Escolar Documentos
Profissional Documentos
Cultura Documentos
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
i
ii CONTEÚDO
4 A Distribuição Normal 35
5.1 Capítulo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2 Capítulo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.3 Capítulo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.4 Capítulo 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A Tabelas 81
Capítulo 1
Em situações como essa, em geral, o interesse não está nos funcionários em si, mas, sim, em
alguma característica deste funcionário, por exemplo, sua altura, se tem curso superior ou não, número
de dependentes. Dessa forma, poderíamos calcular a altura média dos funcionários da amostra, o
número médio de dependentes, a proporção de funcionários com curso superior etc. Então, a cada
amostra possível, ou seja, a cada ponto do espaço amostral associamos um número. Essa é a definição
de variável aleatória.
Por questões de simplicidade, muitas vezes abreviaremos a expressão variável aleatória por
“v.a.”. A convenção usual para representar uma v.a. consiste em usar letras maiúsculas como X ,
Y , etc. Um valor específico, mas genérico, desta variável será representado pela letra minúscula
correspondente: x, y, etc.
Estas variáveis têm naturezas distintas, quando levamos em conta os possíveis valores de cada uma.
Para a variável X , os valores possíveis formam um intervalo, por exemplo, [140, 200]. Para a variável
Y , os valores possíveis são números inteiros, variando de 0 a 20, por exemplo. Isso nos leva à seguinte
definição.
Uma variável aleatória é discreta se sua imagem (ou conjunto de valores que ela assume) for
um conjunto finito ou enumerável. Se a imagem for um conjunto não enumerável, dizemos que a
variável aleatória é contínua.
Como já dito, estudaremos inicialmente as variáveis discretas. A questão que se coloca, agora,
é: como atribuir probabilidade aos valores de uma variável aleatória discreta? Considere, então o
seguinte exemplo.
Solução:
Neste caso, a v.a. X = “máximo das 2 faces” é uma variável discreta, que pode assumir os valores
1, 2, 3, 4, 5, 6, conforme ilustrado na Tabela 1.1.
Podemos ver que o valor X = 2 corresponde ao evento A = {(1, 2), (2, 1), (2, 2)}, enquanto o
valor X = 1 corresponde ao evento B = {(1, 1)}. Sendo assim, é de se esperar que o valor 2 seja
mais provável que o valor 1, uma vez que todos os pares são equiprováveis. Podemos calcular a
probabilidade de X = 2 usando a seguinte equivalência de eventos:
3
P(X = 2) = P(A) =
36
1.2. FUNÇÃO DE PROBABILIDADE 3
1
P ({X = 1}) =
36
5
P ({X = 3}) =
36
7
P ({X = 4}) =
36
9
P ({X = 5}) =
36
11
P ({X = 6}) =
36
Observe que conseguimos estabelecer uma probabilidade para cada valor da variável aleatória.
Esse exemplo ilustra o conceito de função de probabilidade de uma v.a. discreta.
pX (x) ≥ 0 (1.2)
X
pX (x) = 1 (1.3)
x
P
em que indica somatório ao longo de todos os possíveis valores de X . Note que a segunda
x
propriedade é decorrente do axioma P (Ω) = 1, pois os eventos {X = x} são mutuamente exclusivos
e formam uma partição do espaço amostral. Estas são as condições definidoras de uma função de
probabilidade.
4 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS DISCRETAS
x 1 2 3 4 5 6
pX (x)
1 3 5 7 9 11
36 36 36 36 36 36
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
x 2 3 4 5 6 7 8 9 10 11 12
pX (x)
1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
(b) Defina a v.a. X = número de chaves experimentadas até conseguir abrir a porta (inclusive a
chave correta). Quais são os valores de X ?
Solução:
(a) Vamos designar por C a chave da porta e por E1, E2 e E3 as outras chaves. Se ele para de
testar as chaves depois que acha a chave correta, então o espaço amostral é:
C,
E1 C , E2 C , E3 C ,
E E C , E2 E1 C , E1 E3 C , E3 E1 C , E2 E3 C , E3 E2 C ,
Ω=
1 2
E1 E2 E3 C , E1 E3 E2 C , E2 E1 E3 C , E2 E3 E1 C , E3 E1 E2 C , E3 E2 E1 C
(c) Note que todas as chaves têm a mesma chance de serem sorteadas e, obviamente, cada chave
testada não é colocada de volta no bolso. Feitas essas observações, podemos ver que
1
P(X = 1) = P(C ) =
4
P(X = 2) = P(E1 C ∪ E2 C ∪ E3 C )
= P(E1 C ) + P(E2 C ) + P(E3 C )
× + × + × =
1 1 1 1 1 1 1
=
4 3 4 3 4 3 4
P(X = 3) = P(E1 E2 C ) + P(E2 E1 C ) + P(E1 E3 C ) +
P(E3 E1 C ) + P(E2 E3 C ) + P(E3 E2 C )
= 6× × × =
1 1 1 1
4 3 2 4
P(X = 4) = P(E1 E2 E3 C ) + P(E1 E3 E2 C ) + P(E2 E1 E3 C ) +
P(E2 E3 E1 C ) + P(E3 E1 E2 C ) + P(E3 E2 E1 C )
= 6× × × ×1=
1 1 1 1
4 3 2 4
Logo, a função de probabilidade de X é
x 1 2 3 4
P(X = x) 1 1 1 1 (1.4)
4 4 4 4
(a) Designando os alunos por A, B, C , D, E , defina um espaço amostral para esse experimento.
Solução:
(a) Note que aqui a ordem não importa; logo, n(Ω) = 5
2 = 10. Mais especificamente,
(A, B) , (A, C ) , (A, D) , (A, E) , (B, C ) ,
(B, D) , (B, E) , (C , D) , (C , E) , (D, E)
Ω=
(b) Usando uma tabela de duas entradas, podemos representar os valores de X da seguinte forma:
(d) Como todos os pontos do espaço amostral são equiprováveis (o sorteio é aleatório), a função de
probabilidade de X é:
x 8,85 8,90 8,95 9,00 9,05 9,10 9,15 9,20 9,25 9,35
P(X = x) 1
10
1
10
1
10
1
10
1
10
1
10
1
10
1
10
1
10
1
10
e P (X ≥ 9) = 10 .
7
Solução:
1.3. ESPERANÇA DE VARIÁVEIS ALEATÓRIAS DISCRETAS 7
Podemos ver, então, que a esperança de X é uma média dos seus valores, ponderada pelas
respectivas probabilidades.
Número de produtos 0 1 2 3 4 5 6
Probabilidade de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05
Cada vendedor recebe comissões de venda, distribuídas da seguinte forma: se ele vende até dois
produtos em um dia, ele ganha uma comissão de R$10,00 por produto vendido. A partir da terceira
venda, a comissão passa para R$50,00 por produto. Qual é o número médio de produtos vendidos
por cada vendedor e qual a comissão média de cada um deles?
Solução:
O número médio de vendas por funcionário é
E(P) = 0 × 0, 1 + 1 × 0, 4 + 2 × 0, 2 + 3 × 0, 1
+4 × 0, 1 + 5 × 0, 05 + 6 × 0, 05
= 2, 05
Número de produtos P 0 1 2 3 4 5 6
Comissão C 0 10 20 70 120 170 220
Probabilidade de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05
E(C ) = 0 × 0, 1 + 10 × 0, 4 + 20 × 0, 2 + 70 × 0, 1 +
+120 × 0, 1 + 170 × 0, 05 + 220 × 0, 05
= 46, 5
8 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS DISCRETAS
É possível obter novas variáveis aleatórias a partir de funções g(X ) de uma variável X e através
da função de probabilidade de X podemos obter a função de probabilidade de Y . Sendo assim,
podemos calcular a esperança de Y . No entanto, o cálculo da função de probabilidade de g(X ) nem
sempre é simples de ser feito. Mas se estivermos interessados apenas na esperança de g(X ), essa é
facilmente calculada a partir da função de probabilidade da variável original X , conforme mostra o
seguinte teorema.
Exemplo 1.8
Considere a v.a. X cuja função de probabilidade é dada a seguir:
x -2 -1 0 1 2 3
pX (x) 0,1 0,2 0,2 0,3 0,1 0,1
Calcule a esperança da v.a. Y = X 2 .
Solução:
A esperança pode ser calculada como
E X2 = (−2)2 × 0, 1 + (−1)2 × 0, 2 + 02 × 0, 2 +
+12 × 0, 3 + 22 × 0, 1 + 32 × 0, 1 = 2, 2
sem necessidade do cálculo da função de probabilidade de Y .
No que segue, X é uma variável aleatória discreta com distribuição de probabilidades pX (x) e
a, b 6= 0 são constantes reais quaisquer. Temos, então, os seguintes resultados, cujas demonstrações
são imediatas, a partir da definição de esperança:
E(a) = a (1.7)
E(X + a) = E(X ) + a (1.8)
E(bX ) = b E(X ) (1.9)
xmin ≤ E(X ) ≤ xmax (1.10)
Nessa última propriedade, xmin e xmax são os valores mínimo e máximo da variável X .
1.4. VARIÂNCIA E DESVIO-PADRÃO DE UMA VARIÁVEL ALEATÓRIA 9
Note que a variância é uma média dos desvios quadráticos em torno de E(X ).
Vamos ver como calcular a variância de uma v.a. discreta. Para isso, vamos definir g(X ) =
[X − E(X )]2 . Então, usando o resultado dado na equação (1.6), temos que
X
Var (X ) = E [g (X )] = [x − E(X )]2 pX (x)
x
que pode ser lida de maneira mais fácil como “a variância é a esperança do
quadrado menos o quadrado da esperança”.
O desvio-padrão de uma variável aleatória X é definido como a raiz quadrada de sua variância:
p
DP (X ) = Var (X ) (1.13)
Sendo a variância e o desvio-padrão medidas de dispersão, é fácil ver que são válidas as
seguintes propriedades, onde a, b 6= 0 são constantes quaisquer:
Var(X ) ≥ 0 (1.14)
DP(X ) ≥ 0 (1.15)
Exemplo 1.9
Considere a v.a. Y com função de probabilidade dada por
y −3 −1 0 2 5 8 9
fY (y) 0, 25 0, 30 0, 20 0, 10 0, 07 0, 05 0, 03
Solução:
E(Y ) = −3 × 0, 25 − 1 × 0, 30 + 0 × 0, 20 + 2 × 0, 10
+5 × 0, 07 + 8 × 0, 05 + 9 × 0, 03 = 0, 17
E(Y 2 ) = 9 × 0, 25 + 1 × 0, 30 + 0 × 0, 20 + 4 × 0, 10
+25 × 0, 07 + 64 × 0, 05 + 81 × 0, 03 = 10, 33
Logo
Var(Y ) = 10, 33 − 0, 172 = 10, 3011
Usando as propriedades da variância, temos que
Exemplo 1.10
Um lojista mantém extensos registros das vendas diárias de certo aparelho. O quadro a seguir, dá
a distribuição de probabilidades do número de aparelhos vendidos em uma semana. Se o lucro por
unidade vendida é de R$500,00, qual o lucro esperado em uma semana? Qual é o desvio-padrão do
lucro?
x= número de aparelhos 0 1 2 3 4 5
pX (x) 0,1 0,1 0,2 0,3 0,2 0,1
Solução:
Seja X o número de aparelhos vendidos em uma semana e seja L o lucro semanal. Então, L = 500X .
E (X ) = 0 × 0, 1 + 1 × 0, 1 + 2 × 0, 2
+3 × 0, 3 + 4 × 0, 2 + 5 × 0, 1
= 2, 7 aparelhos
E X2 = 02 × 0, 1 + 12 × 0, 1 + 22 × 0, 2
+32 × 0, 3 + 42 × 0, 2 + 52 × 0, 1
= 10, 2 aparelhos2
Exemplo 1.11
Seja uma v.a. X com função de probabilidade dada na tabela a seguir:
x 1 2 3 4 5
pX (x) p2 p2 p p p2
(a) Encontre o valor de p para que pX (x) seja, de fato, uma função de probabilidade.
(b) Calcule P (X ≥ 4) e P (X < 3) .
(c) Calcule E(X ) e Var(X ).
Solução:
P
(a) Como pX (x) = 1, temos que ter:
x
3p2 + 2p = 1 ⇒ 3p2 + 2p − 1 = 0 ⇒
p = −1
√
−2 ± 4 + 12 −2 ± 4
p= = ⇒ ou
6 6 p= 1
3
E(X 2 ) = 12 × p2 + 22 × p2 + 32 × p + 42 × p + 52 × p2
1 4 16 25
= + +3+ +
9 9 3 9
105 35
= =
9 3
2
−
35 29 14
Var(X ) = =
3 9 81
Solução:
Sabemos que o dado é honesto e que os lançamentos são independentes. O diagrama de árvore
para o espaço amostral desse experimento é dado na Figura 1.2.
Para calcular a probabilidade dos eventos associados aos lançamentos dos dois dados (parte
inferior da árvore), usamos o fato de que a probabilidade da interseção de eventos independentes é
o produto das probabilidades.
No cálculo da probabilidade de uma face 6, multiplicamos por 2, porque a face 6 pode estar em
qualquer um dos dois dados.
Lucro ` -5 0 15 45
P(L = `) 1
2 + 2
6 × 56 × 5
6
2
6 ×2× 1
6 × 5
6
1
6
2
6 × 16 × 1
6
ou
Lucro ` -5 0 15 45
(L = `) 158
216
20
216
36
216
2
216
E(L) = −5 × + 15 × + 45 × =− = −0, 74
158 36 2 160
216 216 216 216
1. Cinco cartas são extraídas de um baralho comum (52 cartas, 13 de cada naipe) sem reposição.
Defina a v.a. X = número de cartas vermelhas sorteadas.
14 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS DISCRETAS
2. Numa urna há sete bolas brancas e quatro bolas verdes. Cinco bolas são extraídas dessa urna
sem reposição. Defina a v.a. X = número de bolas verdes.
5. Considere o lançamento de três moedas e denote por K a ocorrência de cara e por C a ocorrência
de coroa. Se ocorre o evento CCC , dizemos que temos uma sequência, ao passo que se ocorre
o evento C K C temos três sequências. Defina a v.a. X = “número de caras obtidas” e Y =
“número de sequências obtidas”.
7. Uma empresa de aluguel de carros tem em sua frota 4 carros de luxo e ela aluga esses carros
por dia, segundo a seguinte função de distribuição de probabilidade:
O valor do aluguel é de R$2000,00 por dia; a despesa total com manutenção é de R$500,00 por
dia quando o carro é alugado e de R$200,00 por dia quando o carro não é alugado. Calcule:
(a) o número médio de carros de luxo alugados por dia, bem como o desvio padrão;
(b) a média e o desvio padrão do lucro diário com o aluguel dos carros de luxo.
1.5. EXERCÍCIOS PROPOSTOS 15
(a) Calcule o número médio de chamadas por dia, bem como o desvio padrão do número de
chamadas diárias.
(b) Em um ano de 365 dias, qual é o número total de chamadas?
2.1 Introdução
1. (a) Lança-se uma moeda viciada e observa-se o resultado obtido e (b) pergunta-se a um eleitor
se ele vai votar no candidato A ou B.
2. (a) Lança-se uma moeda n vezes e observa-se o número de caras obtidas e (b) de uma grande
população, extrai-se uma amostra de n eleitores e pergunta-se a cada um deles em qual dos
candidatos A ou B eles votarão e conta-se o número de votos do candidato A.
3. (a) De uma urna com P bolas vermelhas e Q bolas brancas, extraem-se n bolas sem reposição e
conta-se o número de bolas brancas e (b) de uma população com P pessoas a favor do candidato
A e Q pessoas a favor do candidato B, extrai-se uma amostra de tamanho n sem reposição e
conta-se o número de pessoas a favor do candidato A na amostra.
Em cada uma das situações anteriores, os experimentos citados têm algo em comum: em certo
sentido, temos a “mesma situação”, mas em contextos diferentes. Por exemplo, na situação 1, cada
um dos experimentos tem dois resultados possíveis e observamos o resultado obtido. Na situação 3,
temos uma população dividida em duas categorias e dela extraímos uma amostra sem reposição; o
interesse está no número de elementos de uma determinada categoria.
Na prática, existem muitas outras situações que podem se “encaixar” nos modelos acima e
mesmo em outros modelos. O que veremos nesse capítulo são alguns modelos de variáveis aleatórias
discretas que podem descrever situações como as listadas anteriormente. Nesse contexto, um modelo
será definido por uma variável aleatória e sua função de probabilidade, explicitando-se claramente as
hipóteses de validade. De posse desses elementos, poderemos analisar diferentes situações práticas
para tentar “encaixá-las” em algum dos modelos dados.
Considere o lançamento de uma moeda. A característica de tal experimento aleatório é que ele
possui apenas dois resultados possíveis. Uma situação análoga surge quando da extração da carta
de um baralho, em que o interesse está apenas na cor (preta ou vermelha) da carta sorteada.
x 0 1
fX (x) 1−p p
(2.1)
Obviamente, as condições definidoras de uma função de probabilidade são satisfeitas, uma vez
que
p > 0, 1 − p > 0 e p + (1 − p) = 1.
O valor de p é o único valor que precisamos conhecer para determinar completamente a distribuição;
ele é, então, chamado parâmetro da distribuição de Bernoulli. Vamos denotar a distribuição de
Bernoulli com parâmetro p por Bern(p).
Seja X ∼ Bern(p) (lê-se: a variável aleatória X tem distribuição de Bernoulli com parâmetro
p). Então,
E(X ) = 0 × (1 − p) + 1 × p = p
E(X 2 ) = 02 × (1 − p) + 12 × p = p
Var(X ) = E(X 2 ) − [E(X )]2 = p − p2
Em resumo:
E(X ) = p
X ∼ Bern(p) ⇒ (2.2)
Var(X ) = p(1 − p)
Esse exemplo ilustra o fato de que “sucesso”, no contexto probabilístico, nem sempre significa
uma situação feliz na vida real. Aqui, sucesso é definido de acordo com o interesse estatístico no
problema.
Vamos introduzir a distribuição binomial, uma das mais importantes distribuições discretas,
através de um exemplo. Em seguida, discutiremos as hipóteses feitas e apresentaremos os resultados
formais sobre tal distribuição e novos exemplos.
Solução:
Como visto antes, cada lançamento da moeda representa um experimento de Bernoulli e como o
interesse está no número de caras, vamos definir sucesso = cara.
Para encontrar a função de probabilidade de X , o primeiro fato a notar é que os valores possíveis
de X são: 0, que equivale à ocorrência de nenhuma cara e, portanto, de 4 coroas; 1, que equivale à
ocorrência de apenas 1 cara e, portanto, 3 coroas; 2, que equivale à ocorrência de 2 caras e, portanto,
2 coroas; 3, que equivale à ocorrência de 3 caras e 1 coroa e, finalmente, 4, que equivale à ocorrência
de 4 caras e nenhuma coroa. Assim, os possíveis valores de X são
X = 0, 1, 2, 3, 4
• X =0
Temos a seguinte equivalência de eventos:
{X = 0} ≡ C1 ∩ C2 ∩ C3 ∩ C4
• X =1
O evento X = 1 corresponde à ocorrência de 1 cara e, consequentemente, de 3 coroas. Uma
sequência possível de lançamentos é
K1 ∩ C2 ∩ C3 ∩ C4 .
Vamos calcular a probabilidade desse resultado específico. Como antes, os lançamentos são
eventos independentes e, portanto,
Mas qualquer sequência com 1 cara resulta em X = 1, ou seja, a face cara pode estar em
qualquer uma das quatro posições e todas essas sequências resultam em X = 1. Além disso,
definida a posição da face cara, as posições das faces coroas já estão determinadas – são as
posições restantes. Então, temos a seguinte equivalência:
{X = 1} ≡ {K1 ∩ C2 ∩ C3 ∩ C4 } ∪ {C1 ∩ K2 ∩ C3 ∩ C4 } ∪
{C1 ∩ C2 ∩ K3 ∩ C4 } ∪ {C1 ∩ C2 ∩ C3 ∩ K4 }
2.3. DISTRIBUIÇÃO BINOMIAL 21
Mas os eventos que aparecem no lado direito da expressão anterior são eventos mutuamente
exclusivos. Logo,
P(X = 1) = P(K1 ∩ C2 ∩ C3 ∩ C4 )
+ P(C1 ∩ K2 ∩ C3 ∩ C4 )
+ P(C1 ∩ C2 ∩ K3 ∩ C4 )
+ P(C1 ∩ C2 ∩ C3 ∩ K4 )
= p × (1 − p) × (1 − p) × (1 − p)
+(1 − p) × p × (1 − p) × (1 − p)
+(1 − p) × (1 − p) × p × (1 − p)
+(1 − p) × (1 − p) × (1 − p) × p
= 4p(1 − p)3
• X =2
O evento X = 2 corresponde à ocorrência de 2 caras e, consequentemente, de 2 coroas.
Qualquer uma dessas sequêcias tem probabilidade p2 (1 − p)2 .
As sequências de lançamentos com 2 caras e 2 coroas são as seguintes:
K1 K2 C3 C4
K1 C2 K3 C4
K1 C2 C3 K4
C1 C2 K3 K4
C1 K2 C3 K4
C1 K2 K3 C4
{X = 2} ≡ (K1 ∩ K2 ∩ C3 ∩ C4 ) ∪ (K1 ∩ C2 ∩ K3 ∩ C4 ) ∪
(K1 ∩ C2 ∩ C3 ∩ K4 ) ∪ (C1 ∩ C2 ∩ K3 ∩ K4 ) ∪
(C1 ∩ K2 ∩ C3 ∩ K4 ) ∪ (C1 ∩ K2 ∩ K3 ∩ C4 )
e, portanto,
• X =3eX =4
Os casos X = 3 e X = 4 são análogos aos casos X = 1 e X = 0, respectivamente; basta trocar
caras por coroas e vice-versa. Assim,
P(X = 3) = 4p3 (1 − p)
P(X = 4) = p4
22 CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES DISCRETAS
Solução:
O importante a notar aqui é o seguinte: como cada bola sorteada é recolocada na urna antes da
próxima extração, a composição da urna é sempre a mesma e o resultado de uma extração não
afeta o resultado de outra extração qualquer. Dessa forma, podemos considerar as extrações como
independentes e, assim, temos uma situação análoga à do exemplo anterior: temos três repetições
de um experimento (sorteio de uma bola), essas repetições são independentes e em cada uma delas
há dois resultados possíveis: bola branca (sucesso) ou bola verde (fracasso). Assim, cada extração
equivale a um experimento de Bernoulli e como o interesse está nas bolas brancas, vamos considerar
sucesso = bola branca e da observação anterior resulta que
4
P(sucesso) =
10
Os valores possíveis de X são 0, 1, 2, 3, uma vez que são feitas três extrações. Vamos calcular a
probabilidade de cada um dos valores de X . Como antes, vamos denotar por Vi o evento “bola verde
na i-ésima extração” e por Bi o evento “bola branca na i-ésima extração”. Da discussão anterior,
resulta que, para i 6= j, os eventos Vi e Bj são independentes, assim como os eventos Bi e Bj e os
eventos Vi e Vj .
• X =0
Esse resultado equivale à extração de bolas verdes em todas as três extrações.
{X = 0} ≡ {V1 ∩ V2 ∩ V3 }
Logo,
P(X = 0) = P(V1 ∩ V2 ∩ V3 )
= P(V1 ) × P(V2 ) × P(V3 )
× ×
6 6 6
=
10 10 10
3
6
=
10
2.3. DISTRIBUIÇÃO BINOMIAL 23
• X =1
Esse resultado equivale à extração de uma bola branca e, por consequência, duas bolas verdes.
A bola branca pode sair em qualquer uma das três extrações e, definida a posição da bola
branca, as posições das bolas verdes ficam totalmente estabelecidas. Logo,
2
4 6
P(X = 1) = 3
10 10
• X =2eX =3
4 2 6
P(X = 2) = 3
10 10
3
4
P(X = 3) =
10
Esses dois exemplos ilustram a distribuição binomial, que depende de dois parâmetros: o
número de repetições e a probabilidade de sucesso de um experimento de Bernoulli. No Exemplo
2.3, n = 4 e temos uma probabilidade de sucesso qualquer p. No Exemplo 2.4, n = 3 e p =
4
.
10
Nos dois exemplos anteriores, tínhamos repetições de um experimento de Bernoulli que podiam
ser consideradas independentes e a probabilidade de sucesso se mantinha constante ao longo de
todas as repetições. Essas são as condições definidoras de um experimento binomial.
A variável aleatória que associamos aos experimentos binomiais dos dois exemplos foi
X = “número de sucessos”
n! = n × (n − 1) × (n − 2) × · · · × 2 × 1 (2.4)
Por definição, 0! = 1.
X = “número de sucessos”
Então, X tem distribuição binomial com parâmetros n e p, cuja função de probabilidade é dada
por
n x
fX (x) = P(X = x) = p (1 − p)n−x x = 0, 1, 2, . . . , n
x
(2.5)
E (X ) = np
X ∼ bin(n, p) ⇒ (2.6)
Var (X ) = np (1 − p)
Solução:
Podemos pensar os tiros como experimentos de Bernoulli independentes, em que o sucesso é acertar
no alvo e a probabilidade de sucesso é 0,20. Então, o problema pede P(X ≤ 1), em que X = número
de acertos em 10 tiros. Logo, X ∼ bin(10; 0, 20) e
P(X ≤ 1) = P(X = 0) + P(X = 1)
10 10
= (0, 20)0 (0, 80)10 + (0, 20)1 (0, 80)9
0 1
= 0, 37581
P (X ≥ 5) = P (X = 5) + P (X = 6) + P (X = 7) + P (X = 8)
8 5 3 8
= (0, 6) (0, 4) + (0, 6)6 (0, 4)2 +
5 6
8 7 1 8
+ (0, 6) (0, 4) + (0, 6)8 (0, 4)0
7 8
= 0, 5940864
Exemplo 2.7
Em uma distribuição binomial, sabe-se que a média é 4,5 e a variância é 3,15. Encontre os valores
dos parâmetros da distribuição.
Solução:
Temos que
np = 4, 5
np(1 − p) = 3, 15
Substituindo a primeira equação na segunda, resulta
4, 5(1 − p) = 3, 15 ⇒
1 − p = 0, 7 ⇒
p = 0, 3
Substituindo na primeira equação, obtemos que
n = 4, 5/0, 3 = 15.
26 CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES DISCRETAS
1. Na manufatura de certa peça, é sabido que uma entre dez peças é defeituosa. Uma amostra
de tamanho quatro é retirada com reposição, de um lote da produção. Qual a probabilidade de
que a amostra contenha
2. Um supermercado faz a seguinte promoção: o cliente, ao passar pelo caixa, lança um dado. Se
sair a face 6 tem um desconto de 30% sobre o total de sua conta. Se sair a face 5, o desconto
é de 20%. Se sair a face 4, o desconto é de 10% e se ocorrerem as faces 1, 2 ou 3, o desconto é
de 5%. Seja X = desconto concedido.
(a) Qual é a probabilidade de ele acertar na mosca pela primeira vez no décimo tiro?
(b) Se ele dá 10 tiros, qual é a probabilidade de ele acertar na mosca exatamente uma vez?
Capítulo 3
3.1 Introdução
Neste capítulo iremos estudar as variáveis aleatórias continuas. Como já visto, uma variável
aleatória é uma função que associa um número real a cada evento de Ω e se a imagem dessa função
for um conjunto não enumerável, então a variável aleatória é contínua.
Tendo em mente que cada frequência relativa é uma aproximação para a probabilidade de um
elemento pertencer à respectiva classe, podemos estimar a probabilidade de a altura média estar
entre dois valores quaisquer como a área dos retângulos envolvidos. Veja a Figura 3.2, onde a área
sombreada corresponde à frequência (probabilidade) de alturas entre os valores 168 e 178 cm. Esta
área pode ser aproximada também pela área sob o polígono de frequência, conforme ilustrado na
Figura 3.3. As áreas sombreadas de cinza mais escuro correspondem às diferenças; note que elas
tendem a se compensar.
28 CAPÍTULO 3. VARIÁVEIS ALEATÓRIAS CONTÍNUAS
Figura 3.2 – Probabilidade como frequência Figura 3.3 – Probabilidade como área sob
relativa o polígono de frequência
Como estamos trabalhando com uma variável aleatória contínua, faz sentido pensarmos em
reduzir, cada vez mais, o comprimento de classe δ, até a situação limite em que δ → 0. Nessa
situação limite, o polígono de frequências se transforma em uma curva na parte positiva (ou não-
negativa) do eixo vertical, tal que a área sob ela é igual a 1. Essa curva será chamada curva de
densidade de probabilidade. Na situação limite, a diferença entre as áreas sombreadas mais escuro
também tenderá a zero, o que nos permite concluir o seguinte: no limite, quando δ → 0, podemos
calcular a probabilidade de a variável de interesse estar entre dois valores A e B pela área sob
a curva de densidade de probabilidade, delimitada por esses pontos. Isso nos permitirá calcular
probabilidade de intervalos de valores de qualquer variável aleatória contínua.
1. f(x) ≥ 0
Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa alguma variável
aleatória contínua X , de modo que P(a ≤ X ≤ b) é a área sob a curva limitada pelos pontos a
e b (veja a Figura 3.4.
A definição anterior usa argumentos geométricos; no entanto, uma definição mais precisa
envolve o conceito de integral de uma função de uma variável. Apresentamos a seguir essa definição,
mas, neste curso, usaremos basicamente a interpretação geométrica da integral, que está associada
à área sob uma curva.
3.3. ESPERANÇA E VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 29
Figura 3.4 – Probabilidade como área sob a curva da função densidade de probabilidade
1. f(x) ≥ 0
R∞
2. −∞ f(x)dx = 1
Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa alguma variável
aleatória contínua X , de modo que
Z b
P(a ≤ X ≤ b) = f(x)dx
a
Para deixar clara a relação entre a função densidade de probabilidade e a respectiva v.a. X ,
usaremos a notação fX (x) para indicar a função densidade da variável aleatória X .
As mesmas propriedades vistas para variáveis aleatórias discretas continuam valendo no caso
contínuo:
Esperança Variância Desvio Padrão
E(a) = a Var (a) = 0 DP(a) = 0
E(X + a) = E(X ) + a Var (X + a) = Var (X ) DP (X + a) = DP (X )
E(bX ) = bE(X ) Var (bX ) = b2 Var (X ) DP (bX ) = |b| DP (X )
xmin ≤ E(X ) ≤ xmax Var(X ) ≥ 0 DP(X ) ≥ 0
Qual deve ser o valor de k para que fX seja uma função de densidade de probabilidade de uma
v.a. X ?
3.4. DISTRIBUIÇÃO UNIFORME 31
A primeira condição é que k deve ser maior que zero e como a área tem que ser 1, resulta
1 = (b − a) × k ⇒ k =
1
b−a
Note que, para dois subintervalos de mesmo comprimento, a área será igual, uma vez que
temos áreas de retângulos com mesma altura. Esse fato leva à denominação de tal densidade como
densidade uniforme.
Das propriedades da esperança e das características da densidade uniforme, sabemos que E(X )
é o ponto médio do intervalo [a, b] :
a+b
E (X ) =
2
O cálculo da variância requer cálculo integral, e pode-se mostrar que
(b − a)2
V ar (X ) =
12
(c) Qualquer lata com volume 4 ml abaixo da média pode gerar reclamação do consumidor e com
volume 4 ml acima da média pode transbordar no momento de abertura, devido à pressão
interna. Qual é a proporção de latas problemáticas?
Solução:
Seja X = “conteúdo da lata de coca-cola”. Então, X ∼ U[345, 355]
(a) Pede-se
355 − 353
P(X > 353) =
355 − 345
= 0, 2
(b) Pede-se
346 − 345
P(X < 346) =
355 − 345
= 0, 1
32 CAPÍTULO 3. VARIÁVEIS ALEATÓRIAS CONTÍNUAS
(c) Pede-se
346 − 345 355 − 354
P(X < 350 − 4) + P(X > 350 + 4) =
355 − 345 355 − 345
+ = 0, 2
Logo, a proporção de latas problemáticas é de 20%. Note que essa é uma proporção bastante
alta!
f(x) ≥ 0
Área sob a curva: A = ·2·1=1
1
2
Note que as duas condições de uma função densidade são satisfeitas; logo, essa é a função
densidade de alguma variável aleatória contínua X .
Solução
1. Veja a Figura 3.7: a probabilidade pedida é a área sombreada de cinza, que pode ser calculada
como área de um trapézio, ou pela área de um triângulo usando a propriedade de eventos
complementares.
1 + f(1, 5)
P(X > 1, 5) = · 0, 5
2
1 + 0, 75
= = 0, 4375
4
ou
P(X > 1, 5) = 1 − 1, 5 · f(1, 5)
1
2
= 1 − 0, 752 = 0, 4375
Figura 3.7 – P(X > 1, 5)
3.6. EXERCÍCIOS PROPOSTOS 33
2. Veja a Figura 3.8: temos que encontrar o valor da mediana Q2 tal que a área abaixo dela seja
0,5, ou seja, tal que a área do triângulo sombreado seja 0,5.
P(X ≤ Q2 ) = 0, 5 ⇔ Q2 · f(Q2 ) = 0, 5 ⇔
1
2
Q22 √
= 0, 5 ⇔ Q22 = 2 ⇔ Q2 = ± 2
4 √
A solução no domínio é Q2 = 2 = 1, 4142
(a) Esboce o gráfico de g(x) e encontre o valor de K para que f(x) seja uma função de densidade
de probabilidade.
(b) Calcule a mediana da distribuição.
2. O tempo de execução T (em minutos) de determinada tarefa pode ser descrito por uma variável
aleatória com distribuição uniforme no intervalo [20;40].
3. O comprimento real (em metros) de uma determinada barra de aço é uma variável aleatória
uniformemente distribuída no intervalo [10,12]. As barras com comprimento menor que 10,5m
não se ajustam às necessidades e devem ser vendidas como sucata. As barras com comprimento
maior que 11,5m têm que ser cortadas para se ajustarem às necessidades. Qual é a proporção
de barras colocadas à venda como sucata? Qual é a proporção de barras que precisam ser
cortadas? Qual é a proporção de barras perfeitas?
(a) Calcule o valor de k para que f(x) seja a função de densidade de alguma variável aleatória
contínua X e encontre a expressão matemática de f(x).
(b) Calcule P(X ≥ 2, 5).
(c) Calcule P(X > 3, 0 | X ≥ 2, 5).
(d) Determine o valor de c tal que P(X < c) = 0, 6.
34 CAPÍTULO 3. VARIÁVEIS ALEATÓRIAS CONTÍNUAS
5. Devido aos engarrafamentos no trânsito, o tempo que Ricardo leva de casa até a universidade
é uma variável aleatória X que tem distribuição uniforme no intervalo [5, 25]. Seja fX a função
densidade de X .
A Distribuição Normal
Nesta seção, você estudará a distribuição normal, que é uma das mais importantes distribuições
contínuas. Você verá a definição geral desta distribuição, mas nos concentraremos, inicialmente, na
distribuição normal padrão, com ênfase no cálculo de probabilidades associadas a essa variável
normal específica. Depois estudaremos o caso geral, estabelecendo a relação entre a normal padrão
e uma distribuição normal qualquer.
Uma v.a. contínua X tem distribuição normal se sua função de densidade de probabilidade é
dada por
(x − µ)2
fX (x) = √ exp − , −∞ < x < ∞
1
(4.1)
2πσ 2 2σ 2
Analisando essa expressão, podemos ver que ela está definida para todo x ∈ R e depende de dois
parâmetros: µ e σ . Outras características importantes dessa função são as seguintes:
Pode-se mostrar, usando técnicas de cálculo integral, que a área sob a curva de densidade
normal é igual a 1 e, como a função exponencial é sempre não negativa, resulta que a função fX dada
na equação (4.1) realmente define uma função de densidade de probabilidade.
36 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
Vamos usar a seguinte notação: indicaremos o fato de a v.a. X ter distribuição normal com
média µ e variância σ pela notação X ∼ N µ; σ . Na Figura 4.2, temos os gráficos das seguintes
2 2
distribuições normais: N(0; 1) e N(2; 1), ou seja, duas distribuições normais com médias diferentes e
variâncias iguais. Note que o efeito de mudar a média é simplesmente deslocar o gráfico, mudando
o seu eixo de simetria.
Na Figura 4.3, temos duas distribuições normais com a mesma média, mas com variâncias
diferentes. Note que a distribuição continua em forma de sino, mas a dispersão muda – lembre-se de
que variância e desvio-padrão são medidas de dispersão. Como o máximo da função é √ 1 2 , quanto
2πσ
maior a variância, “mais achatada” é a curva; para compensar esse fato e continuar com área sob a
curva igual a 1, a curva fica mais “espalhada”, ou seja, mais dispersa.
4.2. A DENSIDADE NORMAL PADRÃO 37
Este curso terá como base a Tabela 1 do Apêndice A, embora muitos livros utilizem a tabela da
distribuição acumulada dada na Tabela 2 do mesmo apêndice, que discutiremos no final desta seção.
Essas tabelas serão usadas para calcular probabilidades associadas a uma variável aleatória normal
padrão Z como P(Z > 1), P(Z ≤ 3), P(−1 ≤ Z ≤ 2) etc.
Note que esta tabela apresenta probabilidades correspondentes a abscissas positivas, ou seja,
esta tabela trata de área sob a curva no lado positivo do eixo. Para calcular áreas no lado negativo,
teremos de usar o fato de a curva da densidade normal ser simétrica. Sempre faça um esboço da
curva de densidade, sombreando a área correspondente à probabilidade desejada; isso lhe ajudará
no cálculo da probabilidade. Vamos terminar esta seção apresentando vários exemplos de cálculos de
probabilidades de uma v.a. Z com distribuição normal padrão, ou seja, no que segue, Z ∼ N(0; 1). Os
exemplos apresentados cobrem todas as situações possíveis. Assim, é importante que você entenda
bem a situação ilustrada por cada um dos exemplos, para poder aplicar o método de solução adequado
aos novos exercícios.
Para simplificar a solução dos exercícios, vamos adotar a seguinte notação para as entradas
da Tabela 1.
tab(z) = P(0 ≤ Z ≤ z)
Exemplo 4.1
A partir da Tabela 1 do Apêndice A calcule P(0 ≤ Z ≤ 1, 22).
Solução:
Veja as Figuras 4.4a e 4.4b. Essa probabilidade é dada diretamente na Tabela as entradas da Tabela
1, utilizando a entrada correspondente à linha 1,2 e à coluna com o valor 2. O resultado é
Exemplo 4.2
A partir da Tabela 1 do Apêndice A calcule P(1 ≤ Z ≤ 2).
Solução:
Note que este exemplo trata da probabilidade entre duas abscissas positivas. Na Figura 4.5a ilustra-
se a probabilidade desejada como a área sombreada, que pode ser obtida pela diferença entre as
4.2. A DENSIDADE NORMAL PADRÃO 39
áreas das Figuras 4.5b e 4.5d, cujos valores são encontrados na Tabela 1 conforme ilustram as Figuras
4.5c e 4.5e.
P(1 ≤ Z ≤ 2) = tab(2) − tab(1) = 0, 4772 − 0, 3413 − 0, 1359
Exemplo 4.3
A partir da Tabela 1 do Apêndice A calcule P(Z ≥ 1).
Solução:
Note que este exemplo trata da probabilidade de Z ser maior que uma abscissa positiva. Na Figura
4.6a ilustra-se essa probabilidade como a área sombreada, que pode ser obtida pela diferença entre
as áreas das Figuras 4.6b e 4.6c. A primeira área corresponde à probabilidade P(Z ≥ 0) e é igual a
0,5, pois a média µ = 0 é o eixo de simetria e a área total é 1. Logo, P(Z ≥ 0) = P(Z ≤ 0) = 0, 5. A
segunda área vem direto da Tabela 1.
Exemplo 4.4
A partir da Tabela 1 do Apêndice A calcule P(Z ≤ 1).
Solução:
Note que este exemplo trata da probabilidade de Z ser menor que uma abscissa positiva. Na Figura
40 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
4.7a ilustra-se a probabilidade desejada como a área sombreada, que pode ser obtida pela soma das
áreas das Figuras 4.7b e 4.7c. A primeira área corresponde à probabilidade P(Z ≤ 0) e é igual a 0,5,
conforme visto no exemplo anterior.
Exemplo 4.5
A partir da Tabela 1 do Apêndice A calcule P(Z ≤ −0, 5)
Solução:
Note que este exemplo trata da probabilidade de Z ser menor que uma abscissa negativa e, agora,
começamos a trabalhar com abscissas negativas. Na Figura 4.8a ilustra-se a probabilidade desejada
como a área sombreada. Pela simetria da curva de densidade normal, essa área é igual à área
sombreada na Figura 4.8b, que corresponde a P(Z ≥ 0, 5).
Exemplo 4.6
A partir da Tabela 1 do Apêndice A calcule P(Z ≥ −0, 5)
Solução:
Note que este exemplo trata da probabilidade de Z ser maior que uma abscissa negativa. Na Figura
4.9a ilustra-se essa probabilidade como a área sombreada, que é a soma das áreas sombreadas nas
Figuras 4.9b e 4.9c. Essa última área, por sua vez, é igual à área representada na Figura 4.9d, pela
simetria da curva de densidade.
Exemplo 4.7
A partir da Tabela 1 do Apêndice A calcule calcule P(−2, 1 ≤ Z ≤ −1, 4)
4.2. A DENSIDADE NORMAL PADRÃO 41
Solução:
Note que este exemplo trata da probabilidade de Z estar entre duas abscissas negativas. Na Figura
4.10a ilustra-se a probabilidade desejada como a area sombreada. Por simetria, essa área é igual à
área ilustrada na Figura 4.10b, já analisada no Exemplo 4.2.
Exemplo 4.8
A partir da Tabela 1 do Apêndice A calcule P(−2, 1 ≤ Z ≤ 1, 4)
Solução:
Note que este exemplo trata da probabilidade de Z estar entre duas abscissas, uma negativa e outra
positiva. Na Figura 4.11a ilustra-se a probabilidade como a area sombreada, que é a soma das áreas
representadas nas Figuras 4.11b e 4.11c. Por simetria, essa última área é igual à área sombreada
na Figura 4.11d, o que nos leva à conclusão de que
42 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
Muitos livros trabalham com uma outra tabela, que dá P(Z ≤ z). Essa função, que denotaremos
por Φ(z), é chamada função de distribuição acumulada, ou simplesmente função de distribuição, pois
a cada z ela associa a probabilidade acumulada à esquerda de z. Veja a Figura 4.12.
A Tabela 2 do Apêndice 1 apresenta os valores de Φ(z) para z ≥ 0. Vamos usar essa tabela
para refazer os exemplos vistos anteriormente, que serão apresentados em uma ordem diferente, mais
didaticamente apropriada para esse contexto.
Exemplo 4.9
A partir da Tabela 2 do Apêndice A calcule P(Z ≤ 1)
Solução:
Essa probabilidade resulta diretamente da definição de distribuição acumulada:
4.2. A DENSIDADE NORMAL PADRÃO 43
Exemplo 4.10
A partir da Tabela 2 do Apêndice A calcule P(Z ≥ 1)
Solução:
Pela lei do complementar, temos que
Exemplo 4.11
A partir da Tabela 2 do Apêndice A calcule P(Z ≤ −0, 5)
Solução:
Vimos, no Exemplo 4.5, que
P(Z ≤ −0, 5) = P(Z ≥ 0, 5)
Logo,
Exemplo 4.12
A partir da Tabela 2 do Apêndice A calcule P(Z ≥ −0, 5)
Solução:
Veja as Figuras 4.13a e 4.13b.
P(Z ≥ −0, 5) = 1 − P(Z < −0, 5) = 1 − P(Z > 0, 5) = P(Z ≤ 0, 5) = Φ(0, 5) = 0, 6915
Exemplo 4.13
A partir da Tabela 2 do Apêndice A calcule P(0 ≤ Z ≤ 1, 22)
Solução:
Veja as Figuras 4.4a, 4.14a e 4.14b.
Exemplo 4.14
A partir da Tabela 2 do Apêndice A calcule P(1 ≤ Z ≤ 2)
44 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
Solução:
Veja as Figuras 4.5a, 4.15a e 4.15b.
Exemplo 4.15
A partir da Tabela 2 do Apêndice A calcule P(−2, 1 ≤ Z ≤ −1, 4)
Solução:
Usando os resultados do Exemplo 4.14, temos que
Exemplo 4.16
A partir da Tabela 2 do Apêndice A calcule P(−2, 1 ≤ Z ≤ 1, 4)
Solução:
Usando os resultados do Exemplo 4.11, temos que
4.3. CÁLCULOS COM A DISTRIBUIÇÃO NORMAL 45
Nesta seção serão apresentados resultados básicos sobre a distribuição normal, que permitirão
que você calcule probabilidades associadas a qualquer variável aleatória normal, e isso ampliará o
escopo de aplicações práticas.
Na seção anterior, você viu como usar tabelas da distribuição normal padrão para calcular
probabilidades associadas à variável Z ∼ N(0; 1). Essas tabelas, ou softwares especializados, são
necessários para fazer os cálculos, pois não existem métodos diretos para calcular áreas sob a curva da
densidade normal padrão. Mas as tabelas vistas referiam-se à distribuição N(0; 1). Será que teremos
que usar uma tabela diferente para outros valores da média µ e do desvio-padrão σ ? Felizmente, a
resposta é NÃO, graças a uma propriedade muito interessante da distribuição normal que estabelece
o seguinte resultado:
X −µ
X ∼ N µ; σ 2 =⇒ Z = ∼ N(0; 1)
σ
(4.2)
Note que a transformação dada em (4.3) é uma transformação linear, que é biunívoca. Vejamos
como usar esse resultado para calcular probabilidades de uma v.a. normal qualquer. Suponhamos,
por exemplo, que se deseje calcular P(X ≤ 3), em que X ∼ N(1; 2), ou seja, X é uma v.a. normal com
média 1 e variância 2. Temos a seguinte equivalência de eventos
X −1 3−1
X ≤3 ⇔ √ ≤ √
2 2
uma vez que subtraímos a mesma constante e dividimos pela mesma constante positiva em ambos os
lados da desigualdade. Mas, pelo resultado acima, Z = X√−1
2
∼ N(0; 1). Logo,
X −1 3−1 3−1
P(X ≤ 3) = P √ ≤ √ =P Z ≤ √
2 2 2
e caímos novamente no cálculo de probabilidades da Normal padrão, que é feito com auxílio das
Tabelas 1 e 2, apresentadas na seção anterior. Completando o cálculo, obtemos:
3−1
P(X ≤ 3) = P Z ≤ √ = P(Z ≤ 1, 41)
2
= 0, 5 + tab(1, 41) = Φ(1, 41) = 0, 9207
Na Figura 4.16 representa-se a probabilidade P(X ≤ 3) e na Figura 4.17, P(Z ≤ 1, 41). Pelo
resultado acima, essas duas áreas são iguais.
Agora, vamos apresentar vários exemplos para fixar os conceitos e procedimentos. É importante
que você estabeleça a equivalência dos eventos definidos pela distribuição normal de interesse e
pela normal padrão. Como antes, faça um esboço do gráfico das curvas normais sombreando a área
desejada.
Exemplo 4.17
Se X ∼ N(3; 9), calcule P(−1 ≤ X ≤ 4).
Solução:
−1 − 3 X −3 4−3
P(−1 ≤ X ≤ 4) = P √ ≤ √ ≤ √
9 9 9
= P (−1, 33 ≤ Z ≤ 0, 33)
= Φ(0, 33) − Φ(−1, 33) = 0, 62930 − 0, 09176
= tab(0, 33) + tab(1, 33) = 0, 12930 + 0, 40824
= 0, 53754
Exemplo 4.18
Se X ∼ N(2; 5), calcule P(1 ≤ X ≤ 7).
Solução:
1−2 X −2 7−2
P(1 ≤ X ≤ 7) = P √ ≤ √ ≤ √
5 5 5
= P (−0, 45 ≤ Z ≤ 2, 24)
= Φ(2, 24) − Φ(−0, 45) = Φ(2, 24) − [1 − Φ(0, 45)] = 0, 9875 − [1 − 0, 6700]
= tab(2, 24) + tab(0, 45) = 0, 4875 + 0, 1700
= 0, 6575
Exemplo 4.19
Se X ∼ N(5, 1), calcule P(X > 7).
Solução:
X −5 7−5
P(X > 7) = P >
1 1
= P(Z > 2)
= 1, 0 − Φ(2, 0) = 1, 0 − 0, 97725
= 0, 5 − tab(2, 0) = 0, 5 − 0, 47725
= 0, 02275
4.3. CÁLCULOS COM A DISTRIBUIÇÃO NORMAL 47
Note que chegamos a uma probabilidade que não depende de µ ou σ , ou seja, esse resultado
vale qualquer que seja a distribuição normal.
• k =1
P(µ − σ ≤ X ≤ µ + σ ) = P(−1 ≤ Z ≤ 1) = 2 × tab(1, 0) = 2 × 0, 3414 = 0, 6828
• k =2
P(µ − 2σ ≤ X ≤ µ + 2σ ) = P(−2 ≤ Z ≤ 2) = 2 × tab(2, 0) = 2 × 0, 4772 = 0, 9544
• k =3
P(µ − 3σ ≤ X ≤ µ + 3σ ) = P(−3 ≤ Z ≤ 3) = 2 × tab(3, 0) = 2 × 0, 4987 = 0, 9974
Essas probabilidades nos dizem que, para qualquer distribuição normal, 68,28% dos valores
estão a um desvio-padrão da média, 95,44% estão a dois desvios-padrão e 99,73% dos valores estão
a três desvios-padrão da média. Veja a Figura ?? para uma ilustração desses resultados.
Nos exemplos vistos até o momento, consideramos situações em que tínhamos uma abscissa de
uma distribuição normal e queríamos a probabilidade associada a essa abscissa. Agora, vamos lidar
com a situação inversa: dada uma probabilidade, qual é a abscissa correspondente? Eis algumas
situações que envolvem esse tipo de problema:
48 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
• Em uma comunidade, as famílias com as 15% piores rendas irão receber um auxílio da prefeitura.
Como antes, vamos apresentar vários exemplos que ilustram essa situação.
Exemplo 4.21
Se Z ∼ N(0; 1), determine o valor de k tal que P(Z ≤ k) = 0, 90.
Solução:
Vamos “traduzir” esse problema em termos probabilísticos: queremos encontrar a abscissa k da
normal padrão tal que a probabilidade à esquerda dela seja 0,90. Como 0,90 é a área à esquerda
de k, resulta que k tem que ser maior que zero, isto é, temos que ter k > 0. Veja a Figura ??: à
esquerda de k temos área (probabilidade) 0,90 e à esquerda de 0 temos área (probabilidade) 0,5.
Logo, entre 0 e k temos que ter área (probabilidade) 0,40.
P(Z ≤ k) = 0, 90 ⇔
P(Z ≤ 0) + P(0 < Z ≤ k) = 0, 90 ⇔
0, 5 + P(0 < Z ≤ k) = 0, 90 ⇔
P(0 < Z ≤ k) = 0, 40
Esta última igualdade nos diz que k é a abscissa correspondente ao valor 0,40 na Tabela 1. Para
identificar k, temos que buscar, no corpo dessa tabela, o valor mais próximo de 0,40. Na linha
correspondente ao valor 1,2 encontramos as entradas 0,39973 e 0,40147. Como a primeira está mais
próxima de 0,40, olhamos qual é a abscissa correspondente: a linha é 1,2 e a coluna é 8, o que nos
dá a abscissa de 1,28, ou seja, k = 1, 28 e P(Z ≤ 1, 28) = 0, 90, completando a solução.
Agora vamos olhar o mesmo exemplo, mas para uma distribuição normal qualquer.
Exemplo 4.22
Se X ∼ N(3; 4), determine o valor de k tal que P(X ≤ k) = 0, 90.
Solução:
Como a probabilidade à esquerda de k é maior que 0,5, resulta que k tem que ser maior que a média.
4.3. CÁLCULOS COM A DISTRIBUIÇÃO NORMAL 49
P(X ≤ k) = 0, 90 ⇔
X −3 k −3
P ≤ = 0, 90 ⇔
2 2
k −3
P Z≤ = 0, 90 ⇔
2
k −3
P(Z ≤ 0) + P 0 ≤ Z ≤ = 0, 90 ⇔
2
k −3
0, 5 + P 0 ≤ Z ≤ = 0, 90 ⇔
2
k −3
P 0≤Z ≤ = 0, 40 ⇔
2
k −3
= 1, 28 ⇔ k = 5, 56
2
Exemplo 4.23
Se X ∼ N(3; 4), determine o valor de k tal que P(X ≤ k) = 0, 05.
Solução:
À esquerda de k temos 5% da área total; logo, k tem que ser menor que a média, ou seja, temos que
ter k < 3 e a abscissa padronizada correspondente tem que ser negativa (menor que a média 0).
P(X ≤ k) = 0, 05 ⇔
X −3 k −3
P ≤ = 0, 05 ⇔
2 2
k −3
P Z≤ = 0, 05
2
k−3
(b) Simetria: P Z ≥ − k−3
(a) P Z ≤ 2 = 0, 05 2 = 0, 05
k −3
P Z≤ = 0, 05 ⇔
2
k −3
P Z ≥− = 0, 05 ⇔
2
k −3
P 0≤Z ≤− = 0, 45
2
O menor valor mais próximo de 0,45 no corpo da Tabela 1 é 0,4495, que corresponde à abscissa 1,64,
e isso nos dá que
k −3
− = 1, 64 ⇒ k = −0, 28
2
Exemplo 4.24
Se X ∼ N(3; 4), determine o valor de k tal que P(| X − 3 | ≤ k) = 0, 95.
Solução:
Pelas propriedades da função módulo, sabemos que
P(| X − 3 | ≤ k) = 0, 95 ⇔
P(−k ≤ X − 3 ≤ k) = 0, 95 ⇔
P (3 − k ≤ X ≤ k + 3) = 0, 95 ⇔
3−k −3 X −3 k +3−3
P ≤ ≤ = 0, 95 ⇔
2 2 2
k k
P − ≤Z ≤ = 0, 95
2 2
k k
P − ≤Z ≤ = 0, 95 ⇔
2 2
k k
P − ≤Z ≤0 +P 0≤Z ≤ = 0, 95 ⇔
2 2
k
2×P 0≤Z ≤ = 0, 95 ⇔
2
k
P 0≤Z ≤ = 0, 475 ⇔
2
k
= 1, 96 ⇔ k = 3, 92
2
4.4. EXEMPLOS DE APLICAÇÃO DA DISTRIBUIÇÃO NORMAL 51
k
Figura 4.21 – k | P |Z | ≤ 2 = 0, 95
P(| X − 3 | ≤ k) = 0, 95 ⇔
|X − 3| k
P ≤ = 0, 95 ⇔
2 2
k
P |Z | ≤ = 0, 95 ⇔
2
k k
P − ≤Z ≤ = 0, 95 ⇔
2 2
k
P 0≤Z ≤ = 0, 475 ⇔
2
k
= 1, 96 ⇔ k = 3, 92
2
(a) Quanto você precisa de saldo médio para se tornar um cliente VIP?
Solução:
Seja X = “saldo médio”; é dado que X ∼ N(2000; 2502 ).
52 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
(a) Temos que determinar o valor de k tal que P(X ≥ k) = 0, 10. Note que isso equivale a calcular
o 90o percentil da distribuição. A área à esquerda de k tem de ser 0,90; logo, k tem que ser
maior que a média.
X − 2000 k − 2000 k − 2000
P(X ≥ k) = 0, 10 ⇔ P ≥ = 0, 10 ⇔ P Z ≥ = 0, 10 ⇔
250 250 250
k − 2000 k − 2000
P Z≤ = 0, 90 ⇔ P(Z ≤ 0) + P 0 ≤ Z ≤ = 0, 90 ⇔
250 250
k − 2000 k − 2000
P 0≤Z ≤ = 0, 90 − 0, 50 = 0, 40 ⇔ = 1, 28 ⇔ k = 2320
250 250
Os clientes com saldo médio maior ou igual a R$ 2.320, 00 terão tratamento VIP.
(b) Temos que determinar o valor de k tal que P(X ≤ k) = 0, 05. Note que isso equivale a calcular
o 5o percentil da distribuição. A área à esquerda de k tem que ser 0,05; logo, k tem que ser
menor que a média. Na solução, teremos que usar a simetria da distribuição, invertendo o sinal
da abscissa, para lidarmos com abscissas positivas da distribuição normal padrão.
X − 2000 k − 2000
P(X ≤ k) = 0, 05 ⇔ P ≤ = 0, 05 ⇔
250 250
k − 2000 2000 − k
P Z ≥− = 0, 05 ⇔ P Z ≥ = 0, 05 ⇔
250 250
2000 − k 2000 − k
P 0≤Z ≤ = 0, 45 ⇔ = 1, 64 ⇔ k = 1590
250 250
Solução:
Esse é um exemplo clássico de aplicação da distribuição normal. Seja X o peso dos pacotes em
gramas. Então, X ∼ N(µ; 400). Temos que ter P(X ≤ 500) = 0, 10. Note que o peso médio tem que
4.4. EXEMPLOS DE APLICAÇÃO DA DISTRIBUIÇÃO NORMAL 53
A máquina tem que ser regulada com um peso médio de 525,6g para que apenas 10% dos
pacotes tenham peso inferior a 500g. Veja a Figura 4.23.
(b) Mantidas essas especificações, qual deverá ser a regulagem média da máquina para que a
rejeição por diâmetro grande seja praticamente nula? Nesse caso, qual será a porcentagem de
rejeição por diâmetro pequeno?
Solução:
Seja D = diâmetro dos tubos. Então D ∼ N(200, 22 ).
(a) Sejam kI e kS as especificações inferior e superior, respectivamente. Isso significa que tubos
com diâmetro menor que kI são rejeitados como pequenos e tubos com diâmetro maior que kS
são rejeitados como grandes.
D − 200 kI − 200 kI − 200
P(D < kI ) = 0, 10 ⇒ P < = 0, 10 ⇒ P Z < = 0, 10 ⇒
2 2 2
kI − 200 200 − kI 200 − kI
P Z >− = 0, 10 ⇒ P Z > = 0, 10 ⇒ P 0 ≤ Z < = 0, 40 ⇒
2 2 2
200 − kI
= 1, 28 ⇒ kI = 197, 44
2
54 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
D − 200 kS − 200
P(D > kS ) = 0, 15 ⇒ P > = 0, 15 ⇒
2 2
kS − 200 kS − 200
P 0≤Z < = 0, 35 ⇒ = 1, 03 ⇒ kS = 202, 06
2 2
Logo, tubos com diâmetro menor que 197,44 cm são rejeitados como pequenos e tubos com
diâmetros maiores que 202,06 cm são rejeitados como grandes.
(b) Com a nova regulagem, temos que D ∼ N(µ; 22 ) e µ deve ser tal que
D−µ 202, 06 − µ
P(D > 202, 06) = 0 ⇒ P > =0⇒
2 2
202, 06 − µ 202, 06 − µ
P Z > =0⇒P 0≤Z ≤ = 0, 5 ⇒
2 2
202, 06 − µ
' 4, 5 ⇒ µ ' 193, 06
2
Com essa média, a porcentagem de rejeição por diâmetro pequeno é
D − 193, 06 197, 44 − 193, 06
P(D < 197, 44) = P <
2 2
= P(Z < 2, 19) = P(Z ≤ 0) + P(0 < Z < 2, 19) = 0, 9857
Com essa nova regulagem, a rejeição por diâmetro grande é nula, mas a rejeição por diâmetro
pequeno é muito alta! Veja as Figuras 4.24a e 4.24b, nas quais ficam claros os resultados
obtidos.
Solução:
Seja T = “tempo de duração (em horas) das lâmpadas”; então, T ∼ N(900; 752 ). Temos que determinar
4.4. EXEMPLOS DE APLICAÇÃO DA DISTRIBUIÇÃO NORMAL 55
As lâmpadas devem ser trocadas com 777 horas de uso para que apenas 5% se queimem antes da
troca.
Aqui cabe a seguinte observação: em geral, não é apropriado utilizar-se a distribuição normal
para modelar o tempo de sobrevivência de lâmpadas ou equipamentos em geral. Modelos tipo
exponencial ou gama são mais adequados, pois atribuem probabilidade alta de sobrevivência no
início da vida do equipamento e probabilidade decrescente à medida que o equipamento envelhece.
Solução:
Se X = “conteúdo da garrafa (em ml)”, então X ∼ N(100; σ 2 ) e queremos que P(X < 90) ≤ 0, 01.
Seja σ0 o valor do desvio padrão de X tal que P(X < 90) = 0, 01. Então, qualquer valor de σ
tal que σ < σ0 resulta em P(X < 90) < 0, 01. Veja a Figura 4.29.
A área sombreada corresponde a P(X < 90) = 0, 01 quando X ∼ N(100; σ02 ) (curva de densidade
mais espessa). As duas outras densidades correspondem a distribuições normais com desvios-padrão
menores. Note que para essas distribuições, P(X < 90) < 0, 01. Assim, o desvio-padrão máximo
56 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
≥ 2, 33 ⇔ σ ≤
10 10
σ
= 4, 2918
2, 33
8. Latas de refrigerante são enchidas segundo uma distribuição normal com média 342 ml e desvio
padrão 4 ml. Uma lata é rejeitada no comércio se tiver menos que 333 ml.
5.1 Capítulo 1
26
26
4 1
P (X = 1) = P(4 pretas, 1 vermelha) = 52
5
26 × 25 × 24 × 23
× 26 26 × 25 × 23 × 26
4×3×2
52 × 51 × 50 × 49 × 48 52 × 51 × 10 × 49 × 2
= =
5×4×3×2
5 × 23 × 13 65 × 23
2 × 51 × 2 × 49 4 × 51 × 49
= = = 0, 1496
26
26
3 2
P (X = 2) = P(3 pretas, 2 vermelhas ) = 52
5
26 × 25 × 24 26 × 25
× 26 × 25 × 4 × 13 × 25
3×2 2
52 × 51 × 50 × 49 × 48 52 × 51 × 5 × 49 × 4
= =
5×4×3×2
5 × 13 × 25 65 × 25
2 × 51 × 49 2 × 51 × 49
= = = 0, 3251
26
26
1 4
P (X = 4) = P(1 preta,4 vermelhas) = 52
= 0, 1496
5
26
5
P(X = 5) = P(5 vermelhas) = 52
= 0, 0253
5
Logo, a distribuição de probabilidade de X é
x 0 1 2 3 4 5
pX (x) 0, 0253 0, 1496 0, 3251 0, 3251 0, 1496 0, 0253
2. Note que temos bolas brancas em quantidade suficiente para podermos tirar todas brancas
(X = 0), mas não temos bolas verdes suficientes para tirar todas verdes.
7
5
P(X = 0) = P(5 brancas) = 11
5
× × × × =
7 6 5 4 3 1 3
= =
11 10 9 8 7 22 66
4
7
1 4
11 × 6 × 7
P(X = 1) = P(1 verde, 4 brancas) =
7×6×5
4×
3 × 2 = 10 = 20
11 × 6 × 7
=
33 66
4
7
2 3
11 × 6 × 7
P(X = 2) = P(2 verdes, 3 brancas) =
4×3 7×6×5
×
2 3 × 2 = 5 = 30
11 × 6 × 7
=
11 66
4
7
3 2
11 × 6 × 7
P(X = 3) = P(3 verdes, 2 brancas) =
7×6
4× 2 12
2
11 × 6 × 7
= = =
11 66
4
7
4 1
11 × 6 × 7
P(X = 4) = P(4 verdes, 1 branca) =
1×7 1
11 × 6 × 7
= =
66
5.1. CAPÍTULO 1 61
x 0 1 2 3 4
pX (x) 3
66
20
66
30
66
12
66
1
66
(c)
3. (a) Se as extrações são feitas com reposição, em cada extração podemos tirar bola branca ou
verde. Logo, os possíveis valores de X são 0, 1, 2, 3, 4, 5.
(b) Com reposição, sempre temos na urna 7 brancas e 4 verdes e em cada extração, temos que
7
P(branca) = 11 4
e P(verde) = 11 . Como as extrações são independentes, resulta que
5
7 16807
P(X = 0) = P(5 brancas) = =
11 115
5
4 1024
P(X = 5) = P(5 verdes) = =
11 161051
x 0 1 2 3 4 5
pX (x) 16807
161051
48020
161051
54880
161051
31360
161051
8960
161051
1024
161051
A razão de multiplicarmos pelos números combinatórios se deve ao fato de que a(s) bola(s)
verde(s) pode(m) sair em qualquer uma das extrações.
62 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
(c)
(c)
E(X ) = 0 × +1× =
3 1 1
4 4 4
E(X 2 ) = 02 × + 12 × =
3 1 1
4 4 4
2
−
1 1 3
Var(X ) = =
4 4 16
5. (a) Na tabela a seguir, listam-se todos os elementos do espaço amostral, bem como os valores
das variáveis aleatórias.
w P(w) X Y
CCC 1
8 3 1
CC K 1
8 2 2
CKC 1
8 2 3
K CC 1
8 2 2
CKK 1
8 1 2
KCK 1
8 1 3
KKC 1
8 1 2
KKK 1
8 0 1
Logo, as distribuições de probabilidade de X e Y são:
x 0 1 2 3
fX (x) 1
8
3
8
3
8
1
8
5.1. CAPÍTULO 1 63
y 1 2 3
fY (y) 2
8
4
8
2
8
3
E(X ) = 1, 5 =
2
E(Y ) = 2
E(X 2 ) = 12 × + 22 × + 32 × =
3 3 1 24
=3
8 8 8 8
2
Var(X ) = 3 −
3 3
=
2 4
E(Y 2 ) = 12 × + 22 × + 32 × =
2 4 2 36 9
=
8 8 8 8 2
− 22 =
9 1
Var(Y ) =
2 2
6. Veja a Figura 5.1 com o espaço amostral deste experimento. Daí, podemos ver que o vendedor
pode
0 0,6 0
M 0,3 5000
G 0,1 20000
0,6 0 0,6 0
1
M 0,3 5000
G 0,1 20000
0,6
2 0
0,4 0 0,6 5000
G 0,1 25000
G
0,1
0 0,6 20000
M 0,3 25000
G 0,1 40000
Seja V a v.a. “valor das vendas diárias”. Usando a regra da multiplicação, que diz que P(A∩B) =
P(A) P(B|A) e o axioma da probabilidade da união de eventos mutuamente exclusivos, podemos
64 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
calcular:
P(V = 0) = 0, 6 × 0, 6 + 0, 4 × 0, 6 × 0, 6 = 0, 504
P(V = 5000) = 0, 6 × 0, 3 + 2 × 0, 4 × 0, 6 × 0, 3 = 0, 324
P(V = 10000) = 0, 4 × 0, 3 × 0, 3 = 0, 036
P(V = 20000) = 0, 6 × 0, 1 + 2 × 0, 4 × 0, 6 × 0, 1 = 0, 108
P(V = 25000) = 2 × 0, 4 × 0, 3 × 0, 1 = 0, 024
P(V = 40000) = 0, 4 × 0, 1 × 0, 1 = 0, 004
Sejam X = “número de carros de luxo alugados por dia” e L = “lucro diário com aluguel de
carros de luxo”.
(a)
(b)
9. (a) Seja X = “número de pessoas em cada carro”. Então, sua distribuição de probabilidades
é dada por
x 1 2 3 4 5
p 0, 05 0, 20 0, 40 0, 25 0, 10
e
E(X ) = 0, 05 + 0, 40 + 1, 20 + 1, 0 + 0, 5 = 3, 15 pessoas por carro
(b) Seja Y = “número de pessoas em 50 carros em 5 horas de contagem”. Então, Y = 50 ×
5 × X = 250X e
5.2 Capítulo 2
Valor do desconto x 0, 30 0, 20 0, 10 0, 05
P(X = x) 1/6 1/6 1/6 3/6
P (Y ≥ 1) = 1 − P(Y < 1)
= 1 − P (Y = 0)
0 5
= 1−
5 2 4
= 0, 868313
0 6 6
(d) Seja Z = número de clientes que passam pelo caixa até primeiro desconto de 30%. O evento
{Z = 4} corresponde a 3 clientes que não têm desconto de 30% seguidos do primeiro que
tem desconto de 30%. Logo,
3
5 1
P (Z = 4) = = 0, 09645
6 6
66 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
(a) Seja Z = “número de tiros até primeiro acerto no alvo”. Então, {Z = 10} significa que o
atirador erra os 9 primeiros e acerta o décimo tiro:
5.3 Capítulo 3
1. (a) Veja o gráfico de f(x) na Figura 5.2 e note que f(0) = 2K e f(1) = K e f(x) é uma função
linear.
A área total, que deve ser igual a 1, é a área de um trapézio com altura h = 1, base maior
igual a 2K e base menor igual a K , conforme ilustrado na Figura 5.3. Logo,
K + 2K
×1⇒K =
2
1=
2 3
Figura 5.2 – Gráfico da função densidade Figura 5.3 – Área sob a curva de densidade
(b) A área abaixo da mediana Q2 é 0,50 e essa é a área de um trapézio com altura Q2 e bases
4/3 e f(Q2 ) = 32 (2 − Q2 ). Veja a Figura 5.4.
√
4
+ 23 (2 − Q2 ) 8 ± 40
· Q2 ⇒ 1 = Q2 − Q2 ⇒ 2Q2 − 8Q2 − 3 = 0 ⇒ Q2 =
3 8 2 2 2
0, 5 =
2 3 3 2
A raiz que fornece solução no domínio de X é:
√
8 − 40
Q2 = = 0, 41886
4
2. Faça desenhos!
(a) O comprimento do intervalo (base do retângulo) é 20; logo, para a área ser 1, temos que
1
ter altura igual a 20 = 0, 05. (Veja a Figura 5.5.) Logo,
0, 05 20 ≤ x ≤ 40
f(x) =
0 caso contrário
(c) O problema pede P(X < 30|X ≥ 25) (veja a Figura 5.6).
3. Seja X o comprimento da barra. Então, X ∼ Unif(10; 12). Vamos definir os seguintes eventos:
S = barra vendida como sucata
C = barra tem que ser cortada
P = barra perfeita
Temos as seguintes equivalências:
10, 5 − 10
P(S) = P(X < 10, 5) =
12 − 10
= 0, 25
12 − 11, 5
P(C ) = P(X > 11, 5) =
12 − 10
= 0, 25
11, 5 − 10, 5
P(P) = P(10, 5 ≤ X ≤ 11, 5) =
12 − 10
= 0, 5
68 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
4. (a) k ≥ 0 e a área sob a curva tem que ser 1 – essa é a área de um trapézio. Logo
(k + 0, 25) · 2
= 1 ⇒ k = 0, 75
2
O gráfico de f(x) = a + bx é um segmento de reta determinado pelos pontos (2; 0, 25) e
(4; 0, 75). Logo,
a + 2b = 0, 25
⇒ 2b = 0, 5 ⇒ b = 0, 25 ⇒ a = −0, 25
a + 4b = 0, 75
ou seja,
f(x) = −0, 25 + 0, 25x 2≤x≤4
(b) Veja a Figura 5.7. A probabilidade pedida é a área de um trapézio de bases f(2, 5) e 0, 75
e altura 1, 5. Logo,
0, 75 + (−0, 25 + 0, 25 · 2, 5)
P(X ≥ 2, 5) = × 1, 5 = 0, 84375.
2
(c)
P(X > 3, 0)
P(X > 3, 0 | X ≥ 2, 5) =
P(X ≥ 2, 5)
De maneiroa análoga, a probabilidade no numerador é a área do trapézio de bases 0,75 e
f(3) e altura 1. Logo,
(−0, 25 + 0, 25 · 3) + 0, 75
P(X > 3) = = 0, 625 ⇒ P(X > 3, 0 | X ≥ 2, 5) = ≈ 0, 741
0, 625
2 0, 84375
(d) Veja a Figura 5.8. A área do trapézio sombreado tem que ser 0,6; esse é um trapézio de
bases 0,25 e f(c) e altura c − 2. Logo,
5.4 Capítulo 4
P(1, 23 < Z < 2, 35) = P(0 < Z < 2, 35) − P(0 < Z < 1, 23)
= tab(2, 35) − tab(1, 23) = 0, 0999
P(Z > 2) = P(0 < Z < ∞) − P(0 < Z < 2) = 0, 5 − tab(2) = 0, 0228
P(−1, 86 < Z < 0) = P(0 < Z < 1, 86) = tab(1, 86) = 0, 4686
P(−2, 5 < Z < −1, 2) = P(1, 2 < Z < 2, 5) = tab(2, 5) − tab(1, 2) = 0, 1089
P(Z > −1, 32) = P(−1, 32 < Z < 0) + P(Z ≥ 0) = P(0 < Z < 1, 32) + P(Z ≥ 0)
= tab(1, 32) + 0, 5 = 0, 9066
P(Z < −1, 65) = P(Z > 1, 65) = 0, 5 − P(0 < Z ≤ 1, 65) = 0, 5 − tab(1, 65) = 0, 0495
70 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
(j) A característica relevante na solução desse item é a seguinte: a curva da densidade normal
tende a zero, ou seja, o gráfico se aproxima de zero nas duas caudas, sem, no entanto,
tocar o eixo. Isso significa que para valores grandes, a probabilidade nas 2 caudas é
aproximadamente 0.
P(Z < −5) = P(Z > 5) = 0
(k)
P(Z > −5) = 1 − P(Z ≤ 5) = 1 − 0 = 1
Figura 5.9 – P(0 < Z < 1, 86) Figura 5.10 – P(1, 23 < Z < 2, 35)
Figura 5.15 – P(−2 < Z < 3) Figura 5.16 – P(Z > −1, 32)
2. (a) Veja a Figura 5.18. Traduzindo em palavras: à esquerda de k temos que ter 80% da área.
Como até 0 temos 50% da área, para completar 80 a abscissa k tem que ser positiva. A
abscissa k é tal que
tab(k) = 0, 30
Para resolver essa equação, procuramos no corpo da tabela o valor mais próximo de 0,30.
Na parte inferior da Figura 5.18 apresenta-se a parte pertinente da tabela da normal
padrão. Daí concluimos que k = 0, 84.
(b) Veja a Figura 5.19. Traduzindo em palavras: à direita de k temos que ter 5% da área e,
portanto, à esquerda de k temos que ter 95% da área. Logo, a abscissa k tem que ser
positiva. Veja a Figura 5.19. A abscissa k é tal que
tab(k) = 0, 45
Para resolver essa equação, procuramos no corpo da tabela o valor mais próximo de 0,45.
Da Figura 5.19 concluimos que k = 1, 645.
(c) Veja a Figura 5.20. Como as abscissas são simétricas em torno do 0, cada metade tem 35%
de área. A abscissa k é tal que
tab(k) = 0, 35
Para resolver essa equação procuramos no corpo da tabela o valor mais próximo de 0,35.
Da Figura 5.20 concluimos que k = 1, 04.
72 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
0,3=30%
0,5=50%
(d) Traduzindo em palavras: à esquerda de k temos que ter 1% da área e, portanto, a abscissa
k tem que ser negativa. Por simetria, temos que ter P(Z > −k) = 0, 1. Da Figura 5.21,
concluimos que a abscissa k é tal que
tab(−k) = 0, 40
Para resolver essa equação, procuramos no corpo da tabela o valor mais próximo de 0, 40.
Da Figura 5.21 concluimos que −k = 1, 28 e, portanto, k = −1, 28.
(e) Traduzindo em palavras: à direita de k temos que ter 69% da área e, portanto, a abscissa
k tem que ser negativa. Veja a Figura 5.22.
Por simetria, temos que ter P(0 < Z < −k) = 0, 19. A abscissa k é tal que
tab(−k) = 0, 19
Para resolver essa equação, procuramos, no corpo da tabela, o valor mais próximo de 0.19.
Da Figura 5.22 resulta que −k = 0, 50 e, portanto, k = −0, 50.
(f) Note a equivalência:
3. Faça desenhos! Compare a probabilidade pedida com probabilidades equivalentes dadas como
exemplos na apostila ou nos exercícios anteriores.
5.4. CAPÍTULO 4 73
45%
5%
70%
15% 15%
-k k
0,4
0,1 0,1
k -k
(f) Note que 5 é a média e como a média coincide com a mediana (distribuição simétrica)
acima e abaixo dela tem 50% da probabilidade.
P(X ≥ 5) = P(Z ≥ 0) = 0, 5
-1 1 -1,6
Figura 5.24 – P(X < 3) = P(Z < −1) Figura 5.25 – P(X ≥ 1, 8) = P(Z ≥ −1, 6)
76 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
0,19
0,50
0,5 -1,25
Figura 5.26 – P(X < 6) = P(Z < 0, 5) Figura 5.27 – P(X ≥ 2, 5) = P(Z ≥ −1, 25)
5.4. CAPÍTULO 4 77
47,5% 47,5%
2,5% 2,5%
-k k
-1,65 0,65
6. (a) Como a área à direita de k é maior que 0,5, k tem que ser menor que a média; em termos
da abscissa padronizada, esta deve ser negativa!
k −5 k −5
P(X > k) = 0, 80 ⇔ P Z > = 0, 80 ⇔ tab − = 0, 30
2 2
5−k
⇔ = 0, 84 ⇔ k = 3, 32
2
(b)
(c) k tem que ser maior que média, pois a probabilidade à esquerda dele é maior que 0,5.
k −5 k −5
P(X < k) = 0, 75 ⇔ P Z < = 0, 75 ⇔ 0, 5 + tab = 0, 75
2 2
k −5 k −5
⇔ tab = 0, 25 ⇔ = 0, 67 ⇔ k = 6, 34
2 2
7. (a) Seja X a v.a. que representa o peso (em gramas) das latas; então, X ∼ N(995; 102 ).
976 − 995
P(X < 976) = P Z < = P(Z < −1, 9) = P(Z > 1, 9)
10
= 0, 5 − tab(1, 9) = 0.5 − 0.4713 = 0.0287
D = A1 ∩ A2 ∩ · · · ∩ A9 ∩ R10
(c) Seja X o número de latas rejeitadas na sequência de 20; então, X ∼ bin(20; 0, 0287) e
P(X = 3) = 20
3 (0.0287)3 (1 − 0.0287)17 = 0, 01643
5.4. CAPÍTULO 4 79
8. (a) Seja X a v.a. que representa o volume (em ml) das latas; então, X ∼ N(342; 42 )
333 − 342
P(X < 333) = P Z < = P(Z < −2, 25) = P(Z > 2, 25)
4
= 1 − Φ(2, 25) = 1 − 0, 98778 = 0, 01222
D = A 1 ∩ A 2 ∩ A 3 ∩ A 4 ∩ R5
(c) Seja X o número de latas rejeitadas na sequência de 10; então, X ∼ bin(10; 0, 01222) e
P(X = 2) = 10 2 × (0, 01222) × (1 − 0, 01222) = 0, 006090273
2 8
(a)
P(R) = P(T < 10) = P(Z < −1) = P(Z > 1) = 0, 5 − tab(1) = 0, 15866
80 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
(b)
P(L) = P(T > 17) = P(Z > 2, 5) = 0, 5 − tab(2, 5) = 0, 5 − 0, 49379 = 0, 00621
(c)
(d)
P(L ∩ E) 0.00621 × 0.04
P(L|E) = = = 0, 003011
P(E) 0.082506
Apêndice A
Tabelas
81
82 APÊNDICE A. TABELAS
.
83
p = P(0 ≤ Z ≤ z)
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4,0 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
84 APÊNDICE A. TABELAS
p = P(Z ≤ z)
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4,0 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000