) (D3.9) Mostre que f é uma densidade

b) (D3.12) Seja X uma variável aleatória com densidade f . Determine a acumulada de X.

Exercı́cio 3.19. (D3.12 e D3.10) Seja X uma variável aleatória associada à diferença da medida
das peças produzidas por uma máquina em relação ao padrão especificado pelo mercado. Suponha
que X tem densidade 
 1 + k + x, para − 1 ≤ x < 0
f (x) = 1 + k − x, para 0 ≤ x ≤ 1 .
0, caso contrário

a) (D3.10) Calcule o valor de k.

b) (D3.12) Determine a acumulada de X.

Joaquim Neto www.ufjf.br/joaquim neto página 74 de 114


Exercı́cio 3.20. (D3.13) Seja X uma variável aleatória com acumulada

 0, para x < 0
F (x) = 1 − 34 e−x , para 0 ≤ x < 1 .
1, para x ≥ 1

Calcule P (0 ≤ X < 1).

Exercı́cio 3.21. (D3.15) Seja X uma variável aleatória com densidade


 1
f (x) = 8 x, para 0 ≤ x ≤ 4 .
0, caso contrário

a) (D3.15) Calcule o primeiro quartil de X.

b) (D3.15) Calcule a mediana de X.

Exercı́cio 3.22. (D3.15, D3.10 e D3.8) Seja X uma variável aleatória com densidade

kx2 , para − 1 ≤ x ≤ 1

f (x) = .
0, caso contrário

a) (D3.10) Calcule o valor de k.

b) (D3.8) Calcule P |X| > 12 .




c) (D3.15) Determine α tal que F (α) = 14 , onde F é a acumulada de X. Em outras palavras,


calcule o primeiro quartil de X.

Exercı́cio 3.23. (D3.15, D3.12 e D3.10) Uma variável aleatória X tem densidade
 k −x
f (x) = 2 e , se x ≥ 0 .
0, caso contrário

a) (D3.10) Calcule o valor de k.

b) (D3.12) Determine a acumulada de X.

c) (D3.15) Calcule a mediana de X.

Exercı́cio 3.24. (D3.15, D3.12 e D3.10) Seja X uma variável aleatória contı́nua com densidade

kx2 , para 0 ≤ x ≤ 1

f (x) = .
0, caso contrário

a) (D3.10) Calcule o valor de k.

b) (D3.12) Determine a acumulada de X.

c) (D3.15) Calcule o valor b tal que a probabilidade de X exceder b seja igual a 0,05.

Exercı́cio 3.25. (D3.17, D3.10 e D3.8) Seja X uma variável aleatória associada ao diâmetro
de um cabo elétrico. Assuma que X tem densidade

k(2x − x2 ), se 0 ≤ x ≤ 1

f (x) = .
0, caso contrário

a) (D3.10) Calcule o valor de k.

Joaquim Neto www.ufjf.br/joaquim neto página 75 de 114


b) (D3.17) Calcule E(X).

c) (D3.8) Calcule P (0 ≤ X ≤ 1/2).

Exercı́cio 3.26. (D3.17, D3.15, D3.12 e D3.8) Seja X uma variável aleatória associada à
concentração (em ppm) de monóxido de carbono (CO) na atmosfera, numa determinada zona
urbana, no perı́odo das 8h às 10h. Suponha que X tem densidade

0, para x ≤ 0
f (x) = .
3, 4e−3,4x , para x > 0

a) (D3.12) Determine a acumulada de X.

b) (D3.8) Qual é a probabilidade da concentração de CO exceder 2 ppm?

c) (D3.17) Determine o valor esperado da concentração de CO.

d) (D3.15) Determine a mediana da concentração de CO.

Exercı́cio 3.27. (D3.19, D3.17 e D3.8) Seja X uma variável aleatória com densidade

6(x − x2 ), se 0 ≤ x ≤ 1

f (x) = .
0, caso contrário
p
Calcule P (µ − 2σ < x < µ + 2σ), onde µ = E(X) e σ = V ar(X).

Exercı́cio 3.28. (D3.19, D3.17, D3.15, D3.14, D3.13, D3.11 e D2.6) Seja X uma variável
aleatória contı́nua com acumulada

 0, para x < 0
F (x) = ax + b, para 0 ≤ x < π .
1, para x ≥ π

a) (D3.14) Calcule a e b.

b) (D3.11) Determine a densidade de X.

c) (D3.15) Calcule o primeiro quartil de X.

d) (D3.13 e D2.6) Calcule P X < π2 X ≥ π4 .




e) (D3.17) Calcule E (X).

f ) (D3.19) Calcule V ar (X).

Exercı́cio 3.29. (D3.20) Seja X uma variável aleatória com densidade


(
1
(1+x)2
, para x ≥ 0
fX (x) = .
0, para x < 0

Seja Y = max {X, k} , k > 0. Determine a acumulada de Y .

Exercı́cio 3.30. (D3.20, D3.7 e D3.5) Sejam k ∈ R e X uma variável aleatória com função de
probabilidade 
kx, x = 1, 2, 3
p (x) = .
0, caso contrário

a) (D3.5) Calcule o valor de k.

Joaquim Neto www.ufjf.br/joaquim neto página 76 de 114


b) (D3.7) Determine a acumulada de X.

c) (D3.20) Determine a acumulada de Y = 10X .

Exercı́cio 3.31. (D3.21) Seja X uma variável aleatória com densidade

3x2 , para 0 < x < 1



f (x) = .
0, caso contrário
Suponha que Y = 1 − X 2 . Determine a densidade de Y .

Exercı́cio 3.32. (D3.21) Sejam X uma variável aleatória contı́nua e Y = aX + b, para a 6= 0.


Prove que a densidade de Y é
(  
1 y−b
|a| f a , para − ∞ < y < ∞
fY (y) = .
0, caso contrário

Exercı́cio 3.33. (D3.21, D3.17, D3.15, D3.12 e D3.9) Considere a função

kx−k−1 , para x ≥ 1 e k > 0



f (x) = .
0, caso contrário

a) (D3.9) Mostre que f é uma densidade.

b) (D3.12) Seja X uma variável aleatória com densidade f . Determine a acumulada de X.

c) (D3.17) Seja X uma variável aleatória com densidade f . Calcule o valor esperado de X,
indicando em que condições o valor esperado existe.

d) (D3.15) Seja X uma variável aleatória com densidade f . Calcule a mediana de X, indicando
em que condições a mediana existe.

e) (D3.21) Seja Y = ln X. Determine a densidade de Y .

Exercı́cio 3.34. (D3.21, D3.19, D3.17, D3.12, D3.10, D3.8 e D2.6) Seja X uma variável
aleatória associada à proporção de determinada substância quı́mica em um produto. Suponha
que X tem densidade

kx3 + x, para 0 ≤ x ≤ 1

f (x) = .
0, caso contrário

a) (D3.10) Calcule o valor de k.

b) (D3.12) Determine a acumulada de X.

c) (D3.18 e D2.6) Sempre que a proporção da referida substância é inferior a 0,5, o produto é de
qualidade inferior. Qual é a probabilidade de um produto que foi considerado de qualidade
inferior ter a proporção maior que 0,25?

d) (D3.17) Calcule o valor esperado de X.

e) (D3.19) Calcule a variância de X.

f ) (D3.21 e D3.8) Seja Y o valor comercial (em euros) de cada unidade de volume de produto,
em função da proporção da substância, definido como Y = 2X.

i) (D3.21) Determine a densidade de Y .

Joaquim Neto www.ufjf.br/joaquim neto página 77 de 114


ii) (D3.21 e D3.8) Qual é a probabilidade de uma unidade de volume daquele produto ser
vendida por mais de 1 euro?

Exercı́cio 3.35. (D3.21, D3.19, D3.17, D3.15, D3.12, D3.10 e D3.8) Seja X uma variável
aleatória com densidade

f (x) = ke−|x| , para x ∈ R

a) (D3.10) Calcule o valor de k.

b) (D3.12) Determine a acumulada de X.

c) (D3.17) Calcule o valor esperado de X.

d) (D3.19) Calcule a variância de X.

e) (D3.15) Calcule a mediana de X.

f ) (D3.17 e D3.8) Calcule P (|X − E (X)| < 1).

g) (D3.21) Seja Y = X 2 . Determine a densidade de Y .

Exercı́cio 3.36. (D3.21 e D3.20) Seja X uma variável aleatória com densidade
 1
f (x) = 2 x, para 0 < x < 2 .
0, caso contrário
Suponha que Y = X (2 − X).

a) (D3.20) Determine a acumulada de Y .

b) (D3.21) Determine a densidade de Y .

Exercı́cio 3.37. (D3.22, D3.18, D3.16 e D3.2) Seja X uma variável aleatória com função de
probabilidade apresentada na tabela abaixo.

xi 1-2k k-1 k 2k
pX (xi ) q 3q q q

a) (D3.16 e D3.2) Sabendo que E (X) = 13 , determine o valor de q e k.

b) (D3.18) Calcule V ar (X).

c) (D3.22) Seja Y = X 2 . Determine a função de probabilidade de Y .

Exercı́cio 3.38. (D3.22, D3.18, D3.16, D3.7, D3.3 e D2.6) Seja X uma variável aleatória com
função de probabilidade apresentada na tabela abaixo.

xi -2 -1 0 1 2
pX (xi ) 0,1 0,3 0,1 0,2 0,3

a) (D3.16) Calcule E (X).

b) (D3.18) Calcule V ar (X).

c) (D3.7) Determine a acumulada de X.

d) (D3.3 e D2.6) Calcule P (X ≥ 0|X < 2).

Joaquim Neto www.ufjf.br/joaquim neto página 78 de 114


e) (D3.22) Seja Y = X 2 . Determine a função de probabilidade de Y .

Exercı́cio 3.39. (D3.24, D3.15, D3.12 e D3.9) Em uma pesquisa concluiu-se que a raridade de
determinada espécie animal era diretamente proporcional à distância observada, em percurso de
amostragem, até que se avistasse um exemplar da espécie. Seja X uma variável aleatória que
representa a distância percorrida até se avistar algum exemplar da espécie. Suponhamos que X
tem densidade
 b
kx2
, para 1 ≤ x ≤ b
f (x) = .
0, caso contrário

a) (D3.9) Para quais valores de k e b, f (x) é uma densidade?

b) (D3.12) Determine a acumulada de X.

c) (D3.15) Calcule a mediana de X.

d) (D3.24) Considere a variável aleatória Y = C0 + C1 X, que caracteriza o custo de amostra-


gem, onde C0 representa o custo fixo e C1 o custo por unidade de percurso. Determine o
custo esperado para a pesquisa em função de C0 , C1 e b.

Exercı́cio 3.40. (D3.24, D3.21, D3.17, D3.15, D3.12, D3.8 e D2.6) O fornecedor de um produto
de laboratório tem uma capacidade de armazenamento de 150 kg. No inı́cio de cada mês é reposto
o estoque até à capacidade máxima de armazenamento. Seja X uma variável aleatória associada
às vendas mensais deste produto em centenas de kg, com densidade

 x, para 0 ≤ x ≤ 1
f (x) = 1, para 1 < x ≤ 1, 5 .
0, caso contrário

a) (D3.12) Determine a acumulada de X.

b) (D3.8 e D2.6) Se no inı́cio do mês já venderam 50 kg do produto, qual a probabilidade de se


venderem mais de 100 kg no fim desse mês?

c) (D3.17) Calcule o valor esperado das vendas deste produto.

d) (D3.15) Calcule a mediana das vendas deste produto.

e) (D3.24, D3.21 e D3.8) Seja Y o lucro da venda deste produto. Considere a seguinte expressão
(simplificada) do lucro em função das vendas Y = 50X − 25.

i) (D3.24) Qual o valor esperado do lucro mensal?


ii) (D3.21 e D3.8) Qual a probabilidade de, em um dado mês, não haver prejuı́zo?

Joaquim Neto www.ufjf.br/joaquim neto página 79 de 114


3.13.3 Respostas
3.1) a) 31 ; b) 1
16 ; c) 17 .
3.2) -
3.3) -
3.4) k = β.
3.5)


 0, para x < −8



 0, 1, para − 8 ≤ x < −2
0, 3, para − 2 ≤ x < 4

a) FX (x) = ;

 0, 6, para 4 ≤ x < 6
0, 9, para 6 ≤ x < 8




1, para x ≥ 8

b) P (X < 0) = 0, 3.
3.6)


 0, 001, x = 0
 0, 027, x = 1


a) f (x) = 0, 243, x = 2 ;
0, 729, x = 3




0, caso contrário



 0, x < 0
 0, 001, 0 ≤ x < 1


b) F (x) = 0, 028, 1 ≤ x < 2 ;
0, 271, 2 ≤ x < 3




1, x ≥ 3

c) 0, 972.
3.7)
3
P x2
a) Primeiro, observe que p(x) ≥ 0, ∀x ∈ R. Além disso, 14 = 1;
 x=1

 0, se x < 1
1/14, se 1 ≤ x < 2

b) F (x) = ;

 5/14, se 2 ≤ x < 3
1, se x > 3

c) 0.2.
3.8) -
3.9) 3e−2 .
3
3.10) P X > b X < 2b = b−7b

3 +8 .

3.11) 14 .
3.12) -  1
3.13) f (x) = 5 , para 0 < x < 5 .
0, caso contrário
 1
(
1
x − x 2 − /2 , para 0 < x < 1
3.14) f (x) = π .
0, caso contrário
 3x
3e , para x < 0
3.15) f (x) = .
0, caso contrário
 2x
3.16) f (x) = 9 , para 0 ≤ x ≤ 3 .
0, caso contrário

 0, para x ≤ 0
3.17) F (x) = 5x4 − 4x5 , para 0 < x < 1 .
1, para x ≥ 1

Joaquim Neto www.ufjf.br/joaquim neto página 80 de 114



 0, para x < 0
3.18) F (x) = 3x2 − 2x3 , para 0 ≤ x ≤ 1 .
1, para x > 1

3.19)
a) k = 0;
0, para x < −1


 x2 +2x+1
, para − 1 ≤ x < 0

b) FX (x) = 2 .
−x2 +2x+1


 2 , para 0 ≤ x < 1
1, para x ≥ 1
3 −1
3.20) 1 − 4 e .

3.21) a) 2; b) 8.
1
3.22) a) 23 ; b) 87 ; c) −2− 3 .
(1 − e−x ), se x ≥ 0

3.23) a) k = 2; b) FX (x) = ; c) 0.693147.
0, caso contrário
3.24) 
 0, para x < 0 √
a) k = 3; b) F (x) = x3 , para 0 ≤ x < 1 ; c) b = 3 0, 95.
1, para x ≥ 1

3.25) a) k = 32 ; b) E(X) = 58 ; c) P (0 ≤ X ≤ 1/2) = 16 5
.
3.26) 
0, para x < 0
a) F (x) = ;
1 − e−3,4x , para x ≥ 0
b) P (X > 2) = 0, 00111;
c) E (X) = 0, 294;
d) q(0, 5) = 0, 204.
3.27) µ = E(X) = 12 , E(X 2 ) = 10 3
, σ = 0.22, P (µ − 2σ < x < µ + 2σ) = 0.979264.
3.28)
a) b = 0 e a = π1 ;
 1
b) f (x) = π , para 0 < x < π ;
0, para x ≤ 0 ou x ≥ π
c) x0.25 = π4 ;
d) P x < π2 X ≥ π4 = 13 ;


e) E (X) = π2 ;
2
f) V ar (X) = π12 .
 y
3.29) FY (y) = 1+y , para y ≥ k .
0, caso contrário
3.30)
a) k = 61 ;


 0, x < 1
1/6, 1 ≤ x < 2

b) FX (x) = ;

 1/2, 2 ≤ x < 3
1, x ≥ 3

c) FY (y) = FX((log y) , ∀y ∈ R.
1
3(1−y) 2
3.31) fY (y) = 2 , para 0 < y < 1 .
0, caso contrário
3.32) -
3.33) 
0, para x < 1
b) F (x) = ;
1 − x−k , para x ≥ 1
k
c) E (X) = k−1 , para k > 1;

Joaquim Neto www.ufjf.br/joaquim neto página 81 de 114



d) q(0, 5) = k 2, para k > 0;
0, para y < 0
e) fY (y) = .
ke−ky , para y ≥ 0
3.34)
a) k = 2;

 0, para x < 0
b) F (x) = x4 +x2
, para 0 ≤ x < 1 ;
 2
1, para x ≥ 1
 F ( 1 )−F ( 1 )
c) P X > 14 X < 12 = 2F 1 4 = 0, 7875;

(2)
d) E (X) = 0, 733;
e) V ar (X) =(0, 046;
y 3 +2y
f) i) f (y) = 8 ,
para 0 < y < 2
; ii) P (Y > 1) = 27
32 .
0, caso contrário
3.35)
a) k = 12 ;
1 x

b) F (x) = 2 e , para x<0
;
1 − 21 e−x , para x ≥ 0
c) E (X) = 0;
d) V ar (X) = 2;
e) q(0, 5) = 0;
f) 1 − 1e ;
(
0, √para y ≤ 0
g) fY (y) = e−√ y .
2 y , para y > 0
3.36)
 0, para y ≤ 0

1
a) FY (y) = 1 − (1 − y) 2 , para 0 < y < 1 ;

1, para y ≥ 1
1
(
1 , para 0 < y < 1
b) fY (y) = 2(1−y) 2 .
0, caso contrário
3.37)
a) q = 16 e k = 1.
b) 98
yi 0 1 4
c)
pY (yi ) 36 26 16
3.38)
a) E (X) = 0, 3;
b) V ar (X) = 2, 01;


 0, para x < −2



 0, 1, para − 2 ≤ x < −1
0, 4, para − 1 ≤ x < 0

c) F (x) = ;

 0, 5, para 0 ≤ x < 1
0, 7, para 1 ≤ x < 2




1, para x ≥ 2

3
d) 7 ;
y = xi 0 1 4
e) i
pY (yi ) 0,1 0,5 0,4
3.39)
a) Para os valores que satisfazem a equação k = b − 1;

Joaquim Neto www.ufjf.br/joaquim neto página 82 de 114



 0, para x <  1
b 1
b) F (x) = 1 − x , para 1 ≤ x < b ;
 b−1
1, para x ≥ b
2b
c) q(0, 5) = b+1 ;
 
b
d) E (Y ) = C0 + C1 b−1 ln b .
3.40) 
 0, para x < 0
 x2

a) F (x) = 2 , para 0 ≤ x < 1 ;
 x − 21 , para 1 ≤ x < 1, 5

x ≥ 1, 5

1, para1
 4
b) P X > 1 X > 2 = 7 ;

c) O valor esperado é aproximadamente 95,93 kg;
d) A mediana é 100 kg;
e) i) E (Y ) = 275 7
12 ; ii) P (Y ≥ 0) = 8 .

Joaquim Neto www.ufjf.br/joaquim neto página 83 de 114


Joaquim Neto www.ufjf.br/joaquim neto página 84 de 114
Famı́lias de distribuições
www.ufjf.br/joaquim neto

4.1 Famı́lias discretas


4.1.1 Distribuição uniforme discreta

Definição 4.1. Uma variável X tem distribuição uniforme discreta no conjunto {1, 2, ..., n}
se sua função de probabilidade for:

1

n, se x ∈ {1, 2, ..., n}
p(x) = .
0, caso contrário

Notação: X ∼ U (1, 2, ..., n).

o
0.25

et
_n
im
0.20
p(x)

qu

● ● ● ● ●
oa
0.15

/j
br
fjf.
.u

0 1 2 3 4 5 6
w
w

x
w

Figura 1: Função de probabilidade de uma uniforme discreta em {1, 2, 3, 4, 5}.

Resultado 4.1 (Valor esperado e variância da uniforme discreta). Se X ∼ U ({1, 2, ..., n}),
então
n+1 n2 − 1
E(X) = e V ar(X) = .
2 12

4.1.2 Distribuição de Bernoulli

Definição 4.2. Suponhamos um experimento com resultados que assumem apenas duas clas-
sificações (como sucesso-fracasso, masculino-feminino, cara-coroa, etc). Seja X uma v.a. que
assume apenas os valores 0 e 1, onde o 1 é associado a uma das classificações e o 0 é associado
à outra classificação. Dizemos então que X tem distribuição de Bernoulli com parâmetro
θ ∈ (0; 1), onde θ = P ([X = 1]).
Notação: X ∼ Ber(θ).

Joaquim Neto www.ufjf.br/joaquim neto página 85 de 114


o
et
0.8

_n

m
p(x)

ui
aq
0.4

/jo

br
jf.
0.0

f
.u
−1.0 0.0 1.0 2.0

w
w
x

w
Figura 2: Função de probabilidade de uma v.a. X, tal que X ∼ Ber(0, 3).

Resultado 4.2. Se X ∼ Ber(θ) então sua função de probabilidade é dada por



 θ, se x = 1
p(x) = 1 − θ, se x = 0 .
0, caso contrário

Resultado 4.3 (Valor esperado e variância da Bernoulli). Se X ∼ Ber(θ), então

E(X) = θ e V ar(X) = θ(1 − θ).

4.1.3 Distribuição binomial


Definição 4.3. Suponhamos agora n realizações independentes de um experimento com re-
sultados que assumem apenas duas classificações (como sucesso-fracasso, masculino-feminino,
cara-coroa, etc). Associando uma das classificações ao número 1 (sucesso) e a outra ao número
0 (fracasso), seja X a variável aleatória associada ao número de sucessos (uns) obtidos nas
n realizações do experimento. Se a probabilidade de sucesso em cada uma das realizações é a
mesma e igual à θ, dizemos que X tem distribuição binomial com parâmetros n ∈ {1, 2, ...}
e θ ∈ (0; 1).
Notação: X ∼ Bin(n; θ).

Resultado 4.4. Se X ∼ Bin(n; θ) então sua função de probabilidade é dada por


  
n
θx (1 − θ)n−x , se x = 0, 1, 2, ..., n

p(x) = x .
0, caso contrário

Para explorar um aplicativo da distribuição binomial, acesse


http://www.ufjf.br/joaquim_neto/aplicativos.

Exemplo 4.1. Sabe-se que 30% dos animais submetidos a um certo tratamento não sobrevi-
vem. Suponhamos que 10 animais são submetidos a este tratamento. Seja X o número de não
sobreviventes. Construa o gráfico da função de probabilidade de X.
Solução: Como X ∼ Bin(10; 0, 3), sua função de probabilidade é dada por
 
10
p (x) = 0, 3x (1 − 0, 3)10−x .
x

Com esta função, podemos construir a tabela abaixo.

Joaquim Neto www.ufjf.br/joaquim neto página 86 de 114


x p(x)
0 0,028247
1 0,121060
2 0,233474
3 0,266827
4 0,200120
5 0,102919
6 0,036756
7 0,009001
8 0,001446
9 0,000137
10 0,000005

A partir da tabela, podemos construir o gráfico.


o
et

0.20

_n

im
p(x)

qu

0.10

/joa ●
br



jf.
0.00


● ● ●
f
.u

0 2 4 6 8 10
w
w

x
w

Exemplo 4.2. Um lote de componentes eletrônicos é recebido por uma firma. Vinte componen-
tes são selecionados, aleatoriamente e com reposição, para teste e o lote é rejeitado se pelo menos
3 forem defeituosos. Sabendo que 5% destes componentes são defeituosos, qual é a probabilidade
da firma rejeitar o lote.
Solução: Seja X uma v.a. associada ao número de componentes defeituosos dentre os
selecionados e p(x) sua função de probabilidade. Como X ∼ Bin(20; 0, 05), temos que
 
20
p (0) = 0, 050 (1 − 0, 05)20 = 0, 3584859,
0
 
20
p (1) = 0, 051 (1 − 0, 05)19 = 0, 3773536 e
1
 
20
p (2) = 0, 052 (1 − 0, 05)18 = 0, 1886768.
2
Sabemos também que o lote é rejeitado se X ≥ 3 e, portanto, a probabilidade de rejeição é
dada por
P ([X ≥ 3]) = 1 − P ([X < 3]) = 1 − P ([X ≤ 2])
= 1 − (P ([X = 0]) + P ([X = 1]) + P ([X = 2]))
= 1 − (p (0) + p (1) + P (2))
= 1 − (0, 3584859 + 0, 3773536 + 0, 1886768)
= 7, 548367%.
Resultado 4.5 (Valor esperado e variância da binomial). Se X ∼ Bin(n; θ), então

E(X) = n · θ e V ar(X) = nθ(1 − θ).

Joaquim Neto www.ufjf.br/joaquim neto página 87 de 114


4.1.4 Distribuição geométrica
Suponhamos que um experimento com resultados que assumem apenas duas classificações
(como sucesso-fracasso, masculino-feminino, cara-coroa, etc) é realizado sucessivas vezes. Seja
X a v.a. associada ao número de fracassos até obter o primeiro sucesso. Se a proba-
bilidade de sucesso em cada uma das realizações é constante e igual à θ, dizemos que X tem
distribuição geométrica com parâmetro θ ∈ (0; 1).
Notação: X ∼ Geom(θ).
Resultado 4.6. Se X ∼ Geom(θ), sua função de probabilidade é dada por
(1 − θ)x θ, se x = 0, 1, 2, ...

p (x) = .
0, caso contrário

0.20

o

et
_n

im

0.10
p ( x)

qu



oa
r/j


.b




●●
0.00

fjf

●●●
●●●●●●●
●●●●●●●●
.u

0 5 10 15 20 25 30
w
w

x
w

Figura 3: Função de probabilidade de uma v.a. X, tal que X ∼ Geom(0, 2).

Exemplo 4.3. A probabilidade de se encontrar um determinado semáforo aberto é igual a 20%.


Qual é a probabilidade de passar pelo semáforo sucessivas vezes e encontrá-lo aberto pela primeira
vez na quinta passagem?
Solução: Sejam X o número de passagens antes de encontrar o semáforo aberto pela pri-
meira vez e p(x) a função de probabilidade de X. Como X ∼ Geom(0, 2), temos
p(4) = (1 − 0, 2)4 0, 2 = 0, 08192.

Resultado 4.7 (Valor esperado e variância da geométrica). Se X ∼ Geom(θ), então


1−θ 1−θ
E(X) = e V ar(X) = .
θ θ2

4.1.5 Distribuição binomial negativa (Pascal)


Suponhamos que um experimento com resultados que assumem apenas duas classificações
(como sucesso-fracasso, masculino-feminino, cara-coroa, etc) é realizado sucessivas vezes. Seja
X a variável aleatória associada ao número de fracassos até observar r sucessos. Se a
probabilidade de sucesso em cada uma das realizações é a mesma e igual à θ, dizemos que X
tem distribuição binomial negativa com parâmetros r ∈ {1, 2, 3, ...} e θ ∈ (0; 1).
Notação: X ∼ BN (r; θ).
Resultado 4.8. Se X ∼ BN (r; θ) então sua função de probabilidade é dada por
  
x+r−1
θr (1 − θ)x , se x ∈ {0, 1, 2, ...}

p (x) = r−1 .
0, caso contrário

Joaquim Neto www.ufjf.br/joaquim neto página 88 de 114


●●●

o
● ●

0.00 0.02 0.04 0.06

et
● ●

_n
● ●

m

p(x)

ui

aq
● ●

/jo

● ●

br

● ●

●●

jf.
●●
● ●●●●●
●●●●●●●●●●●

f
.u
0 10 20 30 40

w
w
x

w
Figura 4: Função de probabilidade de uma v.a. X, tal que X ∼ BN (5; 0, 3).

Obs: Note que a distribuição geométrica é um caso particular da distribuição binomial ne-
gativa, para r = 1.

Exemplo 4.4. Em uma linha de produção, a probabilidade de um determinado componente ser


defeituoso é de 10%. Qual é a probabilidade de se produzir 4 componentes defeituosos antes de
20 perfeitos.
Solução: Sejam X uma v.a. associada ao número de componentes defeituosos antes de 20
perfeitos e p(x) a função de probabilidade de X. Como X ∼ BN (20; 0, 9), temos que
 
x + 20 − 1
p (x) = 0, 920 (1 − 0, 9)x , para x ∈ {0, 1, 2, ...}.
20 − 1

Logo, a probabilidade procurada é dada por


 
4 + 20 − 1
p (4) = 0, 920 (1 − 0, 9)4 , para x ∈ {0, 1, 2, ...} = 0, 1076561.
20 − 1

Resultado 4.9 (Valor esperado e variância da binomial negativa). Se X ∼ BN (r; θ),


então
rθ rθ
E(X) = e V ar(X) = .
1−θ (1 − θ)2

4.1.6 Distribuição hipergeométrica


Suponhamos que n elementos são selecionados aleatoriamente e sem reposição de uma
população finita com A elementos classificados como sucesso e B elementos classificados como
fracasso. Seja X uma v.a. associada ao número de sucessos selecionados. Neste caso, dizemos
que X tem distribuição hipergeométrica com parâmetros A, B e n.
Notação: X ∼ HG(A; B; n).

Resultado 4.10. Se X ∼ HG(A; B; n), então sua função de probabilidade é dada por
   

  A 
B 
n−x


 x
, se x ∈ {max (0; n − B) , ..., min (n; A)} ∩ N
  
p (x) = A + B .
  



 n
0, caso contrário

Joaquim Neto www.ufjf.br/joaquim neto página 89 de 114


Exemplo 4.5. Uma firma compra lâmpadas por lotes de 30 unidades. Suponha que em um
determinado lote há 25 lâmpadas perfeitas. Sete lâmpadas deste lote são selecionadas aleatoria-
mente e sem reposição.

a) Qual é a probabilidade de selecionar menos de 4 lâmpadas perfeitas?

b) Construa o gráfico da função de probabilidade de X.

Solução:
a) Sejam X uma v.a. associada ao número de lâmpadas perfeitas selecionadas e p(x) sua
função de probabilidade. Como X ∼ HG(25, 5, 7), temos que
   

 
25  5 
7−x


 x
, se x ∈ {max (0; 7 − 5) , ..., min (7; 25)} ∩ N
  
p (x) = 25 + 5 .
  



 7
0, caso contrário

Logo, a probabilidade de selecionar menos de 4 lâmpadas perfeitas é dada por

P [X < 4] = p(2) + p(3) = 0, 57962%.

b)


0.0 0.1 0.2 0.3 0.4

o
et
_n
im


p ( x)


qu
oa
r/j
.b


fjf

● ● ● ● ● ● ●
.u
w

0 2 4 6 8 10
w
w

x
Função de probabilidade de uma v.a. X, tal que X ∼ HG(25; 5; 7).

Resultado 4.11 (Valor esperado e variância da hipergeométrica). Se X ∼ HG(A; B; n),


então  
B nAB A+B−n
E(X) = n e V ar(X) = 2
· .
A+B (A + B) A + B − 1

4.1.7 Distribuição de Poisson


A distribuição de Poisson é utilizada para explicar probabilisticamente o número de ocorrências
em um experimento aleatório com taxa média de ocorrência θ > 0.

Definição 4.4. Uma v.a. X tem distribuição de Poisson com taxa média de ocorrências
θ > 0, se sua função de probabilidade for
 exp(−θ)θx
x! , se x = 0, 1, 2, ...
p (x) = .
0, caso contrário

Notação: X ∼ P ois(θ).

Joaquim Neto www.ufjf.br/joaquim neto página 90 de 114


0.20

o
● ●

et
_n

im
0.10
p(x)

qu

oa

r/j
.b

0.00

fjf
● ● ● ● ● ●

.u
0 5 10 15

w
w
x

w
Figura 5: Função de probabilidade de uma v.a. X, tal que X ∼ P ois(4).

Exemplo 4.6. Suponhamos que a chegada de navios a um porto segue uma distribuição de
Poisson, com número médio de chegadas por dia igual a 5.
a) Qual é a probabilidade de exatamente 7 navios chegarem em um dia.
b) Qual é a probabilidade de pelo menos 3 navios chegarem chegarem em um dia.
Solução:
a) Seja X o número de navios que chegam em um dia. Temos que X ∼ P ois(5) e
exp(−5)57
p(7) = = 10, 44%.
7!
b) Temos que
P ([X ≥ 3]) = 1 − P (X < 3) = 1 − P ([X = 0]) − P ([X = 1]) − P ([X = 2])
exp(−5)50 exp(−5)51 exp(−5)52
=1− − −
0! 1! 2!
= 1 − 0, 124652 = 87, 5348%.

Resultado 4.12 (Valor esperado e variância da Poisson). Se X ∼ P ois(θ), então


E(X) = θ e V ar(X) = θ.

4.2 Famı́lias contı́nuas


4.2.1 Uniforme
Definição 4.5. Dizemos que uma variável aleatória tem distribuição uniforme no intervalo
(a, b) se tem densidade dada por
 1
f (x) = b−a , se a < x < b .
0, caso contrário
Notação: X ∼ U (a; b).

Resultado 4.13. (Valor esperado e variância da uniforme)


Se X ∼ U (a, b), então
b+a (b − a)2
E(X) = e V ar(X) = .
2 12

Joaquim Neto www.ufjf.br/joaquim neto página 91 de 114


4.2.2 Normal
Definição 4.6. Dizemos que uma variável aleatória tem distribuição normal, com parâmetros
µ e σ 2 > 0, se tem densidade dada por
!
 1
2 −2 1 (x − µ)2
f (x) = 2πσ exp − , com x ∈ R.
2 σ2

A distribuição normal com µ = 0 e σ 2 = 1 é chamada de normal padrão.


Notação: X ∼ N (µ; σ 2 ).
0.4

0.4

0.4
to

to

to
e

e
_n

_n

_n
0.3

0.3

0.3
im

im
ui
qu

qu
w 0.0 0.1 0.2

0.2

w 0.0 0.1 0.2


aq
f(x)

f(x)

f(x)
oa

oa
/jo
r/j

r/j
0.1

r
.b

.b

.b
fjf

fjf

fjf
.u

.u

.u
0.0
w

w
−6 −2 0 2 4 6 −6 −2 0 2 4 6 −6 −2 0 2 4 6
w

x x x
w

w
Densidade de uma N (0; 1). Densidade de uma N (0; 1) em Densidade de uma N (0; 1) em
preto e densidade de uma preto e densidade de uma
N(3;1) em azul. N(0;4) em azul.

Figura 6: Densidades de distrinuições normais.

Obs: Repare que a densidade de uma normal é simétrica em relação a reta vertical que passa
por µ (eixo de simetria da normal). Já o parâmetro σ 2 está relacionado à abertura da
densidade.

Para explorar um aplicativo com a densidade da normal, acesse


http://www.ufjf.br/joaquim_neto/aplicativos.
0.0 0.2 0.4 0.6 0.8 1.0

0.0 0.2 0.4 0.6 0.8 1.0

0.0 0.2 0.4 0.6 0.8 1.0


w

w
w

w
w

w
.u

.u

.u
fjf

fjf

fjf
.b

.b

.b
F(x)

F(x)

F(x)
r/j

r/j

r/j
oa

oa

oa
q

q
ui

ui

ui
m

m
_n

_n

_n

−6 −2 0 2 4 6 −6 −2 0 2 4 6 −6 −2 0 2 4 6
et

et

et

x x x
o

Acumulada de uma N (0; 1). Acumulada de uma N (0; 1) Acumulada de uma N (0; 1)
em preto e acumulada de uma em preto e acumulada de uma
N(3;1) em azul. N(0;4) em azul.

Figura 7: Acumuladas de distribuições normais.

Joaquim Neto www.ufjf.br/joaquim neto página 92 de 114


Para explorar um aplicativo com a acumulada da normal, acesse
http://www.ufjf.br/joaquim_neto/aplicativos.

Resultado 4.14 (Valor esperado e variância da normal). Se X ∼ N (µ; σ 2 ), então E(X) =


µ e V ar(X) = σ 2 .
Resultado 4.15 (Simetria da normal). A distribuição normal é simétrica em torno de sua
média µ. Em outras palavras, se X ∼ N (µ, σ 2 ) e F é a acumulada de X, temos que

F (µ − k) = 1 − F (µ + k), ∀k ∈ R.

𝑭 𝝁−𝒌 = 1−𝑭 𝝁 + 𝒌

www.ufjf.br/joaquim_neto
𝒇 𝒙

𝝁−𝒌 𝝁 𝝁+𝒌

Resultado 4.16 (Transformação linear de normal é normal). Se uma v.a. X tem distri-
buição normal, então Y = aX + b também tem distribuição normal, ∀a, b ∈ R.
Resultado 4.17. Se X ∼ N (µ; σ 2 ) então, aX + b ∼ N (aµ + b; a2 σ 2 ) para todo a, b ∈ R.
Prova: Pelo resultado 4.16, aX + b tem distribuição normal. Resta mostrar então que
E(aX + b) = aµ + b e V ar(aX + b) = a2 σ 2 . De fato,

E(aX + b) = aE(X) + b = aµ + b e
2 2 2
V ar(aX + b) = a V ar(X) = a σ .

Resultado 4.18 (Relação com a normal padrão). Se X ∼ N (µ, σ 2 ) então X−µ σ ∼ N (0, 1).
Prova:
Primeiro, observe que X−µ
σ = σ1 X − σµ . Ou seja, podemos escrever X−µσ na forma aX + b,
1 µ X−µ
onde a = σ e b = − σ . Assim, pelo resultado 4.16, σ tem distribuição normal. Nos resta
então mostrar que o valor esperado é 0 e a variância é 1. De fato,
   
X −µ 1 µ
E =E X− = (linearidade do valor esperado)
σ σ σ
1 µ
= E(X) −
σ σ
µ µ
= −
σ σ
=0 e
   
X −µ 1 µ
V ar = V ar X−
σ σ σ
1 σ2
= 2 V ar(X) = 2
σ σ
= 1.

Joaquim Neto www.ufjf.br/joaquim neto página 93 de 114


A acumulada de uma variável com distribuição normal não pode ser expressa na forma
fechada em termos de funções elementares (a integral para obter a acumulada não possui solução
analı́tica). Portanto, as probabilidades para distribuições normais só podem ser encontradas
por aproximações numéricas (computacionais) ou usando uma tabela de valores. Nos próximos
exemplos, veremos como obter estas probabilidades de duas maneiras: usando a tabela da normal
padrão e utilizando o Excel.

Exemplo 4.7 (Cálculo de probabilidade com a normal padrão). Seja X ∼ N (0; 1).
Calcule P (X < 0, 53).
Solução:

o
et
_n
im
u
aq
/jo
br.
fjf
.u
w
w
w

Procurando 0, 53 na tabela da normal padrão, temos que P (X < 0, 53) = 0, 7019.

Exemplo 4.8 (Cálculo de probabilidade com uma normal qualquer). Seja X ∼ N (3; 4).
Calcule P (X < 2, 5).
Solução:
Usando a tabela:
Neste caso, não podemos procurar 2, 5 na tabela, pois a distribuição em questão não é a nor-
mal padrão. Porém, podemos usar a transformação X−µ σ que, pelo resultado , tem distribuição
N (0; 1). Assim,
 
X −3 2, 5 − 3
P (X < 2, 5) = P <
2 2
 
X −3
=P < −0, 25
2
como X−3
 
2 ∼ N (0; 1) ,
= =
basta procurar − 0, 25 na tabela da normal padrão
= 0, 4013.
o
et
_n
im
u
aq
/jo
r
.b
fjf
.u
w
w
w

Usando o Excel:
Para calcular a probabilidade desejada no excel, basta escolher uma célula e digitar

“=DIST.NORM.N(2,5;3;RAÍZ(4);VERDADEIRO)”

Exemplo 4.9 (Cálculo de quantil com a normal padrão). Seja X ∼ N (0; 1). Calcule o
quantil 67% de X.
Solução:

Joaquim Neto www.ufjf.br/joaquim neto página 94 de 114


o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w
Procurando 0, 6700 no interior da tabela da normal padrão, temos que P (X < 0, 44) = 0, 67.
Assim, q(0, 67) = 0, 44.

Exemplo 4.10 (Cálculo de quantil com uma normal qualquer). Seja X ∼ N (5; 3).
Calcule o quantil 75% de X (terceiro quartil).
Solução:
Usando a tabela:
Para usar a tabela, temos que usar a transformação X−µ
σ que, pelo resultado 4.18, tem
distribuição N (0; 1). Assim,

P (X ≤ q (0, 75)) = 0, 75 ⇒
 
X −5 q (0, 75) − 5
P √ ≤ √ = 0, 75
3 3

o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w

Procurando o número mais próximo de 0, 7500 no interior da tabela danormal padrão, 


encontramos 0, 7486 e o número associado pela linha e coluna é 0,67. Assim, P X−5

3
≤ 0, 67 =
0, 7486. Consequentemente,

q (0, 75) − 5 ∼
√ = 0, 67 ⇒
3
q (0, 75) ∼
= 6, 160474.
Usando o Excel:
Para calcular a probabilidade desejada no excel, basta escolher uma célula e digitar

“=INV.NORM.N(0,75;5;RAÍZ(3))”

4.2.3 Função gama


Agora, vamos definir uma função que será utilizada nas próximas distribuições de probabi-
lidade.

Definição 4.7 (Função gama). A função gama é definida por


Z ∞
Γ (α) = xα−1 exp (−x) dx.
0

Resultado 4.19. A função gama satisfaz às propriedades

Joaquim Neto www.ufjf.br/joaquim neto página 95 de 114


ˆ Γ(1) = 1 e
ˆ Γ(k) = (k − 1)Γ(k − 1) ∀k > 1.
ˆ Γ(n) = (n − 1)!, para todo inteiro positivo n.
Prova: ...

4.2.4 Beta
Definição 4.8. Dizemos que uma v.a. tem distribuição beta de parâmetros α > 0 e β > 0 se
tem densidade dada por

B (α, β)−1 xα−1 (1 − x)β−1 , se 0 < x < 1



f (x) = , onde
0, caso contrário
Γ (α) Γ (β)
B (α, β) =
Γ (α + β)
Notação: X ∼ Be(α, β).
2.0

o
α = 10 e β = 10 α = 10 e β = 10
o

et
et

α = 0.1 e β = 0.1 α = 0.1 e β = 0.1


6

_n
1.5
_n

α = 4 e β = 0.1 α = 4 e β = 0.1

m
α=4eβ=2 α=4eβ=2
m
4

i
F(x)

qu
w 0.0 0.5 1.0
ui
f(x)

aq

oa
/jo
2

r/j
br

.b
jf.

fjf
0

.u
.u

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
w
w
w

x x
w
w

Densidades Acumuladas
Figura 8: Densidades e acumuladas de uma Be(α, β), para diferentes valores de α e β.

Resultado 4.20 (Valor esperado e variância da beta). Se X ∼ Be(α, β), então


α αβ
E(X) = e V ar(X) = .
α+β (α + β)2 (α + β + 1)

4.2.5 Gama
Definição 4.9. Dizemos que uma variável aleatória tem distribuição gama com parâmetros
α > 0 e β > 0 se tem densidade dada por
( α
β α−1 exp (−βx) , se x > 0
f (x) = Γ(α) x .
0, caso contrário
Notação: X ∼ Ga(α, β).

Joaquim Neto www.ufjf.br/joaquim neto página 96 de 114


o

o
α=1eβ=2

et

et
0.4

0.8
α=2eβ=2

_n

_n
α=3eβ=2

im

im
α=5eβ=1

F(x)
α=1eβ=2
f(x)

α = 9 e β = 0.5

qu

qu
0.2

0.4
α=2eβ=2

oa

oa
α=3eβ=2

r/j

r/j
α=5eβ=1
.b

.b
α = 9 e β = 0.5
fjf

fjf
0.0

0.0
.u

.u
0 5 10 15 20 0 5 10 15 20
w

w
w

w
x x
w

w
Densidades Acumuladas
Figura 9: Densidades e acumuladas de uma Ga(α, β), para diferentes valores de α e β.

Resultado 4.21 (Valor esperado e variância da gama). Se X ∼ Ga(α, β), então


α α
E(X) = e V ar(X) = 2 .
β β

 
Resultado 4.22 (Propriedade da gama). Se X ∼ Ga(α, β) e a ∈ R então aX ∼ Ga α, βa .

4.2.6 Exponencial
A distribuição exponencial, que definiremos a seguir, pode ser utilizada para modelar modelar
o tempo até a primeira ocorrência de um evento (tempo de vida).

Definição 4.10. Dizemos que uma variável aleatória tem distribuição exponencial com parâ-
metro β > 0, se tem densidade dada por

β exp (−βx) , se x > 0
f (x) = .
0, caso contrário
Notação: X ∼ Exp(β).

Resultado 4.23 (Valor esperado e variância da exponencial). Se X ∼ Exp(β), então

1 1
E(X) = e V ar(X) = 2 .
β β

Exemplo 4.11. Seja X uma variável aleatória associada a duração de vida de um componente
eletrônico, em centenas de horas. Suponha que X tem distribuição exponencial com valor espe-
rado 0,5.
a) Determine a distribuição de X.
b) Calcule a probabilidade de que o componente eletrônico tenha uma duração de vida superior
a 150 horas, sabendo que já funcionou pelo menos durante 100 horas.
Solução: a) Temos

Joaquim Neto www.ufjf.br/joaquim neto página 97 de 114


1 1
E(X) = ⇒ 0, 5 = ⇒ β = 2.
β β

Assim, X ∼ Exp(2).
b)

P ([X > 1, 5] ∩ [X > 1]) P ([X > 1, 5])


P (X > 1, 5 | X > 1) = =
P (X > 1) P (X > 1)

R
2 exp (−2x) dx
1,5 − exp (−2x)|∞
1,5
= ∞ =
R − exp (−2x)|∞1
2 exp (−2x) dx
1
exp (−3)
= = 0.3678794.
exp (−2)

O resultado abaixo estabelece uma propriedade importante da exponencial: “a falta de me-


mória”.

Resultado 4.24 (Falta de memória da exponencial). Se s > t ≥ 0 são números reais e


X ∼ Exp(β), então
P (X > s|X > t) = P (X > s − t)

Prova:

P ([X > s] ∩ [X > t])


P (X > s|X > t) =
P (X > t)
P ([X > s])
=
P (X > t)
R∞
β exp (−βx)
s
= ∞
R
β exp (−βx)
t
= exp (−β (s − t))
= P (X > s − t) .

4.2.7 Chi-quadrado
Definição 4.11. Uma v.a. X tem distribuição chi-quadrado (χ2 ) com n > 0 graus de liberdade
se tem densidade f (x) dada por
 n
 ( 21 ) 2 n −1 1

n x
2 exp − x , se x > 0
f (x) = Γ( 2 ) 2 .
0, caso contrário

Notação: X ∼ χ2n .

Joaquim Neto www.ufjf.br/joaquim neto página 98 de 114


n=1

o
n=1

et

et
n=2

0.8

2.0
n=2

_n

_n
n=3
n=3 n=4

im

im
n=4 n=5

F(x)
f(x)

qu

qu
n=5
0.4

1.0
oa

oa
r/j

r/j
.b

.b
fjf

fjf
0.0

0.0
.u

.u
0 2 4 6 8 0 2 4 6 8
w

w
w

w
x x
w

w
Densidades Acumuladas
Figura 10: Densidades e acumuladas de uma χ2n , para diferentes graus de liberdade (n).

Resultado 4.25 (Valor esperado e variância da χ2 ). Se X ∼ χ2n , então

E(X) = n + λ e V ar(X) = 2(n + 2λ).

4.2.8 t de Student
Definição 4.12. Uma v.a. X tem distribuição t de Student (ou simplesmente t) com n > 0
graus de liberdade se tem densidade dada por
 − (n+1)
x2 2
Γ n+1 1+

n
p (x) = √2 n
 , para x ∈ R
nπ Γ 2

Notação: X ∼ tn .
0.4

w
o
et

n=1
w
0.8
_n

n=2
0.3

.u

n=5
im

fjf

n = 1000
F(x)
qu
0.2

.b
f(x)

n=1
0.4

r/j
oa

n=2
oa
0.1

n=5
r/j

n = 1000
qu
.b
fjf
0.0

0.0

im
.u

_n

−4 −2 0 2 4 6 −4 −2 0 2 4 6
w
w

et

x [
w

Densidades Acumuladas
Figura 11: Densidades e acumuladas de uma tn , para diferentes valores de n.

Joaquim Neto www.ufjf.br/joaquim neto página 99 de 114


Resultado 4.26 (Valor esperado e variância da t de Student). Se X ∼ tn , então
ˆ E(X) = 0 para n > 1 e indefinido caso contrário.

ˆ V ar(X) = n
n−2 para n > 2, V ar(X) = ∞ para 1 < n ≤ 2 e indefinida caso contrário.

4.2.9 F de Snedecor
Definição 4.13. Uma v.a. X tem distribuição F de Snedecor com n > 0 e m > 0 graus de
liberdade se tem densidade dada por

 Γ( n+m 2 )
n
n 2 (n −1) n
− (n+m)
n m
Γ( 2 )Γ( 2 ) m
x 2 1 + m x 2
, se x > 0
p (x) = .
 0, caso contrário

Notação: X ∼ Fn,m .
2.0

o
n1 = 1 e n2 = 1
et

et
n1 = 1 e n2 = 1 n1 = 2 e n2 = 1
2.0
_n

_n
n1 = 2 e n2 = 1
1.5

n1 = 5 e n2 = 2
n1 = 5 e n2 = 2
m

m
n1 = 100 e n2 = 1
n1 = 100 e n2 = 1
i

i
n1 = 100 e n2 = 100
F(x)
qu

qu
w 0.0 0.5 1.0
f(x)

n1 = 100 e n2 = 100
1.0
oa

oa
r/j

r/j
.b

.b
fjf

fjf
w 0.0
.u

.u

0 1 2 3 4 5 0 1 2 3 4 5
w

x x
w

Densidades Acumuladas
Figura 12: Densidades e acumuladas de uma Fn,m , para diferentes valores de n e m.

Resultado 4.27 (Valor esperado e variância da F de Snedecor). Se X ∼ Fn,m , então

m 2m2 (n + m − 2)
E(X) = para m > 2 e V ar(X) = para n > 4.
m−2 n(m − 4)(m − 2)2

4.2.10 Gama invertida


Definição 4.14. Uma variável aleatória tem distribuição Gama Invertida (ou Gama Inversa)
com parâmetros α > 0 e β > 0 se tem densidade dada por
( α
β 1 α+1
exp −β x1 , se x > 0
 
f (x) = Γ(α) x ,
0, caso contrário
onde Z ∞
Γ (α) = β α xα−1 exp (−βx) dx.
0
Notação: X ∼ GI(α, β).

Joaquim Neto www.ufjf.br/joaquim neto página 100 de 114


2.0
o

o
α=1eβ=1

et

et
α=2eβ=1

2.0

_n

_n
α = 1 e β = 0.5

1.5
α=3eβ=1
α=2eβ=1

m
α=3eβ=5
α=3eβ=1

i
F(x)
qu

qu
1.0
f(x)

α=3eβ=5
1.0

oa

oa
0.5
r/j

r/j
.b

.b
fjf

fjf
0.0

0.0
.u

.u
0.0 1.0 2.0 3.0 0.0 1.0 2.0 3.0
w

w
w

w
x x
w

w
Densidades Acumuladas
Figura 13: Densidades e acumuladas de uma GI(α, β), para diferentes valores de α e β.

4.2.11 Relações entre distribuições


ˆ Relação entre as distribuições exponencial e gama:

X ∼ Exp(β) se, e somente se, X ∼ Ga(1, β).

Assim, podemos dizer que a exponencial é um caso particular da gama.

ˆ Relação entre a normal e a χ2 :


Sejam X1 , X2 , ..., Xn variáveis aleatórias independentes, de modo que Xi ∼ N (0, 1) ∀i ∈
n
Xi2 .
P
{1, 2, ..., n}. A variável aleatória X =
i=1
Assim, podemos dizer que a soma de normais ao quadrado tem distribuição χ2 .

ˆ Relação entre as distribuições gama e χ2 :

n 1
X ∼ χ2n se, e somente se, X ∼ Ga

2, 2 .

Assim, podemos dizer que a chi-quadrado é um caso particular da gama.

ˆ Relação entre a distribuição t de Student com a normal e a χ2 :


Se Y ∼ N (0, 1) e Z ∼ χ2n com Y e Z independentes, então

Y
X=q (4.1)
Z
n

tem distribuição t de Student com n graus de liberdade.

ˆ Relação entre as distribuições χ2 e F de Snedecor:


Se Y ∼ χ2n e Z ∼ χ2m com Y e Z independentes, então
Y
n
X= Z
m

Joaquim Neto www.ufjf.br/joaquim neto página 101 de 114


tem distribuição F com n e m graus de liberdade.
Ou seja, a distribuição F de Snedecor é dada pela razão de duas variáveis aleatórias in-
dependentes com distribuição χ2 central, ambas divididas pelos seus respectivos graus de
liberdade.

ˆ Relação entre as distribuições t e F :


Elevando ao quadrado a equação (4.1), temos
X2
2 1
T = Y
n

Como X 2 ∼ χ21 e Y ∼ χ2n , então T 2 ∼ F1,n . Ou seja, o quadrado de uma v.a. com
distribuição tn tem distribuição F1,n .

ˆ Relação entre as distribuições gama e gama invertida:

1
X ∼ Ga(α, β) se, e somente se, X ∼ GI(α, β).

Joaquim Neto www.ufjf.br/joaquim neto página 102 de 114


4.3
4.3.1

Joaquim Neto
Descritor Descrição Palavra chave
Descritores
Exercı́cios

4.1 Resolver problemas com distribuição uniforme discreta. Uniforme Discreta


4.2 Resolver problemas com distribuição de Bernoulli. Bernoulli
4.3 Resolver problemas com distribuição binomial. Binomial
4.4 Resolver problemas com distribuição geométrica. Geométrica
4.5 Resolver problemas com distribuição binomial negativa (Pascal). Binomial Negativa
4.6 Resolver problemas com distribuição hipergeométrica. Hipergeométrica
4.7 Resolver problemas com distribuição de Poisson. Poisson
4.8 Resolver problemas com distribuição uniforme contínua. Uniforme Contínua
4.9 Resolver problemas com distribuição normal. Normal
4.10 Resolver problemas com distribuição Beta. Beta

www.ufjf.br/joaquim neto
4.11 Resolver problemas com distribuição Gama. Gama
4.12 Resolver problemas com distribuição Exponencial. Exponencial
4.13 Resolver problemas com distribuição Chi-quadrado. Chi-quadrado
4.14 Resolver problemas com distribuição t de Student. t de Student
4.15 Resolver problemas com distribuição F de Snedecor. F de Snedecor

Tabela 4.1: Descritores dos exercı́cios de famı́lias de distribuições (matriz de referência).

página 103 de 114


4.3.2 Enunciados
Exercı́cio 4.1. (D4.3) Seja X uma variável aleatória associada ao número de sucessos em
uma sucessão de 20 experimentos aleatórios independentes que só podem resultar em sucesso ou
fracasso, sendo a probabilidade de sucesso igual a 0,9 em cada um destes experimentos. O custo
de uma experiência que resulte em sucesso é de 5 reais e em fracasso de 10 reais. A experiência
é repetida 20 vezes de forma independente.

a) Identifique a distribuição de X.

b) Calcule P (X > 15).

c) Calcule a probabilidade de haver mais sucessos do que fracassos.

d) Seja C o custo total das 20 experiências.

i) Mostre que C pode ser expresso como C = 200 − 5X.


ii) Calcule E (C).
iii) Calcule P (C < 125).

Exercı́cio 4.2. (D4.3) Em uma experiência laboratorial injetaram uma determinada droga que
inibe a sı́ntese de proteı́nas em n cobaias. A probabilidade de uma cobaia morrer devido à droga
durante a experiência é 0,2. Seja X a variável aleatória associada ao número de cobaias que
morreram durante a experiência.

a) Identifique a distribuição de X.

b) Supondo n = 15, qual é a probabilidade de:

i) Exatamente duas delas morrerem?


ii) Pelo menos oito delas sobreviverem?

c) Determine o número mı́nimo de cobaias utilizadas para que a probabilidade de pelo menos
uma morrer seja superior a 0,95.

Exercı́cio 4.3. (D4.3) Um instrumento de medição de umidade é constituı́do por 3 compo-


nentes de funcionamento independente. Todos os componentes têm a mesma probabilidade de
desregular, igual a 0,1.

a) Seja X a variável aleatória associada ao número de componentes desregulados neste instru-


mento, identifique sua distribuição.

b) Determine a probabilidade de dois ou mais componentes desregularem.

c) Se nenhum dos componentes está desregulado, o instrumento funciona sempre, se um único


componente está desregulado, o instrumento tem probabilidade 0,6 de funcionar e se dois
ou mais componentes estão desregulados, não funciona.

i) Qual é a probabilidade do instrumento funcionar.


ii) Qual é a probabilidade de um componente estar desregulado, sendo que o instrumento
está funcionando.

Exercı́cio 4.4. (D4.3) Seja X uma variável aleatória. Suponha que X ∼ Bin (8; 0, 7), calcule
P (X ≥ 5).

Joaquim Neto www.ufjf.br/joaquim neto página 104 de 114


Exercı́cio 4.5. (D4.3) Quinze pessoas portadoras de determinada doença são selecionadas para
se submeter a um tratamento. Sabe-se que este tratamento é eficaz na cura da doença em 80%
dos casos. Suponha que os indivı́duos submetidos ao tratamento curaram-se (ou não) indepen-
dentemente uns dos outros e considere X o número de curados dentre os 15 pacientes submetidos
ao tratamento.

a) Qual é a distribuição de X?

b) Qual é a probabilidade de que os 15 pacientes sejam curados?

c) Qual é a probabilidade de que pelo menos dois não sejam curados?

Exercı́cio 4.6. (D4.3) Um estudante preenche por adivinhação um exame de múltipla escolha
com 5 respostas possı́veis (das quais só uma é correta) para cada uma das 10 questões.

a) Qual é a distribuição do número de respostas certas?

b) Qual é a probabilidade de que o estudante obtenha 9 ou mais respostas certas?

c) Qual é a probabilidade de que acerte pelo menos duas questões?

Exercı́cio 4.7. (D4.3) Sabe-se que 0, 6% dos parafusos produzidos em uma fábrica são defeitu-
osos. Estime a probabilidade de que, em um pacote com 1000 parafusos:

a) haja exatamente 4 parafusos defeituosos;

b) não haja mais do que 4 parafusos defeituosos;

c) haja pelo menos 3 parafusos defeituosos.

Exercı́cio 4.8. (D4.3) Em uma indústria, fabricam-se dispositivos elétricos, que são vendidos
em caixas com 400 unidades. Suponha que cada dispositivo funciona adequadamente com pro-
babilidade 0,98. A companhia deseja garantir aos revendedores que mais de k dispositivos por
caixa funcionam. Qual o maior valor de k tal que pelo menos 93% das caixas satisfaçam essa
garantia?
Exercı́cio 4.9. (D4.3) Suponha que a probabilidade de uma peça, produzida por determinada
máquina, ser defeituosa é 0,2. Se 10 peças produzidas por essa máquina forem escolhidas ao
acaso, qual é a probabilidade de que não mais de uma defeituosa seja encontrada?
Exercı́cio 4.10. (D4.4) Em uma pizzaria com entrega em domicı́lio, 30% dos pedidos por tele-
fone são de mais de uma pizza. Certo dia, o dono decide mandar um brinde ao cliente que fizer
o primeiro pedido com mais de uma pizza. Seja X uma variável aleatória associada ao número
de pedidos recebidos até o ganhador do brinde.

a) Qual é a distribuição de X?

b) Determine o menor número de pedidos necessário para garantir que o brinde saia com pro-
babilidade maior que 0,9.

Exercı́cio 4.11. (D4.5) Um vendedor de porta em porta consegue realizar a venda em 40%
das visitas que faz. Ele planeja efetuar no mı́nimo duas vendas por dia. Seja X uma variável
aleatória associada ao número de visitas feitas sem sucesso (nas quais ele não consegue realizar
a venda) até que a segunda venda seja efetuada. Qual é a distribuição de X?
Exercı́cio 4.12. (D4.6) Um aluno estuda 12 exercı́cios, dos quais o professor vai escolher 6
aleatoriamente para uma prova. O estudante sabe resolver 9 dos 12 problemas. Seja X uma
variável aleatória associada ao número de exercı́cios resolvidos por ele na prova.

Joaquim Neto www.ufjf.br/joaquim neto página 105 de 114


a) Qual é a distribuição de X?

b) Calcule a probabilidade de que o aluno resolva ao menos 5 exercı́cios da prova.

Exercı́cio 4.13. (D4.6 e D4.3) De um lote que contém 25 peças, das quais 5 são defeituosas, 4
são escolhidas ao acaso. Seja X uma variável aleatória associada ao número de peças defeituosas
encontradas. Estabeleça a função de probabilidade de X, quando:

a) as peças forem escolhidas com reposição;

b) as peças forem escolhidas sem reposição.

Exercı́cio 4.14. (D4.7) Seja X uma variável aleatória associada ao número de petroleiros que
chegam por dia a uma certa refinaria. Suponha que X ∼ P oisson (2). As atuais instalações
portuárias da refinaria podem atender até 3 petroleiros por dia. Se mais de 3 chegam em um
mesmo dia, os petroleiros em excesso são enviados para outro porto.

a) Qual é a probabilidade de, num dado dia, a refinaria tenha que recusar petroleiros?

b) Qual deverá ser a menor capacidade de atendimento da refinaria que permitiria, com mais
de 95% de chance, o acolhimento de todos os petroleiros em um dia?

c) Qual é o número esperado de petroleiros que chegam por dia?

d) Qual é o número mais provável de petroleiros chegados num dia?

e) Qual é o número esperado de petroleiros atendidos num dia?

f ) Qual é o número esperado de petroleiros recusados num dia?

Exercı́cio 4.15. (D4.7) Uma empresa de aluguel de automóveis para excursões de longa distân-
cia dispõe de 5 veı́culos. Seja X uma variável aleatória associada à procura semanal de veı́culos.
Suponha que X ∼ P oisson (4).

a) Calcule a probabilidade de, em certa semana, um dos veı́culos não ser alugado.

b) Calcule o valor esperado do número de clientes que, em certa semana, podem não ser aten-
didos, por falta de veı́culos disponı́veis.

Exercı́cio 4.16. (D4.7) Seja X uma variável aleatória associada ao número de ovos postos por
segundo em certo aviário. Suponha que X ∼ P oisson (1).
Mostre que P (X = 0) = P (X = 1) e que para todo k > 1 se tem P (X = k) < P (X = k − 1).

Exercı́cio 4.17. (D4.7) O número de partı́culas emitidas por uma fonte radioativa, num dado
perı́odo de tempo, é uma variável aleatória com distribuição de Poisson. Sabendo que a probabi-
lidade de não ser emitida qualquer partı́cula nesse perı́odo de tempo é 1/3, calcule a probabilidade
de que nesse perı́odo de tempo a fonte emita pelo menos 2 partı́culas.

Exercı́cio 4.18. (D4.7) O número de mensagens eletrônicas recebidas em um dia por uma
pequena empresa de entregas rápidas segue uma distribuição de Poisson com taxa média igual
a 10 mensagens por dia. Calcule a probabilidade de em um dia a empresa não receber mais do
que 7 mensagens.

Exercı́cio 4.19. (D4.7) Seja X o número de erros tipográficos numa página de determinado
livro, uma variável aleatória com distribuição de Poisson de parâmetro 12 .

a) Encontre a probabilidade de que haja três ou mais erros tipográficos nesta página.

Joaquim Neto www.ufjf.br/joaquim neto página 106 de 114


b) Calcule esta probabilidade dado que há pelo menos um erro nesta página.

Exercı́cio 4.20. (D4.7 e D4.3) Seja X uma variável aleatória associada ao número de partı́-
culas emitidas, por uma fonte radiotiva em cada perı́odo de 10 segundos. Suponha que X tem
2

distribuição de Poisson com E X = 6. Observada a emissão durante 7 perı́odos consecutivos
de 10 segundos, qual é a probabilidade de, em pelo menos um desses perı́odos, serem emitidas 4
ou mais partı́culas?

Exercı́cio 4.21. (D4.7 e D4.4) Seja X uma variável aleatória associada ao número de acidentes
de trabalho que ocorrem em uma fábrica por semana, com distribuição de Poisson. Sabendo que
a porcentagem de semanas em que ocorre um acidente é um terço da porcentagem de semanas
em que não acontece nenhum.

a) Determine o parâmetro da distribuição de X.

b) A partir de uma determinada data, a direção da fábrica vai registrar o número Y de semanas
decorridas antes de observar uma semana com ao menos um acidente.

i) Qual é a distribuição de Y ?
ii) Obtenha a probabilidade de que a semana com acidente seja a quarta na contagem.

Exercı́cio 4.22. (D4.8) Seja X uma variável aleatória. Suponha que X ∼ U (−2; 8).

a) Determine a densidade de X.

b) Calcule P (0 < X < 7).

c) Determine a acumulada de X.

Exercı́cio 4.23. (D4.8) Se Y tem distribuição uniforme em (0, 5), qual é a probabilidade de
que as raı́zes da equação 4x2 + 4xY + Y + 2 = 0 sejam ambas reais?

Exercı́cio 4.24. (D4.9) Uma empresa agro-quı́mica fabrica mensalmente 90 toneladas de um


dado produto. Seja X uma variável aleatória associada à procura mensal (em toneladas) deste
produto. Suponha que X ∼ N 80; 102 , calcule:


a) Calcule a probabilidade de a procura mensal do produto ficar entre 68 e 90 toneladas.

b) Calcule a probabilidade de a procura em um mês ser excessiva.

c) Calcule a produção necessária para a probabilidade de haver uma procura maior que a quan-
tidade produzida ser 2,5%.

Exercı́cio 4.25. (D4.9) Uma fábrica produz motores cujo tempo de vida é uma variável aleatória
com distribuição normal com média de 10 anos e desvio padrão de 2 anos. A fábrica quer criar
um perı́odo de garantia para os motores de forma que não mais de 3% tenham de ser substituı́dos.
Qual deverá ser o perı́odo de garantia máximo oferecido pela fábrica?

Exercı́cio 4.26. (D4.9) Considere uma variável aleatória contı́nua X cuja densidade é simétrica
em relação a um valor esperado 10 e com um desvio padrão 5. Sendo uma outra variável aleatória
Y definida por Y = βX − α com α, β > 0, determine:

a) α e β de modo que o valor esperado de Y seja nulo e a variância seja unitária.

b) Supondo que X tem distribuição normal, determine a distribuição de Y .

Joaquim Neto www.ufjf.br/joaquim neto página 107 de 114


Exercı́cio 4.27. (D4.9) O comprimento (em mm) das peças produzidas por uma máquina é
uma variável aleatória normal com valor esperado µ e variância σ 2 . Uma peça é defeituosa se o
seu comprimento diferir do valor esperado mais do que σ. Sabe-se que 50% das peças produzidas
têm comprimento inferior a 2,5 mm e 47,5% têm comprimento entre 2,5 mm e 3,42 mm.

a) Calcule µ e σ.

b) Determine a probabilidade de que uma peça seja não defeituosa.

Exercı́cio 4.28. (D4.9) Seja X uma variável aleatória associada ao diâmetro de um cabo elé-
trico. Suponha que X ∼ N 0, 8; 0, 022 .

a) Qual é a probabilidade de que o diâmetro ultrapasse 0,81?

b) Suponha que esse cabo seja considerado defeituoso se o diâmetro diferir de sua média em
mais de 0,025. Qual é a probabilidade de se encontrar um cabo defeituoso?

Exercı́cio 4.29. (D4.9) Seja X uma variável aleatória associada ao nı́vel sérico de colesterol
em adultos, em uma população. Suponha que X ∼ N 225, 752 . Calcule:


a) a proporção de pessoas com nı́vel de colesterol entre 200 e 350;

b) o valor acima do qual se encontra o colesterol da parcela de 10% da população que tem os
nı́veis mais elevados.

Exercı́cio 4.30. (D4.9) Em uma fábrica de refrigerantes, uma máquina é usada para encher
garrafas de 600ml. Seja X uma variável aleatória associada ao conteúdo lı́quido (em ml) por
2

garrafa com distribuição N 600, 4 . Calcule:

a) a porcentagem de garrafas produzidas com conteúdo inferior a 592 ml ou superior a 612 ml;

b) o valor do conteúdo excedido por 96% das garrafas fabricadas.

Exercı́cio 4.31. (D4.9) Suponha que o tempo em horas que um estudante precisa para aprender
uma matéria de Geografia é uma variável aleatória X com distribuição normal. Se 84, 13% dos
alunos usam mais de 3 horas e somente 2, 28% levam mais de 9 horas para aprender a matéria,
quais são os parâmetros da distribuição?
Exercı́cio 4.32. (D4.9) Seja X uma variável aleatória associada ao diâmetro, em centı́metros,
das bolinhas de gude em um lote. Suponha que X tenha distribuição normal com valor esperado
igual a 1. Sabendo que um terço das bolinhas tem diâmetro maior que 1,1 cm.

a) Determine o desvio padrão de X.

b) Calcule a proporção de bolinhas cujo diâmetro está entre 0,8 e 1,2 cm.

c) Calcule o valor do diâmetro superado por 80% das bolinhas do lote.

Exercı́cio 4.33. (D4.9) Seja X e Y duas variáveis aleatórias associadas ao sálário mensal, em
reais, de um trabalhador da empresa A e B, respectivamente. Suponha que X ∼ N 1800, 3002
e Y ∼ N 2000, 2002 . Sabendo que a empresa A tem o triplo de funcionários da empresa


B. Se uma pessoa é escolhida aleatoriamente entre os trabalhadores das duas empresas, qual a
probabilidade de que ela receba mais de 2200 reais por mês?
Exercı́cio 4.34. (D4.9 e D4.3) Seja X uma variável aleatória associadaà produção semanal
(em toneladas) de uma plantação de bananas. Suponha que X ∼ N 5; 22 e que a produção é
independente de semana para semana.

Joaquim Neto www.ufjf.br/joaquim neto página 108 de 114


a) Em uma semana escolhida ao acaso, qual é a probabilidade de a produção de bananas ser
inferior a 3 ton? E superior a 7 ton?

b) A plantação tem despesas fixas semanais no valor de 2000 reais. O produtor vende as bananas
por 500 R$/ton. Qual é a probabilidade de, em uma dada semana, o valor da venda ser
inferior às despesas fixas?

c) Calcule a probabilidade de, em 8 semanas escolhidas ao acaso, haver no máximo uma em que
a produção foi inferior a 3 ton.

Exercı́cio 4.35. (D4.9 e D4.3) Seja X uma variável aleatória associada ao conteúdo (em ml)
nos frascos de certo xarope. Suponha X ∼ N 200; 22 .

a) Qual é a probabilidade de um frasco escolhido ao acaso ter menos de 195 ml de xarope?

b) Em um lote de 30 frascos, qual é a probabilidade, aproximada, de haver no máximo 5 com


menos de 195 ml?

Exercı́cio 4.36. (D4.9 e D4.3) Seja X uma variável aleatória associada ao comprimento de
2

uma barra de ferro, de modo que X ∼ N 10; 2 . Suponha que a barra é considerada perfeita
se 8 ≤ X ≤ 12 e defeituosa caso contrário.

a) Qual é a probabilidade de uma barra ser perfeita?

b) Em 10 barras escolhidas ao acaso e com reposição na fabricação diária, qual é a probabilidade


de que pelo menos 2 sejam defeituosas?

c) Qual é o desvio padrão do número de barras defeituosas nesta amostra?

Exercı́cio 4.37. (D4.9 e D4.3) O tempo de vida de um laser tem distribuição normal com média
igual a 7000 horas e desvio padrão igual a 600 horas.

a) Qual é a probabilidade de um desses lasers falhar até 5300 horas?

b) Qual é a duração que é excedida por 90% desses lasers?

c) Um produto inclui três lasers e falha se algum deles falhar. Se os tempos de vida dos três
lasers forem independentes, qual é a probabilidade de esse produto durar mais do que 7000
horas?

Exercı́cio 4.38. (D4.9 e D4.7) Seja X uma variável aleatória associada ao número de defeitos
por mês no comboio de uma certa linha férrea que provocam a interrupção da circulação. O
número de defeitos em um dado mês é independente dos outros meses. Por outro lado, considere
Y uma variável aleatória associada ao tempo necessário, em horas, para restabelecer a circulação
ferroviária após a parada e também aqui, os tempos de reparação são independentes. Suponha
que X ∼ P oisson (3, 5) e Y ∼ N (2, 5; 0, 75).

a) Qual é o número esperado de defeitos em um dado mês?

b) Qual é a probabilidade de a interrupção da circulação após um defeito exceder 4,5 horas?

Exercı́cio 4.39. (D4.12) Seja X uma variável aleatória associada a duração de vida de um
componente eletrônico, em centenas de horas. Suponha que X tem distribuição exponencial com
valor esperado 0,5.

a) Determine a acumulada de X.

Joaquim Neto www.ufjf.br/joaquim neto página 109 de 114


b) Calcule a probabilidade de que o componente eletrônico tenha uma duração de vida superior
a 150 horas, sabendo que já funcionou pelo menos durante 100 horas.

c) A distribuição do dobro da duração de um componente é ainda uma exponencial? Justifique.

d) De um lote contendo 2/3 dos componentes acima especificados e 1/3 de um outro tipo (mais
caro) de componentes eletrônicos com duração Exp(1) (em centenas de horas), extraiu-
se ao acaso um componente. Calcule o valor esperado e o desvio padrão da duração do
componente selecionado.

Exercı́cio 4.40. (D4.12 e D4.3) Uma fábrica utiliza dois métodos para a produção de lâmpadas:
70% delas são produzidas pelo método A e o resto pelo método B. Seja X e Y duas variáveis
aleatórias associadas à duração em horas dessas
 lâmpadas, pelo método A e B, respectivamente.
1 1

Suponha que X ∼ Exp 80 e Y ∼ Exp 100 . Em um grupo de 10 lâmpadas selecionadas ao
acaso, qual a probabilidade de que 6 delas durem pelo menos 90 horas?

Joaquim Neto www.ufjf.br/joaquim neto página 110 de 114


4.3.3 Respostas
4.1) a) X ∼ Bin (20; 0, 9);
b) P (X > 15) = 0, 9568;
c) P (X > 10) = 0, 9999928;
d) i) -; ii) 110; iii) P (C < 125) = 0, 9568.
4.2) a) X ∼ Bin (n; 0, 2);
b) i) 0,2309; ii) 0,9958;
c) O número mı́nimo de cobaias utilizadas na experiência deverá ser 14.
4.3) a) X ∼ Bin (3; 0, 1);
b) P (X ≥ 2) = 0, 028;
c) i) 0,8748 ii) 0,1667
4.4) 0,806.
4.5) a) X ∼ Bin (15; 0, 8);
b) P (X = 15) = 0, 0352;
c) P (X ≤ 13) = 0, 8329.
4.6) a) X ∼ Bin (10; 0, 2);
b) P (X ≥ 9) = 4, 2 × 10−6 ;
c) P (X ≥ 2) = 0, 6242.
4.7) a) P (X = 4) = 0, 1339;
b) P (X ≤ 4) = 0, 2843;
c) P (X ≥ 3) = 0, 9386.
4.8) k = 387
4.9) P (X ≤ 1) = 0, 3758096.
4.10) a) X ∼ Geom (0, 3);
b) 7 pedidos.
4.11) a) X ∼ BN (2; 0, 4);
4.12) a) X ∼ HG (9; 3; 6);
b) P (X ≥ 5) = 0,5  
4 1 x 4 4−x
 
, para x = 0, 1, 2, 3 e 4

4.13) a) p (x) = x 5 5 ;
0, caso contrário

   

   5 20 
4−x


 x
, para x = 0, 1, 2, 3 e 4
  
b) p (x) = 25 .
  



 4
0, caso contrário

4.14) a) P (X > 3) = 0, 1429;
b) A capacidade de atendimento deverá ser de 5 petroleiros por dia;
c) E (X) = 2;
d) 1 ou 2;
e) 1,781982;
f) 0,2180175.
4.15) a) P (X = 4) = 0, 1954; b) 0,4103042.
4.16) - .
4.17) X ∼ P oisson − ln 31 ; P (X ≥ 2) = 0, 3004626.


4.18) P (X ≤ 7) = 0, 2202.
4.19) a)0,01438768; b) 0,0365662.
4.20) X ∼ P oisson (2); P (X ≥ 4) = 0, 6601372.
1
4.21) a) X ∼ P oisson 3 ;
1
b) i) X ∼ Geom 1 − e− 3 ; ii) P (X = 3) = 0, 1042823.

Joaquim Neto www.ufjf.br/joaquim neto página 111 de 114


1

para − 2 ≤ x ≤ 8
10 ,
4.22) a) f (x) = ;
0, caso contrário
b) P (0 < X< 7) = 0, 7;
 0, para x < −2
(x+2)
c) F (x) = , para − 2 ≤ x ≤ 8 .
 10
1, para x > 8
4.23) P (Y > 2) = 0, 6.
4.24) a) P (68 < X < 90) = 0, 7262751;
b) P (X > 90) = 0, 1586553;
c) 99,6 ton.
4.25) 6,23 anos.
4.26) a) α = 2; β = 15 ; 
b) Y ∼ N 10β − α; 25β 2 .
4.27) a) µ = 2, 5; σ = 0, 4694;
b) P (2, 0306 ≤ X ≤ 2, 9694) = 0, 6826895.
4.28) a) P (X > 0, 81) = 0, 3085375;
b) P (X < 0, 775 ou X > 0, 825) = 0, 2112995.
4.29) a) P (200 ≤ X ≤ 350) = 0, 5827683;
b) A parcela de 10% da população que tem os nı́veis mais elevados de colesterol é delimitada
pelo limiar de 321.
4.30) a) P (X < 592ouX > 612) = 2, 41%;
b) 593 ml.
4.31) µ = 5 e σ = 2.
4.32) a) σ = 0, 2321655;
b) P (0, 8 ≤ X ≤ 1, 2) = 0, 6110123;
c) 0,8046046 cm.
4.33) 0,1080722
4.34) a) P (X > 7) = P (X < 3) = 0, 1586553;
b) P (500X < 2000) = 0, 3085375;
c) Seja Y a variável aleatória que representa o número de semanas , em 8 escolhidas ao
acaso, em que a produção foi inferior a 3 ton. Y ∼ Bin (8; p), em que p = P (X < 3). Então,
P (Y ≤ 1) = 0, 6298268.
4.35) a) P (X < 195) = 0, 006209665;
b) P (Y ≤ 5) ≈ 1.
4.36) a) P (8 ≤ X ≤ 12) = 0, 6826895;
b) P (Y ≥ 2) = 0, 8757996;
c) σ = 1, 471817.
4.37) a) P (X ≤ 5300) = 0, 002303266;
b) 6231,069 horas;
c) P (Y = 0) = 0, 125.
4.38) a) E (X) = 3, 5;
b) P (Y > 4, 5) = 0,003830381.
1 − e−2x , para 0 ≤ x < ∞
4.39) a) FX (x) = ;
0, caso contrário
b) P (X > 1, 5 |X > 1 ) = 0, 3678794;
c) Sim, 2X ∼ Exp (1).
4.40) P (W = 6) = 0, 0683262.
Meyer (2000) Degroot and Schervish (2001) Ross (2010) Bussab and Morettin (2005)

Joaquim Neto www.ufjf.br/joaquim neto página 112 de 114


Referências Bibliográficas

Badizé, M., Jacques, A., Petitpas, M. and Pichard, J.-F. (1996). Le jeu du franc-carreau - une
activité probabiliste au collège, Rouen: IREM de Rouen .

Bussab, W. d. O. and Morettin, P. A. (2005). Estatı́stica Básica, 5ª ed. edn, Saraiva, São Paulo.

Degroot, M. H. and Schervish, M. J. (2001). Probability and Statistics, 3rd Edition, 3 edn,
Addison Wesley.

James, B. R. (1981). Probabilidade: um curso em cı́vel intermediário, Instituto de Matemática


Pura e Aplicada (Projeto Euclides), Rio de Janeiro.

Meyer, P. L. (2000). Probabilidade: Aplicações à Estatı́stica, 2 ed. edn, LTC.

Ross, S. (2010). Probabilidade: um curso moderno com aplicações., 8 edn, Bookman, São Paulo.

Joaquim Neto www.ufjf.br/joaquim neto página 113 de 114


Índice Remissivo

Acumulada, 54 k-ésimo momento, 67


Arranjo, 10 k-ésimo momento central, 68
Arranjo sem repetição, 10
Axiomas de probabilidade, 26 Mediana, 64

Bernoulli, 85 Normal, 92
Beta, 96 Normal padrão, 92
Binomial, 86
Partição de um conjunto, 32
Binomial Negativa, 88
Permutação, 11
Combinação, 13 Permutação com repetição, 12
Conjunto das partes, 26 Poisson, 90
Conjuntos disjuntos 2 a 2, 25 Princı́pio fundamental da contagem, 8
Probabilidade clássica, 23
Densidade, 53 Probabilidade condicional, 30
Diagrama de árvore, 7 Probabilidade frequentista, 23
Probabilidade geométrica, 24
Eixo de simetria da normal, 92 Probabilidade subjetiva, 25
Espaço amostral, 21
Espaço de probabilidade, 26 Quantil, 63
Especificidade, 35
Esperança, 65 Sensibilidade, 35
Evento, 22 Suporte, 62
Evento aleatório, 22
Teorema da multiplicação, 32
Evento certo, 22
Teorema da probabilidade total, 32
Evento complementar, 22
Teorema de Bayes, 33
Evento elementar, 22
Triângulo de pascal, 14
Evento impossı́vel, 22
Evento simples, 22 Uniforme, 91
Expectativa, 65 Uniforme discreta, 85
Exponencial, 97
Valor esperado, 64
Falácia da probabilidade de base, 36 Variável aleatória, 51
Fatorial, 8 Variável aleatória contı́nua, 53
Função de probabilidade, 52 Variável aleatória discreta, 52
Função gama, 95 Variância, 68
Gama, 96
Gama invertida, 100
Geométrica, 88

Hipergeométrica, 89

Independência 2 a 2, 37
Independência entre dois eventos, 37
Independência mútua, 37

Jogo de franc-carreau, 24

114

Você também pode gostar