Introdução à probabilidade

04/03/2021
INTRODUÇÃO AO PLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS INTRODUÇÃO AO PLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS
2º SEMESTRE DE 2020 2º SEMESTRE DE 2020
CAPÍTULO 3
INTRODUÇÃO À PROBABILIDADE
1 2
Um experimento aleatório ou um fenômeno aleatório é um

Um fenômeno aleatório tem resultados que não
experimento que, ao ser repetido sob as mesmas condições,
podemos predizer, mas que, não obstante, possui, em geral,
pode fornecer resultados diferentes.
Exemplos uma distribuição regular em uma grande quantidade de
• Lançamento de uma moeda repetições.

• Sorteio de um aluno de graduação da UFSCar e observação da
área de seu curso
• Duração de uma lâmpada mantida ininterruptamente acesa
3 4
UM EXEMPLO: Lançamento de uma moeda. UM EXEMPLO: Lançamento de uma moeda.
O que podemos entender como uma distribuição regular?

Característica: Dois resultados possíveis:
Cara ou Coroa Qual o comportamento da ocorrência de cada possível

resultado em uma longa sequência de repetições do
Não é possível afirmar a priori qual o resultado que
fenômeno, realizadas sob as mesmas condições.
vai ocorrer no lançamento da moeda.
No Exemplo: Qual o comportamento do número de caras
(ou de coroas) quando uma moeda é lançada um grande
É possível definir uma distribuição regular?
5 número de vezes. 6
1
04/03/2021
Considere 5000 lançamentos de uma moeda. Considere 5000 lançamentos de uma moeda.
A cada lançamento determinar a proporção de caras (ou Considere as duas situações a seguir:
coroas) observadas até aquele lançamento.
A: Ocorre as seguintes faces nos primeiros
Por exemplo: Até o 10º lançamento, foi observado cara em 7 lançamentos: coroa, cara, coroa, coroa.
dos lançamentos realizados, logo a proporção de caras é de
B: Ocorre face cara em todos os 5 primeiros
0,7 (70%).
lançamentos.
7 8
Considere 5000 lançamentos de uma moeda. Considere 5000 lançamentos de uma moeda.
LOGO:
Consequentemente:
• Para o ensaio A, a proporção de caras inicia com zero no 1º
lançamento, sobe para 0,5 quando no segundo lançamento dá A proporção de lançamentos com caras varia bastante no início.
uma cara, cai para 0,33 e 0,25 quando obtemos mais 2 coroas.
QUESTÃO:
• Para o ensaio B, a proporção de caras é 1 até o 5º lançamento.
O que ocorre à medida que fazemos mais e mais jogadas?
O ensaio A inicia com poucas caras e o B com muitas.
9 10
Ensaio A Considere 5000 lançamentos de uma moeda.

Ensaio B
CONCLUSÃO:
O comportamento do acaso é imprevisível a curto prazo,

mas tem um padrão regular e previsível a longo prazo.
O resultado não pode ser predito antecipadamente.
Porém, há um padrão regular nos resultados, um padrão
que emerge após muitas repetições.
11 12
2
04/03/2021
ESPAÇO AMOSTRAL (Ω)
Considere 5000 lançamentos de uma moeda. O conjunto de todos os resultados possíveis de um experimento
aleatório é chamado de espaço amostral. Representaremos o
espaço amostral utilizando a letra grega Ω.
Após uma longa sequência de lançamentos da moeda,
Exemplos
a proporção de caras (consequentemente também de • Lançamento de uma moeda – Ω = {CARA, COROA}
coroas), se a moeda for honesta, é aproximadamente • Sorteio de um aluno de graduação da UFSCar e observação da
0,5 (50%). área de seu curso – Ω = {EXATAS, BIOLÓGICAS, HUMANAS}
• Duração de uma lâmpada mantida ininterruptamente acesa -
Ω = {T: T > 0}
13 14
ESPAÇO AMOSTRAL (Ω) EVENTO

Qualquer subconjunto do espaço amostral é denominado
Finitos Dado: Ω = {1,2,3,4,5,6} evento. Representaremos eventos utilizando letras maiúsculas.
Exemplo 1: eventos para o experimento do sorteio do aluno e

ESPAÇOS
AMOSTRAIS: observação da área de seu curso
Infinitos Peso: Ω = [0, ∞] = • Evento A: Exatas – A = {Exatas}

(todos os números ≥ 0)
• Evento B: Não é de humanas – B = {Exatas, Biológicas}
•Lança-se uma moeda até aparecer
•Mede-se a duração de lâmpadas, deixando-as acesas até que
cara e anota-se o número de • Evento C: Não é de exatas – C = {Biológicas, Humanas}
se queimem; lançamentos;
 = {tєR: t  0}, infinitos elementos não numeráveis, Ω= {1, 2, 3, ... , (infinitos elementos
sendo t: tempo de duração de lâmpadas, deixando acesas até que
se queimem enumeráveis) 15 16
ESPAÇO AMOSTRAL E EVENTO ESPAÇO AMOSTRAL E EVENTO
Exemplo 2: Um jogador de basquete faz três lances livre. Quais Ω = {AAA, AAE, AEA,
são as possíveis sequências de acertos (A) e erros(E)? AEE, EAA, EAE,
EEA, EEE}
Ω =???
Note: 8 elementos, 23
Ω = {AAA, AAE, AEA,
AEE, EAA, EAE, Evento D: O jogador acerta os três lances; D = {AAA}
EEA, EEE}
Evento E: O jogador erra dois lances; E = {AEE, EAE, EEA}
Note: 8 elementos, 23 Evento F: O jogador acerta o segundo lance; F = {AAA, AAE, EAA, EAE}
17 18
3
04/03/2021
ESPAÇO AMOSTRAL E EVENTO ESPAÇO AMOSTRAL E EVENTO
Exemplo 3: Um jogador de basquete faz três lances livres. Qual Exemplo 4: Lançamento de um dado e observação da face
o número de cestas feitas? obtida
Ω =??? Ω = {1, 2, 3, 4, 5, 6}
Ω = {0, 1, 2, 3}
Evento H: Obtenção de face de valor ímpar; H = {1, 3, 5}
Evento E: O jogador não acerta os três lances; E = {0, 1, 2} Evento I: Obtenção da face de menor valor; I = {1}
Evento F: O jogador erra todos os lances; F = {0} Evento J: Obtenção de face de valor 3 ou maior; J = {3, 4, 5, 6}
Evento G: O jogador acerta pelo menos 2 lances; G = {2, 3}
19 20
OPERAÇÕES DE EVENTOS OPERAÇÕES DE EVENTOS
União dos eventos A e B (A  B) Intersecção dos eventos A e B (A  B)
Representa a ocorrência de pelo menos um dos eventos, A ou B. Representa a ocorrência simultânea dos eventos A e B.
No exemplo 4 No exemplo 4
Evento H: Obtenção de face de valor ímpar; H = {1, 3, 5} Evento H: Obtenção de face de valor ímpar; H = {1, 3, 5}
Evento I: Obtenção da face de menor valor; I = {1} Evento I: Obtenção da face de menor valor; I = {1}
Evento J: Obtenção de face de valor 3 ou maior; J = {3, 4, 5, 6} Evento J: Obtenção de face de valor 3 ou maior; J = {3, 4, 5, 6}
H  J = {1, 3, 4, 5, 6} H  J = {3, 5}
21 22
OPERAÇÕES DE EVENTOS OPERAÇÕES DE EVENTOS
Definições Definições
A e B são disjuntos ou mutuamente exclusivos, quando não tem A e B são complementares se sua intersecção é vazia e sua união é o
espaço amostral, isto é A  B =  e A  B = Ω. O complementar de
elementos em comum, isto é, A  B = .
A é denotado por AC.
No exemplo 4
No exemplo 4
Evento H: Obtenção de face de valor ímpar; H = {1, 3, 5} Evento H: Obtenção de face de valor ímpar; H = {1, 3, 5}
Evento I: Obtenção da face de menor valor; I = {1} Evento I: Obtenção da face de menor valor; I = {1}
Evento J: Obtenção de face de valor 3 ou maior; J = {3, 4, 5, 6}
Evento J: Obtenção de face de valor 3 ou maior; J = {3, 4, 5, 6}
Evento K: Obtenção de face de valor par; K = {2, 4, 6}
IJ= I e J são disjuntos H e K são complementares JC = {1,2}
23 24
4
04/03/2021
PROBABILIDADE PROBABILIDADE
Probabilidade é a medida da incerteza associada aos Uma probabilidade atende necessariamente os seguintes
resultados do experimento aleatório. requisitos:
Interpretação frequentista: valor limite da proporção de vezes

(1) P(Ω) = 1.
que o resultado ocorre em n repetições do experimento
aleatório. (2) Para qualquer evento A, 0 ≤ P(A) ≤ 1.
(3) Se A e B são dois eventos disjuntos, então P(A  B) = P(A) +
Interpretação subjetiva: grau de crença de que o resultado P(B).
ocorrerá.
25 26
Exemplo 5: Sortearemos um aluno na turma de alunos de Exemplo 5: Sortearemos um aluno na turma de alunos de
IPAEE cujo banco de dados foi visto na análise descritiva e IPAEE cujo banco de dados foi visto na análise descritiva e
observaremos seu curso. observaremos seu curso.
Ω = {EM, EQ, QU} Como calcular p1, p2 e p3?
P(aluno ser de QU, EQ ou EM} = P(Ω ) = 1.
P(aluno ser BIOTEC} = 0. Definição 1: Se são possíveis n eventos mutuamente exclusivos e
P(aluno ser de QU, EQ, EM ou BIOTEC} = 1.
igualmente prováveis, se nA desses eventos tem o atributo A,
P(aluno ser de EM} = p1, 0 < p1 < 1.
então a probabilidade de A é dada pela razão nA / n.
P(aluno ser de EQ} = p2, 0 < p2 < 1.
P(aluno ser de QU} = p3, 0 < p3 < 1.
27 28
Exemplo 5: Sortearemos um aluno na turma de alunos de

IPAEE cujo banco de dados foi visto na análise descritiva e Definição 2: Se todos os elementos de Ω são igualmente
observaremos seu curso. prováveis, então a probabilidade de ocorrência do evento A é
Como calcular p1, p2 e p3? dada pela razão
Na turma de IPAEE, entre 50 alunos, temos 22 alunos de EM, 17
de EQ e 11 de QU. Assim, número de elementos de  em A
número total de elementos em 
P(EM) = 22/50 = 0,44
P(EQ) = 17/50 = 0,34
P(QU) = 11/50 = 0,22
P(Engenharia) = P(EM) + P(EQ) = 0,44 + 0,34 = 0,78
29 30
5
04/03/2021
PROBABILIDADE REGRA DA ADIÇÃO
Exemplo 6: Em um sorteio da mega sena, qual a probabilidade Regra da adição geral para quaisquer dois eventos A e B: A
de primeiro número sorteado ser um múltiplo de 10? probabilidade de que A ocorra, ou B ocorra, ou ambos eventos
ocorram é:
Ω = {1, 2, 3, ..., 58, 59, 60}
P(A ou B) = P ( A  B) = P(A) + P(B) – P(A  B)
A = {10, 20, 30, 40, 50, 60}
Portanto,
P(A) = 6/60 = 1/10= 0,1
31 32
REGRA DA ADIÇÃO EXERCÍCIOS
Exemplo 7: Qual é a probabilidade de selecionarmos Exercício 1: (2-66 Montgomery e Runger adaptado) Se P(A) = 0,3,
aleatoriamente uma carta de um baralho de 52 cartas e ela ser um P(B) = 0,2, P( A  B) = 0,1, determine as seguintes probabilidades:
rei ou uma carta de copas?
Então: P(rei ou copas)= P(rei) + P(copas) – P(rei e copas) a) P(AC)
= 4/52 + 13/52 - 1/52 = 16/52 ≈ 0.31 b) P ( A  B)
c) P(AC  B)
3 d) P[(A  B)C]
12
e) P(AC U B)
1
33 34
EXERCÍCIOS EXERCÍCIOS
Condutividade Resistência
Exercício 2: (2-70 Montgomery e Runger adaptado) Cabos de fio de cobre,
Alta Baixa
provenientes de um fabricante, são analisados em relação à resistência e à
Alta 74 8
condutividade. Os resultados de 100 cabos são dados a seguir: Baixa 15 3
Condutividade Resistência
b) Se um cabo for selecionado aleatoriamente, qual é a probabilidade de sua
Alta Baixa
Alta 74 8 condutividade ser alta ou sua resistência ser alta?
Baixa 15 3 c) Se um cabo for selecionado aleatoriamente, qual é a probabilidade de sua
condutividade ser baixa e sua resistência ser baixa?
a) Se vamos selecionar um cabo aleatoriamente e observar sua condutividade e
d) Considere o evento em que o cabo tem alta condutividade e o evento que o
resistência segundo a classificação apresentada na tabela, qual é o espaço
cabo tem baixa resistência. Esses dois eventos são mutuamente exclusivos?
amostral?
35 36
6
04/03/2021
PROBABILIDADE CONDICIONAL PROBABILIDADE CONDICIONAL
Muitas vezes, temos interesse em calcular a probabilidade de Nessas situações, o que precisamos calcular é uma probabilidade
ocorrência de um evento quando sabemos que algum outro evento condicional.
ocorreu ou temos alguma outra informação adicional.
A probabilidade condicional de ocorrência do evento B dado que o
Exemplos:
evento A ocorreu, desde que P(A) > 0, é dada por
• Qual a probabilidade de um aluno que nunca falta aulas tirar nota
na primeira prova acima de 8, dado que ele não estudou?
• Qual a probabilidade de uma criança ter febre após tomar a
segunda dose de uma vacina, dado que ele teve febre após tomar a
primeira dose?
37 38
PROBABILIDADE CONDICIONAL REGRA DA MULTIPLICAÇÃO
Exemplo 8: Em um sorteio da megasena, qual a probabilidade É bastante comum o interesse no cálculo de probabilidades de
do primeiro número sorteado ser o número 50 dado que o intersecções de eventos, ou seja, a probabilidade de ocorrência
primeiro número sorteado é um múltiplo de 10? simultânea dos eventos A e B. Diretamente, a partir da fórmula da
Ω = {1, 2, 3, ..., 58, 59, 60} probabilidade condicional, obtém-se
A: primeiro número sorteado é um múltiplo de 10
B: primeiro número sorteado é o 50 P(A  B)  P(B | A)P(A)  P(A | B)P(B)
P(A  B) 1 / 60 1
P(B | A)     0,167
P(A) 1 / 10 6
39 40
REGRA DA MULTIPLICAÇÃO REGRA DA PROBABILIDADE TOTAL
Exemplo 9: Em uma urna contendo 4 bolas pretas e 3 bolas Quando temos apenas a probabilidade de ocorrência simultânea de
brancas, qual a probabilidade de, ao sortearmos, sem um evento B e de outros eventos, podemos calcular a
reposição, duas bolas, ambas serem pretas? probabilidade de ocorrência do evento B, recorrendo a regra da
Sorteio 1 Sorteio 2 probabilidade total que é escrita como
A: preta no primeiro sorteio
3/6 P B: preta no segundo sorteio
P
4/7
3/6 B
P(A  B)  P(B | A)P(A) 
P(B)  P(B  A)  P(B  A C ) 
4/6 P
3/7 B
3 4 12
  0,286 P(B | A)P(A)  P(B | A C )P(A C )
2/6 B 6 7 42
41 42
7
04/03/2021
REGRA DA PROBABILIDADE TOTAL REGRA DA PROBABILIDADE TOTAL
Exemplo 10: (2-91 Montgomery e Runger) A probabilidade de Exemplo 10: (2-91 Montgomery e Runger)
um conector elétrico que seja mantido seco falhe durante o
S: conector mantido seco
período de garantia de um computador portátil é de 1%. Se o 0,01 Falha F: conector falha
conector for molhado, a probabilidade de falha durante o Seco
período de garantia será de 5%. Se 90% dos conectores forem 0,9 0,99 Não falha P(F)  P(F  S)  P(F  SC ) 
mantidos secos e 10% forem mantidos molhados, qual será a
0,05 Falha P(F | S)P(S)  P(F | SC )P(SC ) 
proporção de conectores que falhará durante o período de 0,1 Molhado
garantia? Não falha 0,01(0,9)  0,05(0,1) 
0,95
0,009  0,005  0,014
43 44
INDEPENDÊNCIA INDEPENDÊNCIA
Definição 3: Dois eventos são independentes se a probabilidade Utilizando o que já estudamos de probabilidade, temos que os
de um evento ocorrer em qualquer realização do experimento eventos A e B são independentes se alguma das seguintes
não muda a probabilidade de um outro evento ocorrer. igualdades puder ser verificada
P(A | B)  P(A)
Exemplo: No lançamento de uma moeda, o resultado do primeiro
P(B | A)  P(B)
lançamento (cara, por exemplo) NÃO ALTERA a probabilidade de
P(A  B)  P(A)P(B)
dar cara ou coroa no segundo lançamento.
45 46
INDEPENDÊNCIA INDEPENDÊNCIA
Exemplo 11: Selecionaremos aleatoriamente uma carta de um

IMPORTANTE:
baralho de 52 cartas. Os eventos a carta ser de copas e a carta ser
um rei são independentes? A e B disjuntos ou mutuamente exclusivos:
A: carta é de copas
B: carta é um rei
A e B são independentes:
P(A  B)  1 / 52
P(A)P(B)  (13 / 52)(4 / 52)  1 / 52
Os eventos em estudo são independentes.
47 48
8
04/03/2021
Exercício 3: (2-79 Montgomery e Runger adaptado) A tabela a seguir resume a
Exercício 4: (2-98 Montgomery e Runger adaptado) Um lote de 100
análise de 150 placas de aço galvanizado em relação ao peso de recobrimento e
rugosidade da superfície: chips semicondutores contém 20 que são defeituosos. Dois chips
Rugosidade da Peso do revestimento são selecionados ao acaso e sem reposição do lote.
superfície Alto Baixo
Alta 12 16 a) Qual a probabilidade do primeiro chip ser defeituoso?
Baixa 88 34
a) Se vamos selecionar uma placa de aço aleatoriamente, qual é a b) Qual a probabilidade do segundo chip ser defeituoso?
probabilidade da rugosidade da superfície ser alta? c) Os eventos primeiro chip ser defeituoso e segundo chip ser
b) Se o peso do revestimento for alto, qual é a probabilidade da rugosidade da
defeituoso são independentes? Justifique.
superfície ser alta?
c) Os eventos rugosidade da superfície alta e peso do revestimento alto são
independentes? Justifique. 49 50
VARIÁVEL ALEATÓRIA VARIÁVEL ALEATÓRIA

Um mesmo experimento pode estar associado a diversas diferentes
Definição 4: Uma função X que associa a cada elemento w do
variáveis.
espaço amostral Ω um valor x  R é denominada uma variável
Exemplo: lançamento de dois dados e observação de suas faces.
aleatória.  = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
Exemplo: lançamento de duas moedas e observação de suas faces: (2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
cara (C) ou coroa (K) (3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
X: número de vezes que foi obtida a face cara (5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
CC
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.
CK CC  2
KC CK  1 X: soma das duas faces (1,3)  X = 4
KK
KC  1 Y: diferença entre as duas faces (1,3)  Y = -2
KK  0 Z: máximo entre as duas faces (1,3)  Z = 3
 0 1 2 W: 1 se as duas faces são iguais; 0 caso contrário (1,3)  W = 0
51 52
TIPOS DE VARIÁVEIS ALEATÓRIAS TIPOS DE VARIÁVEIS ALEATÓRIAS
Uma variável aleatória pode ser classificada como discreta ou

Variável aleatória contínua: assume um número infinito não
contínua.
enumerável de valores.
Variável aleatória discreta: assume um número finito ou infinito
Exemplos
enumerável de valores.
X: peso de um rato após um tratamento com laser
Exemplos
Y: tempo de duração de uma bateria fabricada com determinado
X: número de grãos de milho de um sabugo que contém fungos. material
Y: número de alunos que comparecerá a próxima aula. Z: quantidade de toxina em uma amostra de 10 gramas de milho
Z: número de arranhões em uma superfície. W: densidade de um material após ser submetido a uma alta
W: número de lâmpadas com defeito entre 200 testadas. temperatura
53 54
9
04/03/2021
VARIÁVEIS ALEATÓRIAS DISCRETAS VARIÁVEIS ALEATÓRIAS DISCRETAS
Uma variável aleatória discreta é caracterizada por sua função de

probabilidade. Exemplo 13: (3-21 Montgomery e Runger adaptado) Em um
Definição 5: Função de probabilidade é a função que atribui a cada processo de fabricação de semicondutores, três pastilhas de um
valor xi da v. a. discreta X sua probabilidade de ocorrência. lote são testadas. Cada pastilha é classificada como passa (p) ou
A função de probabilidade pode ser representada pela seguinte tabela: falha (f). Suponha que a probabilidade de uma pastilha passar no
teste seja de 0,8 e que as pastilhas sejam independentes.
x x1 x2 x3 ...
Determine a função de probabilidade da variável aleatória X
P(X=x) P(X=x1) P(X=x2) P(X=x3) ...
definida como o número de pastilhas de um lote que passa no
Ela deve atender ainda os seguintes requisitos:
teste.
0  P( X  xi )  1 e  P( X  x )
i
i  1
55 56
VARIÁVEIS ALEATÓRIAS DISCRETAS VALOR ESPERADO
Exemplo 13: (3-21 Montgomery e Runger) Todas as medidas que estudamos na análise descritiva possuem
P(ocorrência ppp)  (0,8)(0,8)(0,8)  0,51 uma medida correspondente para variáveis aleatórias. A primeira
P(ocorrência ppf)  (0,8)(0,8)(0,2)  0,13 medida que estudaremos é a média de uma variável aleatória.
w ppp ppf pfp pff fpp fpf ffp fff

x 3 2 2 1 2 1 1 0 Definição 6: A média, valor esperado ou esperança da variável
Probabilidade 0,51 0,13 0,13 0,03 0,13 0,03 0,03 0,01 aleatória discreta X, denotada como µ ou E(X), é dada por
Assim, obtemos que a função de probabilidade de X é escrita como
  E(X)   xi P(X xi )
x 0 1 2 3 i
P(X=x) 0,01 0,09 0,39 0,51

57 58
VARIÂNCIA DESVIO PADRÃO
Definição 7: A variância da variável aleatória discreta X,

Definição 8: O desvio padrão da variável aleatória discreta X,
denotada como σ2 ou VAR(X), é dada por
denotada como σ ou DP(X), é dado por
 2  VAR(X)  E(X -  ) 2   ( xi -  ) 2 P(X xi )   DP(X)  VAR(X)

i
Geralmente é mais simples calcular a VAR(X) utilizando uma

fórmula equivalente a apresentada na Definição 7 que é dada por Embora existam diversas outras medidas, se conhecemos a
 2  VAR(X)  E(X 2 )  [ E ( X )]2 esperança e a variância ou o desvio padrão de uma variável
em que E(X ) 
2
 x P(X x )
i
2
i i
aleatória X, já temos uma razoável caracterização de X.
59 60
10
04/03/2021
VARIÁVEIS ALEATÓRIAS DISCRETAS PROPRIEDADES DA ESPERANÇA E DA VARIÂNCIA
Exemplo 14: Determine a esperança e a variância da variável

1) Se X = a, em que a é uma constante, então
aleatória X definida no Exemplo 13.
x 0 1 2 3 E(X) = a e Var(X) = 0.
P(X=x) 0,01 0,09 0,39 0,51
2) Se Y = aX + b, em que a e b são constantes, então
  E(X)  0(0,01)  1(0,09)  2(0,39)  3(0,51)  2,4 E(Y) = E(aX + b) = aE(X) + b
E(X 2 )  02 (0,01)  12 (0,09)  22 (0,39)  32 (0,51)  6,24 e
Var(Y) = Var(aX + b) = a2 Var(X).
VAR(X)  6,24  2,42  0,48
61 62
PROPRIEDADES DA ESPERANÇA E DA VARIÂNCIA VARIÁVEIS ALEATÓRIAS CONTÍNUAS
Uma variável aleatória contínua assume infinitos valores e esses valores

3) Se X e Y são variáveis aleatórias, então são não enumeráveis.
Por esse motivo, para variáveis contínuas, é inviável fazer a sua
E(X+Y) = E(X) + E(Y) caracterização a partir de uma função de probabilidade, pois esta deveria
e informar a probabilidade de ocorrência de cada um dos infinitos valores e
se X e Y forem independentes ao mesmo tempo a soma das probabilidades de ocorrência de cada um
valores deveria ser 1.
Var(X+Y) = Var(X) + Var(Y). Assim, para caracterizarmos uma variável aleatória contínua precisamos
usar um outro tipo de função.
A função utilizada é conhecida pelo nome de função densidade de
probabilidade, que é uma função que pode ser vista como um histograma
com infinitas classes.
63 64
VARIÁVEIS ALEATÓRIAS CONTÍNUAS VARIÁVEIS ALEATÓRIAS CONTÍNUAS
Algumas observações são importantes:

Definição 9: Função densidade de probabilidade é uma função
1) Em uma variável contínua, P(X = a) = 0 para todo a є R.
f(x) que caracteriza uma variável aleatória contínua X e atende as
seguintes condições: 2) Como consequência da observação 1, P(a ≤ X ≤ b) = P(a ≤ X < b)
= P(a < X ≤ b) = P(a < X < b).
1) f(x) ≥ 0

3) f(x) = 0 para os valores que a variável aleatória X não pode
2) f ( x)dx  1
 b assumir.
3) P(a ≤ X ≤b) =  f ( x)dx 4) Se f(a) > f(b), então a variável aleatória X tem maior
a
probabilidade de assumir valores próximos de “a” do que

valores próximos de “b”.
65 66
11
04/03/2021
Exemplo 16: Seja X a nota de um aluno na primeira prova de IPAEE e

A esperança e a variância de uma variável aleatória contínua
assuma que a nota do aluno é um número real no intervalo (0, 10).
Assuma ainda que a probabilidade do aluno tirar nota próxima de “a” é a
podem ser calculados de forma semelhante a realizada para
mesma para todo a є (0,10). Determine a função densidade de variáveis aleatórias discretas, substituindo-se os somatórios por
probabilidade de X. integrais. Assim, temos:
Do enunciado, concluímos que f(x) é constante no intervalo (0, 10) e
assim, podemos escrever Definição 10: A média, valor esperado ou esperança da variável
f(x) = k, se 0 ≤ x ≤ 10
aleatória contínua X, denotada como µ ou E(X), é dada por


Para determinarmos o valor de k, lembramos que  f ( x)dx  1 . Assim,
10    E ( X )   xf ( x)dx
 k dx  1  kx 0  1  10k  1  k  0,1.
10

0
Logo, f(x) = 0,1, se 0 ≤ x ≤ 10
67 68
Definição 11: A variância da variável aleatória contínua X, Definição 12: O desvio padrão da variável aleatória contínua X,
denotada como σ2 ou VAR(X), é dada por denotada como σ ou DP(X), é dado por

 2  Var ( X )  E(X -  ) 2   ( x   ) 2 f ( x)dx   DP(X)  VAR(X)

Assim, como no caso discreto, podemos calcular a variância de X

Observação: Todas as propriedades da esperança e variância
utilizando uma expressão alternativa dada por
que vimos para variáveis aleatórias discretas também valem para
 2  VAR(X)  E(X 2 )  [ E ( X )]2 variáveis aleatórias contínuas.
69 70
VARIÁVEIS ALEATÓRIAS CONTÍNUAS MODELOS PROBABILÍSTICOS OU DISTRIBUIÇÕES DE PROBABILIDADE

Exemplo 17: Seja X a nota de um aluno na primeira prova de IPAEE e
assuma que a nota do aluno é um número real no intervalo (0, 10). Muitas variáveis aleatórias seguem um mesmo padrão de
Assuma ainda que a probabilidade do aluno tirar nota próxima de “a” é a comportamento. Alguns desses padrões aparecem com bastante
mesma para todo a є (0,10). Determine a esperança e a variância de X.
frequência em situações práticas e justificam um estudo mais
No exemplo 16, obtemos que f(x) = 0,1, se 0 ≤ x ≤ 10. Assim, aprofundado.
10
E(X)   x0,1 dx  0,1x / 2
10
2
 0,1(100)/2  5 Dizemos que variáveis que apresentam um mesmo padrão de
0
0
10 comportamento seguem um mesmo modelo (ou distribuição) de
E(X 2 )   x 2 0,1 dx  0,1x 3 / 3  0,1(1000)/ 3  100 / 3
10
0 probabilidade.
0
Var(X)  E(X )  [E(X)]  100 / 3  5  8,33

2 2 2
71 72
12
04/03/2021
DISTRIBUIÇÕES DISCRETAS
MODELOS PROBABILÍSTICOS OU DISTRIBUIÇÕES DE PROBABILIDADE
Tipos de Modelo Modelo Característica
Discretos Binomial Variável em estudo assume somente dois
possíveis valores em cada uma das n repetições
Muitas variáveis aleatórias seguem um mesmo padrão de do experimento e a probabilidade de ocorrência
de cada um é constante.
comportamento. Alguns desses padrões aparecem com bastante Poisson A variável observada identifica o resultado de
uma contagem no experimento (número de
frequência em situações práticas e justificam um estudo mais insetos em uma determinada área, por
exemplo).
aprofundado. Geométrico Número de experimentos necessários até a
ocorrência de um dado resultado de interesse.
Binomial Número de experimentos necessários até a
Dizemos que variáveis que apresentam um mesmo padrão de Negativa ocorrência de certo número de vezes do
resultado de interesse.
comportamento seguem um mesmo modelo (ou distribuição) de Hipergeométrico Variável em estudo somente pode assumir dois
probabilidade. possíveis valores em cada uma das n repetições
do experimento e a probabilidade de ocorrência
de cada um não é constante (usualmente
experimentos sem reposição).
73 74
DISTRIBUIÇÃO NORMAL DISTRIBUIÇÃO NORMAL
Assim como no caso discreto existem inúmeras distribuições de Funça densidade de probabilidade da Normal com média 10 e variância 4
probabilidade contínuas. 0,20
Neste curso nos concentraremos no estudo do mais conhecido 0,15
modelo contínuo que é denominado distribuição normal.

Density
0,10
A distribuição normal é uma distribuição simétrica com função
densidade de probabilidade em forma de sino. No próximo slide,
0,05
apresentamos, por exemplo, o gráfico da função densidade de
probabilidade de uma variável aleatória com distribuição normal 0,00
5,0 7,5 10,0 12,5 15,0 17,5
com média 10 e variância 4. X
75 76
A distribuição normal é bastante estudada porque ela é De forma mais formal, podemos definir a distribuição normal da
frequentemente uma boa aproximação para a distribuição de inúmeras seguinte forma:
variáveis aleatórias contínuas como, por exemplo:
Definição 13: Uma variável aleatória X tem distribuição normal
• Medidas físicas de um indivíduo: altura, peso, pressão sanguínea. com parâmetros µ e σ2 se sua função densidade de probabilidade
• Medidas climatológicas em uma determinada região e período: puder ser escrita como
temperatura, índice pluviométrico. ( x )2
1 
f ( x)  e 2 2
.
• Medidas de dimensão de produtos manufaturados: comprimento,  2
largura, altura.
• Erros em medições científicas. A notação utilizada é X ~ N(  ;  2 ).
77 78
13
04/03/2021
A distribuição normal possui as seguintes propriedades: Mantendo a média da distribuição normal e mudando a
variância, observamos o comportamento abaixo.
1. A distribuição Normal depende dos parâmetros µ e 2
2. E(X) = µ (média ou valor esperado);
3. Var(X) = 2 (e, portanto, DP(X) =  );
4. x = µ é ponto de máximo de f (x);
5. µ -  e µ +  são pontos de inflexão de f (x);
6. A curva Normal é simétrica em torno da média µ.
79 80
Mantendo a variância da distribuição normal e mudando a Uma propriedade importante

média, observamos o comportamento abaixo.
Embora haja muitas curvas Normais, todas têm a seguinte propriedade
em comum:
Na distribuição normal com média µ e desvio padrão :
68% das observações estão no intervalo ( µ -  ; µ + ),
95,4% das observações estão no intervalo ( µ - 2 ; µ + 2),
99,7% das observações estão no intervalo ( µ - 3 ; µ + 3).
81 82
Propriedades referentes a somas e multiplicações Cálculo de probabilidades

Multiplicando ou somando constantes a variáveis aleatórias com Para calcular probabilidades referentes a uma variável aleatória com
distribuição normal obtemos variáveis aleatórias que também tem distribuição normal, em princípio, teríamos que integrar a função
distribuição normal. O mesmo vale para soma de normais densidade de probabilidade da distribuição normal. Assim, se
independentes. Assim temos as seguintes propriedades: X ~ N(  ;  2 ) , então
b ( x )
2
1 
Se a e b são constantes reais, X ~ N( 1 ;  12 ), Y ~ N(  2 ;  22 ) P ( a  X  b)   e 2 2
dx
a  2
e se X e Y forem independen tes, então :
1) aX  b ~ N(a1  b; a 2 12 ) A solução desta integral não é simples e geralmente é obtida através de
2)X  Y ~ N( 1   2 ;  12   22 ) métodos numéricos.
83 84
14
04/03/2021
Cálculo de probabilidades Cálculo de probabilidades

Para que não haja necessidade do cálculo desta integral, utilizamos o
Assim, utilizando este resultado, conseguimos substituir uma
seguinte resultado que é consequência direta da propriedade 1
referente a somas e multiplicações:
integral bastante complicada por uma integral menos complexa.
Resultado: Se X ~ N(µ ; 2), então:
A distribuição normal com média 0 e variância 1 é denominada normal Assim, temos

padrão.
85 86
Cálculo de probabilidades Cálculo de probabilidades
Graficamente, temos
A solução desta
integral é mais simples
que no caso anterior,
e seus valores estão
tabelados.
87 88
INTRODUÇÃO AO PLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS Distribuição Normal : Valores de P( Z < z ) = A(z)
Segunda decimal de z
2º SEMESTRE DE 2020 0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
TABELA DA DISTRIBUIÇÃO NORMAL PADRÃO 0.4

0.5
0.6
0.6554
0.6915
0.7257
0.6591
0.6950
0.7291
0.6628
0.6985
0.7324
0.6664
0.7019
0.7357
0.6700
0.7054
0.7389
0.6736
0.7088
0.7422
0.6772
0.7123
0.7454
0.6808
0.7157
0.7486
0.6844
0.7190
0.7517
0.6879
0.7224
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
Significado dos valores tabelados
Parte inteira e primeira decimal de z
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
89 3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 90
0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
15
04/03/2021
Exemplo 18: Seja Z uma variável aleatória, tal que Z ~ N(0; 1). Calcule as Exemplo 18: Seja Z uma variável aleatória, tal que Z ~ N(0; 1). Calcule as
seguintes probabilidades: seguintes probabilidades:
a) P(Z ≤ 0,32) b) P(0 ≤ Z ≤ 1,71)
Diretamente da tabela, P(0 ≤ Z ≤ 1,71) =

temos que P(Z ≤ 1,71) - P(Z ≤ 0) =
P(Z ≤ 0,32) = 0,6255 0,9564 – 0,5 =
0,4564
91 92
c) P(1,32 ≤ Z ≤ 1,79) d) P(Z ≥ 1,5)
P(1,32 ≤ Z ≤ 1,79) = P(Z ≥ 1,5) =

P(Z ≤ 1,79) - P(Z ≤ 1,32) = 1 - P(Z ≤ 1,5) =
0,9633 – 0,9066 = 1 – 0,9332 =
0,0567 0,0668
93 94
e) P(Z ≤ -1,3) f) P(-2,3 ≤ Z ≤ -1,49)
P(-2,3 ≤ Z ≤ -1,49) =
P(Z ≤ -1,3) = P(Z ≥ 1,3) = P(1,49 ≤ Z ≤ 2,3) =
1 - P(Z ≤ 1,3) = P(Z ≤ 2,3) - P(Z ≤ 1,49) =
1 – 0,9032 = 0,9893 – 0,9319 =
0,0968 0,0574
95 96
16
04/03/2021
Exemplo 18: Seja Z uma variável aleatória, tal que Z ~ N(0; 1). Calcule as Exemplo 19: Seja Z uma variável aleatória, tal que Z ~ N(0; 1).
seguintes probabilidades: Determine z nas seguintes situações:
g) P(-1 ≤ Z ≤ 2) P(-1 ≤ Z ≤ 2) = a) P(Z ≤ z) = 0,975
P(Z ≤ 2) - P(Z ≤ -1) =
0,9772 - P(Z ≥ 1) = Diretamente da tabela,
0,9772- (1 - P(Z ≤ 1)) = temos que
0,9772 - (1 - 0,8413) = z = 1,96
0,9772 – 0,1587 =
0,8185
97 98
Exemplo 19: Seja Z uma variável aleatória, tal que Z ~ N(0; 1). Exemplo 19: Seja Z uma variável aleatória, tal que Z ~ N(0; 1).
Determine z nas seguintes situações: Determine z nas seguintes situações:
b) P(0 ≤ Z ≤ z) = 0,475 c) P(Z ≥ z) = 0,3
P(0 ≤ Z ≤ z) = 0,475 P(Z ≥ z) = 0,3

0,475
P(Z ≤ z) = 0,975 P(Z ≤ z) = 0,7
z = 1,96 z = 0,52
z Z
z Z
99 100
Exemplo 19: Seja Z uma variável aleatória, tal que Z ~ N(0; 1). Exemplo 19: Seja Z uma variável aleatória, tal que Z ~ N(0; 1).
Determine z nas seguintes situações: Determine z nas seguintes situações:
d) P(Z ≥ z) = 0,975 e) P(Z ≤ z) = 0,1
P(Z ≤ z) = 0,1
P(Z ≥ z) = 0,975 P(Z ≥ -z) = 0,1
P(Z ≤ -z) = 0,975 P(Z ≤ -z) = 0,9
-z = 1,96 -z = 1,28
z = -1,96 z= -1,28
z Z
101 102
17
04/03/2021
Exemplo 19: Seja Z uma variável aleatória, tal que Z ~ N(0; 1). Se queremos calcular probabilidades para variáveis que tem distribuição
Determine z nas seguintes situações: normal, mas não tem média 0 e variância 1, basta utilizarmos o
f) P(-z ≤ Z ≤ z) = 0,8 resultado visto e proceder como nos exemplos anteriores
Exemplo 20: Seja X uma variável aleatória, tal que X ~ N(10; 64). Calcule
P(-z ≤ Z ≤ z) = 0,8 as seguintes probabilidades:
a) P(6 ≤ X ≤ 12)
P(0 ≤ Z ≤ z) = 0,4
 6  10 X  10 12  10 
P(Z ≤ z) = 0,9 P(6  X  12)  P     P 0,5  Z  0,25) 
 8 8 8 
z = 1,28
PZ  0,25)  PZ  0,5)  0,5987  P( Z  0,5) 
–z z Z 0,5987  (1  P( Z  0,5))  0,5987  (1  0,6915 )  0,2902
103 104
Exercício 8: (4-50 Montgomery e Runger adaptado) O tempo de duração da carga Exercício 9: (4-59 Montgomery e Runger adaptado) Em um centro acelerador, um
de uma bateria de um laptop, sob condições normais, é distribuído experimento necessita de um cilindro de alumínio, com 1,41 cm de diâmetro.
normalmente, com média de 260 minutos e um desvio padrão de 50 minutos. Suponha que o diâmetro de um cilindro tenha distribuição normal , com média
igual a 1,41 cm e um desvio padrão igual a 0,01 cm.
a) Qual a probabilidade da bateria durar mais de 4 horas?
a) Qual a probabilidade do cilindro ter diâmetro menor do que 1,4 cm?
b) Quais são os quartis da vida da bateria? Interprete o resultado obtido.
b) Se as especificações requerem que o diâmetro esteja entre 1,39 cm e 1,43
c) Em um determinado dia, um professor carregou completamente a bateria
cm, que proporção das amostras satisfazem as especificações?
do notebook em sua casa e dirigiu-se a sua sala para preparar uma aula. Se a
sala dele estava sem energia, qual o tempo máximo que o professor pode c) Os responsáveis pelo centro gostariam que 99% dos cilindros atendessem as
utilizar para preparar a aula se ele quer ter 95% de probabilidade de acabar especificações. Para quanto deve diminuir o desvio padrão do diâmetro do
a preparação antes do término da bateria? cilindro para que isso aconteça?
105 106
Exercício 10: (4-61 Montgomery e Runger adaptado) A vida de um semicondutor Exercício 11: A dimensão de cada peça um determinado porcelanato
a laser, a uma potência constante, segue um modelo normal com média de 7000
fabricado por certa indústria é normal com média 60 cm e desvio padrão
horas e desvio padrão de 600 horas.
0,05 cm. A especificação diz que o comprimento de cada peça deve estar
a) Qual a probabilidade do laser falhar antes de completar 8000 horas?
entre 59,9 cm e 60,1 cm. Para um determinado cliente, a indústria vende
b) Qual deve ser o tempo de vida em horas de tal forma que 95% dos lasers um lote desse porcelanato a R$70,00 por metro quadrado se uma peça
excedem a esse tempo? retirada ao acaso do lote tiver dentro das especificações e a R$50,00 caso
c) Se três lasers forem usados em certo produto e se eles falharem ela não esteja dentro das especificações. Qual o preço médio de venda
independentemente, qual a probabilidade de todos os três estarem ainda desse porcelanato para esse cliente?
operando após 8000 horas?
107 108
18
04/03/2021
Exercício 12: A quantidade de micotoxina FB1 presente no milho no momento da Exercício 13: Um elevador tem capacidade para 450 Kg. Supondo que o
colheita é normal com média 80 µg/g e desvio padrão de 10 µg/g para uma peso de um homem tem distribuição normal com média 80 kg e desvio
variedade A de milho transgênico e com média 90 µg/g e desvio padrão de 20 padrão 15 kg e uma mulher tem distribuição normal com média 65 kg e
µg/g para uma variedade B de milho transgênico.
desvio padrão 12 kg, calcule as probabilidades a seguir. Assuma
a) Em um determinado recipiente, há 60 amostras de milho da variedade A e
independência entre os pesos das pessoas.
40 amostras de milho da variedade B. Se um pesquisador pegará
a) A probabilidade de 6 homens não excederem a capacidade do
aleatoriamente uma dessas amostras desse recipiente, qual a probabilidade
elevador.
da amostra conter mais de 100 µg/g de micotoxina FB1?
b) Se um outro pesquisador tem uma amostra que contém milho apenas de b) A probabilidade de 3 homens e 3 mulheres não excederem a
uma variedade de milho e esta amostra contém mais de 100 µg/g, qual a capacidade do elevadores?
probabilidade da amostra ser da variedade A?
109 110
Distribuição Normal : Valores de P( Z < z ) = A(z)
Segunda decimal de z
0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
Parte inteira e primeira decimal de z
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 111
0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
19

Introdução à probabilidade

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Introdução à probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

04/03/2021

Um experimento aleatório ou um fenômeno aleatório é um

• Lançamento de uma moeda repetições.

UM EXEMPLO: Lançamento de uma moeda. UM EXEMPLO: Lançamento de uma moeda.

O que podemos entender como uma distribuição regular?

Cara ou Coroa Qual o comportamento da ocorrência de cada possível

Ensaio A Considere 5000 lançamentos de uma moeda.

O comportamento do acaso é imprevisível a curto prazo,

ESPAÇO AMOSTRAL (Ω)

ESPAÇO AMOSTRAL (Ω) EVENTO

Exemplo 1: eventos para o experimento do sorteio do aluno e

Infinitos Peso: Ω = [0, ∞] = • Evento A: Exatas – A = {Exatas}

ESPAÇO AMOSTRAL E EVENTO ESPAÇO AMOSTRAL E EVENTO

ESPAÇO AMOSTRAL E EVENTO ESPAÇO AMOSTRAL E EVENTO

OPERAÇÕES DE EVENTOS OPERAÇÕES DE EVENTOS

União dos eventos A e B (A  B) Intersecção dos eventos A e B (A  B)

OPERAÇÕES DE EVENTOS OPERAÇÕES DE EVENTOS

Interpretação frequentista: valor limite da proporção de vezes

Exemplo 5: Sortearemos um aluno na turma de alunos de

PROBABILIDADE REGRA DA ADIÇÃO

P(A) = 6/60 = 1/10= 0,1

REGRA DA ADIÇÃO EXERCÍCIOS

PROBABILIDADE CONDICIONAL PROBABILIDADE CONDICIONAL

PROBABILIDADE CONDICIONAL REGRA DA MULTIPLICAÇÃO

REGRA DA MULTIPLICAÇÃO REGRA DA PROBABILIDADE TOTAL

REGRA DA PROBABILIDADE TOTAL REGRA DA PROBABILIDADE TOTAL

Exemplo 11: Selecionaremos aleatoriamente uma carta de um

VARIÁVEL ALEATÓRIA VARIÁVEL ALEATÓRIA

TIPOS DE VARIÁVEIS ALEATÓRIAS TIPOS DE VARIÁVEIS ALEATÓRIAS

Uma variável aleatória pode ser classificada como discreta ou

VARIÁVEIS ALEATÓRIAS DISCRETAS VARIÁVEIS ALEATÓRIAS DISCRETAS

Uma variável aleatória discreta é caracterizada por sua função de

VARIÁVEIS ALEATÓRIAS DISCRETAS VALOR ESPERADO

w ppp ppf pfp pff fpp fpf ffp fff

P(X=x) 0,01 0,09 0,39 0,51

VARIÂNCIA DESVIO PADRÃO

Definição 7: A variância da variável aleatória discreta X,

 2  VAR(X)  E(X -  ) 2   ( xi -  ) 2 P(X xi )   DP(X)  VAR(X)

Geralmente é mais simples calcular a VAR(X) utilizando uma

VARIÁVEIS ALEATÓRIAS DISCRETAS PROPRIEDADES DA ESPERANÇA E DA VARIÂNCIA

Exemplo 14: Determine a esperança e a variância da variável

PROPRIEDADES DA ESPERANÇA E DA VARIÂNCIA VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Uma variável aleatória contínua assume infinitos valores e esses valores

VARIÁVEIS ALEATÓRIAS CONTÍNUAS VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Algumas observações são importantes:

probabilidade de assumir valores próximos de “a” do que

VARIÁVEIS ALEATÓRIAS CONTÍNUAS VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Exemplo 16: Seja X a nota de um aluno na primeira prova de IPAEE e

VARIÁVEIS ALEATÓRIAS CONTÍNUAS VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Assim, como no caso discreto, podemos calcular a variância de X

VARIÁVEIS ALEATÓRIAS CONTÍNUAS MODELOS PROBABILÍSTICOS OU DISTRIBUIÇÕES DE PROBABILIDADE

Var(X)  E(X )  [E(X)]  100 / 3  5  8,33

DISTRIBUIÇÃO NORMAL DISTRIBUIÇÃO NORMAL

probabilidade contínuas. 0,20

Neste curso nos concentraremos no estudo do mais conhecido 0,15

modelo contínuo que é denominado distribuição normal.

DISTRIBUIÇÃO NORMAL DISTRIBUIÇÃO NORMAL

DISTRIBUIÇÃO NORMAL DISTRIBUIÇÃO NORMAL

DISTRIBUIÇÃO NORMAL DISTRIBUIÇÃO NORMAL

Mantendo a variância da distribuição normal e mudando a Uma propriedade importante

DISTRIBUIÇÃO NORMAL DISTRIBUIÇÃO NORMAL

Propriedades referentes a somas e multiplicações Cálculo de probabilidades

DISTRIBUIÇÃO NORMAL DISTRIBUIÇÃO NORMAL