Escolar Documentos
Profissional Documentos
Cultura Documentos
Imprimir Estatistica
Imprimir Estatistica
Experimento aleatório
aleatório:: Lançamento de uma moeda honesta
Conceito três vezes e observação das faces que ocorrem.
Função de probabilidade e função de distribuição c → ccc
c
Valor esperado e variância c k → cck
Diagrama c → ckc
k
em árvore k → ckk
c → kcc
c
Distribuições de probabilidade k k → kck
c → kkc
k
Binomial k → kkk
#S = 2 x 2 x 2 = 23 = 8
Hipergeométrica
S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk}
Poisson
Ferramental matemático se amplia consideravelmente se
o espaço amostral for numérico
1 2
Experimento aleatório
aleatório:: Lançamento de uma moeda honesta
três vezes e observação das faces que ocorrem.
Variável aleatória
Definição: É uma função (ou regra) que transforma um espaço
S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk}
amostral qualquer em um espaço amostral numérico,
numérico que será
X = número de caras ocorrido nos três lançamentos sempre um subconjunto do conjunto dos números reais.
1
Exemplo: Lançamento de uma moeda honesta até que
Discretas ocorra a face cara e observação das faces que ocorrem.
Variáveis aleatórias
S = {k , ck , cck , ccck , cccck , ccccck, ...}
Contínuas
X = número de coroas até que ocorra cara
SX = {0 , 1 , 2, 3 , 4 , 5, ...} X(k) = 0
Variáveis aleatórias discretas X(ck) = 1
X S
S → X
Definição: São discretas todas as variáveis cujo espaço
Definição:
amostral SX é enumerável finito ou infinito
infinito. Y = número de lançamentos até que ocorra cara
Se X é uma variável aleatória discreta, então SX é um
SY = {1, 2 , 3 , 4 , 5 , 6, ...} Y(k) = 1
subconjunto dos inteiros
inteiros.
Y(ck) = 2
Y S
S → Y
5 6
2
Exemplo: De uma urna com três bolas pretas e duas brancas,
Existem três formas de representar uma função: retiram-se duas bolas juntas. Se X é o número de bolas pretas
retiradas, determine a função de probabilidade P(X=x).
Representação tabular
tabular:: consiste em relacionar em # S = C52 = 10
uma tabela os valores da função de probabilidade.
S = {B1B2, P1B1, P1B2, P2B1, P2B2, P3B1, P3B2, P1P2, P1P3, P2P3}
Representação gráfica
gráfica:: consiste em representar SX = {0, 1, 2}
graficamente a relação entre os valores da variável duas bolas
e suas probabilidades C03 C22 1
P(X = 0) = =
C52 10
Representação analítica
analítica:: estabelece uma expressão
geral para representar o valor da função de probabilidade C13 C12 6
num ponto genérico da variável P(X = 1) = =
C25 10
C32 C02 3
P(X = 2) = =
C52 10
9 10
Representação tabular
X=x 0 1 2 Σ Representação analítica
1 6 3
P(X=x) 1
10 10 10
C03 C22
P(X = 0) =
Representação gráfica C52
p(x) C1 C1 C3x C22− x
P(X = 1) = 3 2 2 P(X = x) = , para SX = {0, 1, 2}
0,6
C5 C52
0,4
C32 C02
P(X = 2) =
C52
0,2
0 1 2 x
11 12
3
X=x 0 1 2 Σ
2. Função de distribuição ou probabilidade No exemplo: 1 6 3
P(X=x) 1
acumulada 10 10 10
1 7
F(x) 1 -
10 10
Definição: Seja X uma variável aleatória discreta e SX o seu
Definição: F(x) = P(X ≤ x) = ∑ P(X = x)
X ≤x
espaço amostral. A função de distribuição, denotada por F(x)
ou P(X ≤ x)
x), é a função que associa a cada valor de X a 1
probabilidade P(X ≤ x)
x). Desta forma, temos F(0) = P(X ≤ 0) = ∑ P(X = x) = P(X = 0) =
x ≤0 10
1 6 7
F(1) = P(X ≤ 1) = ∑ P(X = x) = P(X = 0) + P(X = 1) = + =
F(x) = P(X ≤ x) = ∑ P(X = x) x ≤1 10 10 10
X ≤x
4
No exemplo:
Importante!!!
X=x 0 1 2 Σ
1 6 3
P(X=x) 1
10 10 10 Não confundir µx com x.
µx é a média de todos os valores de X (para os quais a
E(X) = µ = ∑ x p(x)
x∈S X probabilidade é conhecida)
17 18
Exercício: Variância
O tempo (em minutos) para que um operário processe certa peça Definição:: Seja X uma variável aleatória discreta e SX o
Definição
seu espaço amostral. A variância de X, denotada por V(X)
V(X),
é uma variável com distribuição dada na tabela abaixo.
ou σ X, ou simplesmente σ2, é o grau médio de dispersão
2
19 20
5
No exemplo: X=x 0 1 2 Σ Desvio padrão
1 6 3
P(X=x) 1 Definição: Raiz quadrada positiva da variância.
10 10 10
12
E(X) = µ = = 1,2 σ = V(X)
V(X) = σ2 = E(X − µ) 2 10
= ∑ (x − µ) p(x)2
x∈S X No exemplo:
2 2 2
12 1 12 6 12 3 36
= 0 − × + 1 − × + 2 − × =
10 10 10 10 10 10 100 σ = V(X) = 0,36 = 0,6 bolas pretas
2
18 12 36 Significado do desvio padrão:
padrão: se o experimento fosse
V(X) = σ = E(X 2 ) − µ 2 = − = = 0,36 bolas pretas
2 2
10 10 100 repetido um grande número de vezes, a variação média do
número de bolas pretas escolhidas em torno do valor
E(X 2 ) = ∑ x 2p(x)
esperado seria 0,6.
1 6 3 18
= 02 × + 12 × + 22 × =
10 10 10 10
21 22
Importante!!! Exercício:
Um vendedor recebe uma comissão de R$ 100,00 por uma
venda. Baseado em suas experiências anteriores ele
Não confundir σ2 com s2.
calculou a distribuição de probabilidades das vendas
σ2 é a variância de todos os valores de X (para os quais semanais:
a probabilidade é conhecida)
x 0 1 2 3 4
s2 é a variância de alguns valores de X (usualmente
p(x) 0,10 0,20 0,40 0,20 0,10
uma amostra de valores)
Da mesma forma, não confundir σ com s. (a) Qual é o valor esperado de comissão por semana? R$ 200,00
23 24
6
Distribuições de probabilidade Distribuições discretas
7
2. Distribuição binomial Experimento: As pessoas de uma região foram vacinadas
Experimento:
contra uma determinada doença e 60% delas ficaram
Definição: Modelo que descreve probabilisticamente os imunes. Se uma pessoa desta região é escolhida ao acaso
resultados de uma sequência de experimentos de Bernoulli e sua situação em relação a imunização é registrada,
independentes entre si, ou seja, onde a probabilidade de temos um experimento de Bernoulli.
sucesso é constante em todas as repetições do experimento.
S = {imune, não imune}
Se X = Y1 + Y2 + ... + Yn
onde:
onde:
Yi ~ Ber (π) e independentes; p(imune) = 0,6 = π
então, a variável X tem distribuição binomial. p(não imune) = 1 - 0,6 = 0,4 = 1 - π
Distribuição binomial processo finito de Bernoulli Se três pessoas são escolhidas, uma a uma, e o resultado
é registrado, temos uma sequência de três experimentos
n experimentos de Bernoulli independentes, com
de Bernoulli independentes
independentes, pois, a cada escolha, a
probabilidade de sucesso π constante para todos eles
probabilidade de sucesso permanecerá inalterada.
É importante no contexto de amostragem com reposição
29 30
8
Representação tabular Parâmetros
X=x 0 1 2 3 Σ
P(X = x) 0,064 0,288 0,432 0,216 1 P(X = x) = Cnx π x (1− π )n− x
Parâmetros
Variância n = número de repetições no experimento
π = probabilidade de sucesso
V(X) = σ2 = E(X ) − µ
2 2
Medidas descritivas
9
Exercício: Num determinado processo de fabricação a 3. Distribuição hipergeométrica
chance de uma peça sair defeituosa é de 10%. As peças
Definição: Modelo que descreve probabilisticamente os
são acondicionadas em caixas com 5 unidades cada uma.
resultados de uma sequência de experimentos de Bernoulli
dependentes. Refere-se a experimentos que se
dependentes
(a) Qual a probabilidade de haver exatamente 1 peça caracterizam por retiradas sem reposição,
reposição onde a
defeituosa numa caixa? (32,81%) probabilidade de sucesso se altera a cada retirada.
(b) Qual a probabilidade de haver duas ou mais peças A Distribuição hipergeométrica se difere da
defeituosas numa caixa? (8,14%) Distribuição binomial porque a probabilidade de sucesso
muda de um experimento para o outro
37 38
sub-
sub-populações Experimento:: Uma caixa contém 10 bolas coloridas:
Experimento
sete são verdes e três laranjas
laranjas. Três bolas são retiradas
da caixa, uma após a outra e sem reposição. Se a
N1 N2 X= número de variável aleatória X é definida como o número de bolas
população
(sucesso) (fracasso) sucessos em n verdes retiradas, construa a distribuição de
N =N1+N2 retiradas probabilidade de X.
n elementos
(sem reposição) Verde Laranja
Bolas
N1=7 N2 =3
Como não há reposição, a probabilidade de sucesso (retirar
N =10
elementos da sub-população de tamanho N1) se altera a
cada retirada. 3 bolas (n=3
n=3)
Do ponto de vista probabilístico não faz diferença considerar X = número de bolas verdes
retiradas individuais sem reposição ou retirada conjunta de
grupos
39 40
10
S = {L1L2L3, L1L2V1,L1L2V2, ..., V5V6V7} V = verde Representação tabular
3 L = laranja
# S = C10 = 120 X=x 0 1 2 3 Σ
X = número de bolas verdes P(X = x) 0,00833 0,175 0,525 0,2917 1
11
RESUMO - Distribuição hipergeométrica Exercício: Pequenos motores são guardados em caixas de
50 unidades. Um inspetor de qualidade examina cada caixa
Descrição probabilística de uma sequência de experimentos
de Bernoulli dependentes
dependentes. Importante no contexto de testando 5 motores. Se nenhum for defeituoso, a caixa é
amostragem sem reposição.
reposição aceita. Se pelo menos 1 for defeituoso, todos 50 são testados.
Há 6 motores defeituosos numa caixa. Qual a probabilidade
Função de probabilidade de que seja necessário examinar todos os motores desta
CNx CNn- x caixa? R: 0,4874
P(X = x) = 1
n
2 , para SX = {0, 1, ..., n}
C N
Tem-se N1 = 6 , N = 50 , n = 5, P(X ≥ 1) = ?
Parâmetros n = número de repetições do experimento
N = tamanho da população
N1 = tamanho da sub-população de interesse P(X = 0) =
C06C544 = 1086008 = 0,51257
C550 2118760
Medidas descritivas
N N1 N 2 N-n
E(X) = µ = n 1 V(X) = σ 2 = n P(examinar tudo) = 1 - P(X = 0) =0,48743
N N N N-1
45 46
12
Função de probabilidade Parâmetros
λx
De modo geral, se X é uma variável que tem distribuição P(X = x) = e − λ parâmetro
de Poisson, sua função de probabilidade será: x!
49 50
51 52
13
Medidas descritivas RESUMO - Distribuição de Poisson
Média ou valor esperado: E(X) = µ = ∑ x p(x)
x∈S X
Descrição probabilística da sequência de um grande número
de fenômenos independentes
independentes, todos com probabilidade de
sucesso constante e muito pequena
pequena.
Teorema: E(X) = µ = λ
Função de probabilidade
λ x , para S = {0, 1, 2, ...}
Variância: V(X) = σ = E(X ) − µ
2 2 2 P(X = x) = e − λ X
x!
Parâmetro
Teorema: V(X) = σ2 = λ λ = número médio de sucessos
Medidas descritivas
Na Poisson média e variância são iguais!!
E(X) = µ = λ V(X) = σ2 = λ
53 54
Exercício: (a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos?
(a) Qual a probabilidade de uma determinada face λ = (50/10000) defeitos/cm2 x 100 cm2 = 0,5 defeitos por face.
apresentar exatamente 2 defeitos? (7,58%)
A probabilidade de uma face apresentar dois defeitos será:
(b) Qual a probabilidade de o dado apresentar no mínimo
dois defeitos? (80,08%) −0,5 ( 0,5 )2
P(X = 2) = e = 7,58%
(c) Qual a probabilidade de que pelo menos 5 faces sejam 2!
perfeitas? (24,36%)
55 56
14
(b) Qual a probabilidade de o dado apresentar no mínimo dois defeitos? (c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas?
No dado inteiro, a área total será a = 6x100 cm2 = 600 cm2 e o A probabilidade de uma face ser perfeita é a probabilidade de
número médio de defeitos será então: ela não apresentar defeitos, isto é:
−0,5 ( 0,5 )0
λ = (50/10000) defeitos /cm2 x 600 cm2 = 3 defeitos P (X = 0) = e = 60,65%
0!
A probabilidade de o dado apresentar no mínimo 2 defeitos será: Tem-se então uma binomial Y com n = 6 (número de faces do
dado) e p = 60,65%(probabilidade de uma face ser perfeita)
P(X ≥ 2) = P(X = 2) + P(X = 3) + ... = 1 - P(X ≤ 1)
Então a probabilidade de pelo menos 5 perfeitas, será:
= 1 - [P(X = 0) + P(X =1)] =
−3 0 −3 1 P(Y ≥ 5) = P(Y = 5) + P(Y = 6)
=1-[ e 3 + e 3 ]=
0! 1! 6
= . (0,6065)5 . (0,3935)1+ 6 .( 0,6065)6 .(0,3935)0 = 24,36%
= 1 - [0,0498 + 0,1494] = 80,08% 6
5
57 58
15
Variáveis aleatórias contínuas Variáveis aleatórias contínuas
Definição: São contínuas todas as variáveis cujo espaço
Definição:
Conceito
amostral SX é não enumerável.
enumerável
Função densidade de probabilidade e função de Se X é uma variável aleatória contínua, X pode assumir
distribuição [a; b] ou no intervalo (-∞;+∞).
qualquer valor num intervalo [a;
Valor esperado e variância O espaço SX será sempre definido como um intervalo do
conjunto dos reais
reais, sendo, portanto, um conjunto infinito.
1
Exemplo:
Segunda condição: ∫ f(x)dx = 1
Seja a função f (x) = 2x, no intervalo SX = [0,1]. Verifique se f (x) SX
é uma função densidade de probabilidade.
condição: f (x) ≥ 0, ∀ x∈
Primeira condição: ∈SX b ×h 1 × 2
f (x) Área: = =1
Como a função é linear, são necessários 2 2
2 • dois pontos para traçar a reta.
Por conveniência esses pontos são os A área sob a função f (x) no
limites do intervalo SX. intervalo SX, que equivale a
f (x) = 2x P(X∈
P(X ∈SX), é igual a 1.
1
×0 = 0
f (x=0) = 2×
×1 = 2
f (x=1) = 2× A função f (x) = 2x
2x,, no intervalo
SX =[0, 1] é uma função
• densidade de probabilidade!!
0
Todos os valores da função f (x) são não
1 x
negativos no intervalo de 0 a 1.
SX 5 6
A
A
7 8
2
2. Função de distribuição ou probabilidade Exemplo: f (x) = 2x, SX =[0,1]
acumulada
Definição: Seja X uma variável aleatória contínua e SX o
Definição: x
9 10
3
Medidas descritivas Exercício proposto:
Variância Determinar a média e a variância da vac cuja fdp é dada
Definição: Seja X uma variável aleatória contínua e SX o seu espaço por:
µ = -3/4 e σ2 = 3/80
amostral. A variância de X, denotada por V(X) ou σ2, será dada por
f(x) = 3x2 se -1 ≤ x ≤ 0
V(X) = σ 2 = E(X − µ)2 = ∫ (x − µ)2 f(x)dx (Fórmula de definição)
SX
Solução:
V(X) = σ 2 = E(X2 ) − µ2 = ∫ x 2 f(x)dx − µ2 (Fórmula prática) 0 0 0
S X µ = E(X) = ∫ x f(x) dx = ∫ x (3x 2 ) dx = ∫ (3x 3 ) dx
−1 −1 −1
0
Exemplo: x4
f (x) = 2x, SX =[0,1]
= 3 = −3
4 −1 4
V(X) = σ2 = E(X2) − µ2
( )
2 0 0 2
1 1 2 σ2 = V(X) = ∫−1 x f(x) dx − µ = ∫−1 x (3x ) dx − − 3 4
2 2 2 2
= ∫ x2 2x dx − µ2 = ∫ 2x3 dx −
0 0 3 0
x 4 1 4 1 4 9 − 8 1
= 2 − = − =
4 9 2 9 18
=
18
0
( )
= ∫ 3x 4 dx − 9
−1 16
x5
= 3 − 9
5 −1
( ) 3 9 3
16 = 5 − 16 = 80
0
13 14
15 16
4
Função densidade de probabilidade Parâmetros
1 A distribuição uniforme tem dois parâmetros:
, para α≤ x ≤β
f(x) = β − α α: menor valor para o qual a variável X está definida
0, em caso contrário β: maior valor para o qual a variável X está definida
X ~ U (α, β)
Função de probabilidade acumulada
0, se x < α
x
x−α Medidas descritivas
F(x) = P(X ≤ x) =
−∞ ∫
f(x) dx =
β − α
, se α ≤ x ≤ β
(β − α )2
Variância: V(X) = σ2 =
12
x
17 18
RESUMO - Distribuição Uniforme Exemplo: Seja X uma variável aleatória contínua com
distribuição uniforme no intervalo [5, 10]. Determinar as
Descrição probabilística de uma variável aleatória contínua que probabilidades:
assume valores no intervalo [α, β], cuja probabilidade de assumir
a) P(X < 7)
valores num subintervalo é a mesma que para qualquer outro x −α
subintervalo de mesmo comprimento. b) P(X > 8,5) P( X < x) = F ( x) =
β −α
c) P(8 < x < 9)
Função dens. probabilidade x
1 Utilizando a função de distribuição acumulada:
, para α≤ x ≤β
f(x) = β − α
0,
a) P(X < 7) = x − α = 7 − 5 = 2 = 0,4
em caso contrário
x β − α 10 − 5 5
Parâmetros α: menor valor para o qual a variável X está definida
β: maior valor para o qual a variável X está definida b) P(X > 8,5) = β − x = 10 − 8,5 = 1,5 = 0,3
β −α 10 − 5 5
Medidas descritivas
(β + α ) (β − α )2 x2 − α x1 − α 9−5 8−5 1
E(X) = µ = V(X) = σ2 = c) P(8 < X < 9) = P(X < 9) - P(X < 8) = − = − = = 0,2
2 12 β − α β − α 10 − 5 10 − 5 5
19 20
5
Exercício proposto: Uma variável X é uniformemente 2. Distribuição Exponencial
distribuída no intervalo [10, 20]. Determine:
a) valor esperado e variância de X
α = 10 e β = 20 Definição: Seja X uma variável aleatória contínua que só
(β + α) (20 + 10) assume valores não negativos. Se esta variável é o
E(X) = µ = = = 15
2 2 tempo decorrido entre ocorrências sucessivas de um
processo de Poisson, então ela tem distribuição
(β − α)2 (20 − 10)2
V(X) = σ 2 = = = 8,33 exponencial.
12 12
6
Parâmetros RESUMO - Distribuição exponencial
A distribuição exponencial tem apenas um parâmetro:
Descrição probabilística de uma variável aleatória contínua que
λ: número médio de ocorrências em determinado
é o tempo decorrido entre ocorrências sucessivas de um
período de tempo (λ>0) processo de Poisson.
X ~ Exp(λ)
Função dens. probabilidade 1-e-λx
Medidas descritivas λe− λx , para x >0
f(x) = e-λx
0, em caso contrário
Média ou valor esperado: E(X) = µ = 1
λ Parâmetros
x
λ: número médio de ocorrências em
determinado período de tempo (λ>0)
1 Medidas descritivas
Variância: V(X) = σ2 =
λ2 1
V(X) = σ2 =
1
E(X) = µ =
λ λ2
25 26
Exemplo: Os tempos até a falha de um dispositivo Exercício proposto: Suponha que um componente eletrônico
tenha um tempo de vida X (em unidades de 1000 horas) que
eletrônico seguem o modelo exponencial, com uma taxa
segue uma distribuição exponencial de parâmetro λ = 1.
de falha λ = 0,012 falhas/hora. Indique qual a probabilidade Suponha que o custo de fabricação do item seja 2 reais e que o
de um dispositivo escolhido ao acaso sobreviver a 50 preço de venda seja 5 reais. O fabricante garante devolução
horas? E a 100 horas? total se X < 0,90. Qual o lucro esperado por item?
X ~ Exp(1)
1-e-λx
1-e-λx
X: tempo até a falha (horas) A probabilidade de um componente durar
e-λx e-λx
X ~ Exp(0,012) menos de 900 horas é dada por:
P(X < 0,9) = F(0,9) = 1 − e−0,9 = 0,5934
x
P( X > 100) = e −0,012 x100 = e −1,2 = 0,3012 Então o lucro esperado será:
E(Y) = -2 × 0,5934 + 3 × 0,4066 = R$ 0,03
27 28
7
3. Distribuição Normal Distribuição normal
É importante tanto no aspecto teórico como nas aplicações. Essa Definição: É uma distribuição teórica de frequências, onde a
Definição:
importância se deve a um conjunto de aspectos: maioria das observações se situa em torno da média (centro) e
Propriedades matemáticas. diminui gradual e simetricamente no sentido dos extremos.
É útil para descrever uma grande quantidade de fenômenos
A distribuição normal é representada graficamente pela curva
naturais físicos, ambientais, etc.
normal (curva de Gauss) que tem a forma de sino e é simétrica
Muitas variáveis não normais podem ser tratadas como normais em relação ao centro, onde se localiza a média µ.
após transformações simples.
Distribuições de um grande número de variáveis aleatórias
convergem para a distribuição normal.
Uma grande quantidade de métodos e procedimentos de
inferência estatística são derivados tendo-a como pressuposição
básica.
O conjunto de métodos desenvolvidos para tratar variáveis que têm distribuição
normal forma a chamada Estatística Clássica ou Estatística Paramétrica.
Paramétrica
29 30
Parâmetros
A distribuição normal tem dois parâmetros:
Populações normais
µ = média (determina o centro da distribuição) com variâncias
σ2 = variância (determina a dispersão da distribuição) diferentes e mesma
média
X ~ N (µ, σ2)
X tem distribuição normal com parâmetros µ e σ2
31 32
8
Propriedades da distribuição normal
máximo
33 34
35 36
9
Cálculo de áreas Distribuição normal padrão
Para cada valor de µ e de σ, Definição: é a distribuição normal de uma variável Z que tem
existe uma distribuição normal média igual a zero (µµ=0) σ=1).
=0 e desvio padrão igual a um (σ=1
diferente
Tabela - Área sob a curva normal padrão de 0 a z, P(0 ≤ Z ≤ z). Os valores negativos não são apresentados na tabela
porque a curva é simétrica; assim, as áreas correspondentes
P(0 < Z < z) a esses valores são exatamente iguais às dos seus
simétricos positivos, por exemplo P(-
P(-1<Z<0)
1<Z<0)=
=P(0<Z<1)
P(0<Z<1).
39 40
10
P(-2,17 < Z < 0) = ?
0,4850 0,4850
=
Exercício proposto:
-∞ -2,17 0 +∞ -∞ 0 +∞
2,17 Seja Z uma variável aleatória com distribuição normal padrão.
Determine as seguintes probabilidades:
P(-1 < Z < 2) = ?
0,4772+0,3413
= 0,8185
0,4772 0,3413
a) P(0 < Z < 1,73) 0,4582
= +
b) P(Z > 0,81) 0,2090
-∞ -1 0 2 +∞ -∞ 0 2 +∞ -∞ 0 1 +∞
0,5-0,4332
0,5 0,4332
= 0,0668 _
=
-∞ 0 1,5 +∞ -∞ 0 +∞ -∞ 0 1,5 +∞
41 42
Através da distribuição normal padrão é possível estudar A transformação muda as variáveis, mas não altera a
qualquer variável X que tenha distribuição normal, com área sob a curva.
quaisquer valores para µ e σ.
(µ, σ2)
X ~ N (µ
→ X −µ
transformar Z=
σ
Z ~ N ((0
0, 1)
Z ~ N (0
(0, 1)
Após a transformação, procuramos na tabela a área
compreendida entre 0 e z, que corresponderá a área entre µ e x.
P(x1 < X < x2) = P(z1 < Z < z2)
43 44
11
Para encontrar essa área, vamos utilizar a tabela da
Exemplo: distribuição normal padrão. Inicialmente, fazemos a
Sabendo que as notas de 450 alunos estão normalmente transformação da variável X para a variável Z.
distribuídas, com média µ = 3,9 e desvio padrão σ = 0,28,
determine:
a) a probabilidade de um aluno ter nota maior que 4,27;
b) o número de alunos que têm nota superior a 4,27.
4,27 − 3,9
z= = 1,32
0,28
45 46
12
Solução:
Exemplo: Uma fábrica de carros sabe que os motores de
a) P(X < 170.000) = P(Z < (170.000-150.000)/5.000)
sua fábrica tem duração normal com média de 150.000km e
= P(Z < 4) = 1 = 100%
desvio padrão de 5.000km. Qual a probabilidade de que um
carro escolhido ao acaso, tenha um motor que dure:
b) P(140.000<X<160.000) = P(-2<Z<2) =
a) menos de 170.000km?
= 0,4772+0,4772 = 0,9544 = 95,44%
b) entre 140.000 e 160.000km?
c) Se o fabricante deseja oferecer uma garantia, tal que ele c) Seja G o valor de garantia
tenha que substituir no máximo 1% dos motores, qual deve P(X<G) = P(Z < (G-150)/5) = 0,01 = P(Z < -2,33)
G − 150
= −2,33 ⇒ Garantia tem que ser de 138.350km.
ser o valor desta garantia?
5
49 50
Exercício proposto: Suponha que a estatura de recém- Exercício proposto: O diâmetro do eixo principal de um
nascidos do sexo feminino é uma variável com distribuição disco rígido segue a distribuição Normal com média 25,08
in e desvio padrão 0,05 in.
normal de média µ = 48 cm e σ = 3 cm. Determine:
Se as especificações para esse eixo são 25,00 ± 0,15 in,
determine o percentual de unidades produzidas em
a) a probabilidade de um recém-nascido ter estatura entre 42 conformidades com as especificações.
e 49 cm;
P{24,85 ≤ x ≤ 25,15} = P{x ≤ 25,15}− P{x ≤ 24,85}
b) a probabilidade de um recém-nascido ter estatura superior
a 52 cm; 25,15 − 25,08 24,85 − 25,08
= P Z ≤ − P Z ≤
c) o número que de recém-nascidos que têm estatura inferior 0,05 0,05
à µ+σcm, dentre os 532 que nasceram numa determinada
maternidade, no período de um mês. = P{Z ≤ 1,40}− P{Z ≤ −4,60} = 0,9192 − 0,0000 = 0,9192
13
LISTA DE EXERCÍCIOS
PROBABILIDADE
3. Um criador necessita repor quatro fêmeas de seu plantel. Seis matrizes foram
acasaladas e produziram um filho cada. Supondo que machos e fêmeas nascem com
a mesma probabilidade, obtenha a probabilidade de que seja necessária a compra de
ao menos uma fêmea de outro criador.
5. De uma área experimental com a cultura de arroz irrigado foram escolhidas ao acaso
três unidades experimentais (parcelas) de um total de quinze, das quais, cinco estão
com falhas devido ao ataque de pragas. Calcule a probabilidade de que:
a) nenhuma parcela apresente falha;
b) somente uma parcela apresente falha;
c) pelo menos uma apresente falha.
7. Uma certa área do oeste de Santa Catarina é atingida, em média, por seis ventos
fortes (com velocidade acima de 90k m/h) por ano. Encontre a probabilidade de num
dado ano:
a) menos do que quatro ventos fortes atingirem esta área;
b) cerca de seis a oito ventos fortes atingirem esta área.
Distribuições de variáveis contínuas
8. Suponha que X seja uniformemente distribuída entre [-α, α], onde α > 0. Determinar
o valor de α de modo que as seguintes relações estejam satisfeitas:
a) P(X > 1) = 1/3
b) P(X < 1/2) = 0,7
12. Sendo Z uma variável aleatória contínua com distribuição normal padrão, determine:
a) P(0 < Z < 2,1) d) P(-2.84 < Z < 1.4)
b) P(0 < Z < 0,65) e) P(1,32 < Z < 2,35)
c) P(-1,78 < Z < 0) f) P(Z > -1,75)
14. Na seleção de provadores de café são dadas 10 amostras, nas quais o degustador
deve diferenciar o tipo de café. Sabe-se que a média de acertos é de 4,5 com desvio
padrão 1,0. Uma empresa deseja selecionar provadores que acertem o tipo de café
em, pelo menos, 7 amostras. Supondo que o número de acertos seja normalmente
distribuído e que num determinado concurso se apresentem 500 candidatos, quantos
poderão ser selecionados?
15. Dois estudantes foram informados de que alcançaram as variáveis reduzidas de 0,8 e
-0,4, respectivamente, em um exame de múltipla escolha de inglês. Se seus graus
foram 88 e 64, determine a média e o desvio padrão dos graus do exame.
16. A taxa de respiração X em diafragmas de ratos (em microlitros/mg de peso
seco/hora) sob condições normais é normalmente distribuída com média 2,03 e
variância 0,44. Calcule a probabilidade de que, observado um valor de X, ele fique
fora do intervalo (1,59; 2,47).
17. Supondo que em indivíduos sadios ou normais, a taxa de albumina no sangue tenha
distribuição normal com média 4,4g/100cc e desvio padrão 0,6g/100cc, então, para
uma população de indivíduos sadios ou normais, calcule:
a) a probabilidade de se ter uma taxa de albumina menor do que 3g/100cc;
b) a probabilidade de se ter uma taxa de albumina maior do que 4,9g/100cc;
c) a probabilidade de se ter uma taxa de albumina entre 3,2g/100cc e 5,2g/100cc;
d) a probabilidade de se ter uma taxa de albumina não compreendida entre
2,9g/100cc e 5g/100cc;
e) a taxa de albumina que é ultrapassada por 5% da população;
f) a taxa de albumina que é ultrapassada por 2,5% da população;
g) a taxa de albumina que não é ultrapassada por 10% da população;
h) as taxas de albumina, simétricas em relação a taxa média, entre as quais estão
compreendidas 99% das taxas da população.
18. Suponha que X, a carga de ruptura de um cabo (em kg), tenha distribuição normal
com µ = 100 e σ2 = 16. Cada rolo de 100 m de cabo dá um lucro de R$ 4.250,00
desde que X > 95. Se x < 95, o cabo deverá ser utilizado para uma finalidade
diferente e um lucro de R$ 1700,00 será obtido. Determinar o lucro esperado por rolo.
19. Suponha que as notas de uma prova sejam normalmente distribuídas, com média
µ=72 e desvio padrão σ=1,3. Considerando que 18% dos alunos mais adiantados
receberam conceito “A” e 10% dos mais atrasados o conceito “R”, encontre a nota
mínima para receber “A” e a máxima para receber “R”.
RESPOSTAS
2. a) E(X) = 52,00
3. P(X ≤ 3) = 0,6563
4. P(X = 1) = 0,3011
5. a) P(X = 0) = 0,2637
b) P(X = 1) = 0,4945
c) P(X ≥ 1) = 0,7363
13. a) Z = 1,24
b) Z = -1,36
c) Z = -1,09
d) Z = 0,94
15. µ = 72
σ = 20
18. R$ 3.980,59