DISCIPLINA: TEORIA DE PROBABILIDADES I CÓDIGO:

CEST006

HORAS DE CONTACTO DIRECTO: 96

ANO DE ESTUDOS: 2° HORAS DE ESTUDO INDEPENDENTE: 93 CRÉDITOS: 06

Introdução:
Os conteúdos leccionados nesta disciplina dão ao estudante bases sólidas para ele poder compreender os
conteúdos do programa temático de Teoria de Probabilidades II. O programa começa com Análise
Combinatória cujo objectivo é dar ao estudante uma base matemática de técnicas de contagem para ele
conseguir interpretar, por exemplo, na distribuição binomial, os coeficientes binomiais; na distribuição
hipergeométrica, como contar o número de casos possíveis e o de casos favoráveis à ocorrência de um
determinado evento. Os temas relacionados com probabilidades e com variáveis aleatórias unidimencionais
(sem especificar modelos de distribuição) que este programa apresenta são uma ferramenta muito importante
para o estudante compreender as distribuições teóricas de probabilidade do programa temático de Teoria de
Probabilidades II.

Resultados de aprendizagem:
Competências Gerais
O estudante deverá desenvolver as seguintes competências:
- Resolver problemas concretos na base da compreensão e do raciocínio lógico.
- Aplicar pensamento analítico e crítico.

Competências Específicas
- O estudante deverá desenvolver as seguintes competências:
- Usar as regras básicas do cálculo de probabilidades.
- Distinguir variáveis aleatórias discretas das variáveis aleatórias contínuas.
- Calcular probabilidades usando as funções de probabilidade, de densidade e de distribuição.
- Calcular a esperança matemática, a variância, o desvio padrão, a covariância de variáveis aleatórias.
- Aplicar no cálculo de probabilidades as funções conjunta, marginal e condicionada no caso de duas
variáveis aleatórias.
Estudo
Contacto Directo Independente Total
TEMAS AP/LA
AT S CD L G P EI T
B
1. Análise combinatória 4 8 12 4 3 7 19
2. Espaço de probabilidades 4 10 14 6 4 10 24
3. Probabilidade condicionada e independência 4 10 14 8 6 14 28
4. Variável aleatória unidimensional 6 12 18 8 12 20 38
5. Características das distribuições unidimensionais 14 24 38 18 24 42 80
32 64 96 44 49 93 189

1
  Metodologias de Ensino
Esta disciplina compreenderá aulas de exposição oral para a apresentação dos coneitos e exemplos. Serão
realizados exercícios práticos, na sala de aulas, em pequenos grupos de alunos para a consolidação das matérias
dadas. Reserva-se um tempo para o estudante desenvolver as habilidades por meio de leitura e resolução de
exercícios práticos.

 Estratégias de Avaliação
Para a avaliação, serão realizados pelo menos 2 testes escritos. A nota de frequência será a média aritmética
dos testes realizados.

 Literatura básica
1. Carreira, Adelaide.(2002). Cálculo da Probabilidade. Lisboa: Gráfica Manuel Barbosa & Filhos.
2. Guimarães, Rui Campos.(1998). Estatístca: Edição Revista. São Paulo: Editora McGraw-Hill Lda.
3. Hazzan, Samuel.(1991). Matemática Elementar: Combinatória e Probabilidade. S.Paulo: Atual Editora Lda.
4. Lipschutz, Seymour.(1995). Probabilidade. 4ª Edição Revisada. São Paulo: Editora Makron BooksAtlas.
5. Labrouse, Christian.(1982). Probabilidades. Porto: Rés Editora, Lda.
6. Meyer, Paul.(1994). Probabilidade: Aplicações à Estatística. 2ª Edição. Rio de Janeiro: Editora LTC.
7. Murteira, Bento.(2007). Introdução à Estatística. 2ª Edição. Lisboa: Editora McGraw-Hill de Portugal.
8. Spiegel, Murray Ralph.(1977). Probabilidade e Estatística. São Paulo: Editora McGraw-Hill Lda.

AT = Aulas teóricas; AP/LAB = Aula práticas ou laboratoriais; S = Seminários; CD = Total de horas de

contacto directo; L = Uso de literatura; G = Trabalhos de grupo; P = Eleboração de projectos; EI = Total de
horas de estudo independente; E = Horas de exercícios; T = Soma das horas de contacto directo e de estudo
independente.

2
 PLANO ANALÍTICO DA UNIDADE CURRICULAR

Faculdade de Ciências
Departamento de Matemática e Informática Ano lectivo de 2020 Semestre: I
Curso: Licenciatura em Estatística
Unidade Curricular: Teoria de Probabilidades I
Nome do(s) docente(s) (Regente): Tiago Guilherme Devesse
Nome do(s) Docente(s) (Assistente):_____________________________________________
Nome do técnico: ____________________________________________________________
Nome do monitor:____________________________________________________________
Regime: Tempo parcial

Horas e créditos: 6
Práticas Teóricas Avaliação Total
Horas de contacto directo por semestre 64 32 96
Horas de contacto directo por semana 4 2 6
Horas de estudo independente por semestre 93
Créditos1 2 1 3 6

I. INTRODUÇÃO
Características gerais da Unidade Curricular
A Unidade Curricular, Teoria de Probabilidades I, foi desenhada para os alunos do Curso de Licenciatura
em Estatística que já possuem bases de Estatística Descritiva, isto é, supõe-se que o aluno tem noções de
População, Amostra, recolha de dados e sua distribuição em tabelas de frequências, cálculo de medidas de
tendência central e de dispersão e sua interpretação estatística, etc. Os conteúdos leccionados nesta unidade
curricular servem de base sólida para o aluno poder compreender os conteúdos da unidade curricular Teoria
de Probabilidades II. Todos os seus conteúdos são de carácter obrigatório, pelo que o aluno deverá estar
presente em todas as aulas teóricas e práticas.

Objectivos:
 Proporcionar ao aluno uma base matemática de Técnicas de Contagem para ele conseguir interpretar,
por exemplo, na distribuição binomial, os coeficientes binomiais; na distribuição hipergeométrica, como
contar o número de casos possíveis e o de casos favoráveis à ocorrência de um determinado evento.
 Desenvolver no estudante habilidades de quantificação de incertezas de ocorrência de certos eventos
em experiências aleatórias através da noção de probabilidade.
 Aplicar as noções de medidas de tendência central e de dispersão para resolver problemas que envolvem
o cálculo de Esperança Matemática, Variância e Desvio padrão de uma variável aleatória unidimensional.

1
Na UEM, o crédito académico corresponde a um total de 30 horas de trabalho.
3
Resultados de aprendizagem
No fim do semestre, o aluno deverá ser capaz de:
 Resolver problemas concretos que envolvem o cálculo de probabilidades na base de compreensão e
raciocínio lógico.
 Aplicar o pensamento analítico e crítico para interpretar, por exemplo, as representações gráficas e
expressões analíticas das funções densidade de probabilidade e funções de distribuição
acumulada de variáveis aleatórias tanto discretas como contínuas.

II. ESTRATÉGIAS DE ENSINO E DE APRENDIZAGEM

a) As aulas dos conteúdos desta unidade curricular compreendem aulas teóricas e aulas práticas. Nas
aulas práticas, o docente interage com os estudantes para despertar a atenção destes relativamente
aos conceitos que vão sendo ensinados. São aulas de elaboração conjunta com vista a faciltar ao aluno
a produzir o seu próprio conhecimento e melhorar a aprendizagem dos conteúdos ensinados.

b) Os conteúdos desta unidade curricular são todos importantes e de carácter obrigatório. Sendo assim,
as aulas teóricas e práticas são presenciais e obrigatórias. Esta obrigatoriedade permitirá ao docente
avaliar qualitativa e quantivamente os seus estudantes em relação aos conteúdos temáticos
leccionados em cada aula.

III. ESTRATÉGIAS DE AVALIAÇÃO

No fim de cada unidade temática, o docente poderá avaliar os estudantes aplicando um teste escrito ou oral,
com peso que varia de 0 a 20 valores, relativamente a essa unidade temática. O número mínimo de testes de
avaliação é igual a dois, sendo a nota de frequência igual à média aritmética dos testes realizados.

IV. TEMÁTICAS
No Temas Horas
Teóricas Práticas S EI Total
1 Análise combinatória 4 8 7 19
2 Espaço de probabilidades 4 10 10 24
3 Probabilidade condicional e independência 4 10 14 28
4 Variável aleatória unidimensional 6 12 20 38
5 Características das distribuições unidimensionais 14 24 42 80

4
 V. CALENDÁRIO DAS AULAS E DAS AVALIAÇÕES
No. da aula Tipo de aula ou
ou Data Tema da aula avaliação Material de apoio para aula
avaliação (prática e outros)
Análise combinatória
17.02.2020 - Arranjos simples
01 a 06 19.02.2020 - Permutações simples Teórica Fichas de leitura e de exercícios
21.02.2020 - Combinações simples
24.02.2020 - Arranjos simples
07 a 12 26.02.2020 - Permutações simples Prática Ficha de exercícios
28.02.2020 - Combinações simples
13 e 14 02.03.2020 Teste 1 Prática Enunciado do Teste 1
15 e 16 04.03.2020 Correcção do Teste 1 Prática Enunciado e a ficha de exercícios
Espaço de probabilidades
- Experimentos aleatórios
17 e 18 09.03.2020 - Espaço amostral Teórica Fichas de leitura e de exercícios
- Eventos ou acontecimentos
Definições de probabilidade
- Definição Clássica
19 e 20 11.03.2020 - Definição frequencista Teórica Fichas de leitura
- Definição subjectiva
Probabilidade condicional
13.03.2020 - Independência de eventos
21 a 26 16.03.2020 - Probabilidade total Teórica Fichas de leitura e de exercícios
18.03.2020 - Teorema (Fórmula) de Bayes
Probabilidade condicional
20.03.2020 - Independência de eventos
27 a 30 23.03.2020 - Probabilidade total Prática Ficha de exercícios
- Teorema (Fórmula) de Bayes
31 e 32 25.03.2020 Probabilidade condicional Prática Ficha de exercícios
33 e 34 27.03.2020 Teste 2 Prática Enunciado do Teste 2
35 e 36 30.03.2020 Correcção do Teste 2 Prática Enunciado e a ficha de exercícios
Variáveis aleatórias unidimensionais
Variáveis aleaatórias discretas
37 a 40 01.04.2020 - Função massa de probabilidade Teórica Fichas de leitura e de exercícios
03.04.2020 - Função de distribuição (acumulada)
Variáveis aleatórias contínuas
41 e 42 06.04.2020 - Função densidade de probabilidade Teórica Fichas de leitura e de exercícios
- Função de distribuição
Variáveis aleaatórias discretas
43 a 48 08.04.2020 - Função massa de probabilidade Prática Ficha de exercícios
10 e 13.04.2020 - Função de distribuição (acumulada)
Características numéricas das distrib. discretas
49 a 52 15.04.2020 - Esperança matemática ou valor esperado Prática Ficha de exercícios
17.04.2020 - Variância e desvio padrão
Variáveis aleatórias contínuas
53 a 56 20.04.2020 - Função densidade de probabilidade Prática Fichas de exercícios
22.04.2020 - Função de distribuição
Características numéricas das distrib. contínuas
57 a 60 24.04.2020 - Esperança matemática ou valor esperado Prática Ficha de exercícios
27.04.2020 - Variância e desvio padrão
61 e 62 29.04.2020 Teste 3 Prática Enunciado do Teste 3
63 e 64 04.05.2020 Correcção do Teste 3 Prática Enunciado e a ficha de exercícios
Consolidação dos conteúdos do programa
65 a 68 06.05.2020 Análise combinatória Prática Ficha de exercícios
08.05.2020 Arranjos, Permutações e Combinações simples
Espaço de pobabilidades
69 e 70 11.05.2020 Espaço amostral, Definições de probabilibade, Prática Ficha de exercícios
probabilidade condicional e teorema de Bayes
Variáveis aleatórias unidimensionais discretas Prática Ficha de exercícios
71 a 79 10 e 13.05.2020 - Esperança matemática Prática Ficha de exercícios
18 e 20.05.2020 - Variância e desvio padrão Prática Ficha de exercícios
Variáveis aleat. unidimensionais contínuas Prática Ficha de exercícios
70 a 88 22 e 25.05.2020 - Esperança matemática Prática Ficha de exercícios
- Variância e desvio padrão Prática Ficha de exercícios
89 e 90 27.05.2020 Teste 4 Prática Enunciado do Teste 4
91 e 92 29.05.2020 Correcção do Teste 4 Prática Enunciado e a ficha de exercícios
01.06.2020 Divulgação das médias de frequência Críticas e observ. Pautas das avaliações parciais
93 a 96
03 e 05.06.2020 Avaliação da disciplina pelos alunos Críticas e observ. Pautas das avaliações parciais
5
VI. BIBLIOGRAFIA E RECURSOS

9. Carreira, Adelaide.(2002). Cálculo da Probabilidade. Lisboa: Gráfica Manuel Barbosa & Filhos.
10. Guimarães, Rui Campos.(1998). Estatístca: Edição Revista. São Paulo: Editora McGraw-Hill Lda.
11. Hazzan, Samuel.(1991). Matemática Elementar: Combinatória e Probabilidade. S.Paulo: Atual Editora
Lda.
12. Lipschutz, Seymour.(1995). Probabilidade. 4ª Edição Revisada. São Paulo: Editora Makron
BooksAtlas.
13. Labrouse, Christian.(1982). Probabilidades. Porto: Rés Editora, Lda.
14. Meyer, Paul.(1994). Probabilidade: Aplicações à Estatística. 2ª Edição. Rio de Janeiro: Editora LTC.
15. Murteira, Bento.(2007). Introdução à Estatística. 2ª Edição. Lisboa: Editora McGraw-Hill de Portugal.
16. Spiegel, Murray Ralph.(1977). Probabilidade e Estatística. São Paulo: Editora McGraw-Hill Lda.

6
 I - ANÁLISE COMBINATÓRIA

1. PRINCÍPIO FUNDAMENTAL DA CONTAGEM

Se um resultado pode ser obtido em n1 maneiras diferentes; e se, após isso, um segundo resultado pode ser
obtido em n2 maneiras diferentes; ...; e, finalmente, se um kº resultado pode ser obtido em nk maneiras
diferentes, então, todos os k resultados podem ser obtidos, na ordem especificada, de n1  n2  ...  nk maneiras
diferentes.

Exercício 1
Um homem tem duas gravatas e quatro camisas. De quantas maneiras ele poderá escolher uma gravata e
uma camisa?

Resolução
n1 = 2 gravatas
n2 = 4 camisas

Seja n o número total de maneiras diferentes de escolha de uma camisa e uma gravata.
Aplicando o Princípio Fundamental da Contagem, teremos:
n  n1 n2  2 4  8 maneiras diferentes

Exercício 2
Temos três cidades X, Y e Z. Existem quatro rodovias que ligam X com Y, e cinco que ligam Y com Z.
Partindo de X e passando por Y, de quantas formas podemos chegar até Z?

Resolução

n1 = 4 rodovias ligando X com Y

n2 = 5 rodovias ligando Y com Z

Seja n o número total de maneiras diferentes de chegar até Z partindo de X e passando por Y.
Aplicando o Princípio Fundamental da Contagem, teremos:
n  n1  n2  4  5  20 maneiras diferentes.

7
Exercício 3
Quantos números de dois algarismos (distintos ou não) podem ser formados, usando os dígitos 1, 2, 3, 4, 5,
6, 7, 8?

Resolução
Cada número pode ser considerado um par de dígitos (a, b) onde a 1, 2, 3, 4, 5, 6, 7, 8 e
b 1, 2, 3, 4, 5, 6, 7, 8 .
Portanto, n1 = 8 dígitos e n2 = 8 dígitos
Seja n o número total de pares de dígitos (a, b) formados
Aplicando o Princípio Fundamental da Contagem, teremos:
n  n1  n2  8  8  64 números de dois algarismos.

Exercício 4
Uma moeda é lançada 3 vezes. Qual o número de sequências possíveis de cara e coroa?

Resolução
Em cada lançamento, pode aparecer cara (K) ou coroa (C), isto é, K, C
n1  2 resultados possíveis no primeiro lançamento
n2  2 resultados possíveis no segundo lançamento
n3  2 resultados possíveis no terceiro lançamento
Seja n o número total de sequências possíveis de cara e coroa obtidos
n  n1  n2  n3  2  2  2  8 sequências possíveis de cara e coroa, isto é, o problema resume-se ao cálculo
de todos os resultados possíveis de ocorrer ao se lançar três vezes a mesma moeda:
(K , K , K ), (K , K , C), (K , C, C), (K , C, K ), (C, K , K ), (C, K , C), (C, C, K ), (C, C, C)
O seguinte diagrama de árvore ilustra todas as sequências possíveis de cara e coroa nos três lançamentos

8
Exercício 5
Quatro atletas participam de uma corrida. Quantos resultados existem para o 1º, 2º e 3º lugares?

Resolução
Cada resultado consta de uma tripla ordenada (a, b, c) onde
a representa o atleta que chegou em 1º lugar,
b representa o atleta que chegou em 2º lugar,
c representa o atleta que chegou em 3º lugar.
a e b e c pertencem ao conjunto dos atletas e a  b , a  c e b  c .

O 1º lugar é disputado por 4 atletas, então existem n1  4 possibilidades de ser ocupado o 1º lugar.
Se o 1º lugar tiver sido ganho por qualquer um dos atletas, o 2º lugar será disputado por 3 atletas, então
existirão n2  3 possibilidades de ser ocupado o 2º lugar.

Se o 2º lugar for ganho por um dos três atletas, o terceiro será disputado por 2 atletas, então existirão
n3  2 possibilidades de ser ocupado o 3º lugar.

Seja n o número total de resultados para o 1º, 2º e 3º lugares.

Aplicando o Princípio Fundamental da Contagem, o número total de resultados para o 1º, 2º e 3º lugares,
será n  n1  n2  n3  4  3  2  24

Exercício 6
De quantos modos três pessoas podem ficar em fila indiana?

Resolução
Cada modo corresponde a uma tripla ordenada de pessoas.
Suponhamos que a primeira pessoa na fila seja a. A pessoa seguinte será b ou c, isto é, teremos 2 modos
para o caso em que a é a primeira pessoa na fila: (a, b, c) e (a, c, b) .
Se a pessoa b for a 1ª na fila, a 2ª pessoa ser a ou c, tendo-se também 2 modos diferentes:
(b, a, c) e (b, c, a ) .
Se a pessoa c for a 1ª na fila, a 2ª pessoa ser a ou b, tendo-se também 2 modos diferentes:
( c , a , b ) e ( c , b, a ) .
Assim, três pessoas podem ficar em fila indiana de 6 modos diferentes.

Este exercício pode também ser resolvido aplicando o Princípio Fundamental da Contagem.
O 1º lugar na fila é disputado por 3 pessoas, então existem n1  3 possibilidades de ser ocupado o 1º lugar.
Se o 1º lugar já tiver sido ocupado por qualquer uma das três pessoas, o 2º lugar será disputado por 2
pessoas, então existirão n2  2 possibilidades de ser ocupado o 2º lugar na fila.

9
Se o 2º lugar for ocupado por uma das duas pessoas, o terceiro lugar na fila será ocupado pela 3ª e única
pessoa que não ocupou nenhum dos dois lugares anteriores, então haverá uma única possibilidade, n3  1 ,
de ser ocupado o 3º lugar.
Seja n o número total de modos de três pessoas a ficarem em fila indiana.
Aplicando o Princípio Fundamental da Contagem n  n1  n2  n3  3  2  1  6 .

Exercício 7
De quantas formas podemos responder a 12 perguntas de um questionário, cujas respostas para cada
pergunta são: SIM ou NÃO?

Resolução
Cada resposta do questionário todo consta de uma sequência (a1 , a 2 , a3 ,..., a12 )
onde cada a i vale SIM ou NÃO. Além disso,

a1  SIM , NÃO 
a2  SIM , NÃO
.
.
.

a12  SIM , NÃO 
Então, n1  n2  n3  ...  n12  2
Seja n o número total de formas diferentes de responder às perguntas do questionário.
Pelo Princípio Fundamental da Contagem, 𝑛 = 𝑛1 ∙ 𝑛2 ∙ … ∙ 𝑛12 = ⏟ 2 × 2 × … × 2 = 212 = 4096
12 𝑣𝑒𝑧𝑠

2. ARRANJOS

Arranjos com repetição

Seja M um conjunto com m elementos, isto é, M = {a1, a2, ..., am}. Chamamos arranjos com repetição dos
m elementos, tomados r a r, toda a r-upla ordenada (sequência de tamanho r) formada com elementos de M
não necessariamente distintos, e indicamos por ( AR) m,r ou (𝐴𝑅)𝑚 𝑟 .

Pelo Princípio Fundamental da Contagem (parte A), o número de arranjos ( AR) m,r será
(𝐴𝑅)𝑚,𝑟 = (𝐴𝑅)𝑚 𝑚 ∙ 𝑚 ∙ … ∙ 𝑚 = 𝑚𝑟
𝑟 =⏟
𝑟 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠

Arranjos (sem repetição)

Seja M um conjunto com m elementos, isto é, M = {a1, a2, ..., am}. Chamamos arranjos dos m elementos,
tomados r a r ( 1  r  m ), a qualquer r-upla ordenada (sequência de tamanho r) formada com elementos de
M todos distintos, e indicamos por Am , r ou 𝐴𝑚
𝑟 .

Pelo Princípio Fundamental da Contagem (parte B), o número de arranjos Am , r será

𝐴𝑚 𝑚 ∙ (𝑚 − 1) ∙ … ∙ (𝑚 − 𝑟 + 1)
𝑟 = 𝐴𝑚,𝑟 = ⏟
𝑟 𝑓𝑎𝑐𝑡𝑜𝑟𝑒𝑠

10
Exercício 8
Uma urna contém uma bola vermelha (V), uma branca (B) e uma azul (A). Uma bola é extraída, observada
sua cor e reposta na urna. Em seguida outra bola é extraída e observada sua cor. Quantas são as possíveis
sequências de cores observadas?

Resolução
Cada sequência é um par ordenado de cores ( x, y ) onde x, y  V , B, A.
M  V , B, A #M  3
Como foram feitas duas extracções teremos r  2 .

Tendo sido feitas com reposição as extracções das bolas, o número de sequências de cores observadas
calcular-se-á aplicando a fórmula para o cálculo do número de arranjos com repetição de elementos:
(𝐴𝑅)𝑚,𝑟 = ⏟ 𝑚 ∙ 𝑚 ∙ … ∙ 𝑚 = 𝑚𝑟 , isto é, parte A do Princípio Fundamental da Contagem.
𝑟 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠

( AR ) 3, 2  3 2  3
3  9
2 factores

Exercício 9
Seja M = {a, b, c, d}. Quantos arranjos, tomados dois a dois, se pode formar dos quatro elementos distintos
de M?

Resolução
#M = m = 4; r = 2.
Os elementos, em cada sequência, devem ser distintos. Então, pelo Princípio Fundamental da Contagem
(parte B) será A4, 2  4
.3  12 .
2 factores

Fórmula do número de arranjos

Seja M = {a1, a2, ..., am} e Am, r o número de arranjos dos m elementos tomados r a r.
Cada arranjo é uma sequência de r elementos, onde cada elemento pertence a M, e são todos distintos.
Pelo Princípio Fundamental da Contagem o número de arranjos Am, r será:

𝐴𝑚 ⏟ ∙ (𝑚 − 1) ∙ … ∙ (𝑚 − 𝑟 + 1)
𝑟 = 𝐴𝑚,𝑟 = 𝑚
𝑟 𝑓𝑎𝑐𝑡𝑜𝑟𝑒𝑠
𝑚!
𝐴𝑚𝑟 = ;1 ≤ 𝑟 ≤ 𝑚
(𝑚 − 𝑟)!
Em particular, se r = 1, é fácil perceber que Am,1 = m.

11
Exercício 10
De um baralho de 52 cartas, 3 cartas são retiradas sucessivamente e sem reposição. Quantas sequências de
três cartas são possíveis de se obter?

Resolução
Cada resultado é uma tripla ordenada de cartas ( x, y, z ) onde x é a 1ª carta extraída, y a segunda e z a 3ª.
Observe-se que x, y, z são todas distintas visto que a extracção é feita sem reposição. Logo, o número que
se pretende é 𝐴52
3 .

52! 52! 52∙51∙49!

𝐴52
3 = (52−3)! = 49! = = 52 ∙ 51 ∙ 50 = 132600 sequências três cartas distintas
49!

Exercício 11
Dispomos de 8 cores e queremos pintar uma bandeira de 5 listras, cada listra com uma cor distinta das
outras. De quantas formas isto pode ser feito?

Resolução
m = 8 cores
r = 5 cores distintas
A8,5 = ?
A8,5 = A8,5  8  7  6  5  4  6720 formas distintas

Exercício 12
Um cofre possui disco marcado com os dígitos 0, 1, 2, 3, 4, 5, 6, 7, 8, 9. O segredo do cofre é formado por
uma sequência de 3 dígitos. Se uma pessoa tentar abrir o cofre, quantas tentativas deverá fazer (no máximo)
para conseguir abrí-lo. (Suponha que a pessoa sabe o segredo é formado por dígitos distintos).

Resolução
m = 10 dígitos
r = 3 dígitos
A10,3 = ?
A10,3  10  9  8  720 formas distintas

Exercício 13
As finalistas do concurso para Miss Universo são: Miss Japão, Miss Brasil, Miss Finlândia, Miss Argentina e
Miss Noruega. De quantas formas os juízes poderão escolher o primeiro, segundo e o terceiro lugares neste
concurso?

Resolução
m = 5 finalistas
r = 3 lugares
A5,3 = ?
A5,3  5  4  3  60 formas distintas

12
 3. PERMUTAÇÕES
Seja M um conjunto com m elementos, isto é, M = {a1, a2, ..., am}. Chamamos de permutação dos m
elementos a todo o arranjo em que r  m .

Seja M  a, b, c
As permutações dos elementos de M, são todos os arranjos constituídos de 3 elementos.
Eles são (a, b, c) (b, a, c) (c, a, b) (a, c, b) (b, c, a) (c, a, b)

Fórmula do número de permutações

Seja M = {a1, a2, ..., am} e indiquemos por Pm o número de permutações dos m elementos de M.
Temos:
Pm  Am , m , logo
Pm  m  (m  1)  (m  2)...  [m  (m  1)]
Pm  m  (m  1)  (m  2)...  3  2  1
Pm  m!
Em particular, se m = 1, é fácil perceber que P1 = 1.

Exercício 14
De quantas formas podem 5 pessoas ficar numa fila indiana?

Resolução
m5
Pm  P5  5! 5  4  3  2  1  120 formas diferentes

Exercício 15
Em relação à palavra TEORIA:
a) Quantos anagramas existem?
b) Quantos anagramas começam por T?
c) Quantos anagramas começam por T e terminam com A?
d) Quantos anagramas começam por vogal?
e) Quantos anagram têm as vogais juntas?

Resolução
a) Cada anagrama é uma permutação das letras T, E, O, R, I, A
Logo, o número procurado é P6  6! 6  5  4  3  2  1  720
b) T _ _ _ _ _
Neste caso, temos somente que permutar as letras E, O, R, I, A
Logo, o número procurado é P5  5! 5  4  3  2  1  120
c) T _ _ _ _ A
Neste caso temos somente que permutar as E, O, R, I.

13
 Logo, o número procurado é P4  4! 4  3  2  1  24
d) Temos as seguintes possibilidades:
A _ _ _ _ _ P5  5! 5  4  3  2  1  120 anagramas
E _ _ _ _ _ P5  5! 5  4  3  2  1  120 anagramas
I _ _ _ _ _ P5  5! 5  4  3  2  1  120 anagramas
O _ _ _ _ _ P5  5! 5  4  3  2  1  120 anagramas
Logo, ao todo temos: 120 + 120 + 120 + 120 = 480 anagramas
e) Se as vogais A, E, I, O devem estar juntas, então elas funcionam como “uma letra” que deve ser
permutada com T e R. Logo, o número de permutações é P3  3! 3  2  1  6 . Todavia, em cada
uma dessas permutações as vogais podem se permutar entre si, de 4! = 24 formas.
Logo, o número de anagramas nestas condições é P3  P4  3!4! 6  24  144

Exercício 16
Temos numa estante 15 livros, dos quais 4 são de Matemática. De quantas formas podemos colocá-los em
ordem na estante, de modo que os livros de Matemática fiquem sempre juntos?

Resolução
Se os livros de Matemática devem estar juntos, então eles funcionam como “um livro” que deve ser
permutado com restantes 11 livros. Logo, o número de permutações é P12  12!. Todavia, em cada uma
dessas permutações os livros de Matemática podem se permutar entre si, de 4! = 24 formas. Logo, os 15
livros podem ser colocados na estante de P12  P4  12!4! 6  24  11496038400 formas.

4. COMBINAÇÕES SIMPLES
Seja M um conjunto com m elementos, isto é, M = {a1, a2, ..., am}. Chamamos de combinações dos m
elementos, tomados r a r, aos subconjuntos de M constituídos de r elementos.

Exemplo
M = {a, b, c, d}
As combinações dos 4 elementos, tomados dois a dois, são os subconjuntos:
{a, b} {b, c} {c, d}
{a, c} {b, d}
{a, d}

Notemos que {a, b} = {b,a} pois combinação é um conjunto, portanto não depende da ordem dos elementos.
É importante notar a diferença entre uma combinação (conjunto) e uma sequência, pois numa combinação
não importa a ordem dos elementos, ao passo que numa sequência importa a ordem dos elementos.

Fórmula do número de combinações

m
Seja M = {a1, a2, ..., am}e indiquemos por C m , r ou   o número de combinações dos m elementos tomados
r
r a r.
m m!
C m, r     m, r  ; r  m
 r  r! (m  r )!

14
Exercício 17
Deseja-se formar uma comissão de três membros e dispõe-se de dez funcionários. Quantas comissões
podem ser formadas?

Resolução
m  10
r 3
Cada comissão é um subconjunto de 3 elementos (pois dentro de cada comissão não importa a ordem dos
 10  10!
elementos). Logo, o número de comissões é: C10,3      120
 3  3!(10  3)!

Exercício 18
Temos 7 cadeiras numeradas de 1 a 7 e desejamos escolher 4 lugares entre os sete existentes. De quantas
isto pode ser feito?

Resolução
m7
r4
Os quatro lugares escolhidos são um subconjunto dos sete existentes, em que não importa a ordem das
7 7!
cadeiras). Logo, esta escolha pode ser feita de C 7 , 4      35 maneiras diferentes.
 4  4!(7  4)!

Exercício 19
C8, p  2
Sabendo-se que  2 determine o valor de p.
C8, p 1

Resolução
8!
C 8, p  2 ( p  2)!8  ( p  2)!
2 2
C8, p 1 8!
( p  1)!8  ( p  1)!

8! ( p  1)!8  ( p  1)!
  2
( p  2)!8  ( p  2)! 8!

8! ( p  1)!8  ( p  2)!8  ( p  1)

  2
( p  2)  ( p  1)!8  ( p  2)! 8!

8  ( p  1)
  2  8  p  1  2  ( p  2)  3 p  3
p2
 p 1

15
Exercício 20
Calcule p, sabendo-se que Am, p  C m, p m e o pm
Resolução
Am , p  C m , p
Am, p Am, p
 Am, p   p!  p! 1
p! Am, p
 p  0  p  1 Pois, por definição, 0! = 1 assim como 1! = 1.

Exercício 21
Calcule Am ,3 sabendo-se que Cm,3  84 .

Resolução
Cm,3  84
Am ,3  ?

C m , 3  84
Am,3
  84  Am ,3  3!84  Am ,3  3  2 1 84  6  84
3!

 Am ,3  504

16
 II – ESPAÇO DE PROBABILIDADES

1. Probabilidades em espaço amostral finito

A cada evento de um espaço amostral  vamos associar um número real que exprime as “chances” de
ocorrência do evento.

Consideremos as seguintes experiências:

Primeira experiência
No lançamento de uma moeda perfeita e observação da face superior temos:
  {K , C} e seus eventos elementares são {K}, {C}. onde K representa “Cara” e C representa “Coroa”.

É razoável esperar que, num grande número de lançamentos, em aproximadamente metade deles ocorra
cara e na outra metade ocorra coroa. Um modo de exprimir estas chances através de números é dizer que a
1 1
probabilidade de ocorrer cara é e a probabilidade de ocorrer coroa também é .
2 2
1 1
P({K })  e P ({C}) 
2 2

Segunda experiência
Um dado não tem face gravada com 4 pontos e tem duas faces com 6 pontos.
Este dado é lançado e vai-se observar o número de pontos da face superior.
Temos   {1, 2, 3, 5, 6}
É razoável esperar que, num grande número de lançamentos, o número 6 ocorra duas vezes mais frequente
que cada um dos outros, ao passo que 1, 2, 3 e 5 sejam resultados “igualmente frequentes” entre si.
Vamos associar a cada evento um número real que exprime as suas “chances” de ocorrência.
1 2
P({1})  P({2})  P({3})  P({5})  e P ({6})  .
6 6

Exercício 22
No lançamento de uma moeda com   {K , C} , quais as atribuições de probabilidades entre as seguintes
são aceitáveis?
a) P({K}) = 0.5 e P({C}) = 0.5
b) P({K}) = 0.36 e P({C}) = 0.64
c) P({K}) = 0.98 e P({C}) = 0.2
d) P({K}) = 0 e P({C}) = 1

Resp.: a), b), d).

17
Exercício 23
Uma experiência tem espaço amostral de 3 elementos   {a1 , a2 , a3 } . Quais atribuições de
probabilidades entre as seguintes são aceitáveis?
1 1 1
a) P1  , P2  e P3  ;
3 6 2
b) P2  0.4 e P3  0.8 ;
c) P1  P3  25% e P2  50% ;
1
d) P1  P2  P3  ;
3
e) P1  0.97 , P2  0.01 e P3  0.02 .

Resp.: a), c), d), e).

Exercício 24
Duas moedas equilibradas são lançadas e observa-se o par ordenado de resultados. Atribuir probabilidades
aos eventos elementares do espaço amostral   {( K , K ), ( K , C ), (C , K ), (C , C )}
1
Resp.: P ({( K , K )}) = P ({( K , C )}) = P ({(C , K )}) = P({(C , C )}) =
4

Exercício 25
Na experiência de lançar uma moeda três vezes e observar a sucessão de resultados da face superior,
descreva, na linguagem de conjuntos, o espaço amostral. Se a moeda é equilibrada, qual a probabilidade do
1
evento elementar E = {(K, C, K)}? Resp.: P ( E )  .
8

Exercício 26
Uma moeda é “viciada” de modo que a probabilidade de sair cara é o triplo da probabilidade de sair cora.
Quais as probabilidades dos eventos simples de   {K , C} ?
3 1
Resp.: P({K })  ; P ({C})  .
4 4

Exercício 27
Uma moeda é defeituosa de modo que num lançamento a probabilidade de sair cara é o dobro da
2 1
probabilidade de sair coroa. Quais são estas probabilidades? Resp.: P({K })  ; P ({C})  .
3 3

Exercício 28
Três atletas a1 , a 2 e a3 disputam um prémio. Sabe-se que as “chances” de a1 vencer são o dobro das de
a 2 e a 2 tem o triplo das “chances” de a3 . Calcular a probabilidade de cada um vencer.
6 3 1
Resp.: P (c1 )  ; P (c 2 )  ; P (c 3 )  .
10 10 10

18
Exercício 29
Exactamente três atletas participam de uma prova. Sabe-se que dois deles têm a mesma probabilidade de
vencer e esta probabilidade é o dobro da probabilidade de o 3º vencer. Quais as probabilidades de cada
3 1
um? Resp.: P1  P2  ; P3  ;
5 5

Exercício 30
Um dado é construído de tal modo que num lançamento a probabilidade de sair cada número é proporcional
a esse número. Nestas condições:
a) qual o evento elementar mais provável, qual o menos provável e quais as suas probabilidades?
b) qual é a probabilidade de num lançamento dado ocorrer número par?
2 1 4
Resp.: a) {6} e {1}; P ({6})  ; P ({1})  b) P ({ par}) 
7 21 7

Exercício 31
Numa urna estão três bolas brancas e duas bolas pretas indistinguíveis, a não ser pela cor. Dar o espaço
amostral e a distribuição de probabilidades pela experiência de retirar uma bola e examinar sua cor. Resp.:
2 3
  {P, B} ; P ( P )  ; P ( B )  .
5 5

Exercício 32
Três moedas equilibradas são lançadas e observa-se o número de caras. Ω = {0, 1, 2, 3}:
1
a) qual a probabilidade de ocorrência de 0 (isto é, nenhuma cara)? Resp.: P(0)  .
8
1
b) qual a probabilidade de ocorrência do 3 (isto é, de 3 caras)? Resp.: P (3)  .
8
3
c) qual a probabilidade de ocorrência do 1? Resp.: P (1)  .
8
4
d) qual a probabilidade de sair pelo menos duas caras? P(2)  P(3)  .
8

2. Probabilidades em espaço amostral equiprovável

Dizemos que um espaço amostral é equiprovável quando os seus eventos elementares ocorrem com a mesma
probabilidade.
No lançamento de uma moeda (honesta ou não viciada), o espaço amostral   {K , C} é equiprovável,
isto é,
1 1
P({K })  e P ({C}) 
2 2
No lançamento de um dado (perfeito, honesto ou não viciado), o espaço amostral
Ω = {1, 2, 3, 4, 5, 6} é equiprovável.

# Ω = 6 (número de elementos de Ω)
1
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =
6

19
Num espaço equiprovável Ω, a probabilidade de qualquer evento A pode ser obtida directamente como o
quociente do número de elementos de A pelo número de elementos de Ω.

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝐴
𝑃(𝐴) =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 Ω

Também podemos dizer que num espaço equiprovável Ω, a probabilidade de qualquer evento A é o
quociente do número de casos favoráveis à ocorrência de A pelo número total de casos possíveis.

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟á𝑣𝑒𝑖𝑠 à 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎 𝑑𝑒 𝐴

𝑃(𝐴) =
𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠

Exercício 33
Numa urna estão 100 bolas numeradas de 1 a 100. Se uma bola é retirada ao acaso, qual a probabilidade de:
a) ter número par? Resp.: 0.5.
b) ter número múltiplo de 10? Resp.: 0.1.
c) ter múltiplo de 3? Resp.: Resp.: 0.33

Exercício 34
Lançando um dado duas vezes, vamos observar os pares ordenados de números das faces superiores. Qual
a probabilidade de:
1
a) ocorrência de números iguais nos dois dados? Resp.: ;
6
1
b) ocorrência de números iguais soma igual a 8? Resp.: ;
36
1
c) ocorrência de números com soma igual a 12? Resp.: .
36
d) ocorrência de números com soma menor ou igual a 12? Resp.: 1.
11
e) ocorrncia do número 3 em pelo menos um dado? Resp.:
36

Exercício 35
Lançando-se dois dados, qual a probabilidade de serem obtidos números nas faces superiores cujo produto
1
seja ímpar? Resp.: .
4

Exercício 36
Uma urna contém 9 bolas numeradas de 1 a 9. sorteiam-se com reposição duas bolas. Qual a probabilidade
4
de que o número da segunda seja maior do que o da primeira? Resp.: .
9

20
Exercício 37
De um baralho comum de 52 cartas retiramos duas cartas duma vez. Qual a probabilidade de sairem dois
1
ases? Resp.: .
221

Exercício 38
Retirando-se simultaneamente duas cartas de um baralho de 52 cartas, a probabilidade de que sejam duas
cartas de paus é maior ou menor que 5%? Resp.: maior.

Exercício 39
O segredo de um cofre é uma sequência de 3 dígitos distintos do conjunto {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}. Uma
pessoa que esqueceu o segredo (lembra-se apenas que eram 3 dígitos diferentes) que abrir o cofre na base
1
de tentativas. Qual a probabilidade de acertar logo na primeira tentativa? Resp.: .
720

3. Eventos mutuamente exclusivos

Se A e B são dois eventos de um espaço amostral Ω e tais que A e B não têm elementos comuns, isto é,
A  B  Ø , dizemos que A e B são eventos mutuamente exclusivos.

Probabilidade da união de dois eventos

• Se 𝐴 ∩ 𝐵 = ∅ tem-se 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)

• Se 𝐴 ∩ 𝐵 ≠ ∅ tem-se 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

Probabilidade do evento complementar

Seja A um evento de Ω e A o seu complementar em Ω. Sabemos que A  A   e A  A  Ø . Então
P( A  A )  P()  P( A)  P( A )  1  P( A )  1  P( A) . Assim, concluimos que

𝑃(𝐴) = 1 − 𝑃(𝐴)

21
 III - PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA
1. Probabilidade condicional
Seja Ω um espaço amostral finito e consideremos dois eventos A e B, não vazios, deste espaço amostral.
Com o símbolo 𝑃(𝐴|𝐵) indicamos a probabilidade do evento A, dado que B ocorreu, isto é, 𝑃(𝐴|𝐵) é a
probabilidade condicional do evento A, uma vez que B tenha ocorrido. Quando calculamos 𝑃(𝐴|𝐵) tudo se passa
como se B fosse o novo espaço amostral “reduzido” dentro do qual, queremos calcular a probabilidade de
A. O seu valor obtém-se a partir da seguinte fórmula de cálculo:
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) = , 𝑃(𝐵) ≠ 0
𝑃(𝐵)
Temos dois modos de calcular 𝑃(𝐴|𝐵):
1º) Considerando que a probabilidade do evento A será calculada em relação ao espaço amostral
“reduzido” B.
𝑃(𝐴∩𝐵)
2º) Empregando a fórmula 𝑃(𝐴|𝐵) = onde tanto 𝑃(𝐴 ∩ 𝐵) como 𝑃(𝐵) são calculados em
𝑃(𝐵)
relação ao espaço original Ω.

Exemplo
Consideremos o lançamento de um dado e observação da face voltada para cima.
Sabendo que a face voltada para cima mostrou um número maior ou igual a 2, calcular a probabilidade de
que esse número seja ímpar.
O espaço amostral desta experiência aleatória é Ω = {1, 2, 3, 4, 5, 6}.
Sejam os eventos:
A: “ocorre um número ímpar”, isto é, 𝐴 = {1, 3, 5}
B: “ocorre um número maior ou igual a 2”, isto é, 𝐵 = {2, 3, 4, 5, 6}.

1º) Probabilidade do evento A calculada em relação ao espaço amostral “reduzido” B.

𝑃(𝐴|𝐵) será então a probabilidade de ocorrência de um número ímpar no novo espaço amostral reduzido,
𝐵 = {2, 3, 4, 5, 6}.
1
Atribuindo 5 para a probabilidade de cada evento elementar de B, isto é,
1
𝑃({2}) = 𝑃({3}) = 𝑃({4}) = 𝑃({5}) = 𝑃({6}) =
5

o evento, ocorrer um número ímpar no espaço amostral “reduzido” será {3, 5} e portanto

1 1 2
𝑃(𝐴|𝐵) = 𝑃({3}) + 𝑃({5}) = + =
5 5 5
.
22
 𝑃(𝐴 ∩ 𝐵)
𝟐º) 𝑬𝒎𝒑𝒓𝒆𝒈𝒂𝒏𝒅𝒐 𝒂 𝒇ó𝒓𝒎𝒖𝒍𝒂 𝑃(𝐴|𝐵) =
𝑃(𝐵)

O evento, ocorrer um número ímpar maior ou igual a 2 do espaço amostral Ω é 𝐴 ∩ 𝐵 = {3, 5}.
A probabilidade deste evento é
#(𝐴 ∩ 𝐵) 2
𝑃(𝐴 ∩ 𝐵) = =
#Ω 6

Dado que o evento que ocorreu primeiro é o evento 𝐵 = {2, 3, 4, 5, 6}, a probabilidade deste evento em
relação ao espaço amostral original Ω é
#𝐵 5
𝑃(𝐵) = =
#Ω 6
Aplicando a fórmula
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) =
𝑃(𝐵)
tem-se
2
2
𝑃(𝐴|𝐵) = 6 =
5 5
6

Teorema da multiplicação
Uma consequência importante da definição formal de probabilidade condicional é a seguinte:
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) = ⟺ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵). 𝑃(𝐴|𝐵)
𝑃(𝐵)

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵|𝐴) = ⟺ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵|𝐴)
𝑃(𝐴)

Isto é, a probabilidade da ocorrência simultânea de dois eventos, 𝑃(𝐴 ∩ 𝐵), é o produto da probabilidade de um deles pela
probabilidade do outro, dado o primeiro.

Teorema da probabilidade total

Consideremos n eventos mutuamente exclusivos 𝐴1 , 𝐴2 , … , 𝐴𝑛 que formam uma partição do espaço
amostral Ω. Os eventos 𝐴𝑖 são dois a dois mutuamente exclusivos.

(𝑖) 𝑃(𝐴𝑖 ) > 0 para ∀𝑖

(𝑖𝑖) 𝐴𝑖 ∩ 𝐴𝑗 = ∅ para ∀ 𝑖 ≠ 𝑗

(𝑖𝑖𝑖) ⋃𝑛𝑖=1 𝐴𝑖 = Ω

23
Seja 𝐵 um evento qualquer de Ω, conforme o diagrama de Venn a seguir:

É válida a seguinte relação

𝐵 = (𝐴1 ∩ 𝐵) ∪ (𝐴2 ∩ 𝐵) ∪ (𝐴3 ∩ 𝐵) ∪ … ∪ (𝐴𝑛 ∩ 𝐵)

Aplicando probabilidade ambos os membros desta relação, tem-se:
𝑃(𝐵) = 𝑃(𝐴1 ∩ 𝐵) + 𝑃(𝐴2 ∩ 𝐵) + 𝑃(𝐴3 ∩ 𝐵) + ⋯ + 𝑃(𝐴𝑛 ∩ 𝐵)

Este resultado é conhecido como teorema da probabilidade total. Ele é utilizado quando 𝑃(𝐵) é difícil
de ser calculada directamente, porém, simples se for usada a relação acima.

2. Teorema de Bayes ou fórmula de Bayes

Para entender o Teorema de Bayes, vamos supor que o leitor conhece à partida a área da parte sombreada
de cada um dos sectores 𝐴1 , 𝐴2 , … ou 𝐴𝑛 do diagrama de Venn dado acima, e pretende calcular a
percentagem de cada área sombreada em relação à área do respectivo sector. Seja por exemplo, o sector A2

A parte sombreada do sector seleccionado 𝐴2 é (𝐴2 ∩ 𝐵).

𝑃(𝐴2 ∩𝐵)
(𝐴2 ∩ 𝐵) é a ocorrência mútua dos eventos 𝐴2 e 𝐵. A fracção é a probabilidade de ocorrência do
𝑃(𝐴2 )
evento 𝐵 condicionada à ocorrência do evento 𝐴2 , podendo escrever-se
𝑃(𝐴2 ∩ 𝐵)
𝑃(𝐵|𝐴2 ) =
𝑃(𝐴2 )
A probabilidade de ocorrência mútua dos eventos 𝐴2 e 𝐵 é dada pela relação
𝑃(𝐴2 ∩ 𝐵) = 𝑃(𝐴2 ) ∙ 𝑃(𝐵|𝐴2 )

24
O mesmo pode ser feito para os restantes sectores do diagrama de Venn acima dado (espaço amostral Ω):
𝑃(𝐴1 ∩ 𝐵) = 𝑃(𝐴1 ) ∙ 𝑃(𝐵|𝐴1 )
𝑃(𝐴3 ∩ 𝐵) = 𝑃(𝐴3 ) ∙ 𝑃(𝐵|𝐴3 )
………..
𝑃(𝐴𝑛 ∩ 𝐵) = 𝑃(𝐴𝑛 ) ∙ 𝑃(𝐵|𝐴𝑛 )
A probabilidade total, 𝑃(𝐵), terá então o seguinte aspecto:
𝑃(𝐵) = 𝑃(𝐴1 ) ∙ 𝑃(𝐵|𝐴1 ) + 𝑃(𝐴2 ) ∙ 𝑃(𝐵|𝐴2 ) + 𝑃(𝐴3 ) ∙ 𝑃(𝐵|𝐴3 ) + ⋯ + 𝑃(𝐴𝑛 ) ∙ 𝑃(𝐵|𝐴𝑛 )

Sabendo-se que o evento B já ocorreu, a probabilidade de que foi o “sector” 𝑨𝟐 do diagrama de

Venn 𝛀 quem deu origem a este evento é dada pela probabilidade condicional
𝑃(𝐴2 ∩ 𝐵)
𝑃(𝐴2 |𝐵) =
𝑃(𝐵)
Substituindo 𝑃(𝐴2 ∩ 𝐵) com 𝑃(𝐴2 ) ∙ 𝑃(𝐵|𝐴2 ), e

𝑃(𝐵) com 𝑃(𝐴1 ) ∙ 𝑃(𝐵|𝐴1 ) + 𝑃(𝐴2 ) ∙ 𝑃(𝐵|𝐴2 ) + 𝑃(𝐴3 ) ∙ 𝑃(𝐵|𝐴3 ) + ⋯ + 𝑃(𝐴𝑛 ) ∙ 𝑃(𝐵|𝐴𝑛 )

obtemos a igualdade
𝑃(𝐴2 ). 𝑃(𝐵|𝐴2 )
𝑃(𝐴2 |𝐵) =
𝑃(𝐴1 ) ∙ 𝑃(𝐵|𝐴1 ) + 𝑃(𝐴2 ) ∙ 𝑃(𝐵|𝐴2 ) + 𝑃(𝐴3 ) ∙ 𝑃(𝐵|𝐴3 ) + ⋯ + 𝑃(𝐴𝑛 ) ∙ 𝑃(𝐵|𝐴𝑛 )

Esta probabilidade condicional chama-se Teorema de Bayes ou Fórmula de Bayes.

Generalizando, se for seleccionado um sector qualquer 𝐴𝑗 onde 𝑗 = 1,2 3, … , 𝑛

tem-se
𝑃(𝐴𝑗 ∩ 𝐵) = 𝑃(𝐴𝑗 ) ∙ 𝑃(𝐵|𝐴𝑗 )
e
𝑛

𝑃(𝐵) = 𝑃(𝐴1 ) ∙ 𝑃(𝐵|𝐴1 ) + 𝑃(𝐴2 ) ∙ 𝑃(𝐵|𝐴2 ) + ⋯ + 𝑃(𝐴𝑛 ) ∙ 𝑃(𝐵|𝐴𝑛 ) = ∑ 𝑃(𝐴𝑖 ) ∙ 𝑃(𝐵|𝐴𝑖 )

𝑖=1
A fórmula de Bayes será:
𝑃(𝐵|𝐴𝑗 )
𝑃(𝐴𝑗 |𝐵) = para 𝑖 = 1,2, … , 𝑛; 𝑗 = 1,2, … , 𝑛
∑𝑛𝑖=1 𝑃(𝐴𝑖 )
∙ 𝑃(𝐵|𝐴𝑖 )

O teorema ou fórmula de Bayes é uma generalização da probabilidade condicional.

Exemplo:
Considere 𝐴1 , 𝐴2 , … , 𝐴𝑛 como sendo caixas, cada uma delas contendo um determinado número de bolas
brancas (B) e de bolas vermelhas (V). O leitor escolhe aleatoriamente uma das caixas e dela retira também
aleatoriamente uma bola, e observa que a bola extraída é branca (B). Neste caso, ocorreu um evento que
pode ser chamado “saída de uma bola branca”, ou seja, 𝑩: "𝒔𝒂í𝒅𝒂 𝒅𝒆 𝒖𝒎𝒂 𝒃𝒐𝒍𝒂 𝒃𝒓𝒂𝒏𝒄𝒂".
Mas ao extrair a bola, não teve o cuidado de identificar a respectiva caixa. De que caixa foi extraída a bola?
O leitor não sabe! Contudo, se conhecer o número de bolas brancas e vermelhas de cada caixa, assim como
25
a probabilidade de sorteio de cada uma das caixas, pode conseguir identificar aquela caixa que com maior
ou com menor probabilidade forneceu a bola branca. Para resolver um exercício como este pode-se recorrer
ao Teorema de Bayes.

3. Independência de eventos

Eventos independentes
Dois eventos dizem-se independentes quando a probabilidade de ocorrência ou de não-ocorrência de um
deles nada tem a ver com a probabilidade de ocorrência ou de não-ocorrência do outro evento.
Assim, dois eventos independentes podem ocorrer simultaneamente como não.

Exemplo:
Consideremos os eventos 𝐴 e 𝐵 independentes.
Sendo 𝐴 e 𝐵 independentes,
 A ocorrência do evento 𝐴 não está condicionada à ocorrência do evento 𝐵, isto é, 𝑃 (𝐴|𝐵) = 𝑃(𝐴);
 A ocorrência do evento 𝐵 também não está condicionada à ocorrência de 𝐴, isto é, 𝑃(𝐵|𝐴) = 𝑃(𝐵).
 Os eventos 𝐴 e 𝐵 podem ocorrer simultaneamente, sendo a ocorrência mútua destes dois eventos
dada por 𝐴 ∩ 𝐵.
 A probabilidade desta ocorrência mútua é dada por 𝑃(𝐴 ∩ 𝐵).

Independência de eventos
Se o evento 𝐵 tiver ocorrido primeiro em relação ao evento 𝐴, pode-se escrever a probabilidade condicional
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) = ; ⟺ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴|𝐵) ∙ 𝑃(𝐵)
𝑃(𝐵)
Substituindo 𝑃(𝐴|𝐵) com 𝑃(𝐴) tem-se 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵) onde 𝑃(𝐴) > 0 e 𝑃(𝐵) > 0.

Se o evento 𝐴 tiver ocorrido primeiro em relação ao evento 𝐵, pode-se escrever a probabilidade condicional
𝑃(𝐵 ∩ 𝐴)
𝑃(𝐵|𝐴) = ⟺ 𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐵|𝐴) ∙ 𝑃(𝐴)
𝑃(𝐴)
Substituindo 𝑃(𝐵|𝐴) com 𝑃(𝐵) tem-se 𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐵) ∙ 𝑃(𝐴)

Se os eventos 𝐴 e 𝐵 são independentes, a probabilidade de sua ocorrência mútua é

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵) > 0

Este resultado generaliza-se para n eventos 𝐴1 , 𝐴2 , … , 𝐴𝑛 independentes dois a dois:

𝑃(𝐴1 ∩ 𝐴2 ∩ … ∩ 𝐴𝑛 ) = 𝑃(𝐴1 ) ∙ 𝑃(𝐴2 ) ∙ … ∙ 𝑃(𝐴𝑛 )

Na prática, para verificar se dois eventos 𝐴 e 𝐵 são independentes, procede-se da seguinte maneira:

1º) Calcular separadamente os valores de 𝑃(𝐴 ∩ 𝐵), 𝑃(𝐴) e 𝑃(𝐵);

2º) Achar o produto 𝑃(𝐴) ∙ 𝑃(𝐵)
3º) Comparar os valores obtidos nos passos 1º) e 2º).

26
 4º) Se o valor de 𝑃(𝐴 ∩ 𝐵) for igual ao valor de 𝑃(𝐴) ∙ 𝑃(𝐵), isto é, se 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵)
conclui-se que os eventos 𝐴 e 𝐵 são independentes. Caso contrário 𝐴 e 𝐵 não são independentes.
Também, se 𝑃(𝐴 ∩ 𝐵) = 0 e 𝑃(𝐴) ∙ 𝑃(𝐵) = 0 os eventos 𝐴 e 𝐵 não são independentes.

Eventos incompatíveis
Dois eventos 𝐴 e 𝐵 dizem-se incompatíveis quando eles forem mutuamente exclusivos. A ocorrência de
um deles impede a ocorrência do outro evento. Por exemplo, quando se lança uma moeda honesta, a saída
da face “cara” impede a saída da face “coroa”, e vice-versa. Os eventos incompatíveis não ocorrem em
simultâneo. Portanto, Α ∩ 𝐵 = ∅ ⟺ 𝑃(𝐴 ∩ 𝐵) = 0.
Os eventos incompatíveis nunca são independentes, pois 𝑃(𝐴 ∩ 𝐵) = 0.

Exercício 40
Na caixa I existem 3 bolas vermelhas e 2 azuis. Na caixa II existem 2 bolas vermelhas e 8 azuis. Escolhe-se
aleatoriamente uma das caixas e dela retira-se aleatoriamente uma bola. Sabendo-se que a bola seleccionada
é azul, determine a probabilidade de que ela tenha sido seleccionada da caixa II.

Exercício 41
Dois dados não viciados d1 e d2 são lançados.
a) Qual a probabilidade da soma dos pontos ser 6, se a face observada em d1 foi 2?
b) Qual a probabilidade do dado d1 apresentar face 2, se a soma dos pontos foi 6?
c) Qual a probabilidade da soma dos pontos ser menor que 7, sabendo-se que pelo menos um dado
apareceu o resultado 2?
d) Qual a probabilidade da soma dos pontos ser menor ou igual a 6, se a soma dos pontos nos dois
dados foi menor ou igual a 4?
e) Qual a probabilidade do máximo dos números observados ser 5, se a soma dos pontos for menor
ou igual a 9?

Exercício 42
Numa cidade olímpica 400 atletas foram classificados segundo o sexo e o estado civil, de acordo com a
tabela.

Solteiro (S) Casado (C) Divorciado (D) Viúvo(V) Total

Masculino 50 60 40 30 180
Feminino 150 40 10 20 220
Total 200 100 50 50

a) Qual a probabilidade da pessoa escolhida ser solteira sabendo que é do sexo masculino?
b) Qual a probabilidade da pessoa escolhida ser do sexo feminino sabendo que é divorciada?
c) Qual a probabilidade da pessoa escolhida ser divorciada sabendo que é do sexo feminino?

27
Exercício 43
Uma caixa contém 40 bolas iguais ao tacto. Todas as bolas se podem abrir e algumas contêm dentro a
indicação de um prémio surpresa. Estas bolas estão classificadas conforme a tabela seguinte:

Brancas Vermelhas
Com surpresa 6 4
Sem surpresa 11 19

Extrai-se uma bola ao acaso. Qual a probabilidade de que a bola extraída:

a) Seja branca, sabendo que tem surpresa?

b) Não tenha surpresa, dado que é branca?

Exercício 44
As famílias de uma deteminada cidade escolhem para passar tempos de lazer uma das seguintes actividades:
ir à praia, ir ao teatro ou ficar em casa.
Durante o último ano verificou-se que escolhiam aquelas actividades, respectivamente, 50%, 30% e 20%
das famílias da referida cidade. A probabilidade de descansar durante as férias está ligada à actividade
escolhida: 0.4, 0.6 e 0.5, conforme se tenha ido à praia, ao teatro ou ficado em casa, respectivamente.
a) Qual é a probabilidade de uma família da cidade descansar durante as férias?
b) Sabendo que determinada família descansou durante as ferias qual é a probabilidade da actividade
escolhida ter sido o Teatro?

Exercício 45
Um armazenista recebe lotes de vinho apenas dos produtores A, B, C e D de modo que 20% dos lotes são
fornecidos por A, 40% por B e 25% por C. Após a recepção, os lotes são examinados e classificados em
duas categorias (primeira e segunda), de acordo com a qualidade do vinho. Dos registos anteriores sabe-se
que entre os lotes fornecidos por cada produtor a proporção dos de segunda categoria é de 40% para A,
70% para B, 60% para C e 60% para D. Em dado momento, existe no armazém um lote não identificado
que, depois de analisado, se verifica pertencer à primeira categoria. Qual é a origem mais provável desse
lote.

Exercício 46
Numa população, o número de homens é igual ao de mulheres. 5% dos homens são daltónicos e 0.25% das
mulheres são daltónicas. Uma pessoa é seleccionada ao acaso e verifica-se que é daltónica. Qual a
probabilidade de que ela seja mulher?

Exercício 47
Uma clínica especializada trata 3 tipos de doenças; X, Y e Z.
50% dos que procuram a clínica são portadores de X, 40% são portadores de Y e 10% são portadores de
Z.
As probabilidades de cura, nesta clínica, são:
Moléstia X: 0.8
Moléstia Y: 0.9
Moléstia Z: 0.95
Um enfermo saíu curado da clínica. Qual a probabilidade de que ele sofria a moléstia Y?

28
Exercício 48
Numa fábrica existem em stock 100 peças necessárias ao funcionamento de uma máquina, das quais 20 são
defeituosas e 80 não defeituosas. A proveniência e a qualidade das peças existentes em stock é descrita na
seguinte tabela
Qualidade
Proveniência
Defeituosa Não defeituosa
Produzidas na própria fábrica 10 30
Compradas no mercado interno 8 32
Importadas 2 18
Escolhe-se ao acaso uma peça do stock conjunto.
a) Qual a probabilidade da peça escolhida ser defeituosa ou ter sido importada?
b) Verificou-se que a peça escolhida era defeituosa. Qual a probabilidade de que ela tenha sido
comprada no mercado interno?

29
 IV – VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS

Chama-se aleatória à variável que, em resultado de uma prova, assume um e somente um valor possível,
anteriormente desconhecido e dependente de causas aleatórias que não podem ser levadas em consideração
antecipadamente (Gmurman, 1983:68).
As variáveis aleatórias podem ser discretas ou contínuas.

1. Variáveis aleatórias unidimensionais discretas

Chama-se discreta (descontínua) à variável aleatória que assume valores possíveis discretos com
probabilidades determinadas.
O número de valores possíveis de uma variável aleatótia discreta pode ser finito ou infinito. Para a
determinação de uma variável aleatória não é suficiente enumerar todos os seus valores possíveis, é, ainda,
necessário indicar suas probabilidades.
Denomina-se lei de distribuição de uma variável aleatória discreta à correspondência entre os valores possíveis e
suas probabilidades; esta lei pode ser determinada tabularmente, analiticamente (como fórmula) e
graficamente.
Na determinação tabular da lei de distribuição de um variável aleatória discreta, a primeira linha contém os
valores possíveis e a segunda, suas probabilidades:

X x1 x2 ... xn
P p1 p2 ... pn

Levando em consideração que, numa prova, a variável aleatória assume um e somente um valor possível,
deduzimos que os acontecimentos X = x1, X = x2, ..., X = xn formam um grupo completo;
consequentemente, a soma das probabilidades da segunda linha da tabela é igual à unidade:

p1 + p2 + ...+ pn = 1
2. Variáveis aleatórias unidimensionais contínuas
Chama-se contínua à variável aleatória que assume todos os valores reais de um intervalo dado com uma
dada probabilidade.
A lei de distribuição de probabilidade de uma variável aleatória contínua chama-se função densidade de probabilidade, e
abreviada por f.d.p.
Geralmente, esta lei é dada analiticamente (como fórmula) ou graficamente.

Por exemplo, se a variável aleatória contínua for X, a função densidade de probabilidade (f.d.p) poderá ser
designada por f(x). A função f é uma aplicação do conjunto dos números reais que a variável aleatória X
assume no conjunto dos números reais não-negativos. Simbolicamente, podemos escrever
𝑓𝑋 : 𝑅 → [0, +∞[
Por outras palavras,
 A variável aleatória contínua X assume valores x reias (domínio), 𝑥 ∈ 𝑅.
 A função densidade de probabilidade, f(x), toma valores reais não-negativos, isto é,
𝑓(𝑥) ∈ [0, +∞[ o que é equivalente dizer que 𝑓(𝑥) ≥ 0.

30
Nota:
A função densidade de probabilidade (f.d.p) não é uma probabildade, mas produz uma
probabilidade quando for integrada no intervalo em que a respectiva variável aleatória for definida.

Por exemplo, se a variável aleatória X assume os números reais do intervalo [7, 18], isto é, 𝑥 ∈ [7, 18], a
probabilidade de que esta variável aleatória assuma todos os valores deste intervalo será
18 7 18

𝑃(7 ≤ 𝑋 ≤ 18) = ∫ 𝑓(𝑥)𝑑𝑥 − ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥

−∞ −∞ 7
Para calcular o valor desta probabilidade é necessário que se conheça a função densidade de probabilidade,
f(x).

Probabilidade de que uma variável aleatória contínua assuma um determinado valor real.

Suponhamos que se pretende calcular a probabilidade de que a variável aleatória contínua X assuma o valor
real 7 do intervalo [7, 18].
7 7 7

𝑃(𝑋 = 7) = 𝑃(7 ≤ 𝑋 ≤ 7) = ∫ 𝑓(𝑥)𝑑𝑥 − ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 = 0

−∞ −∞ 7
De igual modo,
18 18 18

𝑃(𝑋 = 18) = 𝑃(18 ≤ 𝑋 ≤ 18) = ∫ 𝑓(𝑥)𝑑𝑥 − ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 = 0

−∞ −∞ 18

É também nula a probabilidade de que a variável aleatória X qualquer assuma um valor c do intervalo [a, b]
ou do intevalo ]a, b[.
𝑐 𝑐 𝑐

𝑃(𝑋 = 𝑐) = 𝑃(𝑐 ≤ 𝑋 ≤ 𝑐) = ∫ 𝑓(𝑥)𝑑𝑥 − ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 = 0

−∞ −∞ 𝑐

Portanto, é nula a probabilidade de que uma variável aleatória contínua assuma um determinado
valor real.
A partir deste resultado, depreende-se que, se X é uma variável aleatória contínua,
𝑏

𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑎 < 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥

𝑎
𝑏

𝑃(𝑋 ≤ 𝑏) = 𝑃(𝑋 < 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥

−∞
+∞

𝑃(𝑋 ≥ 𝑎) = 𝑃(𝑋 > 𝑎) = ∫ 𝑓(𝑥)𝑑𝑥

𝑎

31
Propriedades da função densidade de probabilidade
Seja X uma variável aleatória contínua. A função densidade de probabilidade, f(x), tem as seguintes
propriedades:
(𝑖) 𝑓(𝑥) ≥ 0; os valores da função densidade de probabilidade nunca devem ser negativos.
+∞

(𝑖𝑖) ∫ 𝑓(𝑥)𝑑𝑥 = 1;
−∞

Note que a propriedade (ii) representa a probabilidade de que a variável aleatória contínua X assuma todos
valores reais. Este valor desta probabilidade é 1.
+∞

𝑃(−∞ < 𝑋 < +∞) = ∫ 𝑓(𝑥)𝑑𝑥 = 1

−∞

Geometricamente, este valor representa a área limitada pelo eixo das abcissas e pelo gráfico (curva) da
função 𝑓(𝑥).
Suponhamos que a variável aleatória contínua X, cuja função densidade de probabilidade é 𝑓(𝑥), assuma
valores do intervalo real [𝑎, 𝑏]. A probabildade de que esta variável assuma todos os valores deste intervalo
não poderá ser inferior a zero nem exceder o valor um.
𝑏

0 ≤ 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) ≤ 1 ⟺ 0 ≤ ∫ 𝑓(𝑥)𝑑𝑥 ≤ 1
𝑎

32
V – CARACTERÍSTICAS NUMÉRICAS DE VARIÁVEIS ALEATÓRIAS

1. CARACTERÍSTICAS NUMÉRICAS DE VARIÁVEIS ALEATÓRIAS DISCRETAS

(Esperança matemática e Variância)

Esperança matemática de uma variável aleatória discreta

Chama-se esperança matemática de uma variável aleatória discreta à soma dos produtos de todos os seus valores
possíveis por suas probabilidades (Gmurman, 1983).
Suponhamos que uma variável aleatória X pode assumir apenas certos valores x1, x2, ... xn cujas
probabilidades são respectivamente iguais a p1, p2, ..., pn. Neste caso, a esperança matemática E ( X ) da
variável aleatória X determina-se pela igualdade: E ( X )  x1 p1  x 2 p 2  ...  x n p n .
Se a variável aleatória discreta X assume valores num conjunto enumerável, então, por definição,

E ( X )   xi pi ao se admitir que a série do segundo membro é absolutamente convergente.
i 1

O sentido probabilístico de esperança matemática de uma variável aleatória é o de média aritmética dos
valores observados da variável aleatória.
n n

x p  x 2 p 2  ...  x n p n  xi p i x p i i n
X  1 1  i 1
 i 1
  xi pi  E ( X ) ; então, X  E (X ) .
p1  p 2  ...  p n n

p
1 i 1
i
i 1

Propriedades da esperança matemática

P1. A esperança matemática de uma constante é igual à própria constante: E (C )  C ;

P2. Um multiplicador constante pode ser tirado para fora do sinal de esperança matemática:
E (CX )  CE ( X )

P3. A esperança matemática do produto de duas variáveis aleatórias independentes (X e Y)é igual ao
produto de suas esperanças matemáticas: E ( XY )  E ( X )  E (Y )

Corolário
A esperança matemática do produto de diversas variáveis aleatórias (X, Y, Z) mutuamente independentes é
igual ao produto de suas esperanças matemáticas:
E ( XYZ )  E ( XY )  E ( Z )  E ( X )  E (Y )  E ( Z )

P4. A esperança matemática da soma de duas variáveis aleatórias é igual à soma das esperanças matemáticas
das parcelas: E ( X  Y )  E ( X )  E (Y )

33
Corolário
A esperança matemática da soma de diversas variáveis aleatórias (X, Y, Z) mutuamente independentes é
igual à soma de suas esperanças matemáticas:
E ( X  Y  Z )  E[( X  Y )  E ( Z )}  E ( X )  E (Y )  E ( Z )

Teorema
A esperança matemática E ( X ) do número de ocorrências de um acontecimento A em n provas
independentes é igual ao produto do número de provas pela probabilidade de que o acontecimento ocorra
em cada prova: E ( X )  np .

Exercício 49
Achar a esperança matemática da variável aleatória X, sendo conhecida a sua lei de distribuição:

X 3 5 2
P 0.1 0.6 0.3
Resp.: E ( X )  3.9

Exercício 50
Achar a esperança matemática do número de ocorrências de um acontecimento A numa prova, se a
probabilidade do acontecimento A é igual a p.
Resp.: E ( X )  p .

Exercício 51
As variáveis aleatórias independentes X e Y estão dadas pelas seguintes leis de distribuição:

X 5 2 4 Y 7 9
P 0.6 0.1 0.3 P 0.8 0.2

Achar a esperança matemática da variável XY.

Resp.: 32.56

Exercício 52
Fazem-se 3 disparos, com probabilidades de acerto no alvo iguais a p1  0.4 ; p2  0.3 e p3  0.6 . Achar
a esperança matemática do número total de acertos.
Resp.: E ( X )  1.3 .

Exercício 53
Achar a esperança matemática da soma do número de pontos que podem sair ao se lançarem dois dados.
Resp.: E ( X  Y )  7

Exercício 54
A probabilidade de acerto no alvo, ao disparar-se um canhão, é p = 0.6. Achar a esperança matemática do
número total de acertos, se forem realizados 10 disparos.
Resp.: E ( X )  6

34
Exercício 55
A probabilidade de falha de uma peça no decorrer da prova de controlo de qualidade é igual a 0.2. Achar a
esperança matemática do número de peças que falharão, se forem controladas 10 peças.
Resp.: E ( X )  2

Exercício 56
Achar a esperança matemática da soma do número de bilhetes de lotaria premiados entre 20 bilhetes, sendo
que a probabilidade de que um bilhete saia premiado é igual a 0.3.
Resp.: E ( X )  6

Variância de uma variável aleatória discreta

Variáveis aleatórias podem ter idênticas esperanças matemáticas, porém diferentes valores possíveis.
Portanto, torna-se conveniente introduzir uma característica de dispersão de variáveis aleatórias: a variância,
a qual serve para quantificar a dispersão de uma variável aleatória em torno da esperança matemática.
Chama-se variância de uma variável aleatória discreta à esperança matemática do quadrado do desvio da
variável aleatória em relação à sua esperança matemática. Var( X )  E[ X  E ( X )]2

Teorema
A variância é igual à diferença entre a esperança matemática do quadrado da variável aleatória X e o quadrado
de sua esperança matemática: Var ( X )  E ( X 2 )  [ E ( X )]2 .

Exercício 57
Achar a variância da variável aleatória X dada pela seguinte lei de distribuição:

X 1 2 5
P 0.3 0.5 0.2
Resp.: Var (X) = 2.01

Exercício 58
Comparar as variâncias das veriáveis aleatórias dadas pelas leis de distribuição:

X -1 1 2 3 Y -1 1 2 3
P 0.48 0.01 0.09 0.42 P 0.19 0.51 0.25 0.05

Resp.: E ( X )  E (Y )  0.97 ;
Var ( X )  3.69 , Var (Y )  1.21 logo Var ( X )  Var (Y )

Propriedades da variância

P1. A variância de uma constante é igual zero. Var (C )  0

P2. Um multiplicador constante pode ser tirado para fora do sinal de variância, elevado ao quadrado:
Var (CX )  C 2Var ( X )
P3. A variância da soma de duas variáveis aleatórias independentes é igual à soma das variâncias destas
variáveis: Var ( X  Y )  Var ( X )  Var (Y )

35
Corolário 1
A variância da soma de diversas variáveis aleatórias mutuamente independentes é igual a soma das variâncias
destas variáveis: Var ( X  Y  Z )  Var ( X  Y )  Var ( Z )  Var ( X )  Var (Y )  Var ( Z )

Corolário 2
A variância da soma de uma constante e de uma variável aleatória é igual à variância da variável aleatória:
Var (C  X )  Var ( X )

P4. A variância da diferença de duas variáveis aleatórias independentes é igual à soma de suas variâncias:
Var ( X  Y )  Var ( X )  E (Y )

Exercício 59
Efectuam-se 10 provas independentes, em cada uma das quais a probabilidade de que ocorra um
acontecimento é igual a 0.6. Achar a variância da variável aleatória X, ou seja, do número de ocorrências do
acontecimento nessas provas.
Resp.: Var ( X )  2.4

Exercício 60
A variável aleatória X assume apenas dois valores:  C e  C , cada um dos quais com a probabilidade 0.5.
Achar a variância desta variável.
Resp.: Var ( X )  C 2

Exercício 61
Uma variável aleatória está dada pela lei de distribuição:

X 2 4 8
P 0.1 0.5 0.4

Achar o desvio padrão desta variável. Resp.:  ( X )  Var ( X )  2.2

Exercício 62
Uma agência de emprego recebe pedidos para grupos de 1, 2, 3, 4, 5 ou 6 empregados. Os registos efectuados
permitem concluir que as probabilidades que se ajustam aos pedidos são 0.4, 0.23, 0.11, 0.09, 0.08 e 0.09,
respectivamente, para cada um dos grupos considerados anteriormente.
Seja X a variável aleatória que representa o número de empregados pedidos de cada vez.

a) Calcule 𝑃(𝑋 ≤ 3); 𝑃(1 < 𝑋 < 3); 𝑃(1 ≤ 𝑋 < 3); 𝑃(𝑋 > 3) e 𝑃(𝑋 = 0).
(Resp. 0.74; 0.23; 0.63; 0.26 e 0).
b) Represente graficamente a função de probabilidade da variável aleatória X.
c) Determine a função de distribuição e represente-a graficamente.

36
Exercício 63
Considere a variável aleatória discreta X com a seguinte função de probabilidade:
𝝅 𝟑𝝅
xi 0 𝝅 𝟐𝝅
𝟐 𝟐

f(xi) 0.05 0.1 0.2 0.3 0.35

a) Determine a função de distribuição da variável aleatória X.

b) Usando a função de distribuição, calcule
𝜋 3𝜋
𝑃(𝑋 ≤ 𝜋); 𝑃( 2 < 𝑋 ≤ 𝜋); 𝑃(𝜋 < 𝑋 < 2𝜋); 𝑃(𝑋 ≥ ).
2
(Resp. 0.35; 0.2; 0.3; 0.65).

Exercício 64
Durante 50 dias registou-se o número de acidentes diários ocorridos num determinado local. Os dados
obtidos estão na tabela seguinte:

Número de acidentes 0 1 2 3 4
Número de dias 12 18 10 8 2
Designe por X a variável aleatória que conta o número de acidentes diários nesse local.
a) Defina a sua função de probabilidade.
b) Deduza a função de distribuição e represente-a graficamente.

Exercício 65
A fim de analisar a capacidade de germinação de sementes de um certo cereal foram semeadas cinco
sementes em cada vaso de um conjunto de vasos iguais, contend o mesmo tipo de solo. Registou-se, então,
o número de sementes germinadas. Obtiveram-se os seguintes resultados:

Número de 5
0 1 2 3 4
sementes
Número de vasos 16 32 87 137 98 25

Seja X a variável aleatória que indica o número de sementes germinadas, por vaso.

a) Defina a sua função de probabilidade.

b) Determine a sua função de distribuição.
c) Calcule 𝑃(𝑋 < 3), 𝑃(2 ≤ 𝑋 ≤ 5), 𝑃(1 < 𝑋 ≤ 4) e 𝑃(𝑋 > 4).
135 347 322 123
(Resp. , , e ).
395 395 395 395

37
Exercício 66
Uma variável aleatória discreta X tem função de probabilidade dada por:

xi 0 1 2 3
𝟏 𝟏 𝟏
f(xi) m (𝒎 ∈ 𝑹)
𝟏𝟎 𝟓 𝟏𝟎

𝟑
a) Determine o valor de m. (Resp. 𝒎 = 𝟓)
b) Construa a função de distribuição da variável aleatória X.

Exercício 67
Suponha que a procura diária, X, de unidades de um certo produto em determinado estabelecimento é uma
variável aleatória com a seguinte função de probabilidade:
𝑘2𝑥
𝑠𝑒 𝑥 = 1, 2, 3, 4
𝑃(𝑋 = 𝑥) = { 𝑥!
0 𝑟𝑒𝑠𝑡𝑎𝑛𝑡𝑒𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑥
𝟏
a) Determine o valor da constante 𝑘. (Resp. 𝒌 = 𝟔)
b) Defina a função de distribuição da variável aleatória X.
c) Qual deverá ser o stock de unidades no início de cada dia para que a procura diária seja satisfeita com
uma probabilidade de, pelo menos, 0.8, supondo que durante o dia, no period de abertura ao público,
não pode haver reposição de stock?
(Resp.𝑃(𝑋 ≤ 𝑠) ≥ 0.8 ⇔ 𝐹(𝑠) ≥ 0.8, logo 𝑠 ≥ 3).

Exercício 68
Uma caixa contém 5 bolas pretas, 3 azuis e 7 vermelhas. Considere uma experiência aleatória que consiste
em retirar ao acaso 2 bolas, sem reposição. Resolvendo atribuir a seguinte pontuação: bola preta – 1
ponto, bola azul – 2 pontos e bola vermelha – 3 pontos. Considere a variável aleatória X – “soma dos
pontos obtidos”.
a) Defina a função de probabilidade.
b) Determine a função de distribuição da variável aleatória X.
59
c) Calcule 𝑃(𝑋 > 3|𝑋 < 6). (Resp. )
84

Exercício 69
Um dispositivo de segurança dispõe de 3 sistemas de alarme A, B e C cuja probabilidade de falhar é 0.01,
0.03 e 0.008, respectivamente. Supondo que os tres sistemas funcionam independentemente, isto é, a
ocorrência de falhas num sistema é independenete da ocorrência de falhas noutro sistema.
a) Determine a função de probabilidade da variável aleatória, X, que indica o número de sistemas que
podem ser encontrados em falha, no momento da vistoria ao dispositivo de segurança.
b) Calcule a probabilidade de falharem pelo menos 2 sistemas. (Resp. 0.0006152).
c) Considere os acontecimentos:
38
C1 – falham pelo menos 2 sistemas
C2 – falham todos os sistemas.

Diga se:
i) C1 e C2 são mutuamente exclusivos. (Resp. C1 e C2 não são mutuamente exclusivos)
ii) C1 e C2 são independentes. (Resp. C1 e C2 não são independentes)

Exercício 70
Considere a experiência aleatória que consiste no lançamento de dois dados diferentes equilibrados
(honestos). Seja X a variável aleatória que representa a diferença, em valor absoluto, dos pontos obtidos nas
duas faces que ficam voltadas para cima.
a) Determine a função de probabilidade da variável aleatória X.
1
b) Calcule a probabilidade das diferenças, em valor absoluto, serem superiors a 3. (Resp. 6)

Exercício 71
Sabe-se que 60% das fotocopiadoras de uma determinada marca revela anomalias quando se utiliza uma
determinada qualidade de papel. Um técnico testa 3 máquinas em sucessão e verifica a eventual anomalia.
Considere a variável aleatória X que representa o número de máquinas com anomalias após o teste.

a) Defina a função de probabilidade.

b) Determine a função de distribuição da variável aleatória X.
c) Calcule a probsbilidade de pelo menos duas máquinas terem registado anomalias no teste.
(Resp, 0.648)

Exercício 72
De um lote que contém 25 peças, das quais 5 são defeituosas, escolhem-se 3 ao acaso. Seja X a variável
aleatória que representa o número de peças defeituosas encontrdas.
Defina a função de probabilidade e a função de distribuição de X, quando:
a) As peças são escolhidas sucessivamente com reposição.
b) As peças são escolhidas simultaneamente (isto é, sem reposição).

Exercício 73
Analisando uma determinada variedade de ratos, apurou-se que 80% revelam um comportamento agressivo
sob o efeito de um estimulante. Um experimentador irá ministrar esse estimulante a 3 três ratos dessa família,
em sucessão e verificará o eventual aparecimento de comportamento agresssivo.
Defina a variável aleatória que conta o número de ratos com comportamento agressivona experiência e
construa a respectiva função de distribuição.

Exercício 74
Considere o seguinte o seguinte jogo: Escolhe-se um número natural entre 1 e 6 e depois fazem-se 3
lançamentos sucessivos de um dado equilibrado.
- Se o número escolhido não aparecer no conjunto dos três lançamentos, o jogador é penalizado com
um ponto, isto é, perde um ponto;

39
 - Se o número escolhido aparecer uma só vez no conjunto dos três lançamentos, o jogador ganha 1
ponto;
- Se o número escolhido aparecer duas vezes no conjunto dos três lançamentos, o jogador ganha 2
pontos;
- Se o número escolhido aparecer três vezes no conjunto dos três lançamentos, o jogador ganha 3
pontos.
Construa a função de probabilidade da variável aleatória que contabiliza a pontuação do jogador.

Exercício 75
A um concorrente de um concurso de TV foi proposto o seguinte jogo: São apresentados dois sacos, A e
B, com a seguinte constituição:
Saco A – tem duas bolas vermelhas numeradas com 1 e 8 e duas bolas amarelas numeradas com 2 e 5;
Saco B – tem uma bola vermelha com o número 6 e três bolas amarelas numeradas com 3, 4 e 7.
O concorrente deve escolher um dos sacos e extrair 2 bolas simultaneamente.
Se a soma dos números das bolas exceder 12 o concorrente ganha um carro.
Defina a função de probabilidade da variável aleatória que conta a pontuação obtida pelo jogador e calcule
a probabilidade de ele ganhar o automóvel.

Exercício 76
Considere a variável aleatória discreta X cuja função de probabilidade é dada por:

xi −𝟐 −𝟏 0 1 2
f(xi) 0.1 0.25 0.3 0.25 0.1
Construa a função de probabilidade das seguintes variáveis aleatórias:
a) 𝑌 = 𝑋 − 1;
b) 𝑍 = 𝑋 2 ;
c) 𝑊 = 𝑌 + 𝑍.

Exercício 77
Considere a variável aleatória X que assume os valores {−2, −1, 0, 1, 2} e cuja função de probabilidade é:

xi −2 −1 0 1 2
12 15 10 6 17
f(xi)
60 60 60 60 60

Seja 𝑌 = 𝑋 3 + 3𝑋 2 + 2𝑋
23
Construa a função de probabilidade de Y e calcule 𝑃(𝑌 > 0). (Resp. 60)

40
Exercício 78
Sabendo que uma variável aleatória X tem a seguinte função de distribuição

0 𝑠𝑒 𝑥 < 0
1
𝑠𝑒 0 ≤ 𝑥 < 1
2
𝐹(𝑥) =
2
𝑠𝑒 1 ≤ 𝑥 < 2
3

{ 1 𝑠𝑒 𝑥 ≥ 2

Determine a função de probabilidade de X.

Exercício 79
Dada a seguinte função de distribuição de uma variável aleatória X :
0 𝑠𝑒 𝑥 < 0
1
𝑠𝑒 0 ≤ 𝑥 < 1
4
𝐹(𝑥) =
3
𝑠𝑒 1 ≤ 𝑥 < 2
4

{ 1 𝑠𝑒 𝑥 ≥ 2
a) Determine a função de probabilidade de X.
1 3
b) Calcule 𝑃(0 < 𝑋 < 2), 𝑃(0 < 𝑋 ≤ 2) e 𝑃(0 ≤ 𝑋 ≤ 2). (Resp. 2 ; 4 ; 1)

2. CARACTERÍSTICAS NUMÉRICAS DE VERIÁVEIS ALEATÓRIAS CONTÍNUAS

(Esperança matemática e Variância)

Esperança matemática ou valor esperado de uma variável aleatória contínua

A esperança matemática de uma variável aleatória contínua X que assume valores reais é, por definição,
+∞

𝐸(𝑋) = ∫ 𝑥 ∙ 𝑓(𝑥)𝑑𝑥
−∞
Onde 𝑓(𝑥) é a função densidade de probabilidade da variável aleatória X.
Suponhamos que uma variável aleatória X pode assumir apenas valores do intervalo (𝑎, 𝑏), cuja função
densidade de probabilidade é 𝑓(𝑥). Neste caso, a esperança matemática 𝐸(𝑋) da variável aleatória X
determina-se pela igualdade:
𝑏

𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥
𝑎
O sentido probabilístico de esperança matemática de uma variável aleatória contínua é o de média de
todos valores reais desse intervalo.

41
Variância de uma variável aleatória contínua
Chama-se variância de uma variável aleatória contínua à esperança matemática do quadrado do desvio da
variável aleatória em relação à sua esperança matemática. Esta característica numérica é uma medida de
dispersão dos valores de X.
𝑉𝑎𝑟(𝑋) = 𝐸[(𝑋 − 𝐸(𝑋))2 ]
⟺ 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
Onde
+∞
2)
𝐸(𝑋 = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥
−∞

Desvio padrão
O desvio padrão (𝜎) é também uma medida de dispersão expressa nas mesmas unidades dos valores
assumidos pela variável aleatória X. O desvio padrão é, por definição, a raiz quadrada da variância.

𝜎 = √𝑉𝑎𝑟(𝑋) ⟺ 𝜎 = √𝐸(𝑋 2 ) − [𝐸(𝑋)]2

Exercício 80
Seja X uma variável aleatória com a seguinte função de probabilidade:
𝑥2
𝑓(𝑥) = ; 𝑥 ∈ {−2, −1, 1, 2}
10
.

Calcule a esperança matemática de X. (Resp. 0)

Exercício 81
Analisando a implantação no mercado de um certo tipo de peças, suponhamos que o desvio da medida das
peças produzidas por uma máquina, em relação à norma especificada pelo mercado, é uma variável aleatória
X com a seguinte função de probabilidade:
1 + 𝑥, 𝑠𝑒 − 1 ≤ 𝑥 < 0
𝑓(𝑥) = { 1 − 𝑥, 𝑠𝑒 0≤𝑥<1
0, 𝑠𝑒 𝑥 ∉ [−1, 1]
1
Calcule o valor médio e a variância de X. (Resp. 0; 6)

42
Exercício 82
A procura diária de açúcar num supermercado, traduzida em centenas de quilos, é uma variável aleatória
com função densidade de probabilidade:
2
𝑥 𝑠𝑒 0 ≤ 𝑥 < 1
3
𝑓(𝑥) = 1
− 𝑥 + 1 𝑠𝑒 1 ≤ 𝑥 ≤ 3
3
{0 𝑠𝑒 𝑥 < 0 𝑜𝑢 𝑥 > 3
a) Qual a probabilidade de, num dia escolhido ao acaso, se vender mais do que 150 Kg de açúcar?
(Resp. 0.375)
b) Em 30 dias, quantos quilogramas de açúcar o gerente do supermercado espera poder vender?
(Resp. 40)
c) Qual a quantidade de açúcar que deve ser deixada nas prateleiras do supermercado à disposição do
público diariamente, para que a probabilidade de ao longo do dia não falte açúcar seja 0.95?
(Resp. 2.45)

Exercício 83
Seja X uma variável aleatória com a seguinte função densidade de probabilidade:
−𝑘𝑥 + 𝑘 𝑠𝑒 0≤𝑥<1
𝑘
𝑓(𝑥) = { − 𝑥 + 𝑘 𝑠𝑒 1≤𝑥<2
2
0 𝑠𝑒 𝑥 < 0 𝑜𝑢 𝑥 > 2
onde k é um parâmetro real.
4
a) Calcule k. (Resp. 3)
b) Determinar a função de distribuição da variável aleatória X.
2 5
c) Calcular o valor médio e a variância de X. (Resp. 3 ; )
18

Exercício 84
Seja X uma variável aleatória com a seguinte função de densidade de probabilidade:
𝑘(𝑥 − 1) 𝑠𝑒 𝑥 ∈ [1, 2]
𝑓(𝑥) = {
0 𝑠𝑒 𝑥 ∉ [1, 2]
onde k é um parâmetro real positive.
a) Calcule k. (Resp. 2)
b) Determine a função de distribuição de X.
5 1
c) Calcular o valor médio e a variância de X. (Resp. 3 ; )
18

43
Exercício 85
Seja X uma variável aleatória cuja função densidade de probabilidade é
𝑘(3 − 𝑥) 𝑠𝑒 0<𝑥<2
𝑓(𝑥) = {
0 𝑠𝑒 𝑥≤0 ∨ 𝑥≥3
onde k é um parâmetro real.
Calcular
5 1
a) 𝐸(𝑋); (Resp. 6 𝑠𝑒𝑛𝑑𝑜 𝑘 = 4)
11
b) 𝐸(𝑋 2 ), sabendo que 𝑉𝑎𝑟(𝑋) = 36 ; (Resp. 1)
11
c) 𝑉𝑎𝑟(3𝑋 + 2). (Resp. )
4

Exercício 86
Seja X uma variável aleatória cuja função densidade de probabilidade é
𝑥 𝑠𝑒 0 ≤ 𝑥 < 1
𝑓(𝑥) = {2 − 𝑥 𝑠𝑒 1 ≤ 𝑥 < 2
0 𝑠𝑒 𝑥 < 0 ∨ 𝑥 ≥ 2
Calcular:
1
a) 𝐸 (𝑋) ; (Resp. 2𝑙𝑜𝑔2)
b) 𝐸(1 − 𝑋); (Resp. 0)
1
c) 𝐸(𝑋(1 − 𝑋)); (Resp. − 6)
1
d) 𝑉𝑎𝑟(𝑋). (Resp. 6)

Exercício 87
Calcule o valor esperado e a variância de uma variável aleatória, X, cuja função densidade de probabilidade
é dada por:
−2𝑥
𝑓(𝑥) = {2𝑒 𝑠𝑒 𝑥 ≥ 0 1 1
(Resp. 2 ; )
0 𝑠𝑒 𝑥 < 0 4

Exercício 88
Relativamente à distribuição da variável X, sabe-se que 𝐸(𝑋) = 6 e 𝐸(𝑋 2 ) = 62. Sendo Y uma outra
1
variável aleatória e sabendo que 𝑌 = 2 𝑥 + 3, determine:
a) 𝐸(𝑌); (Resp. 6)
13
b) 𝑉𝑎𝑟(𝑌); (Resp. )
2
13
c) 𝜎𝑌 (desvio padrão da variável aleatória Y). (Resp. +√ 2 )

44
Exercício 89
Considere que o tempo, T, medido em minutos, que uma pessoa espera por um determinado autocarro é
uma variável aleatória contínua com função densidade de probabilidade dada por:

1
𝑠𝑒 0 < 𝑡 < 1
2
𝑓(𝑡) =
1
𝑠𝑒 2 < 𝑡 < 4
4

{0 𝑠𝑒 𝑡 ∉]0, 1[∪]2, 4[

Calcule a probabilidade de que o tempo de espera seja:

1
a) Mais que um minuto. (Resp. 2)
1
b) Mais que dois minutos. (Resp. 2)
1
c) Mais que três minutos. ( Resp. 4)

Exercício 90
Seja a função f, definida em R, por:

0 𝑠𝑒 𝑥 ≤ 0

𝑓(𝑥) = 𝑥
𝑠𝑒 0 < 𝑥 ≤ 𝑘
2

{ 0 𝑠𝑒 𝑥 > 𝑘,
onde k é uma constante real. Determine para que valores de 𝑘, f é uma função densidade de probabilidade
de uma variável aleatória X. (Resp. 𝑘 = 2)

Exercício 91
Considere a variável aleatória X, cuja função densidade de probabilidade é dada por:

2
𝑥 𝑠𝑒 0 < 𝑥 < 3
𝑓(𝑥) = { 9
0 𝑠𝑒 𝑥 ∉]0, 3[
a) Mostre que se trata efectivamente de uma função densidade de probabilidade.
b) Construa a função de distribuição da varável aleatória X e represente-a graficamente.
c) Calcule
1 1 3 1
𝑃(𝑋 ≤ 𝑥), 𝑃 (4 < 𝑋 ≤ 2), 𝑃 (𝑋 > 2) e 𝑃(𝑋 < 1 |2 < 𝑋 < 3).
1 1 3 3
(Resp. 9 ; ; ; )
48 4 35

45
Exercício 92
A duração, em centenas de horas, de uma lâmpada de certo tipo é uma variável aleatória X com função
densidade de probabilidade definida por:
𝑎𝑥 𝑠𝑒 0 < 𝑥 < 10
𝑓(𝑥) = {
0 𝑝𝑎𝑟𝑎 𝑜𝑢𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠
onde 𝑎 é uma constante real.
1
a) Determine o valor da constant 𝑎. (Resp. 50)
b) Calcule a probabilidade de uma lâmpada desse tipo durar:
i) menos de 300 horas; (Resp. 0.09)
ii) mais de 500 horas; (Resp. 0.75)
iii) mais de 300 horas, mas menos de 500 horas; (Resp. 0.16)
iv) mais de 500 horas sabendo-se que já durou 300 horas. (Resp. 0.82)
c) Determine a função de distribuição da variável aleatória X.

Exercício 93
O tempo, médio em horas, necessário para os estudantes completarem um certo exame é uma variável é
uma variável aleatória X com a função densidade de probabilidade:
2
𝑓(𝑥) = {𝑐𝑥 + 𝑥 𝑠𝑒 0 ≤ 𝑥 ≤ 1
0 𝑠𝑒 𝑥 < 0 ou 𝑥 > 1
onde 𝑐 é uma constant real.
3
a) Determine o valor da constante 𝑐. (Resp. 2)
b) Determine a função de distribuição da variável aleatória X e represente-a graficamente.
c) Calcule 𝐹(−1), 𝐹(0) e 𝐹(1). (Resp. 0; 0; 1))
d) Calcule a probabilidade de que um estudante termine o exame em menos de 30 minutos.
(Resp. 0.1875)
e) Sabendo que um estudante necessita de pelo menos 15 minutos para fazer o exame, calcule a
probabilidade que ele necessite mais de 30 minutos para o acabar. (Resp. 0.8456)

Exercício 94
Uma pastelaria vende bolos ao peso. Sabe-se que a quantidade de bolos, medida em kg, vendida diariamente
nessa pastelaria é uma variável aleatória X com a seguinte função densidade de probabilidade:
5𝑘
𝑠𝑒 0 ≤ 𝑥 < 5
𝑓(𝑥) = { 2
𝑘(10 − 𝑥) 𝑠𝑒 5 ≤ 𝑥 < 10
0 𝑠𝑒 𝑥 < 0 𝑜𝑢 𝑥 ≥ 10
onde 𝑘 é uma constant real.
1
a) Determine o valor de 𝑘. (Resp. 25)
b) Determine a função de distribuição da variável aleatória X e represente-a graficamente.
Determine a quantidade de bolos que deve ser fabricada nesse dia para que se possa garantir que são
atendidos 82% dos clients. (Resp. 7 kg de bolos)

46
Exercício 95
Considere a seguinte função:
1
2𝑥 − 1 𝑠𝑒 ≤𝑥<𝑘
2
𝑓(𝑥) = (𝑘 ∈ R)
1
{ 0 𝑠𝑒 𝑥 <2
ou 𝑥 ≥ 𝑘
a) Determine 𝑘 de modo que f seja função densidade de probabilidade de uma variável aleatória X.
3
(Resp. 2)
b) Obtenha a função de distribuição da variável aleatória X.
1 1+√2
c) Calcule b de modo que 𝑃(𝑋 ≤ 𝑏) = 2 ∙ (Resp. )
2

Exercício 96
A venda seminal de leite, em milhares de litros, de uma cooperativa pode ser representada por uma
variável aleatória X com função de distribuição:
0 𝑠𝑒 𝑥 ≤ 0
𝐹(𝑥) = { 𝑥 3 𝑠𝑒 0 < 𝑥 < 1
1 𝑠𝑒 𝑥 ≥ 1
a) Determine uma função densidade de probabilidade 𝑓(𝑥), 𝑥 ∈ R.
b) Determine a probabilidade de que essa cooperativa venda menos de 600 litros de leite numa
semana. (Resp. o.216).

Exercício 97
Considere a variável aleatória X, cuja função densidade de probabilidade é definida da seguinte forma:
𝑘𝑥 2 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 ≤ 2
𝑓(𝑥) = {
0 𝑝𝑎𝑟𝑎 𝑜𝑢𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠.
3
a) Determine o valor de 𝑘. (Resp. 8)
7
b) Calcule a probabilidade de X tomar valores superiores a 1. (Resp. 8)
c) Determine a função de distribuição de X.

Exercício 98
Durante as aulas, o tempo que um aluno dedica ao estudo por mês, em horas, é uma variável aleatória T
com função de distribuição:
𝑡
1 − 𝑒 − 60 𝑠𝑒 𝑡 ≥ 0
𝐹(𝑡) = {
0 𝑠𝑒 𝑡 < 0
a) Num mês escolhido ao acaso qual a probabilidade de um aluno estudar mais de 55 horas? (Resp.
0.3998)
b) Dos meses em que estuda menos de 55 horas qual a percentage esperada daqueles em que estuda
pelo menos 28 horas? (Resp. 0.3785).

47
Exercício 99
Da a função de distribuição de uma variável aleatória X:
0 𝑠𝑒 𝑥 < 0
𝜋
𝑠𝑒𝑛 𝑥
𝑠𝑒 0 ≤ 𝑥 <
𝐹(𝑥) = 2
𝜋
1 𝑠𝑒 𝑥 ≥
{ 2
a) Determine a função densidade de probabilidade 𝑓(𝑥), 𝑥 ∈ R.
𝜋 𝜋 𝜋 𝜋 √2 √6
b) Calcule 𝑃(𝑋 > 4 ) e 𝑃( 4 ≤ 𝑋 < 2 |𝑋 ≤ 3 ). (Resp. 1 − e 1− ).
2 3

Exercício 100
Dada a função:
0 𝑠𝑒 𝑥 < 0
1
𝑥2 𝑠𝑒 0 ≤ 𝑥 <
𝐹(𝑥) = 2
1
−(𝑘𝑥 2 − 2𝑘𝑥 + 2) 𝑠𝑒
≤𝑥<1
2
{ 1 𝑠𝑒 𝑥 ≥ 1
a) Determine o valor de 𝑘 de forma a 𝐹(𝑥), 𝑥 ∈ R, ser a função de distribuição de uma variável
aleatória X contínua. (Resp. 3)
b) Para o valor de 𝑘 encontrado, determine uma função densidade de probabilidade dessa variável
aleatória X.

Exercício 101
Seja X uma variável aleatória cuja função densidade de probabilidade está representada graficamente na
figura:
f(x)
B a C

A D
-2 -1 0 1 2 x
1
a) Determine a constante a. (Resp. 3)
b) Determine a função densidade de probabilidade da variável aleatória X.
c) Defina a função de distribuição da variável aleatória X.
1
d) Calcule 𝑃(𝑋 < −1|𝑋 < 1). (Resp. 5)

48