Variáveis aleatórias discretas Variáveis aleatórias

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.

Quais são os possíveis valores de X? X = {0, 1, 2, 3}

Domínio Contradomínio
Conjunto não numérico X é a função que
Conjunto numérico transforma
ccc
•s • X(s)
X(ccc) = 0 cck X é a variável
0
X(cck) = 1 ckc que
X(ckc) = 1 kcc 1 transforma
X(kcc) = 1 um conjunto
kkc S SX
X(kkc) = 2 2 não numérico
X(kck) = 2 kck Espaço Espaço amostral
num conjunto
X(ckk) = 2 ckk 3 amostral básico da variável X
numérico
X(kkk) = 3 kkk
(espaço onde X assume valores)
3 4

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

1. Função de probabilidade Exemplo: Lançamento de uma moeda honesta três vezes

e observação das faces que ocorrem.
c c → ccc
Definição: Seja X uma variável aleatória discreta e SX o
Definição: c k → cck
seu espaço amostral. A função de probabilidade P(X=x)
P(X=x), Diagrama c → ckc
k
ou simplesmente p(x),
p(x) será a função que associa a cada em árvore k → ckk
c c → kcc
valor de X a sua probabilidade de ocorrência,
ocorrência desde que
k k → kck
atenda duas condições: c → kkc
k
k → kkk
1. p(x) ≥ 0, ∀ x∈
∈SX
S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk}
2. ∑ p(x) = 1
x∈S X
X = número de caras nos três lançamentos SX = {0, 1, 2, 3}
p(0) =1/8
p(1) =3/8 Primeira 1 3 3 1 Segunda
condição + + + =1
p(2) =3/8 8 8 8 8 condição
p(3) =1/8
7 8

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

F(2) = P(X ≤ 2) = ∑ P(X = x) = P(X = 0) + P(X = 1) + P(X = 2)

x ≤2
1 6 3
= + + =1
10 10 10
13 14

3. Medidas descritivas X=x 0 1 2 Σ

SX = {0, 1, 2} 1 6 3
X S P(X=x) 1
S → X 10 10 10

Conjunto Possibilita o cálculo  Média ou valor esperado

X Conjunto de medidas
não
numérico descritivas: média,
numérico variância, etc. Definição: Seja X uma variável aleatória discreta e SX o seu
Definição:
espaço amostral. O valor médio de X, denotado por E(X)
E(X), ou
µX, ou simplesmente µ, é a média dos valores de X
No exemplo: ponderada pelas suas respectivas probabilidades de
ocorrência. Deste modo, tem-se
S = {B1B2, P1B1, P1B2, P2B1, P2B2, P3B1, P3B2, P1P2, P1P3, P2P3}
∑ x p(x)
x∈S X
X = número de bolas pretas
em duas retiradas
E(X) = µ =
∑ p(x) = 1
= ∑ x p(x)
x∈S X
SX = {0, 1, 2} x∈S X
15 16

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)

1 6 3 12 x é a média de alguns valores de X (usualmente uma

= 0× + 1× + 2× = = 1,2 bolas pretas
10 10 10 10 amostra de valores)

Significado do valor esperado:

esperado: se o experimento fosse
repetido um grande número de vezes, esperaríamos que o
número médio de bolas pretas escolhidas fosse 1,2.

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

x 2 3 4 5 6 7 dos valores de X em relação à sua média. Esta medida é

p(x) 0,10 0,10 0,30 0,20 0,20 0,10 definida como a média ou valor esperado dos quadrados
dos desvios em relação à média. Deste modo, temos

(a) Calcule o tempo médio de processamento. (R: µ = 4,60) V(X) = σ2 = E(X− µ) =

2
∑(x −µ) p(x)
x∈SX
2

(b) Para cada peça processada o operário ganha um fixo de R$ OU

1,00, mas se processa a peça em menos de 6 minutos, ganha R$ = E(X 2 ) − µ2

onde:
0,50 por cada minuto poupado. Por exemplo, se ele processa a
peça em 5 minutos, recebe a quantia de R$ 0,50. Encontre a E(X 2 ) = ∑ x p(x)
x∈S X
2

média de G = quantia ganha por peça (fixo + comissão).

(R: µ = 1,75) µ2 = [E(X)] =
2
[∑ x p(x)]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

(b) Qual é a probabilidade de ganhar pelo menos R$ 300,00

por semana? 0,30
(c) Qual o desvio padrão das vendas semanais? 1,10

23 24

6
Distribuições de probabilidade Distribuições discretas

O que é uma distribuição de probabilidade? 1. Distribuição de Bernoulli

Uma distribuição de probabilidade é essencialmente um 2. Distribuição Binomial
modelo de descrição probabilística de uma população.
população
3. Distribuição Hipergeométrica
população
4. Distribuição de Poisson
X=x 0 1 2 Σ 5. Distribuição Multinomial
P(X=x) 0,1 0,6 0,3 1 6. Distribuição Geométrica
Distribuição de
probabilidade 7. Distribuição Binomial Negativa
8. Distribuição Hipergeométrica Negativa
 Parâmetros: caracterizações numéricas que permitem a
individualização de um modelo (distribuição) em determinado 9. Distribuição Uniforme
contexto
25 26

Distribuições de probabilidade de Experimento:: Um produto é avaliado quanto à qualidade

Experimento

variáveis discretas S = {perfeito, defeituoso}

1. Distribuição de Bernoulli
Definição: Modelo que descreve probabilisticamente os
resultados de um experimento de Bernoulli.
O experimento de Bernoulli é definido como o experimento
aleatório que possui apenas dois resultados possíveis.
possíveis
Exemplos: sexo no nascimento de um bebê, face no
lançamento de uma moeda, ocorrência de chuva ou sol,
satisfação ou insatisfação de um funcionário da empresa, etc.
27
Consideramos um dos resultados como sucesso:
sucesso = perfeito
fracasso = defeituoso
Se for conhecido a taxa de produtos sem defeito que é
fabricada, por exemplo, 87%, concluímos que a
probabilidade de o produto ser perfeito é 0,87.
O evento {defeituoso} é complemento do evento
{perfeito} então sua probabilidade será 1– 0,87.
{perfeito}, 87
π = 0,87 = probabilidade de sucesso
1-π = 0,13 = probabilidade de fracasso
28

7
 2. Distribuição binomial
Definição: Modelo que descreve probabilisticamente os
resultados de uma sequência de experimentos de Bernoulli
independentes entre si, ou seja, onde a probabilidade de
sucesso é constante em todas as repetições do experimento.
Se X = Y1 + Y2 + ... + Yn
onde:
Yi ~ Ber (π) e independentes;
então, a variável X tem distribuição binomial.
Distribuição binomial  processo finito de Bernoulli
 n experimentos de Bernoulli independentes, com
probabilidade de sucesso π constante para todos eles
 É importante no contexto de amostragem com reposição
29
I = imune
#S = 23 = 8 N = não imune
S = {III, IIN, INI, NII, INN, NIN, NNI, NNN}
Sucesso = imune
A variável X é definida como o número de sucessos em n
experimentos de Bernoulli independentes, com
probabilidade de sucesso igual a π.
n=3 e π=0,6
SX = {0, 1, 2, 3}
Qual é a função de probabilidade P(X=x) associada a
variável X?
31
Experimento: As pessoas de uma região foram vacinadas
Experimento:
contra uma determinada doença e 60% delas ficaram
imunes. Se uma pessoa desta região é escolhida ao acaso
e sua situação em relação a imunização é registrada,
temos um experimento de Bernoulli.
S = {imune, não imune}
onde:
p(imune) = 0,6 = π
p(não imune) = 1 - 0,6 = 0,4 = 1 - π
Se três pessoas são escolhidas, uma a uma, e o resultado
é registrado, temos uma sequência de três experimentos
de Bernoulli independentes
independentes, pois, a cada escolha, a
probabilidade de sucesso permanecerá inalterada.
30
S = {III, IIN, INI, NII, INN, NIN, NNI, NNN}
SX = {0,1,2,3}
P(X=x) = ? X: nº pessoas imunes
P(X=0) = 0,43 = 1 × π0 × (1 – π)3 = 0,064
P(X=1) = 3 × 0,61 × 0,42 = 3 × π1 × (1 – π)2 = 0,288
P(X=2) = 3 × 0,62 × 0,41 = 3 × π2 × (1 – π)1 = 0,432
P(X=3) = 0,63 = 1 × π3 × (1 – π)0 = 0,216
Como podemos determinar de quantas maneiras diferentes
teremos x sucessos e 3-x fracassos?
3!
C3x =
x! (3 − x)!
32
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

Representação analítica parâmetros

P(X = x) = C3x 0,6 x (1− 0,6)3− x , para SX = {0, 1, 2, 3}
A distribuição binomial tem dois parâmetros:
Número Probabilidade n = número de repetições do experimento de Bernoulli
de casos de um caso
π = probabilidade de sucesso
Função de probabilidade
X ~ Bin (n,π)
De modo geral, se X é uma variável que tem distribuição
binomial, sua função de probabilidade será: X tem distribuição binomial com parâmetros n e π
P(X = x) = C π (1− π )
x
n
x n− x
, para SX = {0, 1, ..., n}
33 34

Medidas descritivas RESUMO - Distribuição binomial

Descrição probabilística de uma sequência de experimentos

 Média ou valor esperado de Bernoulli independentes
independentes, ou seja, a probabilidade de
sucesso é constante em todas as repetições do experimento.
E(X) = µ = ∑ x p(x)
x∈S X
Função de probabilidade
Teorema: E(X) = µ = nπ P(X = x) = Cnx π x (1− π )n−x , para SX = {0, 1, ..., n}

Parâmetros
 Variância n = número de repetições no experimento
π = probabilidade de sucesso
V(X) = σ2 = E(X ) − µ
2 2
Medidas descritivas

Teorema: V(X) = σ2 = n π (1 E(X) = µ = n π V(X) = σ2 = n π (1-π)

(1--π)
35 36

9
 Exercício: Num determinado processo de fabricação a
chance de uma peça sair defeituosa é de 10%. As peças
são acondicionadas em caixas com 5 unidades cada uma.
(a) Qual a probabilidade de haver exatamente 1 peça
defeituosa numa caixa? (32,81%)
3. Distribuição hipergeométrica
Definição: Modelo que descreve probabilisticamente os
resultados de uma sequência de experimentos de Bernoulli
dependentes. Refere-se a experimentos que se
dependentes
caracterizam por retiradas sem reposição,
reposição onde a
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

(c) Se a empresa paga uma multa de R$ 10,00 por caixa

 Essa distribuição é extremamente importante no contexto de
em que houver alguma peça defeituosa, qual o valor amostragem sem reposição
esperado da multa num total de 1000 caixas? (R$ 4.100)

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

SX = {0, 1, 2, 3} Representação analítica

0
C C 3
1×1 1 C7x C33- x
= = = 0,008333
7 3
P(X =0) = 3
C10 120 120 P(X = x) = 3
, para SX = {0, 1, 2, 3}
C10
C17 C32 7 × 3 21
P(X =1) = 3
= = = 0,175 Função de probabilidade
C10 120 120
De modo geral, se X é uma variável que tem distribuição
C27 C13 21× 3 63
P(X =2) = 3
= = = 0,525 hipergeométrica, sua função de probabilidade será:
C 10 120 120
CNx CNn- x
P(X =3) = C7 C3 = 35 ×1 = 35 = 0,2917
3 0
P(X = x) = 1
n
2 , para SX = {0, 1, ..., n}
3
C10 120 120 C N
41 42

Parâmetros Medidas descritivas Binomial

x n- x µ=nπ
C C  Média ou valor esperado
P(X = x) =
N1 N2
σ2 = n π (1-π)
parâmetros
CNn
E(X) = µ = ∑ x p(x)
x∈S X

A distribuição hipergeométrica tem três parâmetros: N1 probabilidade

Teorema: E(X) = µ = n de sucesso
n = número de repetições do experimento N
N = tamanho da população
N1 = tamanho da sub-
sub-população de interesse  Variância

X ~ Hip (n,N,N1) V(X) = σ2 = E(X 2 ) − µ2 probabilidade de

fracasso

X tem distribuição hipergeométrica com parâmetros n, N e N1 N1 N 2  N-n 

Teorema: V(X) = σ 2 = n   Fator de
N N  N-1  correção
43 44

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

4. Distribuição de Poisson Exemplos:

 nº de peças defeituosas observadas em uma linha de produção em um

Definição: descreve probabilisticamente a sequência de um
grande número de fenômenos independentes entre si, cada
um com probabilidade de sucesso muito pequena.
pequena
 Pode ser considerada como uma binomial onde o número
n) é grande, π é pequeno (sucesso raro)
de experimentos (n
e nπ (média de sucessos) é constante.
Distribuição de Poisson  processo infinito de Bernoulli
 Ocorre quando se deseja contar o número de um tipo
particular de eventos que ocorrem por unidade de tempo
tempo, de
superfície ou de volume (num espaço contínuo).
47
dia;
 nº de acidentes de trabalho ocorridos numa grande empresa em um
ano;
 nº de ciclones ocorridos em certa região em uma estação do ano;
 nº de formigueiros por km2 em uma região;
 nº de acidentes que acontecem em 300km de uma rodovia;
 nº de carros que passam em um pedágio de uma rodovia em 30
minutos;
 nº de ligações que chegam em uma central telefônica em uma manhã.
 A distribuição de Poisson tem inúmeras aplicações na simulação
de sistemas modelando o número de eventos ocorridos num intervalo
de tempo, quando os eventos ocorrem a uma taxa constante.
48

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!

λ x , para S = {0, 1, 2, ...}

P(X = x) = e −λ X
A distribuição de Poisson tem apenas um parâmetro:
x!
espaço amostral
infinito
λ = número médio de sucessos
onde:
X: número de sucessos
X ~ Poi (λ)
e = 2,718 (base dos logaritmos neperianos)
λ: número médio de sucessos (sempre maior que zero) X tem distribuição de Poisson com parâmetro λ

49 50

Solução: Neste caso, tem-se:

Exercício: Em uma central telefônica de uma
λ = 2 (taxa de ligações a cada hora)
pequena cidade do interior chegam ligações a uma X = nº de ligações em 1 hora
taxa de 1 a cada 30 minutos. Qual a probabilidade de Então:

que no intervalo de 1 hora:

P(X = x) =
e−λ λ x , para x = 0, 1, 2, 3, ...
x!
(a) Não chegue ligações? 13,53% e −2 20
(a) P(X = 0) = = e-2 = 13,53%
0!
(b) Chegue no máximo duas ligações? 67,67% e −2 2 0 e −2 21 e −2 2 2
(b) P(X ≤ 2) = + + = 5e-2 = 67,67%
0! 1! 2!
(c) Chegue pelo menos duas ligações? 59,40% e −2 20 e −2 21
(c) P(X≥2) = 1-P(X≤1) = 1- [ + ]=1- 3e-2 = 59,40%
0! 1!

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?

Um dado é formado por chapas de plástico de

Em média aparecem 50 defeitos/m2 = (50/10000) defeitos/cm2
10x10 cm. Em média aparecem 50 defeitos por metro
quadrado de plástico, segundo uma distribuição de
Como cada face tem 10cm x 10 cm = 100 cm2, tem-se então:
Poisson.

(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.

Distribuições de probabilidade Exemplos:

 tempo de vida de um animal

Uniforme
 vida útil de um componente eletrônico

Exponencial  peso de uma pessoa

Normal  produção de leite de uma vaca
 quantidade de chuva que ocorre numa região
1 2

1. Função densidade de probabilidade

f (x)
Definição: Seja X uma variável aleatória contínua e SX o
Definição: área = 1
seu espaço amostral. Uma função f associada a variável X
é denominada função densidade de probabilidade (fdp)
se satisfizer duas condições: 0 x
SX
1. f(x) ≥ 0, ∀ x∈
∈SX
Esta área corresponde
f (x)
à probabilidade de a
2. ∫ f(x)dx = 1 = P(X∈∈SX)
SX
variável X pertencer ao
espaço amostral SX área = 1

É toda a função que não assuma valores negativos, ou cujo gráfico 0 x

esteja acima do eixo das abscissas, e cuja área compreendida entre a
função e o eixo das abscissas seja igual a 1 (um). SX
3 4

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

Seja A=[0, 1/2]. Qual é a probabilidade de ocorrer o evento A?

Importante!!!

Probabilidade = área No caso de variáveis contínuas, as representações a≤x≤b,

a≤x<b, a<x≤b e a<x<b são todas equivalentes, pois a
probabilidade num ponto, por definição, é nula.
b × h 1/2 ×1 1
Área: = = Seja o evento A={x; x=a}.
x=a} Então,
2 2 4
a
P(A) = ∫ f(x)dx = ∫ f(x)dx = F(a) − F(a) = 0
P(0 ≤ X ≤ 1/2) = 1/4 A a

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

seu espaço amostral. A função de distribuição, denotada por

F(x) = ∫ f(t) dt
−∞
F(x) ou P(X
P(X≤≤x)
x), é a função que associa a cada ponto x∈SX
x
a probabilidade P(X ≤x)
P(X≤ x). Desta forma, tem-se = ∫ 2t dt
0
x

F(x) = P(X ≤ x) = ∫ f(t)dt

−∞
, para SX = (-∞;+∞). x
 t2 
= 2 
 2 0
Se SX =[a, b], então
F(x) = x 2
F(a) = P(X ≤ a) = 0
F(b) = P(X ≤ b) = 1

9 10

Exemplo: f (x) = 2x, SX =[0,1] Medidas descritivas

 Média ou valor esperado
F(x) = x 2
Definição: Seja X uma variável aleatória contínua e SX o seu espaço
amostral. O valor esperado de X, denotado por E(X) ou µ , será dado
F(1) = P(X ≤ 1) = 1 = 1
2
por

F(1/2) = P(X ≤ 1/2) = (1/2) = 1/4

2 E(X) = µ = ∫ x f(x)dx
SX

Exemplo: f (x) = 2x, SX =[0,1]

P(A) = F(1/2)=1/4
E(X) = µ = ∫ x f(x) dx
P(B) = F(1)-F(1/2) =1-1/4=3/4 Sx
1
= ∫ x2x dx
0
A=[0, 1/2] 1
1 1
 x3  2
B=[1/2, 1] = ∫ 2x2 dx = 2∫ x2 dx = 2   =
0 0 3
 0 3
11 12

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

Distribuições de probabilidade de 1. Distribuição Uniforme

variáveis contínuas
Definição: Seja X uma variável aleatória contínua que
 É difícil identificar o tipo de distribuição de probabilidade assume valores no intervalo [α, β]. Se a probabilidade de
de uma variável contínua X assumir valores num subintervalo é a mesma que para
qualquer outro subintervalo de mesmo comprimento,
 pesquisa bibliográfica
então, esta variável tem distribuição uniforme.
 observação do campo de variação da variável

Existem vários tipos de distribuições contínuas:

 Distribuição Uniforme
 Distribuição Exponencial
 Distribuição Normal

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

1, se x > β  Média ou valor esperado: (β + α )

E(X) = µ =
2

(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

b) P(12,31 < X < 16,50) x −α

P ( X < x) = F ( x) =
β −α

P(12,31 < X < 16,50) = F(16,50) − F(12,31)

16,50 − 10 12,431 − 10 16,50 − 12,31

= − = = 0,4190
10 − 10 20 − 10 10
21 22

Na distribuição de Poisson, a variável aleatória é definida Função densidade de probabilidade

como o número de ocorrências (sucessos) em determinado λe− λx , para x>0
período de tempo, sendo a média das ocorrências no f(x) = 
 0, em caso contrário
período definida como λ.
Função de probabilidade acumulada
Na distribuição exponencial, a variável aleatória é definida
como o tempo entre duas ocorrências, sendo a média de x 0, se x < 0
tempo entre ocorrências igual a 1/λ. F(x) = P(X ≤ x) = ∫
−∞
f(x) dx =  − λ
1 − e , se x ≥ 0
x

Por exemplo, se a média de atendimentos no caixa de uma

loja é de λ = 6 clientes/min, então o tempo médio entre
atendimentos é 1/λ = 1/6 de minuto ou 10 segundos. 1-e-λx

A distribuição exponencial é muito utilizada no campo da e-λx

confiabilidade para a modelagem do tempo até a ocorrência
de falha em componentes eletrônicos, bem como do tempo
de espera em sistemas de filas.
x
23 24

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

x Assim, o lucro do fabricante será uma variável aleatória

discreta Y com a seguinte distribuição:
P( X > 50) = e −0,012 x 50 = e −0,6 = 0,5488 Y=y -2 3 Σ
P(Y = y) 0,5934 0,4066 1

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

Função densidade de probabilidade

De modo geral, se X é uma variável contínua que tem distribuição Populações normais
de normal, sua função densidade de probabilidade será: com médias diferentes
(x −µ )2 e mesma variância
− parâmetros
1 2 σ2
f(x) = e , ∞,+∞
para SX = (-∞ ∞)
σ 2π

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

1. O máximo da função densidade de probabilidade se dá

no ponto x=µ .

máximo

Existe um número infinito de curvas normais µ

33 34

3. Verifica-se na distribuição normal que:

2. A distribuição é simétrica em relação ao centro onde
coincidem a média, a moda e a mediana.
P(µ-σ < X < µ+σ) = 0,6825
P(µ

P(µ-2σ < X < µ+2σ

P(µ +2σ) = 0,9544

Md=µ=Mo P(µ-3σ < X < µ+3σ

P(µ +3σ) = 0,9974

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

 O cálculo de áreas sob a

curva normal, deverá ser feito
sempre em função dos
valores particulares de µ e σ

 Para evitar a trabalhosa tarefa de calcular as áreas foi

determinada uma distribuição normal padrão ou reduzida
 As áreas sob a curva normal padrão foram calculadas e
apresentadas numa tabela
37
A curva normal padrão foi dividida em pequenas tiras, cujas
áreas foram calculadas e apresentadas numa tabela.
Na tabela da distribuição normal padrão, podemos encontrar
as áreas correspondentes aos intervalos de 0 a z.
38

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).

 Na tabela da distribuição normal padrão, os valores de Z

vão de 0 a 3,9 . Este limite é estabelecido com base nas
propriedades da distribuição normal.
P(0 < Z < 0,62) = ?

P(0 < Z < 0,62) = 0,2324

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 +∞

c) P(-1,25 ≤ Z ≤ -0,63) 0,1587

P(Z > 1,5) = ?

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.

 Para utilizarmos os valores da tabela, devemos padronizar µ, σ2)

X ~ N ((µ
a variável X, ou seja, transformar X em Z.

(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

b) o número de alunos que têm nota superior a 4,27.

No item (a), vimos que este percentual é de 9,34%. Sendo

assim, através de uma regra de três simples, podemos
determinar quantos estudantes correspondem a 9,34% de uma
P(Z > 1,32) população de 450 estudantes.
= P(Z > 0) – P(0<Z<1,32)
= 0,5 – 0,4066 = 0,0934 Esse valor pode ser obtido facilmente multiplicando o tamanho
da população pela probabilidade de ocorrer uma nota maior que
4,27.

P(X > 4,27) = 0,0934

Assim, temos:
450 × 0,0934 = 42,03

Concluímos, então, que, dos 450 estudantes, 42 têm nota

superior a 4,27.
47 48

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

a) 0,6078 b) 0,0912 c) 447,6

ou seja, 91,92% dentro das especificações e 8,08% fora das especificações.
51 52

13
 LISTA DE EXERCÍCIOS
PROBABILIDADE

Variáveis aleatórias discretas

1. Se as probabilidades de uma criança da faixa etária de 6 a 16 anos consultar um

dentista 0, 1, 2, 3, 4, 5 ou 6 vezes por ano são 0,09, 0,25, 0,29, 0,18, 0,14, 0,03 e
0,02, quantas vezes podemos esperar que uma criança daquela faixa etária consulte
um dentista em um ano?

2. Os pais de uma estudante prometeram-lhe uma recompensa de R$100,00 se ela

obtiver A em estatística, R$50,00 se obtiver B, mas nenhuma recompensa nos
demais casos. Qual é o valor esperado se as probabilidades dela obter conceitos A e
B são 0,32 e 0,40, respectivamente?

Distribuições de variáveis discretas

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.

4. O processo de amostragem, utilizado no controle de qualidade de componentes

eletrônicos, seleciona cinco componentes ao acaso, dentre quarenta, e rejeita o lote
se um defeito é encontrado. Qual é a probabilidade de que exatamente um defeito
seja encontrado na amostra se existem três defeitos no lote inteiro?

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.

6. Em um posto de pedágio de uma rodovia, constata-se que, num dado instante, a

chegada de um veículo comporta-se segundo a lei de Poisson. A probabilidade de
nenhum veículo, P(X = 0), se apresentar para pagar o pedágio em um instante t é de
0,4966. Calcule a probabilidade de que menos de três carros estejam em fila, num
instante para pagar o pedágio.

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

9. Uma lâmpada tem duração de acordo com a seguinte densidade de probabilidade:

0,001e−0,001x , para x >0

f(x) = 
 0, em caso contrário
Determinar
a) A probabilidade de que uma lâmpada dure mais do que 1200 horas.
b) A probabilidade de que uma lâmpada dure menos do que sua duração média.
c) A duração mediana.

10. Se as interrupções no suprimento de energia elétrica ocorrem segundo uma

distribuição de Poisson com a média de uma por mês (quatro semanas), qual a
probabilidade de que entre duas interrupções consecutivas haja um intervalo de:
a) Menos de uma semana.
b) Mais de três semanas.

11. O tempo até a venda de um certo modelo de eletrodoméstico, que é regularmente

abastecido em um supermercado, segue uma distribuição exponencial, com
parâmetros λ=0,4 aparelhos/dia. Indique a probabilidade de um aparelho indicado ao
acaso ser vendido logo no primeiro dia.

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)

13. Determine o valor de Z nos itens a seguir:

a) a probabilidade entre 0 e Z é igual a 39,25%;
b) a probabilidade à direita de Z é igual a 91,31%;
c) a probabilidade à esquerda de Z é igual a 13,79%;
d) a probabilidade entre Z e 1,8 é igual a 13,77%.

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

1. a) E(X) = 2,2 vezes

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

6. P(X < 3) = 0,9659

7. a) P(X < 4) = 0,1512

b) P(6 ≤ X ≤ 8) = 0,4016
8. a) α = 3
b) α = 5/4

9. a) P(X > 1200) = 0,3012

b) P(X < 1000) = 0,6321
c) Md = 693,15

10. a) P(X < 0,25) = 0,2212

b) P(X > 0,75) = 0,4724

11. P(X < 1) = 0,3297

12. a) P(0 < Z < 2,1) = 0,4821

b) P(0 < Z < 0,65) = 0,2422
c) P(-1,78 < Z < 0) = 0,4625
d) P(-2,84 < Z < 1,4) = 0,9170
e) P(1,32 < Z < 2,35) = 0,084
f) P(Z > -1,75) = 0,9599

13. a) Z = 1,24
b) Z = -1,36
c) Z = -1,09
d) Z = 0,94

14. Poderão ser selecionados aproximadamente 3 candidatos.

15. µ = 72
σ = 20

16. P(X <1,59 ou X > 2,47) = 0,5071

17. a) P(X < 3) = 0,0098

b) P(X > 4,9) = 0,2023
c) P(3,2 ≤ X ≤ 5,2) = 0,8860
d) P(X < 2,9 ou X > 5) = 0,1649
e) x = 5,39
f) x = 5,58
g) x = 3,63
h) x1 = 2,85 e x2 = 5,95

18. R$ 3.980,59

19. 73,19 e 70,33