UNIVERSIDADE FEDERAL DO CARIRI

CENTRO DE CIÊNCIAS E TECNOLOGIA

UNIDADE CURRICULAR: ESTATÍSTICA

Disciplina: Probabilidade e Estatística Curso: Engenharia Civil

Docente: Rosilda Benício (rosilda.benicio@ufca.edu.br)

NOTAS DE AULAS

UNIDADE II – PROBABILIDADE E VARIÁVEIS ALEATÓRIAS

Sumário
UNIDADE II – PROBABILIDADE E VARIÁVEIS ALEATÓRIAS ......................................... 2
1. Revisão de teoria dos conjuntos ............................................................................................ 2
2. Experimento aleatório (ou não determinístico). Espaço amostral e Eventos. ....................... 4
3. Teoria clássica da probabilidade. Conceitos básicos e definições ........................................ 7
4. Probabilidade condicional, Teorema da multiplicação e Independência .............................. 9
5. Teorema das probabilidades totais e Teorema de Bayes ..................................................... 11
6. Conceitos de variáveis aleatórias unidimensionais ............................................................. 14
7. Esperança matemática, Variância e Desvio padrão............................................................. 17
8. Modelos probabilísticos discretos: Bernoulli, Geométrica, Binomial, Poisson e
Hipergeométrica .......................................................................................................................... 19
9. Conceitos de variáveis aleatórias contínuas ........................................................................ 25
10. Distribuições contínuas: Uniforme, Exponencial e Normal ............................................ 26

1
 UNIDADE II – PROBABILIDADE E VARIÁVEIS ALEATÓRIAS

1. Revisão de teoria dos conjuntos

A fim de expor os conceitos básicos do modelo probabilístico que desejamos desenvolver, será conveniente relembrar
algumas ideias e conceitos da teoria matemática dos conjuntos.

Um conjunto é uma coleção de objetos. Usualmente, conjuntos são representados por letras maiúsculas 𝐴, 𝐵, etc.

Os objetos que individualmente formam a coleção ou conjunto 𝐴 são denominados elementos de 𝐴. Quando “a” for um
elemento de 𝐴, escreveremos a ∈ 𝐴, e quando “a” não for um elemento de 𝐴, escreveremos a ∉ 𝐴.

Existem três maneiras de descrever que objetos estão contidos no conjunto 𝐴:

a) Poderemos fazer uma lista dos elementos de 𝐴. Por exemplo, 𝐴 = {1,2,3,4}, descreve o conjunto formado pelos inteiros
positivos 1, 2, 3 e 4.
b) Poderemos descrever o conjunto 𝐴 por meio de palavras. Por exemplo, poderemos dizer que 𝐴 é formado de todos os
números reais entre 0 e 1, inclusive.
c) Para descrever o conjunto acima poderemos simplesmente escrever A = {x |0 ≤ 𝑥 ≤ 1}, isto é, A é o conjunto de todos
os 𝑥, onde 𝑥 é um número real entre 0 e 1, inclusive.

Existem dois conjuntos especiais, que frequentemente nos interessarão:

Definiremos o conjunto fundamental como o conjunto de todos os objetos que estejam sendo estudados. Este conjunto é
geralmente denotado pela letra 𝑈.

O outro conjunto que deve ser destacado é o conjunto vazio ou nulo, que é definido como o conjunto que não contem qualquer
elemento. Geralmente se representa esse conjunto por ∅.

Pode acontecer que, quando dois conjuntos 𝐴 e 𝐵 sejam considerados, ser elemento de 𝐴 implique ser elemento de 𝐵. Nesse
caso, diremos que 𝐴 é um subconjunto de 𝐵, e escreveremos 𝐴 ⊂ 𝐵. Diremos que dois conjuntos constituem o mesmo conjunto,
𝐴 = 𝐵, se, e somente se, 𝐴 ⊂ 𝐵 e 𝐵 ⊂ 𝐴. Assim, dois conjuntos serão iguais se, e somente se, eles contiverem os mesmos elementos.

As duas seguintes propriedades são imediatas:

a) Para todo conjunto A, temos ∅ ⊂ 𝐴.

b) Desde que se tenha definido o conjunto fundamental, então para todo conjunto A, considerado na composição de 𝑈,
teremos 𝐴 ⊂ 𝑈.

A seguir, estudaremos a importante ideia de combinar conjuntos dados, a fim de formarmos um novo conjunto. Há duas
operações fundamentais, e essas operações se assemelham, em certos aspectos, às operações de adição e multiplicação de números.
Sejam dois conjuntos 𝐴 e 𝐵.

Definiremos C como a união de 𝐴 e 𝐵 (algumas vezes denominada a soma de 𝐴 e 𝐵), da seguinte maneira:

C = { x | x ∈ 𝐴 ou x ∈ 𝐵 (ou ambos)}

Escreveremos a união de 𝐴 e 𝐵, assim: C = 𝐴 ∪ 𝐵. Desse modo, 𝐶 será formado de todos os elementos que estejam em 𝐴,
ou em 𝐵, ou em ambos.

2
 Definiremos 𝐷 como a interseção de 𝐴 e 𝐵 (algumas vezes denominada o produto de 𝐴 e 𝐵), da seguinte maneira:

D = { x | x ∈ 𝐴 e x ∈ 𝐵}

Escreveremos a interseção de 𝐴 e 𝐵, assim: D = 𝐴 ∩ 𝐵. Portanto, 𝐷 será formado de todos os elementos que estejam em 𝐴
e em 𝐵.

Finalmente, introduziremos a noção de complemento de um conjunto 𝐴, na forma seguinte: O conjunto denotado por 𝐴̅,
constituído por todos os elementos que não estejam em 𝐴 (mas que estejam no conjunto fundamental 𝑈) é denominado complemento
de 𝐴, isto é, 𝐴̅ = {𝑥|𝑥 ∉ 𝐴}.

Um recurso gráfico, conhecido como Diagrama de Venn, poderá ser vantajosamente empregado quando estivermos
combinando conjuntos, na maneira indicada acima.

Exemplo 1.1: Suponha-se que 𝑈 = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}, 𝐴 = {1, 2, 3, 4} e 𝐵 = {3, 4, 5, 6}. Então:

̅ = {5, 6, 7, 8, 9, 10}, B
A ̅ = {1, 2, 7, 8, 9, 10}, 𝐴 ∪ 𝐵 = {1, 2, 3, 4, 5, 6}, 𝐴 ∩ 𝐵 = {3, 4}

Segue algumas identidades de conjuntos encerrando união, interseção e complementação:

g) A ∩ ∅ = ∅,
a) 𝐴 ∪ 𝐵 = 𝐵 ∪ 𝐴,
h) 𝐴 ∪ ∅ = 𝐴,
b) 𝐴 ∩ 𝐵 = 𝐵 ∩ 𝐴,
i) ̅̅̅̅̅̅̅̅̅̅
(A ∪ B) = A̅∩B
̅,
c) 𝐴 ∪ (𝐵 ∪ 𝐶) = (𝐴 ∪ 𝐵) ∪ 𝐶,
j) ̅̅̅̅̅̅̅̅̅̅
(A ∩ B) = A̅∪B
̅,
d) 𝐴 ∩ (𝐵 ∩ 𝐶) = (𝐴 ∩ 𝐵) ∩ 𝐶,
e) 𝐴 ∪ (𝐵 ∩ 𝐶) = (𝐴 ∪ 𝐵) ∩ (𝐴 ∪ 𝐶), k) ̅ = 𝐴.
A
f) 𝐴 ∩ (𝐵 ∪ 𝐶) = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶),

Denominaremos a) e b) leis comutativa, c) e d) leis associativas.

Exercícios

1. Suponha que o conjunto fundamental 𝑈 seja formado pelos inteiros positivos de 1 a 10. Sejam 𝐴 = {2, 3, 4}, 𝐵 = {3, 4, 5} e
𝐶 = {5, 6, 7}. Enumere os elementos dos seguintes conjuntos:
a) 𝐴̅ ∪ 𝐵. d) ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
A ∩ ̅̅̅̅̅̅̅̅̅̅
(B ∩ C).
b) 𝐴̅ ∪ 𝐵. e) ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
A ∩ (𝐵 ∪ 𝐶).
c) ̅̅̅̅̅̅̅
̅∩B
A ̅.

2. Suponha que o conjunto fundamental 𝑈 seja dado por 𝑈 = {𝑥|0 ≤ 𝑥 ≤ 2}. Sejam os conjuntos 𝐴 e 𝐵 definidos da seguinte
1 1 3
forma: 𝐴 = {𝑥| < 𝑥 ≤ 1} 𝐵 = {𝑥| ≤ 𝑥 < }. Descreva os seguintes conjuntos:
2 4 2
a) ̅̅̅̅̅̅̅
𝐴 ∪ 𝐵. c) ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵.
̅
b) 𝐴 ∪ 𝐵 . d) 𝐴̅ ∩ 𝐵.

3. Quais das seguintes relações são verdadeiras? Mostre.

a) (𝐴 ∪ 𝐵) ∩ (𝐴 ∪ 𝐶) = 𝐴 ∪ (𝐵 ∩ 𝐶). ̅) ∪ 𝐵.
b) (𝐴 ∪ 𝐵) = (𝐴 ∩ B
3
 c) 𝐴̅ ∩ 𝐵 = 𝐴 ∪ 𝐵. e) (𝐴 ∩ 𝐵) ∩ (𝐵̅ ∩ 𝐶) = ∅.
̅̅̅̅̅̅̅
d) (𝐴 ∪ 𝐵 ) ∩ 𝐶 = 𝐴̅ ∩ 𝐵̅ ∩ 𝐶̅ .

4. Empregue diagramas de Venn para estabelecer as seguintes relações:

a) 𝐴 ⊂ 𝐵 e 𝐵 ⊂ 𝐶 implica que 𝐴 ⊂ 𝐶.
b) 𝐴 ⊂ 𝐵 implica que 𝐴 = 𝐴 ∩ 𝐵.
c) 𝐴 ⊂ 𝐵 implica que 𝐵̅ ⊂ 𝐴̅.
d) 𝐴 ⊂ 𝐵 implica que (𝐴 ∪ 𝐶) ⊂ (𝐵 ∪ 𝐶).
e) 𝐴 ∩ 𝐵 = ∅ e 𝐶 ⊂ 𝐴 implicam que 𝐵 ∩ 𝐶 = ∅.

2. Experimento aleatório, Espaço amostral e Eventos.

Experimentos aleatórios (ou não determinísticos)

Se medirmos a corrente em um fio fino de cobre, estaremos conduzindo um experimento. Entretanto, em repetições diárias
da medida, os resultados poderão diferir levemente, por causa de pequenas variações em variáveis que não estejam controladas em
nosso experimento, incluindo variações nas temperaturas ambientes, leves variações nos medidores e pequenas impurezas na
composição química do fio, se diferentes localizações forem selecionadas e se a fonte da corrente oscilar. Consequentemente, esse
experimento (assim com muitos que conduzimos) é dito ter um componente aleatório.

Um experimento que pode fornecer diferentes resultados, muito embora seja repetido toda vez da mesma maneira, é chamado
de experimento aleatório.

Espaço amostral e Eventos

Embora nos experimentos aleatórios não seja possível identificar com exatidão o resultado à priori, é possível descrever todos
os possíveis resultados. A esse conjunto, dá-se o nome de espaço amostral. Aqui, denotaremos espaço amostral pela letra grega 𝛺.

Por exemplo,
i) E = Lançar uma moeda e observar a face voltada para cima.
𝛺 = 𝑐𝑎𝑟𝑎, 𝑐𝑜𝑟𝑜𝑎.
ii) E = Medir a vida útil de uma lâmpada a partir de sua instalação.
𝛺 = {𝑡 ∈ 𝑅| 𝑡 ≥ 0}.

Evento é qualquer subconjunto de , incluindo ∅ (evento impossível) e o próprio  (evento certo). Exemplos (relacionados
com os experimentos anteriores):

Evento 1 – “ocorre cara”; 𝐴 = 𝑐𝑎𝑟𝑎.

Evento 2 – “a lâmpada não acende”; 𝐵 = {𝑡 ∈ ℝ | 𝑡 = 0}.

Exemplo 2.1: Lançam-se dois dados. Primeiro observamos o espaço amostral para este experimento e logo a seguir definimos
e enumeramos alguns eventos.

Experimento: Lançamento de dois dados.

4
 Espaço amostral: Podemos determiná-lo por uma tabela de dupla entrada (produto cartesiano), ou usar o diagrama em
árvore, que será útil futuramente.

D1 D2 1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)

Eventos:

A: saída de faces iguais: 𝐴 = {(1,1), (2,2), (3,3), (4,4), (5,5), (6,6)}.

B: saída de faces cuja soma seja igual a 10: 𝐵 = {(4,6), (5,5), (6,4)}.

C: saída de faces cuja soma seja menor que 2: 𝐶 = ∅ (evento impossível).

D: saída de faces cuja soma seja menor que 15: 𝐷 =  (evento certo).

E: saída de faces onde uma face é o dobro da outra: 𝐸 = {(1,2), (2,1), (2,4), (3,6), (4,2), (6,3)}.

 Eventos complementares

Dado um evento 𝐴 de , o evento complementar de 𝐴, denotado por 𝐴̅, é formado por todos os elementos de , que não
estão em 𝐴.

Considerando os eventos: Evento A – “ocorre cara”, Evento B – “a lâmpada não acende”

Teremos: 𝐴̅ = {𝑐𝑜𝑟𝑜𝑎} e 𝐵̅ = {𝑡 ∈ ℝ | 𝑡 > 0}.

 Eventos mutuamente exclusivos (ou excludentes)

Dois eventos 𝐴 e 𝐵 de um mesmo espaço amostral , são considerados mutuamente exclusivos se a ocorrência de um deles
exclui a ocorrência do outro. Em outras palavras, os dois não podem ocorrer simultaneamente, ou simplesmente se 𝐴 ∩ 𝐵 = ∅.

Por exemplo, no lançamento de um dado honesto, os eventos “número par” e “número ímpar” são mutuamente exclusivos.

 Operações com eventos aleatórios

i) União: (𝐴 ∪ 𝐵)  se 𝐴 ocorre ou se 𝐵 ocorre ou ambos ocorrem, ou seja, é formado pelos pontos amostrais que pertencem
a pelo menos um dos eventos,
ii) Interseção: (𝐴 ∩ 𝐵)  se 𝐴 ocorre e 𝐵 ocorre, ou seja, é formado pelos pontos amostrais que pertencem simultaneamente
aos eventos A e B,
̅)  é o evento que ocorre se 𝐴 não ocorre,
iii) Complementação: (A

5
 iv) Dois eventos 𝐴 e 𝐵 são denominados mutuamente exclusivos, se eles não puderem ocorrer simultaneamente, isto é,
(𝐴 ∩ 𝐵) = ∅,
v) Eventos complementares são sempre mutuamente excludentes, mas a recíproca nem sempre é verdadeira.

Exercícios

1. Lançam-se três moedas. Enumerar o espaço amostral e os eventos:

a) Faces iguais,
b) Cara na primeira moeda,
c) Coroa na segunda e terceira moedas,
d) Ocorrência de duas faces cara,
e) Ocorrência de pelo menos uma face cara,
f) Ocorrência de no máximo duas faces coroa.

2. Sejam A, B e C três eventos de um espaço amostral. Exprimir os eventos abaixo usando as operações união, interseção e
complementação:
a) Somente A ocorre, f) Nenhum ocorre,
b) A e C ocorrem, mas B não, g) Exatamente dois ocorrem,
c) A, B e C ocorrem, h) Pelo menos dois ocorrem,
d) Pelo menos um ocorre, i) No máximo dois ocorrem.
e) Exatamente um ocorre,

6
 3. Teoria clássica da probabilidade. Conceitos básicos e definições

Conceito clássico de Probabilidade – É o grau de confiança que se tem na ocorrência de um determinado evento.

Seja  um espaço amostral finito e 𝐴 um evento qualquer, então a probabilidade de ocorrer 𝐴 é:

#𝐴
𝑃(𝐴) =
#

Em que: #𝐴 é o nº de elementos de 𝐴 e # é o nº de elementos de .

Função de Probabilidade

Definição: É a função 𝑃 que associa a cada evento de um experimento 𝐸, um número real pertencente ao intervalo [0,1]. Seja
 o espaço amostral associado a 𝐸. A cada evento 𝐴, associaremos um número real representado por 𝑃(𝐴) e denominado
probabilidade de A, que satisfaça às seguintes propriedades:

(I) 𝑃 ( ) = 1,
(II) Se 𝐴 e 𝐵 são eventos mutuamente exclusivos, então: 𝑃 (𝐴 ∪ 𝐵) = 𝑃 (𝐴) + 𝑃 (𝐵),
(III) 𝑃(⋃𝑛𝑖=1 𝐴𝑖 ) = ∑𝑛𝑖=1 𝑃(𝐴𝑖 ), se 𝐴1 , 𝐴2 , … , 𝐴𝑛 forem, dois a dois, eventos mutuamente exclusivos.

Observamos pela definição que 0  𝑃(𝐴)  1 para todo evento 𝐴, 𝐴 ⊂  .

Exemplos:

1) Lança-se um dado. Qual é a probabilidade de sair um número ímpar? Qual é a probabilidade de sair o número 2?
𝑃(𝑛º í𝑚𝑝𝑎𝑟) = 3/6 = 1/2. E 𝑃(𝑛º 2) = 1/6.
2) Uma carta é extraída ao acaso de um baralho com 52 cartas. Qual é a probabilidade de sair um às?
𝑃(𝑠𝑎𝑖𝑟 𝑢𝑚 á𝑠) = 4/52.

Notas:

a) A probabilidade varia entre 0 e 1,

b) Se é certo de ocorrer determinado evento, a 𝑃(𝑑𝑒𝑠𝑠𝑒 𝑒𝑣𝑒𝑛𝑡𝑜) = 1. Se é impossível ocorrer determinado evento a
𝑃(𝑑𝑒𝑠𝑠𝑒 𝑒𝑣𝑒𝑛𝑡𝑜) = 0.

Definição (Partição de um espaço amostral): Dizemos que os eventos 𝐴1 , 𝐴2 , … , 𝐴𝑛 formam uma partição do espaço
amostral , se:

7
 a) 𝐴𝑖 ≠ ∅, 𝑖 = 1, 2, … , 𝑛,
b) 𝐴𝑖 ∩ 𝐴𝑗 = ∅ para 𝑖 ≠ 𝑗,
c) ⋃𝑛𝑖=1 𝐴𝑖 = .

Teoremas:

Teorema 1: Se os eventos 𝐴1 , 𝐴2 , … , 𝐴𝑛 formam uma partição do espaço amostral, então: ∑𝑛𝑖=1 𝑃(𝐴𝑖 ) = 1.

Teorema 2: Se ∅ é o evento impossível, então 𝑃(∅) = 0.

Teorema 3: Teorema do evento complementar - Se 𝐴̅ for o evento complementar de 𝐴, então 𝑃(𝐴) = 1 – 𝑃(𝐴̅).

Teorema 4: Teorema da soma - Se 𝐴 e 𝐵 são dois eventos quaisquer em , então

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) – 𝑃(𝐴 ∩ 𝐵).

Teorema 5: Para 𝐴 ⊂  e 𝐵 ⊂ , temos 𝑃(𝐴 ∪ 𝐵) ≤ 𝑃(𝐴) + 𝑃(𝐵).

Teorema 6: Dados os eventos 𝐴1 , 𝐴2 , … , 𝐴𝑛 , então: 𝑃(⋃𝑛𝑖=1 𝐴𝑖 ) ≤ ∑𝑛𝑖=1 𝑃(𝐴𝑖 ).

Exercício: Demonstre os seis teoremas enunciados acima.

Eventos equiprováveis: Consideremos o espaço amostral  = {𝑒1 , 𝑒2 , … , 𝑒𝑛 } associado a um experimento aleatório.

Chamemos 𝑃(𝑒𝑖 ) = 𝑝𝑖 , 𝑖 = 1, 2, … , 𝑛. Temos ∑𝑛𝑖=1 𝑃(𝑒𝑖 ) = ∑𝑛𝑖=1 𝑝𝑖 = 1.

Definição: Os eventos 𝑒𝑖 , 𝑖 = 1, 2, … , 𝑛 são equiprováveis quando 𝑃(𝑒1 ) = 𝑃(𝑒2 ) = ⋯ = 𝑃(𝑒𝑛 ) = 𝑝, isto é, quando todos
tem a mesma probabilidade de ocorrer, assim,

1
∑𝑛𝑖=1 𝑝 = 1 → 𝑛𝑝 = 1 ∴ 𝑝 = .
𝑛

1
Logo, se os n pontos amostrais (eventos) são equiprováveis, a probabilidade de cada um dos pontos é amostrais é .
𝑛

Exercícios

1. As probabilidades de três jogadores, A, B e C, marcarem um gol quando cobram um pênalti são 2/3, 4/5 e 7/10, respectivamente.
Se cada um cobrar uma única vez, qual a probabilidade de que pelo menos um marque um gol?
2. A seguinte afirmação trata da probabilidade de que exatamente um dos eventos, A ou B, ocorra. Prove que:

𝑃{(𝐴 ∩ 𝐵̅ ) ∪ (𝐴̅ ∩ 𝐵)} = 𝑃(𝐴) + 𝑃(𝐵) − 2𝑃(𝐴 ∩ 𝐵)

3. Suponha que A, B e C sejam eventos tais que 𝑃(𝐴) = 𝑃(𝐵) = 𝑃(𝐶) = 1/4, 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐶 ∩ 𝐵) = 0 e 𝑃(𝐴 ∩ 𝐶) = 1/8.
Calcule a probabilidade de que pelo menos um dos eventos A, B ou C ocorra.
Gabarito: 1. 49/50; 2. Dica: Demonstre que (𝐴 ∩ 𝐵̅ ) e (𝐴̅ ∩ 𝐵) são M.E. e depois aplique o teorema da soma; 3. 5/8.

8
 4. Probabilidade condicional, Teorema da multiplicação e Independência

Probabilidade Condicional

Muitas vezes, há interesse na probabilidade de ocorrência de um evento A, dado a ocorrência de um evento B. Por exemplo:

 Qual é a probabilidade de chover amanhã em Juazeiro, uma vez que hoje está chovendo?
 Qual é a probabilidade de um dispositivo eletrônico funcionar sem problemas por 200 horas consecutivas, sabendo que
ele já funcionou por 100 horas?

Exemplo 4.1: Os dados, a seguir, são de 50 amostras de plástico de policarbonato analisados em relação à resistência a
arranhões e resistência a choque.

Resistência à choque

alta (C) baixa (D) Total

Resistência à arranhões alta (A) 40 4 44
baixa (B) 1 5 6
Total 41 9 50

Retira-se, ao acaso, uma amostra do plástico das 50 unidades. Sejam A e B os eventos que representam se o plástico tem alta
e baixa resistência à arranhões, respectivamente. E C e D os eventos que representam se o plástico tem alta e baixa resistência à
choques, respectivamente.

a) Qual é a probabilidade de o plástico ter alta resistência à choque?

41
𝑃(𝐶) = = 0,82
50
b) Qual é a probabilidade de o plástico ter baixa resistência à arranhões, uma vez que tem alta resistência à choque?
1
𝑃(𝐵|𝐶) = = 0,024
41

Note que, se o numerador e o denominador de 𝑃(𝐵|𝐶) forem divididos pelo número total de unidades, teremos:
1/50 𝑃(𝐵 ∩ 𝐶)
𝑃(𝐵|𝐶) = =
41/50 𝑃(𝐶)

Definição: Denomina-se probabilidade condicional à probabilidade de ocorrer determinado evento sob uma dada condição.
Sejam 𝐴 e 𝐵 dois eventos, denota-se 𝑃(𝐴|𝐵) a probabilidade condicionada do evento 𝐴 quando B tiver ocorrido por,

𝑃(𝐴∩𝐵)
𝑃(𝐴|𝐵) = , se 𝑃(𝐵) ≠ 0.
𝑃(𝐵)

Também,

𝑃(𝐴∩𝐵)
𝑃(𝐵|𝐴) = , se 𝑃(𝐴) ≠ 0.
𝑃(𝐴)

9
 Teorema da multiplicação (ou Regra do produto)

A mais importante consequência da definição de probabilidade condicional é obtida ao se escrever:

𝑃(𝐴∩𝐵)
 𝑃(𝐴|𝐵) = → 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵). 𝑃(𝐴|𝐵)
𝑃(𝐵)
𝑃(𝐴∩𝐵)
 𝑃(𝐵|𝐴) = → 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵|𝐴)
𝑃(𝐴)

Isto é, algumas vezes, mencionado como o Teorema da multiplicação. Que podemos aplicar quando desejarmos calcular a
probabilidade de ocorrência conjunta dos eventos 𝐴 e 𝐵.

Exemplo 4.2: Duas bolas irão ser retiradas de uma urna que contém 2 bolas brancas, 3 pretas e 4 verdes.

Qual a probabilidade de que ambas,

a) sejam verdes?
b) sejam de mesma cor?

Solução:
4 3 1
a) 𝑃(𝑉 ∩ 𝑉) = 𝑃(𝑉). 𝑃(𝑉|𝑉) = . = .
9 8 6
2 1 3 2 4 3 20
b) 𝑃(𝑀𝐶) = 𝑃(𝐵 ∩ 𝐵) + 𝑃(𝑃 ∩ 𝑃) + 𝑃(𝑉 ∩ 𝑉) = . + . + . = = 5/18
9 8 9 8 9 8 72

O teorema da multiplicação pode ser generalizado para mais de dois eventos, da seguinte maneira:

𝑃(⋂𝑛𝑖=1 𝐴𝑖 ) = 𝑃(𝐴1 ). 𝑃(𝐴2 |𝐴1 ). 𝑃(𝐴3 |𝐴1 ∩ 𝐴2 ) … 𝑃(𝐴𝑛 |𝐴1 ∩ 𝐴2 ∩ … ∩ 𝐴𝑛−1 ).

Eventos Independentes

Dois eventos 𝐴 e 𝐵, de , são independentes se e somente se:

𝑃(𝐴|𝐵) = 𝑃(𝐴) e 𝑃(𝐵|𝐴) = 𝑃(𝐵).

Ou seja, a ocorrência de um deles não condiciona a ocorrência do outro e vice-versa. Desse modo, temos também que 𝐴 e 𝐵
são eventos independentes se,

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) 𝑃(𝐵).

Exemplo 4.3: Considere o experimento aleatório do lançamento simultâneo de um dado e uma moeda e sejam os eventos:
𝐴: ocorrer cara (𝑘), 𝐵: ocorrer número 6.

Será que os eventos 𝐴 e 𝐵 são independentes

Temos:

𝛺 = (k, 1), (𝑘, 2), (k, 3), (𝑘, 4), (k, 5), (k, 6), (c, 1), (c, 2), (c, 3), (c, 4), (c, 5), (c, 6).

𝐴 = (k, 1), (𝑘, 2), (k, 3), (𝑘, 4), (k, 5), (k, 6), 𝐵 = (k, 6), (k, 6).

10
 É imediato verificar que 𝑃(𝐴|𝐵) = 𝑃(𝐴) = 1/2, assim como, 𝑃(𝐵|𝐴) = 𝑃(𝐵) = 1/6, portanto os eventos 𝐴 e 𝐵 são
independentes. E, nesse contexto, a probabilidade de ocorrer 𝐴 e 𝐵 simultaneamente é dada por:

1 1
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) 𝑃(𝐵) = . = 1/12.
2 6

Exercícios

1. Uma caixa contém 4 válvulas defeituosas e 6 perfeitas. Duas válvulas são extraídas juntas. Uma delas é ensaiada e se verifica
ser perfeita. Qual a probabilidade de que a outra válvula também seja perfeita? Gabarito: 5/9

2. Suponha que A e B sejam eventos independentes associados a um experimento. Se a probabilidade de A ou B ocorrerem for
igual a 0,6, enquanto a probabilidade de ocorrência de A for igual a 0,4. Determine a probabilidade da ocorrência de B.
Gabarito: 1/3

3. Sejam A e B dois eventos associados a um experimento. Suponha que 𝑃(𝐴) = 0,4, enquanto 𝑃(𝐴 ∪ 𝐵) = 0,7. Seja 𝑃(𝐵) =
𝑝.
a) Para que valor de 𝑝, A e B serão mutuamente excludentes?
b) Para que valor de 𝑝, A e B serão independentes? Gabarito: a) 𝑝 = 0,3, b) 𝑝 = 0,5

4. Demonstre que, se A e B forem eventos independentes, também o serão 𝐴 e 𝐵̅ , 𝐴̅ e 𝐵, 𝐴̅ e 𝐵̅ .

5. Verifique que o teorema da multiplicação 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴|𝐵). 𝑃(𝐵), estabelecido para dois eventos, pode ser estendido
para três eventos, da seguinte maneira:
𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴|𝐵 ∩ 𝐶). 𝑃(𝐵|𝐶)𝑃(𝐶).

6. Demonstre: Se 𝑃(𝐴|𝐵) > 𝑃(𝐴), então 𝑃(𝐵|𝐴) > 𝑃(𝐵).

5. Teorema das probabilidades totais e Teorema de Bayes

Teorema da probabilidade total

Definição (Partição de um espaço amostral): Dizemos que os eventos 𝐴1 , 𝐴2 , … , 𝐴𝑛 formam uma partição do espaço
amostral , se:
a) 𝐴𝑖 ≠ ∅, 𝑖 = 1, 2, … , 𝑛,
b) 𝐴𝑖 ∩ 𝐴𝑗 = ∅ para 𝑖 ≠ 𝑗,
c) ⋃𝑛𝑖=1 𝐴𝑖 = .

Agora considere o seguinte: Sejam 𝐴1 , 𝐴2 , … , 𝐴𝑛 eventos que formam uma partição do espaço amostral. Seja 𝐵 um evento
desse espaço.

11
 Podemos escrever 𝐵 = (𝐵 ∩ 𝐴1 ) ∪ (𝐵 ∩ 𝐴2 ) ∪ … ∪ (𝐵 ∩ 𝐴𝑛 ).

Naturalmente, alguns dos conjuntos 𝐵 ∩ 𝐴𝑖 poderão ser vazios, mas isso não invalida essa decomposição de 𝐵. O ponto
importante é que todos os eventos (𝐵 ∩ 𝐴1 ), (𝐵 ∩ 𝐴2 ), … , (𝐵 ∩ 𝐴𝑛 ) são dois a dois mutuamente excludentes. Por isso poderemos
aplicar a propriedade da adição de eventos mutuamente excludentes, e escrever:

𝑃(𝐵) = 𝑃(𝐵 ∩ 𝐴1 ) + 𝑃(𝐵 ∩ 𝐴2 ) + ⋯ + 𝑃(𝐵 ∩ 𝐴𝑛 ).

Contudo, pelo teorema do produto, cada termo 𝑃(𝐵 ∩ 𝐴𝑖 ) pode ser escrito na forma 𝑃(𝐴𝑖 )𝑃(𝐵|𝐴𝑖 ), e daí obteremos o que se
denomina Teorema da probabilidade total.

Então, 𝑃(𝐵) = ∑𝑛𝑖=1 𝑃(𝐴𝑖 )𝑃(𝐵|𝐴𝑖 ).

Exemplo 5.1: Uma urna contém 3 bolas brancas e 2 amarelas. Uma segunda urna contém 4 bolas brancas e 2 amarelas.
Escolhe-se, ao acaso, uma urna e dela retira-se, também ao acaso, uma bola. Qual a probabilidade de que ela seja branca?

Temos

𝑃(𝐼) = 1/2, 𝑃(𝐵|𝐼) = 3/5.

𝑃(𝐼𝐼) = 1/2, 𝑃(𝐵|𝐼𝐼) = 2/3.

Logo, a bola branca pode ocorrer

𝐵 = (𝐵 ∩ 𝐼) ∪ (𝐵 ∩ 𝐼𝐼) ∴

𝑃(𝐵) = 𝑃(𝐵 ∩ 𝐼) + 𝑃(𝐵 ∩ 𝐼𝐼)

𝑃(𝐵) = 𝑃(𝐼)𝑃(𝐵|𝐼) + 𝑃(𝐼𝐼)𝑃(𝐵|𝐼𝐼)

1 3 1 2
𝑃(𝐵) = . + . = 19/30.
2 5 2 3

Teorema de Bayes

Sejam 𝐴1 , 𝐴2 , … , 𝐴𝑛 eventos que formam uma partição de Ω. Seja 𝐵 ⊂ 𝛺. Sejam conhecidas 𝑃(𝐴𝑖 ) e 𝑃(𝐵|𝐴𝑖 ), 𝑖 =
1, 2, … , 𝑛. Então

𝑃(𝐴𝑗 )𝑃(𝐵|𝐴𝑗 )
𝑃(𝐴𝑗 |𝐵) = 𝑛 , 𝑗 = 1, 2, … , 𝑛
∑𝑖=1 𝑃(𝐴𝑖 )𝑃(𝐵|𝐴𝑖 )

12
 Demonstração:

Usando-se o teorema do produto e o teorema da probabilidade total, partindo da igualdade 𝑃(𝐴𝑗 |𝐵) = 𝑃(𝐴𝑗 ∩ 𝐵)/𝑃(𝐵).

O teorema de Bayes é também chamado de teorema da probabilidade a posteriori. Ele relaciona uma das parcelas da
probabilidade total com a própria probabilidade total.

Exemplo 5.2: A urna A contém 3 fichas vermelhas e 2 azuis, e a urna B contém 2 vermelhas e 8 azuis. Joga-se uma moeda
honesta. Se a moeda der cara, extrai-se uma ficha da urna A, Se der coroa, extrai-se uma ficha da urna B. Uma ficha vermelha é
extraída. Qual a probabilidade de ter saído cara no lançamento?

Temos:

𝑃(𝐾) = 1/2, 𝑃(𝑉|𝐾) = 3/5.

𝑃(𝐶) = 1/2, 𝑃(𝑉|𝐶) = 2/10.

Como: 𝑃(𝑉) = (𝐾 ∩ 𝑉) + 𝑃(𝐶 ∩ 𝑉) , temos

Queremos: 𝑃(𝐾|𝑉).
1 3 1 2
𝑃(𝑉) = 𝑃(𝐾)𝑃(𝑉|𝐾) + 𝑃(𝐶)𝑃(𝑉|𝐶) = . + . = 4/10.
2 5 2 10

Calculamos agora 𝑃(𝐾|𝑉):

3
𝑃(𝑉 ∩ 𝐾) 10 3
𝑃(𝐾|𝑉) = = =
𝑃(𝑉) 4 4
10

Exercícios complementares

1. Sendo 𝑃(𝐴) = 0,7 e 𝑃(𝐴 ∪ 𝐵) = 0,8. Obtenha 𝑃(𝐵) nos seguintes casos:
a) A e B são independentes.
b) A e B são disjuntos (mutuamente excludentes).
c) 𝑃(𝐴|𝐵) = 0,6. Gabarito: a) 1/3, b) 1/10, c) 1/4.

2. Colocam-se 4 números positivos e 6 negativos em 10 memórias de uma máquina de calcular (um em cada memória). Efetua-
se o produto de 4 memórias selecionadas ao acaso. Qual a probabilidade de que seja positivo? Gabarito: 53/105.

3. De uma caixa com 10 lâmpadas, das quais 6 estão perfeitas, retiram-se 3 lâmpadas ao acaso e testam-nas a seguir. Qual é a
probabilidade de que:
a) Todas acendam?
b) Pelo menos uma lâmpada acenda? Gabarito: a) 1/6, b) 29/30.

4. Uma caixa contém 12 objetos metálicos e 8 cerâmicos. Tais objetos serão organizados em caixas menores, com 4 objetos.
Qual é a probabilidade de uma caixa menor conter:
a) Pelo menos um objeto cerâmico?
b) Um objeto cerâmico?
c) Objetos dos dois tipos? Gabarito: a) 0,8978, b) 0,3633, c) 0,8834.

13
 5. A probabilidade de um indivíduo da classe A comprar um carro é de 3/4, da B é de 1/4. As probabilidades de os indivíduos
comprarem um carro da marca X são 3/10 e 7/10, dado que sejam de A e B, respectivamente. Certa loja vendeu um carro da
marca X. Qual a probabilidade de que o indivíduo que o comprou seja da classe B? Gabarito: 0,4375

6. Um fabricante produz o produto X em três fábricas distintas, A, B e C, como segue: a produção de A é duas vezes a de B, e
a de C é duas vezes a de B. O produto X é armazenado em um depósito central. As proporções de produção defeituosa são:
5% de A, 3% de B e 4% de C. Retira-se uma unidade de X e verifica-se que é defeituoso. Qual a probabilidade de que não
tenha sido fabricado por B? Gabarito: 0,8571

6. Conceitos de variáveis aleatórias unidimensionais

Em muitos exemplos de experimentos aleatórios, considera-se o espaço amostral apenas como uma descrição de resultados
possíveis. Em alguns casos isso é suficiente, mas em outros é útil associar um número a cada resultado no espaço amostral. Na
prática é, muitas vezes, mais interessante associarmos um número a um evento aleatório e calcularmos a probabilidade de ocorrência
desse número do que a probabilidade do evento.

Variável aleatória discreta

Introduziremos o conceito de variáveis aleatórias discretas com o seguinte problema:

Lançam-se 3 moedas. Seja 𝑋 o número de ocorrências da face cara. Determinar a distribuição de probabilidade de 𝑋. O
espaço amostral do experimento é:

Ω = {(𝑘, 𝑘, 𝑘), (𝑘, 𝑘, 𝑐), (𝑘, 𝑐, 𝑘), (𝑘, 𝑐, 𝑐), (𝑘, 𝑐, 𝑐), (𝑐, 𝑘, 𝑘), (𝑐, 𝑘, 𝑐), (𝑐, 𝑐, 𝑘), (𝑐, 𝑐, 𝑐)}.

Se 𝑋 é o número de caras, 𝑋 assume os valores 0, 1, 2, 3. Podemos associar a esses números eventos que correspondam à
ocorrência de nenhuma, uma, duas ou três caras, respectivamente, como segue:

𝑿 Evento correspondente
0 𝐴1 = {(𝑐, 𝑐, 𝑐)}
1 𝐴2 = {(𝑘, 𝑐, 𝑐), (𝑐, 𝑘, 𝑐), (𝑐, 𝑐, 𝑘)}
(1)
2 𝐴3 = {(𝑘, 𝑘, 𝑐), (𝑘, 𝑐, 𝑘), (𝑐, 𝑘, 𝑘)}
3 𝐴4 = {(𝑘, 𝑘, 𝑘)}

Podemos também associar, às probabilidades de 𝑋 assumir um dos valores, as probabilidades dos eventos correspondentes:

Esquematicamente

𝑃(𝑋 = 0) = 𝑃(𝐴1 ) = 1/8 𝒙 𝑷(𝒙)

𝑃(𝑋 = 1) = 𝑃(𝐴2 ) = 3/8
𝑃(𝑋 = 2) = 𝑃(𝐴3 ) = 3/8
𝑃(𝑋 = 3) = 𝑃(𝐴4 ) = 1/8
0 1/8
(2) (3)
1 3/8
2 3/8
3 1/8

Observa-se que em (1) fizemos o seguinte tipo de associação:

14
 Então podemos dar a seguinte definição:

Variável aleatória: É a função que associa a todo evento pertencente a uma partição do espaço amostral um único número
real.

Notamos que a v.a. para ser discreta deve assumir valores em um conjunto infinito, porém enumerável. Indicaremos, no caso
finito:

𝑋: 𝑥1 , 𝑥2 , … , 𝑥𝑛 .

Por (2) podemos definir função de probabilidade.

Função de probabilidade (f.p): é a função que associa a cada valor assumido pela variável aleatória a probabilidade do
evento correspondente, isto é:

𝑃(𝑋 = 𝑥𝑖 ) = 𝑃(𝐴𝑖 ), 𝑖 = 1,2, … , 𝑛.

Ao conjunto {(𝑥𝑖 , 𝑝(𝑥𝑖 )), 𝑖 = 1, 2, … , 𝑛} damos o nome de distribuição de probabilidade da v.a. 𝑋, como no quadro (3).

Formalmente podemos definir a função de probabilidade como a seguir:

Definição: Seja 𝑋 uma v.a. discreta no espaço amostral , tal que 𝑋(𝜔) ∈ {𝑥1 , 𝑥2 , … , 𝑥𝑛 }, para qualquer 𝜔 ∈ Ω. Diz-se que
𝑝(𝑥) é uma função de probabilidade (f.p.) de 𝑋, se:

1. 𝑝(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 )
2. 𝑝(𝑥𝑖 ) ≥ 0
3. ∑𝑛𝑖=1 𝑝(𝑥𝑖 ) = 1

Exemplo 6.1: Suponhamos que a v.a 𝑋 tenha distribuição de probabilidade dada por:

1
𝑃(𝑥 = 𝑗) = , 𝑗 = 1, 2, … , 𝑛, …
2𝑗

Calcular:

a) 𝑃(𝑋 𝑠𝑒𝑟 𝑝𝑎𝑟), b) 𝑃(𝑋 ≥ 3), c) 𝑃(𝑋 𝑠𝑒𝑟 𝑚ú𝑙𝑡𝑖𝑝𝑙𝑜 𝑑𝑒 3).

𝒙 1 2 3 4 5 ... ∑
𝑷(𝒙) 1/2 1/4 1/8 1/16 1/32 ... 1

15
Solução:
1
1 1 1 4
a) 𝑃(𝑋 𝑠𝑒𝑟 𝑝𝑎𝑟) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 6) + ⋯ = + + +⋯= 1 = 1/3.
4 16 64 1−
4
1
1 1 1 8
b) 𝑃(𝑋 ≥ 3) = 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5) + ⋯ = + + +⋯= 1 = 1/4.
8 16 32 1−
2
1
1 1 8
c) 𝑃(𝑋 𝑠𝑒𝑟 𝑚ú𝑙𝑡𝑖𝑝𝑙𝑜 𝑑𝑒 3) = 𝑃(𝑋 = 3) + 𝑃(𝑋 = 6) + ⋯ = + +⋯= 1 = 1/7.
8 64 1−
8

É importante verificar que, para que haja uma distribuição de probabilidade de uma v.a 𝑋, é necessário que ∑𝑛𝑖=1 𝑝(𝑥𝑖 ) = 1.

Função de distribuição acumulada

Suponhamos que uma v.a. discreta 𝑋 tenha a seguinte distribuição de probabilidades:

𝒙 1 2 3 4 5
𝑷(𝒙) 0,1 0,2 0,4 0,2 0,1

Definimos a função de distribuição acumulada de 𝑋:

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑃(𝑥𝑖 )

𝑥𝑖 ≤𝑥

Temos, então:

𝐹(1) = 𝑃(𝑋 ≤ 1) = 𝑃(𝑋 = 1) = 0,1

𝐹(2) = 𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = 0,3

𝐹(3) = 𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 𝐹(2) + 𝑃(𝑋 = 3) = 0,3 + 0,4 = 0,7

𝐹(4) = 𝑃(𝑋 ≤ 4) = 𝑃(𝑋 ≤ 3) + 𝑃(𝑋 = 4) = 𝐹(3) + 𝑃(𝑋 = 4) = 0,7 + 0,2 = 0,9

𝐹(5) = 𝑃(𝑋 ≤ 4) + 𝑃(𝑋 = 5) = 𝐹(4) + 𝑃(𝑋 = 5) = 0,9 + 0,1 = 1

Podemos calcular também:

𝐹(1,34) = 𝑃(𝑋 ≤ 1,34) = 𝑃(𝑋 ≤ 1) = 𝐹(1) = 0,1

𝐹(3,98) = 𝑃(𝑋 ≤ 3,98) = 𝑃(𝑋 ≤ 3) = 𝐹(3) = 0,7

𝐹(7) = 𝑃(𝑋 ≤ 7) = 𝑃(𝑋 ≤ 5) = 𝐹(5) = 1

𝐹(−3) = 𝑃(𝑋 ≤ −3) = 0

Com esses resultados podemos escrever:

0 𝑠𝑒 𝑋 < 1
0,1 𝑠𝑒 1 ≤ 𝑋 < 2
0,3 𝑠𝑒 2 ≤ 𝑋 < 3
𝐹(𝑥) =
0,7 𝑠𝑒 3 ≤ 𝑋 < 4
0,9 𝑠𝑒 4 ≤ 𝑋 < 5
{1 𝑠𝑒 𝑋 ≥ 5

Construindo o gráfico de 𝐹(𝑥), temos:

16
 7. Esperança matemática, Variância e Desvio padrão

Esperança matemática de variáveis aleatórias

Existem características numéricas que são muito importantes em uma distribuição de probabilidades de uma v.a. discreta.
São os parâmetros das distribuições.

Um primeiro parâmetro é a esperança matemática (ou simplesmente média) de uma v.a.

Definição: Seja X: 𝑥1 , 𝑥2 , … , 𝑥𝑛 e 𝑃(𝑋 = 𝑥𝑖 ) = 𝑝(𝑥𝑖 ), 𝑖 = 1, 2, … , 𝑛,

𝐸(𝑋) = ∑𝑛𝑖=1 𝑥𝑖 ∗ 𝑝(𝑥𝑖 )

A esperança, também chamada esperança matemática, valor esperado ou valor médio, de uma variável aleatória X é um
número real. É também uma média aritmética ponderada, como foi visto no exemplo.
Considerando que as probabilidades podem ser interpretadas como limite da frequência relativa, o valor esperado pode ser
interpretado como a média aritmética dos resultados da variável aleatória se o experimento pudesse ser repetido infinitas vezes.
Notação: 𝐸(𝑋), 𝜇(𝑋), 𝜇𝑋 , 𝜇.

Exemplo 7.1: Um lote contém 20 unidades de um componente, sendo quatro defeituosos. São retiradas quatro peças e X
representa o número de unidades defeituosas entre as quatro retiradas. Neste caso a variável X assume seus valores no conjunto  =
{0, 1, 2, 3, 4}, com o espaço de probabilidades 𝑃, dado na tabela seguinte:

𝑥 0 1 2 3 4 Total
𝑃(𝑋 = 𝑥) 0,3756 0,4623 0,1486 0,0132 0,0002 1
Temos que 𝐸(𝑋) = ∑5𝑖=1 𝑥𝑖 ∗ 𝑝(𝑥𝑖 ) = 0 + 0,4623 + 0,2972 + 0,0396 + 0,0008.

Logo, 𝐸(𝑋) = 0,7999.

Propriedades da Esperança: Sejam 𝑋 e 𝑌 v.a.’s definidas em um mesmo espaço amostral , 𝑘 um número real. Então:

1. 𝐸(𝑘) = 𝑘,
2. 𝐸(𝑘 ∗ 𝑋) = 𝑘 ∗ 𝐸(𝑋),
3. 𝐸(𝑋 ± 𝑌) = 𝐸(𝑋) ± 𝐸(𝑌),
4. 𝐸{∑𝑛𝑖=1 𝑋𝑖 } = ∑𝑛𝑖=1 𝐸(𝑋𝑖 ),

17
 5. 𝐸(a𝑋 ± 𝑏) = 𝑎 ∗ 𝐸(𝑋) ± 𝑏, 𝑎 𝑒 𝑏 constantes,
6. 𝐸(𝑋 − 𝜇𝑋 ) = 0.

Variância de uma variável aleatória

O fato de conhecermos a média de uma distribuição de probabilidades já nos ajuda bastante, porém não temos uma medida
que nos dê o grau de dispersão de probabilidade em torno dessa média.

Vimos que o desvio médio, 𝐸(𝑋 − 𝜇𝑋 ) é nulo, logo não serve como medida de dispersão.

A medida que dá o grau de dispersão (ou de concentração) de probabilidade em torno da média é a variância.

Definição: Seja X: 𝑥1 , 𝑥2 , … , 𝑥𝑛 e 𝑃(𝑋 = 𝑥𝑖 ) = 𝑝(𝑥𝑖 ), 𝑖 = 1, 2, … , 𝑛.

A variância de uma v.a. 𝑋 é definida por:

𝑉𝑎𝑟(𝑋) = ∑𝑛𝑖=1[𝑥𝑖 − 𝐸(𝑋)]2 ∗ 𝑝(𝑥𝑖 ).

Notação: 𝑉𝑎𝑟(𝑋), 𝑉(𝑋), 𝜎 2 (𝑋), 𝜎𝑋2 , 𝜎 2 .

Ou simplesmente, 𝑉𝑎𝑟(𝑋) = 𝐸{[𝑋 − 𝐸(𝑋)]2 } = 𝐸(𝑋 2 ) − (𝐸(𝑋))². Onde 𝐸(𝑋 2 ) = ∑𝑛𝑖=1 𝑥𝑖 2 ∗ 𝑝(𝑥𝑖 ).

Exemplo 7.2: Seja X a v.a. discreta do Exemplo 2.1, de onde temos 𝐸(𝑋) = 0,7999.

2
Uma vez que 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) , será necessário obtermos 𝐸(𝑋²).

𝐸(𝑋²) = ∑5𝑖=1 𝑥𝑖 ²𝑝(𝑥𝑖 ) = 0 + 0,4623 + 0,5944 + 0,1188 + 0,0032 = 1,1787.

2
Logo, 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = 1,1787 − 0,79992 = 0,5389.

Observação: Quanto menor a variância, menor o grau de dispersão de probabilidades em torno da média e vice-versa, quanto
maior a variância, maior o grau de dispersão.

A variância é um quadrado, e muitas vezes o resultado torna-se artificial. Por exemplo: a altura média de um grupo de pessoas
é 1,70 m, e a variância, 25 cm², sendo bastante esquisito cm² em altura.

Contorna-se este “problema” definindo desvio padrão.

Definição: Desvio padrão da variável 𝑋 é a raiz quadrada da variância de 𝑋, isto é

𝜎𝑋 = √𝑉𝑎𝑟(𝑋).

Exemplo 7.3: Considere o exemplo anterior, e determine o desvio padrão da variável observada.

𝜎𝑋 = √𝑉𝑎𝑟(𝑋) = √0,5389 = 0,7341.

Propriedades da Variância: Sejam 𝑋 e 𝑌 v.a.’s definidas em um mesmo espaço amostral , 𝑘 um número real. Então:

1. 𝑉𝑎𝑟(𝑘) = 0,
2. 𝑉𝑎𝑟(𝑋 + 𝑘) = 𝑉𝑎𝑟(𝑋),

18
3. 𝑉𝑎𝑟(𝑘 ∗ 𝑋) = 𝑘²𝑉𝑎𝑟(𝑋),
4. 𝑉𝑎𝑟(𝑋 ± 𝑌) = 𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌) ± 2 ∗ 𝑐𝑜𝑣(𝑋, 𝑌). Onde 𝑐𝑜𝑣(𝑋, 𝑌) = 𝐸{[𝑋 − 𝐸(𝑋)] ∗ [𝑌 − 𝐸(𝑌)]}.

As medidas: média, variância e desvio padrão, sintetizam características relevantes de uma distribuição de probabilidades.

8. Modelos probabilísticos discretos: Bernoulli, Geométrica, Binomial, Poisson e

Hipergeométrica

Distribuição de Bernoulli

Consideremos uma única tentativa de um experimento aleatório. Podemos ter sucesso ou fracasso nessa tentativa.
Seja 𝑝 a probabilidade de sucesso e 𝑞 a probabilidade de fracasso, com 𝑝 + 𝑞 = 1.
Seja 𝑋 “o número de sucessos em uma única tentativa do experimento”. 𝑋 assume o valor 0 que corresponde ao fracasso,
com probabilidade 𝑞, ou o valor 1, que corresponde ao sucesso, com probabilidade 𝑝.

0, 𝑓𝑟𝑎𝑐𝑎𝑠𝑠𝑜
𝑋= { , com 𝑃(𝑋 = 0) = 𝑞 e 𝑃(𝑋 = 1) = 𝑝
1, 𝑠𝑢𝑐𝑒𝑠𝑠𝑜

Nessas condições, a v.a. 𝑋 tem distribuição de Bernoulli, e sua função de probabilidade é dada por:

𝑃(𝑋 = 𝑥) = 𝑝 𝑥 𝑞1−𝑥

 Esperança e variância

Calcularemos a média e a variância da variável com distribuição de Bernoulli.

𝑥 𝑃(𝑋 = 𝑥) 𝑥. 𝑃(𝑥) 𝑥². 𝑃(𝑥)

0 𝑞 0 0
1 𝑝 𝑝 𝑝
Total 1 𝑝 𝑝

Lembrando que:

 𝐸(𝑋) = ∑𝑛𝑖=1 𝑥𝑖 𝑃(𝑥𝑖 ) = 0 + 𝑝 = 𝑝.

 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋²) − 𝐸 2 (𝑋) = ∑𝑛𝑖=1 𝑥𝑖2 𝑃(𝑥𝑖 ) − 𝑝2 = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝) = 𝑝𝑞.

Exemplo 8.1: Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja 𝑋 o número de bolas verdes.
Determinar 𝑃(𝑥) e calcular 𝐸(𝑋) e 𝑉𝑎𝑟(𝑋).

𝑋 = "𝑛º 𝑑𝑒 𝑏𝑜𝑙𝑎𝑠 𝑣𝑒𝑟𝑑𝑒𝑠".

0, 𝑠𝑒 𝑠𝑎𝑖𝑟 𝑏𝑜𝑙𝑎 𝑏𝑟𝑎𝑛𝑐𝑎

𝑋= { , com 𝑃(𝑋 = 0) = 𝑞 = 30/50 e 𝑃(𝑋 = 1) = 𝑝 = 20/50.
1, 𝑠𝑒 𝑠𝑎𝑖𝑟 𝑏𝑜𝑙𝑎 𝑣𝑒𝑟𝑑𝑒

Logo, 𝑃(𝑋 = 𝑥) = 𝑝 𝑥 𝑞1−𝑥 → 𝑃(𝑋 = 𝑥) = (2/5)𝑥 (3/5)1−𝑥 .

2 3
Temos que 𝐸(𝑋) = 𝑝 = 2/5 e 𝑉𝑎𝑟(𝑋) = 𝑝𝑞 = . = 6/25.
5 5

19
 Distribuição Geométrica

Consideremos tentativas sucessivas de um mesmo experimento aleatório. Cada tentativa admite sucesso com probabilidade
𝑝 e fracasso com probabilidade 𝑞, 𝑝 + 𝑞 = 1.

Seja 𝑋 “o número de tentativas necessárias ao aparecimento do primeiro sucesso”.

Logo, 𝑋 assume os valores:

𝑋 = 1, que corresponde ao sucesso (S) e 𝑃(𝑋 = 1) = 𝑝,

𝑋 = 2, que corresponde ao fracasso (F) na 1ª tentativa e sucesso na 2ª tentativa, (FS) e 𝑃(𝑋 = 2) = 𝑃(𝐹 ∩ 𝑆) = 𝑞 ∗ 𝑝,
𝑋 = 3, que corresponde a (FFS) e 𝑃(𝑋 = 3) = 𝑃(𝐹 ∩ 𝐹 ∩ 𝑆) = 𝑞 ∗ 𝑞 ∗ 𝑝 = 𝑞 2 ∗ 𝑝,
𝑋 = 4, que corresponde a (FFFS) e 𝑃(𝑋 = 4) = 𝑞 3 ∗ 𝑝,
e assim sucessivamente,
𝑋 = 𝑥, que corresponde a FF...FS, com

𝑥−1

𝑃(𝑋 = 𝑥) = 𝑞 𝑥−1 𝑝

 Esperança e variância

Para calcular a média e a variância, usa-se como recursos do cálculo diferencial (derivadas).

Lembrando que:

 𝐸(𝑋) = ∑∞ ∞
𝑥=1 𝑥 𝑃(𝑥) = ∑𝑥=1 𝑥 (𝑞
𝑥−1
𝑝) = 1/𝑝.

1 2 1 2
 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋²) − 𝐸 2 (𝑋) = ∑∞ 2 ∞ 2
𝑥=1 𝑥 𝑃(𝑥) − ( ) = ∑𝑥=1 𝑥 (𝑞
𝑥−1
𝑝) − ( ) = 𝑞/𝑝2 .
𝑝 𝑝

Exemplo: A probabilidade de se encontrar aberto um sinal de trânsito em determinado ponto da cidade é 0,20. Qual a
probabilidade de que seja necessário passar pelo local 5 vezes para encontrar o sinal aberto pela primeira vez? Calcule 𝐸(𝑋)
e 𝑉𝑎𝑟(𝑋).

𝑋 "nº de vezes necessárias para encontrar o sinal aberto"

𝑝 = 0,20 𝑒 𝑞 = 0,80,

𝑃(𝑋 = 5) = 0,804 ∗ 0,20 = 0,08192.

1 𝑞 0,80
Temos que 𝐸(𝑋) = 1/𝑝 = = 5 e 𝑉𝑎𝑟(𝑋) = = = 20
0,20 𝑝2 0,202

Distribuição Binomial

Consideremos 𝑛 tentativas independentes de um mesmo experimento aleatório. Cada tentativa admite apenas dois resultados:
sucesso com probabilidade 𝑝 e fracasso com probabilidade 𝑞, 𝑝 + 𝑞 = 1. As probabilidades de sucesso e fracasso são as mesmas
para cada tentativa.

Seja 𝑋 “o número de sucessos em 𝑛 tentativas”.

Determinaremos a função de probabilidade da variável 𝑋, isto é, 𝑃(𝑋 = 𝑘).

Um resultado particular (𝑅𝑃):

𝑆𝑆𝑆 … 𝑆𝐹𝐹 … 𝐹𝐹

𝑘 (𝑛 − 𝑘)

20
 Logo, 𝑃(𝑅𝑃) = 𝑃(𝑆𝑆𝑆 … 𝑆𝐹𝐹 … 𝐹𝐹) = 𝑝𝑝𝑝 … 𝑝𝑞𝑞 … 𝑞𝑞 = 𝑝𝑘 𝑞 𝑛−𝑘 .

Considerando todas as 𝑛-uplas com 𝑘 sucessos, temos:

𝑛
𝑃(𝑋 = 𝑘) = ( ) 𝑝𝑘 𝑞 𝑛−𝑘
𝑘
𝑛!
Lembrando: (𝑛𝑘) = .
𝑘!(𝑛−𝑘)!

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

 Esperança e variância

A esperança e a variância de uma v.a. 𝑋: 𝐵(𝑛, 𝑝) é dada por:

𝐸(𝑋) = 𝑛𝑝 e 𝑉𝑎𝑟(𝑋) = 𝑛𝑝𝑞. (Exercício: Demonstre estas igualdades!!)

Exemplos 8.2:

a) Na fabricação de um novo produto, 40% dos itens observados ficaram acima das expectativas. Qual a probabilidade de
que na fabricação de 20 itens desse produto, pelo menos 2 itens superem as expectativas?

𝑋 = "nº de itens produzidos acima das expectativas". Logo 𝑋 = 0, 1, 2, … , 20.

𝑝 = 0,40 → 𝑋: 𝐵(20,0,40).
Assim, 𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 < 2) = 1 − {𝑃(𝑋 = 0) + 𝑃(𝑋 = 1)}

20 20
𝑃(𝑋 = 0) = ( ) (0,40)0 (0,60)20 = 0,00003 e 𝑃(𝑋 = 1) = ( ) (0,40)1 (0,60)19 = 0,00049
0 1

Logo, 𝑃(𝑋 ≥ 2) = 1 − (0,00003 + 0,00049) = 0,9995.

b) Seja uma linha de produção em que a taxa de itens defeituosos é de 0,5%. Calcule a probabilidade de ocorrer mais de 3
defeituosos numa amostra de tamanho 500.
Temos que 𝑝 = 0,005 → 𝑋: 𝐵(500,0,005).

Logo, 𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − {𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)}.

500
𝑃(𝑋 = 𝑥) = ( ) (0,005) 𝑥 (0,995)500−𝑥
𝑥
𝑃(𝑋 = 0) = 1 ∗ 1 ∗ 0,082 = 0,082,
𝑃(𝑋 = 1) = 500 ∗ 0,005 ∗ 0,082 = 0,205,
𝑃(𝑋 = 2) = 124750 ∗ 0,000025 ∗ 0,082 = 0,256,
𝑃(𝑋 = 3) = 20708500 ∗ 0,000000125 ∗ 0,083 = 0,215

Assim, 𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − {0,082 + 0,205 + 0,256 + 0,215} = 0,242.

Distribuição de Poisson

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

A probabilidade de ocorrência de um sucesso no intervalo é proporcional ao intervalo. A probabilidade de mais de um sucesso
nesse intervalo é bastante pequena em relação à probabilidade de um sucesso.

Seja 𝑋 “o número de sucessos no intervalo”, então:

𝑒 −𝜆 𝜆𝑘
𝑃(𝑋 = 𝑘) = ,
𝑘!

21
 em que 𝜆 é a média.

A variável 𝑋 assim definida tem distribuição de Poisson.

 Esperança e variância

A esperança e a variância de uma v.a. 𝑋 com distribuição de Poisson é dada por:

𝐸(𝑋) = 𝜆 e 𝑉𝑎𝑟(𝑋) = 𝜆. (Exercício: Demonstre estas igualdades!!)

Exemplos 8.3:

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

𝑋 = "nº de erros por página".

𝜆 = 1 (em média 1 erro por página).

𝑒 −1 10 𝑒 −1 11 𝑒 −1 12
𝑃(𝑋 ≥ 3) = 1 − 𝑃(𝑋 < 3) = 1 − {𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)} = 1 − ( + + )
0! 1! 2!
= 1 − (0,37 + 0,37 + 0,18) = 0,08

b) Seja uma linha de produção em que a taxa de itens defeituosos é de 0,5%. Calcule a probabilidade de ocorrer mais de 3
defeituosos numa amostra de tamanho 500.
Temos que 𝑝 = 0,005, 𝑛 = 500 → 𝜆 = 𝑛𝑝 = 2,5.
Logo, 𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − {𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)}.
𝑒 −2,5 2,5𝑥
𝑃(𝑋 = 𝑥) =
𝑥!
0,082 ∗ 1
𝑃(𝑋 = 0) = = 0,082,
1
𝑃(𝑋 = 1) = (0,082 ∗ 2,5)/1 = 0,205,
0,082 ∗ 6,25
𝑃(𝑋 = 2) = = 0,256,
2
𝑃(𝑋 = 3) = (0,082 ∗ 15,625)/6 = 0,214

Assim, 𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − {0,082 + 0,205 + 0,256 + 0,214} = 0,243.

Distribuição Hipergeométrica

Consideremos uma população com 𝑁 elementos, dos quais 𝑟 têm uma determinada característica (a retirada de um desses
elementos corresponde ao sucesso). Retiramos dessa população, sem reposição, uma amostra de tamanho 𝑛.
Seja 𝑋 “o número de sucessos na amostra (saída do elemento com a característica)”.

Qual a 𝑃(𝑋 = 𝑘)?

Podemos tirar (𝑁𝑛) amostras sem reposição. Os sucessos na amostra podem ocorrer de (𝑘𝑟 ) maneiras e fracassos de (𝑁−𝑟
𝑛−𝑘
)
modos.

Logo,

𝑟 𝑁−𝑟
(𝑘)(𝑛−𝑘 )
𝑃(𝑋 = 𝑘) = , 0≤𝑘≤𝑛 e𝑘≤𝑟
(𝑁
𝑛)

22
 A variável X assim definida tem distribuição hipergeométrica.

 Esperança e variância

A esperança e a variância de uma v.a. 𝑋 com distribuição hipergeométrica é dada por:

(𝑁−𝑛) 𝑟
𝐸(𝑋) = 𝑛𝑝 e 𝑉𝑎𝑟(𝑋) = 𝑛𝑝(1 − 𝑝) onde 𝑝 = .
(𝑁−1) 𝑁

Exemplos 8.4:

a) De um baralho com 52 cartas, retiram-se 8 cartas ao acaso, sem reposição. Qual a probabilidade de que 4 sejam figuras?

𝑋: número de figuras em 8 cartas.

(12 40
4 )( 4 )
𝑃(𝑋 = 4) = = 0,0601.
(52
8)

b) Uma firma compra lâmpadas por centenas. Examina sempre uma amostra de 15 lâmpadas para verificar se estão boas. Se uma
centena inclui 12 lâmpadas queimadas, qual a probabilidade de se escolher uma amostra com pelo menos uma lâmpada queimada?

𝑋: número de lâmpadas queimadas na amostra.

(12 88
0 )(15)
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 < 1) = 1 − 𝑃(𝑋 = 0) = 1 − 𝑃(𝑋 = 0) = 1 − = 0,8747.
(100
15 )

Exercícios

1. Em uma urna tem 4 bolas brancas e 3 pretas. Retiram-se 3 bolas sem reposição. Seja 𝑋 “o número de bolas brancas”.
a) Determine a distribuição de probabilidade de 𝑋.
b) Obtenha 𝐹(𝑥) e construa seu gráfico.

2. Demonstre todas as propriedades de esperança matemática e variância de uma variável aleatória.

3. Mostre que 𝑉𝑎𝑟(𝑋) = 𝐸{[𝑋 − 𝐸(𝑋)]2 } = 𝐸(𝑋 2 ) − (𝐸(𝑋))².

4. Seja 𝑋: 𝐵(10, 2/5). Calcular:

a) 𝑃(𝑋 = 3) d) 𝑃(|𝑋 − 2| ≤ 1)
b) 𝑃(𝑋 ≤ 2) e) 𝑃(3 < 𝑋 ≤ 5)
c) 𝑃(𝑋 ≥ 4) f) 𝐸(𝑋) e 𝑉𝑎𝑟(𝑋)
Gabarito: a) 0,2150,b) 0,1672, c) 0,6178, d) 0,3762, e) 0,4517, f) 4 e 2,4
5. Seja 𝑋: 𝐵(𝑛, 𝑝). Sabendo-se que 𝐸(𝑋) = 12 e 𝑉𝑎𝑟(𝑋) = 4, determinar 𝑛, 𝑝, 𝐸(𝑍) e 𝑉𝑎𝑟(𝑍), sendo 𝑍 = (𝑋 − 6)/3. Gabarito:
18, 2/3, 2 e 4/9.

6. Sejam 𝑋1 , 𝑋2 , … , 𝑋𝑛 , 𝑛 variáveis aleatórias independentes, com distribuição de Bernoulli com parâmetro 𝑝 (Notação:
Bernoulli(𝑝)).

Seja 𝑋 = 𝑋1 + 𝑋2 + … , + 𝑋𝑛 , prove que:

a) 𝐸(𝑋) = 𝑛𝑝
b) 𝑉𝑎𝑟(𝑋) = 𝑛𝑝𝑞 Dica: Aplique as propriedades da esperança e da variância
7. Sabe-se que 20% dos itens submetidos a um certo tratamento não resistem. Se esse tratamento foi aplicado em 20 itens e 𝑋 é o
número de itens que não resistem:

23
 a) Qual a distribuição de 𝑋?
b) Calcule 𝐸(𝑋) e 𝑉𝑎𝑟(𝑋). Gabarito: 4 e 3,2
c) Calcule 𝑃(2 < 𝑋 ≤ 4). Gabarito: 0,4236
d) Obtenha 𝑃(𝑋 ≥ 2). Gabarito: 0,9308

8. A probabilidade de um atirador acertar no alvo num único tiro é 1/4. Se ele atirar 20 vezes no alvo, qual a probabilidade de
acertar:
a) Exatamente 5 vezes? Gabarito: 0,20233
b) Pelo menos 3 vezes? Gabarito: 0,90874
c) Nenhuma vez? Gabarito: 0,00317
d) No máximo quatro vezes? Gabarito: 0,41485

9. Um lote de aparelhos de TV é recebido por uma loja. Vinte aparelhos são inspecionados. O lote é rejeitado se pelo menos 4
forem defeituosos. Sabendo-se que 1% dos aparelhos são defeituosos. Determinar a probabilidade de a loja rejeitar todo o lote.
Gabarito: 0,00004

10. A experiência mostra que de cada 400 lâmpadas, 2 se queimam ao serem ligadas. Qual a probabilidade de que numa instalação
de:
a) 600 lâmpadas, no mínimo 3 se queimem? Gabarito: 0,5768
b) 900 lâmpadas, exatamente 8 se queimem? Gabarito: 0,0463

11. Uma empresa recebe 720 mensagens em seu fax em 8 horas de funcionamento. Qual a probabilidade de que:
a) Em 6 minutos receba pelo menos 4 mensagens? Gabarito: 0,9788
b) Em 4 minutos não receba nenhuma mensagem? Gabarito: 0,0025

12. Em um pronto socorro, o número de atendimentos de emergência segue uma distribuição de Poisson com média de 60
atendimentos por hora. Calcular:
a) A probabilidade de o pronto socorro não efetuar nenhum atendimento em um intervalo de 5 minutos. Gabarito: 0,0067
b) A probabilidade de o pronto socorro efetuar pelo menos 2 atendimentos em um intervalo de 10 minutos. Gabarito: 0,9995

13. Uma fábrica de automóveis verificou que, ao testar seus carros na pista de prova, há, em média, um estouro de pneu em cada
300 km, e que o número de pneus estourados segue razoavelmente uma distribuição e Poisson. Qual é a probabilidade de que:
a) Um teste de 900 km haja no máximo um pneu estourado? Gabarito: 0,19915
b) Um carro ande 450 km na pista sem estourar nenhum pneu? Gabarito: 0,22313

14. Num lote de 40 peças, 20% são defeituosas. Retiram-se 10 peças do lote. Qual a probabilidade de se encontrar:
a) 3 defeituosas. Gabarito: 0,2224
b) No máximo 2 defeituosas. Gabarito: 0,6883

15. Entre os 16 programadores de uma empresa, 12 são do sexo masculino. A empresa decide sortear 5 programadores para fazer
um curso avançado de programação. Qual a probabilidade dos 5 sorteados serem do sexo masculino? Gabarito: 0,18132

16. Suponha que 100 peixes especiais são pescados, marcados e colocados no lago de um sitiante, que passa a ter, então, um total de
2000 peixes. Num certo dia, o sitiante autoriza a realização de uma pescaria. Assuma que a quantidade de peixes no lago até esse
dia não se alterou. Se 60 peixes são pescados, calcule a probabilidade de 5 serem especiais,
a) supondo que os peixes pescados são colocados de volta no lago, Gabarito: 0,10162
b) supondo que os peixes pescados não são colocados de volta no lago. Gabarito: 0,10184

17. A probabilidade de uma máquina produzir uma peça defeituosa, em um dia, é de 0,1.
a) Qual a probabilidade de que em 20 peças produzidas pela máquina, em um dia ocorram 3 defeituosas? Gabarito: 0,19012
b) Separa-se um lote de 50 peças das 400 produzidas em um dia. Qual a probabilidade de que 5 sejam defeituosas, sabendo-se
que das 400, 20 são defeituosas? Gabarito: 0,06211

24
 9. Conceitos de variáveis aleatórias contínuas

Função densidade de probabilidade (f.d.p)

Seja 𝑋 uma v.a. contínua em um espaço amostral . Diz-se que 𝑓(𝑥) é uma função densidade de probabilidade (f.d.p.) de
𝑋, se:

1. 𝑓(𝑥𝑖 ) ≥ 0
𝑥
2. 𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = ∫𝑥 2 𝑓(𝑥)𝑑𝑥
1
+∞
3. ∫−∞ 𝑓(𝑥)𝑑𝑥 =1

Exemplo 9.1: Sejam uma v.a. contínua 𝑋 e uma função 𝑓(𝑥) = 2𝑥, com 0 ≤ 𝑥 ≤ 1. A função dada é uma f.d.p., pois

1. 𝑓(𝑥𝑖 ) ≥ 0
𝑥 𝑥
2. 𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = ∫𝑥 2 2𝑥𝑑𝑥 = 𝑥 2 |𝑥12 = 𝑥2 2 − 𝑥1 2
1

1
3. ∫0 2𝑥𝑑𝑥 = 𝑥 2 |10 = 1

Função distribuição acumulada

Seja uma variável aleatória X contínua, definida no espaço amostral , e tal que 𝑋(𝜔) ∈ {𝑥1 , 𝑥2 , … , 𝑥𝑛 }, para qualquer 𝜔 ∈
Ω. Chama-se função de distribuição acumulada (f.d.a.) a função dada por:
𝑥
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 .
Em que:

𝑃1 : se 𝑎 ≤ 𝑏 , então 𝐹(𝑎) ≤ 𝐹(𝑏), 𝑃2 : lim 𝐹(𝑥) = 0 e lim 𝐹(𝑥) = 1.

𝑥→−∞ 𝑥→+∞

𝑑
Podemos encontrar a f.d.p., se existir, a partir de 𝐹(𝑥), pois 𝐹(𝑥) = 𝑓(𝑥) nos pontos onde 𝐹(𝑥) é derivável.
𝑑𝑥

Exemplo 9.2: Seja 𝑋 uma v.a. contínua, com f.d.p. 𝑓(𝑥) = 2𝑥, 0 ≤ 𝑥 ≤ 1. A f.d.a. de 𝑋 é dada por:

𝑥 𝑥 2𝑡 2 𝑥
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 = ∫0 2𝑡𝑑𝑡 = | = 𝑥².
2 0

Portanto,

0, 𝑠𝑒 𝑥 ≤ 0
𝐹(𝑥) = {𝑥², 𝑠𝑒 0 < 𝑥 < 1
1, 𝑠𝑒 𝑥 ≥ 1

Esperança matemática
+∞
𝐸(𝑋) = 𝜇𝑋 = ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥 , se 𝑋 é v.a. contínua.

Exemplo 9.3: Seja 𝑋 uma v.a. contínua, com f.d.p. 𝑓(𝑥) = 2𝑥, 0 ≤ 𝑥 ≤ 1. A esperança matemática de 𝑋 é dada por:
+∞ 1 2𝑥 3 1
𝐸(𝑋) = ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥 = ∫0 𝑥2𝑥𝑑𝑥 = | = 2/3.
3 0

25
 Variância
+∞
𝑉𝑎𝑟(𝑋) = 𝜎𝑋2 = ∫−∞ [𝑥 − 𝐸(𝑋)]²𝑓(𝑥)𝑑𝑥 , se 𝑋 é v.a. contínua.

Ou simplesmente, 𝑉𝑎𝑟(𝑋) = 𝐸[𝑋 − 𝐸(𝑋)]2 = 𝐸(𝑋 2 ) − (𝐸(𝑋))².

Exemplo 9.4: A partir do exemplo 5, de onde temos 𝐸(𝑋) = 2/3.

+∞ 1 2𝑥 4 1
Calculando 𝐸(𝑋²) = ∫−∞ 𝑥²𝑓(𝑥)𝑑𝑥 = ∫0 𝑥²2𝑥𝑑𝑥 = | = 1/2.
4 0

2 1 2 2 1
Portanto 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = − ( ) =
2 3 18

10. Distribuições contínuas: Uniforme, Exponencial e Normal

Distribuição Uniforme

Uma variável aleatória contínua 𝑋 tem distribuição uniforme de probabilidades no intervalo [𝑎, 𝑏] se a sua função densidade
de probabilidade (f.d.p.) é dada por:

1
𝑓(𝑥) = {𝑏 − 𝑎 , 𝑎≤𝑥≤𝑏
0, 𝑐. 𝑐

E a função de distribuição de 𝑋 é dada por:

0, 𝑥≤𝑎
𝑥−𝑎
𝐹(𝑥) = { , 𝑎<𝑥<𝑏
𝑏−𝑎
1, 𝑥≥𝑏

 Esperança e variância

Pode-se verificar que:

𝑎+𝑏 (𝑏−𝑎)2
𝐸(𝑋) = e 𝑉𝑎𝑟(𝑋) =
2 12

Exemplo 10.1: Um ponto é escolhido ao acaso no segmento de reta [0,2]. Qual a probabilidade de que o ponto escolhido esteja
entre 1 e 1,5?

Fazendo 𝑋 representar a coordenada do ponto escolhido, nós temos que a f.d.p. de 𝑋 é dada por

1 1
, 0≤𝑥≤2 , 0≤𝑥≤2
𝑓(𝑥) = {2−0 → 𝑓(𝑥) = {2 .
0, 𝑐. 𝑐 0, 𝑐. 𝑐

26
 1,5 1 1 1,5−1 1
Portanto, 𝑃(1 ≤ 𝑋 ≤ 1,5) = ∫1 𝑑𝑥 = 𝑥|1,5
1 = = .
2 2 2 4

Exemplo 10.2: A dureza 𝐻 de uma peça de aço pode ser pensada como uma v.a. com distribuição uniforme no intervalo [50,70] da
escala de Rockwel. Calcular a probabilidade de que uma peça tenha dureza entre 55 e 60.

Seja 𝐻 a v.a. que representa a dureza de uma peça de aço. Logo a f.d.p. de 𝐻 é dada por:

1
, 50 ≤ ℎ ≤ 70
𝑓(ℎ) = {20 .
0, 𝑐. 𝑐

60 1 1 60−55 1
Portanto, 𝑃(55 ≤ 𝐻 ≤ 60) = ∫55 𝑑ℎ = ℎ|60
55 = = .
20 20 20 4

Distribuição Exponencial

A distribuição exponencial envolve probabilidades ao longo do tempo ou da distância entre ocorrências num intervalo
contínuo. Por exemplo, a exponencial é usada como modelo do tempo entre falhas de equipamento elétrico, tempo entre a chegada
de clientes a um supermercado, tempo entre chamadas telefônicas, etc. Há estreita relação entre a distribuição exponencial e a de
Poisson. Na verdade, se um processo de Poisson tem média de  ocorrências durante um intervalo, o espaço (ou tempo, etc) entre
ocorrências naquele intervalo é de 1/. Por exemplo, se as chamadas telefônicas ocorrem em média à razão de 6 por hora, então o
tempo médio entre as chamadas será de 1/6 de hora, ou 10 minutos.

Uma variável aleatória 𝑋 tem distribuição Exponencial de probabilidade se a sua f.d.p. é dada por:

𝜆𝑒 −𝜆𝑥 , 𝑠𝑒 𝑥 ≥ 0
𝑓(𝑥) = {
0, 𝑠𝑒 𝑥 < 0

O gráfico da f.d.p. de 𝑋 é:

∞ ∞
E facilmente vemos que ∫0 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 𝑒 −𝜆𝑥 |0 = 1.

𝑋 tem função de distribuição dada por:

1 − 𝑒 −𝑥 , 𝑥 > 0
𝐹(𝑥) = {
0, 𝑥≤0

27
 Esperança e variância

1 1
A esperança e a variância da distribuição de 𝑋 é dada por: 𝐸(𝑋) = e 𝑉𝑎𝑟(𝑋) =
𝜆 𝜆2

Exemplo 10.3: Uma fábrica de tubos de TV determinou que a vida média dos tubos de sua fabricação é de 800 horas de uso contínuo
e segue uma distribuição exponencial. Qual a probabilidade de que a fábrica tenha que substituir um tubo gratuitamente, se oferece
uma garantia de 300 horas de uso?

𝑋: vida útil dos tubos de TV e 𝐸(𝑋) = 800.

1 1 1
Como 𝐸(𝑋) = → = 800 →  =
  800

Logo,
1 −1 𝑥
𝑓(𝑥) = {800 𝑒
800 , 𝑠𝑒 𝑥 ≥ 0

0, 𝑠𝑒 𝑥 < 0

E a probabilidade de substituir um tubo será:

1 1 300 300 3
300 1
𝑃(𝑋 < 300) = ∫0 𝑒 −800𝑥 𝑑𝑥 = −𝑒 −800𝑥 | = −𝑒 −800 + 1 = 1 − 𝑒 −8 = 0,3137.
800 0

A Distribuição Normal

A distribuição normal (ou Gaussiana) é a mais importante distribuição de probabilidade na estatística. Isto porque, para
amostras grandes, vários fenômenos estudados convergem para uma curva normal.

As variáveis contínuas resultam, em geral, de mensurações (medidas) e podem assumir quaisquer valores em um intervalo
real. Assim, comprimento, área, altura, volume, peso, pressão, renda familiar, etc, são alguns exemplos de variáveis contínuas.
Vimos na Estatística Descritiva que a apresentação gráfica dessas variáveis pode ser feita através de um histograma ou polígono de
frequências. Em grande parte dos casos, esses gráficos têm aspecto similar, sugerindo uma distribuição para os dados em foram de
sino, como mostra a figura abaixo:

28
 A curva sob um gráfico pode ser interpretada como um limite teórico para a descrição dos dados, pois à medida que
aumentamos o tamanho da amostra mais as características amostrais se aproximam dos parâmetros populacionais. A essa curva dá-
se o nome de curva normal ou curva gaussiana e os dados que aderem a ela seguem a chamada distribuição normal.

A distribuição normal, como já foi dito, é a principal distribuição de variável aleatória contínua. A caracterização de
distribuições contínuas se dá através de uma função densidade de probabilidade. É através dessas funções, por exemplo, que
podemos calcular a probabilidade de uma variável aleatória pertencer a um determinado intervalo.

Dizemos que a v.a. 𝑋 tem distribuição normal, com parâmetros 𝜇 e 𝜎 2 , −∞ < 𝜇 < ∞ e 𝜎 2 > 0, se sua f.d.p. é dada por:

1 𝑥−𝜇 2
1
𝑓(𝑥) = 𝑒 − 2(𝜎
)
,
𝜎√2𝜋

para todo 𝑥 ∈ ℝ. Em que os parâmetros 𝜇 e 𝜎 2 referem-se respectivamente a média e a variância da v.a. 𝑋.

Notação: 𝑋~𝑁(𝜇, 𝜎 2 ).

Gráfico: A figura abaixo ilustra uma particular curva normal, determinada por valores particulares de 𝜇 e 𝜎 2 .

Pode-se demonstrar que:

a) 𝐸(𝑋) = ,

b) Var(X) = 𝜎 2 ,

c) 𝑓(𝑥) → 0 quando 𝑥 → ±∞,

d)  −  e  +  são pontos de inflexão de 𝑓(𝑥),

1
e) 𝑥 =  é ponto de máximo de 𝑓(𝑥), e o valor máximo é ,
𝜎√2𝜋

f) 𝑓(𝑥) é simétrica ao redor de 𝑥 = , isto é, 𝑓( + 𝑥) = 𝑓( − 𝑥), para todo −∞ < 𝑥 < ∞,

g) A variável aleatória 𝑋 pode assumir qualquer valor real,

h) O gráfico é uma curva em forma de sino, simétrica em torno da média ,

i) A área total sob a curva vale 1, porque essa área corresponde à probabilidade de a variável aleatória assumir qualquer valor real,

j) Como a curva é simétrica em torno da média, os valores maiores do que a média e os valores menores do que a média ocorrem
com igual probabilidade.

PROBLEMAS para o cálculo das probabilidades de uma distribuição normal:

1. Integração de 𝑓(𝑥), pois para o cálculo é necessário o desenvolvimento em séries,

29
2. Elaboração de uma tabela de probabilidades, pois 𝑓(𝑥) depende de 2 parâmetros, 𝜇 e 𝜎 2 , o que acarretaria um grande trabalho
para tabelar essas probabilidades considerando-se as várias combinações de 𝜇 e 𝜎 2 .

SOLUÇÃO: transformação da variável (𝑋 em 𝑍)

Distribuição Normal Padrão

Para o cálculo das probabilidades, surgem dois grandes problemas: primeiro, para integração de 𝑓(𝑥), pois para o cálculo é
necessário o desenvolvimento em séries, segundo, seria a elaboração de uma tabela de probabilidades, pois 𝑓(𝑥) depende de dois
parâmetros, fato este que acarretaria um grande trabalho para tabelar essas probabilidades considerando-se as várias combinações
de 𝜇 e 𝜎 2 .

Os problemas foram solucionados por meio de uma mudança de variável obtendo-se, assim, a distribuição normal
padronizada ou reduzida:

Quando 𝜇 = 0 e 𝜎 2 = 1, temos uma normal padrão ou reduzida, e escrevemos: 𝑁(0, 1).

Se 𝑋~𝑁(𝜇, 𝜎 2 ), então a v.a. 𝑍 definida por

𝑋−𝜇
𝑍=
𝜎

terá uma distribuição 𝑁(0, 1), ou seja, 𝑍~𝑁(0,1),

É fácil demonstrar que 𝐸(𝑍) = 0 e 𝑉𝑎𝑟(𝑍) = 1. A figura abaixo ilustra a 𝑁(0,1).

Suponha, então, que 𝑋~𝑁(𝜇, 𝜎 2 ) e queiramos determinar 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏).

(𝑥−𝜇)2
𝑏 1
Onde 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫𝑎 𝑒 2𝜎2 𝑑𝑥 (ver figura)
𝜎√2𝜋

30
 𝑋−𝜇
A integral acima apresenta um grau relativo de dificuldade. Esta tarefa é facilitada através do uso de 𝑍 = , em que somente
𝜎

é necessário construir uma tabela para a distribuição normal padrão 𝑁(0,1).

Vejamos, então, como obter probabilidades a partir da Tabela da Distribuição Normal Reduzida. Esta tabela dá as
probabilidades sob uma curva normal padrão que nada mais são do que as correspondentes áreas sob a curva. A figura abaixo ilustra
a probabilidade fornecida pela tabela, a saber,

𝑃(0 ≤ 𝑍 ≤ 𝑧𝑐 ),

sendo 𝑍~𝑁(0,1).

Por exemplo: Se 𝑧𝑐 = 1,73, segue-se que 𝑃(0 ≤ 𝑍 ≤ 1,73) = 0,4582.

Exemplo 10.4: Suponha que a resistência do concreto segue uma distribuição aproximadamente normal com média 84 MPa
e desvio padrão de aproximadamente 12 MPa. Dada uma amostra, determine a probabilidade de que a medida da resistência do
concreto:
a) Esteja entre 84 MPa e 108 MPa.
b) Esteja entre 96 MPa e 108 MPa.
c) Seja superior a 69 MPa.
d) Seja superior a 99 MPa.

Solução:
𝑋−𝜇 𝑋−84
Temos 𝜇 = 84 e 𝜎 2 = 144 → 𝜎 = 12. E, portanto 𝑍 = → 𝑍=
𝜎 12

84−84 𝑋−84 108−84

a) 𝑃(84 ≤ 𝑋 ≤ 108) = 𝑃 ( 12
≤
12
≤
12
) = 𝑃(0 ≤ 𝑍 ≤ 2) = 0,47725.

31
 96−84 𝑋−84 108−84
b) 𝑃(96 ≤ 𝑋 ≤ 108) = 𝑃 ( 12
≤
12
≤
12
) = 𝑃(1 ≤ 𝑍 ≤ 2) = 𝑃(0 ≤ 𝑍 ≤ 2) − 𝑃(0 ≤ 𝑍 ≤ 1) = 0,47725 −

034134, = 0,13591.

𝑋−84 69−84
c) 𝑃(𝑋 ≥ 69) = 𝑃 ( 12
≥
12
) = 𝑃(𝑍 ≥ −1,25) = 0,5 + 𝑃(0 ≤ 𝑍 ≤ 1,25) = 0,5 + 0,39435 = 0,89435.

𝑋−84 99−84
d) 𝑃(𝑋 ≥ 99) = 𝑃 ( 12
≥
12
) 𝑃(𝑍 ≥ 1,25) = 0,5 − 𝑃(0 ≤ 𝑍 ≤ 1,25) = 0,5 − 0,39435 = 0,10565.

Exercícios

1. Dadas as funções abaixo, verificar para que valores de 𝑘 podem ser consideradas f.d.p. Calcular 𝐸(𝑋) e 𝑉𝑎𝑟(𝑋).

a) 𝑓(𝑥) = 𝑘𝑥 2 , 0 ≤ 𝑥 ≤ 2.
b) 𝑓(𝑥) = 𝑘(2 − 𝑥), 0 ≤ 𝑥 ≤ 1.
3 3 3 2 4 13
Gabarito: a) 𝑘 = , 𝐸(𝑋) = , 𝑉𝑎𝑟(𝑋) = ; b) 𝑘 = , 𝐸(𝑋) = , 𝑉𝑎𝑟(𝑋) =
8 2 20 3 9 162

𝑥, 𝑠𝑒 0 ≤ 𝑥 < 1
2. Seja 𝑓(𝑥) = {2 − 𝑥, 𝑠𝑒 1 ≤ 𝑥 < 2
0, 𝑐. 𝑐.
a) 𝑓(𝑥) é uma f.d.p? Em caso afirmativo, calcule:
b) 𝑃(0 < 𝑋 < 5)
c) 𝑃(1/3 < 𝑋 < 3/2)
d) 𝐸(𝑋)
e) 𝑉𝑎𝑟(𝑋)
Gabarito: b) 1; c) 59/72; d) 1; e) 1/6

3. Na leitura de uma escala, os erros variam de -1/4 a 1/4, com distribuição uniforme. Calcule a média e a variância da
distribuição dos erros. Gabarito: 𝐸(𝑋) = 0, 𝑉𝑎𝑟(𝑋) = 1/48

4. Um profissional de computação observou que seu sistema gasta entre 20 e 24 segundos para realizar determinada tarefa.
Considere a probabilidade uniforme em [20,24]. Calcule:
a) 𝑃(𝑋 > 23)
b) 𝐸(𝑋)
c) 𝑉𝑎𝑟(𝑋)
Gabarito: a) ¼; b) 22; c) 4/3

5. O tempo de vida (em horas) de um transistor é uma v.a. 𝑇 com distribuição exponencial. O tempo médio de vida do
transistor é de 500 horas.
a) Qual a probabilidade de o transistor durar mais do que 500 horas?
b) Qual a probabilidade de o transistor durar entre 300 e 1000 horas?
c) Sabendo-se que o transistor já durou 500 horas, calcule a probabilidade de ele durar mais 500 horas.
Gabarito: a) 0,3679; b) 0,4135; c) 0,3679

1
6. A duração de uma lâmpada é uma v.a. T, cuja f.d.p. é: 𝑓(𝑡) = 𝑒 −𝑡/1000 , 𝑡 ≥ 0 (em horas). Calcular a probabilidade
1000

de uma lâmpada:

a) Queimar antes de 1000 horas.

b) Durar entre 800 e 1200 horas.
Gabarito: a) 0,6321; b) 0,1481

32
7. Usando a expressão da probabilidade condicional, mostre que para s, t>0, vale a seguinte relação para a v.a. T exponencial:
𝑃(𝑇 > 𝑠 + 𝑡|𝑇 > 𝑠) = 𝑃(𝑇 > 𝑡)

Essa propriedade é conhecida como “falta de memória”.

8. Seja Z uma v.a. com distribuição normal padrão. Calcule:

a) 𝑃(𝑍 > 1,65)
b) 𝑃(𝑍 < 1,65)
c) 𝑃(−1 < 𝑍 < 1)
d) 𝑃(−3 < 𝑍 < 3)
e) O valor de z, tal que 𝑃(−𝑧 < 𝑍 < 𝑧) = 0,90
f) O valor de z, tal que 𝑃(−𝑧 < 𝑍 < 𝑧) = 0,99
Gabarito: a) 0,0495; b) 0,9505; c) 0,6826; d) 0,9974; e) 1,65; f) 2,58

9. Suponha que o tempo de resposta na execução de um algoritmo é uma v.a. com distribuição normal de média de 23
segundos e desvio padrão de 4 segundos. Calcule:
a) A probabilidade de o tempo de resposta ser menor do que 25 segundos.
b) A probabilidade de o tempo de resposta ficar entre 20 e 30 segundos.
Gabarito: a) 0,6915; b) 0,7333

10. Estudos indicam que o saldo mensal de uma loja de material de construção segue uma distribuição normal com média de
R$20.000,00 e desvio-padrão de R$4.000,00. Em geral, qual é o saldo mensal da loja? Qual é a probabilidade de o saldo
mensal:

a) Ser de, no máximo, R$20.000,00?

b) Ser algo entre R$15.000,00 e R$22.000,00?
c) Ser inferior a R$15.000,00?
d) Não ultrapassar os R$22.000,00?
e) Ser negativo?
Gabarito: a) 0,5; b) 0,58581; c) 0,10565; d) 0,69146; e) 0

33
 Tabela da Distribuição Normal Padrão
𝑝 = 𝑃(0 ≤ 𝑍 ≤ 𝑧)

Casa inteira 2ª decimal

e 1ª dec. 0 1 2 3 4 5 6 7 8 9
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670
2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861
3,0 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900
3,1 0,49903 0,49906 0,49910 0,49913 0,49916 0,49918 0,49921 0,49924 0,49926 0,49929
3,2 0,49931 0,49934 0,49936 0,49938 0,49940 0,49942 0,49944 0,49946 0,49948 0,49950
3,3 0,49952 0,49953 0,49955 0,49957 0,49958 0,49960 0,49961 0,49962 0,49964 0,49965
3,4 0,49966 0,49968 0,49969 0,49970 0,49971 0,49972 0,49973 0,49974 0,49975 0,49976
3,5 0,49977 0,49978 0,49978 0,49979 0,49980 0,49981 0,49981 0,49982 0,49983 0,49983
3,6 0,49984 0,49985 0,49985 0,49986 0,49986 0,49987 0,49987 0,49988 0,49988 0,49989
3,7 0,49989 0,49990 0,49990 0,49990 0,49991 0,49991 0,49992 0,49992 0,49992 0,49992
3,8 0,49993 0,49993 0,49993 0,49994 0,49994 0,49994 0,49994 0,49995 0,49995 0,49995
3,9 0,49995 0,49995 0,49996 0,49996 0,49996 0,49996 0,49996 0,49996 0,49997 0,49997
4,0 0,49997 0,49997 0,49997 0,49997 0,49997 0,49997 0,49998 0,49998 0,49998 0,49998
Para abscissas maiores que 4,09, use a probabilidade 0,50000.

34
Tabela da Distribuição Acumulada da Normal Padrão
𝑝 = 𝛷(𝑧) = 𝑃(𝑍 ≤ 𝑧)

Casa inteira e 2ª decimal

1ª dec. 0 1 2 3 4 5 6 7 8 9
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997
4,0 0,99997 0,99997 0,99997 0,99997 0,99997 0,99997 0,99998 0,99998 0,99998 0,99998
Para abscissas maiores que 4,09, use a probabilidade 1,00000.

35