Apostila Final

PROBABILIDADE I
Profª Luciane Flores Jacobi
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Sumário
1 PROBABILIDADE 3
1.1 Noções de experimento, espaço amostral e eventos 3
1.1.1 Experimento aleatório 3
1.1.2 Espaço amostral 3
1.1.3 Evento 3
1.2 Conceitos de probabilidade 5
1.2.1 Definição clássica de probabilidade “apriori” 6
1.2.2 Conceito empírico ou a “posteriori” 6
1.2.3 Definição axiomática 6
1.3 Probabilidade condicionada 7
1.4 Independência estatística 8
1.5 Teorema de Bayes 9
1.6 Diagrama de árvore 11
1.7 Resumo das propriedades do cálculo de probabilidades 11
1.8 Exercícios 11
2 VARIÁVEIS ALEATÓRIAS 14
2.1 Variáveis Aleatórias Discretas 14
2.1.1 Função de probabilidade de uma v. a. d. 14
2.1.2 Função de repartição de uma v. a. d. 15
2.1.3 Valor médio de uma v. a. d. 16
2.1.4 Variância de uma v. a. d. 16
2.1.5 Desvio Padrão 17
2.2 Variáveis Aleatórias Contínuas 17
2.2.1 Função densidade de probabilidade de uma v. a. c. 17
2.2.2 Função de repartição de uma v. a. c. 18
2.2.3 Valor médio de uma v. a. c. 19
2.2.4 Variância de uma v. a. c. 19
2.2.5 Desvio Padrão 19
2.3 Função Geradora de Momentos (fgm) 20
2.4 Função Característica 21
2,5 Exercícios 21
3 MODELOS PROBABILÍSTICOS PARA VARIÂVEIS ALEATÓRIAS 22

3.1 Modelos para variáveis aleatórias discretas 22
3.1.1 Bernoulli: 19
3.1.2 Binomial 23
3.1.3 Poisson 23
3.2 Distribuições Contínuas de Probabilidade 24
3.2.1 Distribuição Normal: 26
3.2.2 Distribuição normal padrão 27
3.2.3 Distribuição “t” de Student 29
3.2.4 Distribuição Qui-quadrado (χ2) 31
3.2.5 Distribuição “F “de Snedecor 33
3.3 Exercícios 33
4 O TEOREMA CENTRAL DO LIMITE 36

4.1 Enunciado do Teorema Central do Limite 36
4.2 Demonstração do Teorema Central do Limite 37
5 REFERÊNCIAS BIBLIOGRÁFICAS 41
1 – Probabilidade
É o estudo de experimentos aleatórios ou não determinados. Os fenômenos estudados pela
Estatística são fenômenos cujo resultado, mesmo em condições normais de experimentação variam de
uma observação para outra, dificultando dessa maneira a previsão de um resultado futuro. Para a
explicação desses fenômenos – fenômenos aleatórios – adota-se um modelo matemático probabilístico,
que avalia com que probabilidade os resultados podem ocorrer.
O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e
emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los e
explicá-los a ponto de poder, com determinado grau de crença, obter o desenvolvimento teórico do
fenômeno. Para tanto é necessário que se formule um modelo que ajude a melhor elucidá-lo.
No campo da estatística, os modelos matemáticos utilizados são denominados, modelos não-
determinísticos ou probabilísticos, ou seja, que avaliam com que probabilidade os resultados podem
ocorrer.
1.1 Noções de experimento, espaço amostral e eventos
1.1.1 Experimento aleatório [Simbologia: E]

É uma das realizações do fenômeno sob observação. Se o fenômeno seguir um modelo não-
determinístico, tem-se um experimento aleatório, com as seguintes características:
 O experimento pode ser repetido;

 Embora não seja possível afirmar que resultado em particular ocorrerá, é possível descrever o
conjunto de todos os resultados possíveis do experimento;
 À medida que aumenta o número de repetições aparece uma certa regularidade que torna possível a
construção de um modelo matemático.
1.1.2 Espaço amostral [Simbologia: S]

É o conjunto de todos os possíveis resultados de um experimento aleatório.
1.1.3 Evento [Simbologia: A, B, C, ...]

É qualquer subconjunto do espaço amostral de um experimento.
Tipos de eventos:
1. Eventos mutuamente exclusivos: dois eventos A e B são denominados mutuamente exclusivos, se
eles não puderem ocorrer juntos, isto é, AB = ;
2. Eventos complementares: são os eventos que se completam em relação ao espaço amostral, isto é,
A A = S, onde A é o evento complementar de A;
3. Eventos impossíveis: são eventos que não possuem elementos no espaço amostral, isto é, A =  e
P(A) = 0;
4. Eventos certos: são eventos que possuem todos os elementos do espaço amostral, isto é, A = S e
P(A) = 1;
5. Eventos independentes: são eventos que podem ocorrer simultaneamente, isto é, AB   e
P(AB) = P(A) . P(B)
6. Eventos dependentes: são eventos em que a ocorrência de um deles está condicionada à ocorrência
de outro, acontece um evento se o outro já ocorreu, isto é, AB   e P(AB) = P(A) . P(B/A),
com P(A)  0.
7. Evento elementar: é aquele formado por um único elemento de um dado espaço amostral.
Álgebra de eventos
Podem-se combinar os eventos da mesma maneira que se faz com os conjuntos. As operações a
seguir serão usadas para construção de novos eventos, a partir de eventos conhecidos.
1. Se A e B forem dois eventos, A  B significa que A e B ocorrem;

2. Se A e B forem dois eventos, A  B significa que A ou B ocorrem;
3. Se A for um evento, A será o evento que ocorrerá se, e somente se, A não ocorrer, sendo A o
evento complementar de A.
Exemplo 1.1: Sejam A, B e C três eventos de um espaço amostral. Expressar os eventos abaixo, usando as
operações união, intersecção, e complementação.
a) Somente A ocorrer: { A  B  C }
b) A, B e C ocorrerem: { A  B  C }
c) A e C ocorrerem, mas B não: { A  B  C }
d) Pelo menos um ocorrer: { A  B  C }
e) Exatamente um ocorrer: { ( A  B  C )  ( A  B  C )  ( A  B  C ) }
f) Nenhum ocorrer: { A  B  C }
g) Exatamente dois ocorrerem: { ( A  B  C )  ( A  B  C )  ( A  B  C ) }
h) Pelo menos dois ocorrerem: { ( A  B  C )  ( A  B  C )  ( A  B  C )  ( A  B  C ) }
i) No máximo dois ocorrerem:
{( A  B  C )  ( A  B  C )  ( A  B  C )  ( A  B  C )  ( A  B  C )  ( A  B  C )
 ( A  B  C )}
Exemplo 1.2: Três eventos são mostrados no diagrama de Venn na figura abaixo. Reproduza a figura e
sombreie a região que corresponde a cada um dos seguintes eventos:
a) A . b) A  B .
c) ( A  B )  C . d) ( A  B) .
e) ( A  B )  C .
Exemplo 1.3: Lance um dado e uma moeda.

a) Construa o espaço amostral
b) Enumere os seguintes eventos
A = {coroa, marcado por número par}
B = {cara, marcado por número ímpar}
C = {múltiplos de 3}
c) Expresse os eventos
I) B
II) A ou B ocorrem
III) B e C ocorrem
IV) A  B
d) Verifique dois a dois os eventos A, B e C e diga quais são mutuamente exclusivos
Solução: C = coroa, K = cara:

a) S = {(1,C);(2,C);(3,C);(4,C);(5,C);(6,C);(1,K);(2,K);(3,K);(4,K);(5,K);(6,K)};
b) A = {(2,C);(4,C);(6,C)};
B = {(1,K);(3,K);(5,K)};
C = {(3,C);(6,C);(3,K);(6,K)}.
c)
i) B = {(1,C);(2,C);(3,C);(4,C);(5,C);(6,C);(2,K);(4,K);(6,K)};
ii) A  B = {(2,C);(4,C);(6,C);(1,K);(3,K);(5,K)};
iii) B  C = {(3,K)};
iv) A  B = {(1,C);(3,C);(5,C);(2,K);(4,K);(6,K)}.
d) A  B = , são mutuamente exclusivos;
A  C = {(6,C)}, não são mutuamente exclusivos;
B  C = {(3,K)}, não são mutuamente exclusivos.
1.2 Conceitos de probabilidade

O problema fundamental da probabilidade consiste em: “atribuir um número a cada evento A, o
qual avaliará as chances de ocorrência de A quando o experimento for realizado”.
5
1.2.1 Definição clássica de probabilidade ou “a priori”
É válida para espaços amostrais finitos e equiprováveis, sendo que teve suas origens nos
trabalhos de matemáticos do século XVII, como Blaise Pascoal (1623-1662) e Pierre de Fermat (1601-
1665) no contexto dos jogos de azar.
Se todos os resultados de um espaço amostral finito forem igualmente prováveis, ou seja,
admitindo-se que S possa ser escrito sob a forma S = {a1, a2, .... , ak}, então, a cada evento formado por
um resultado simples (ai) associa-se um número "pi", denominado probabilidade de A, que satisfaça as
seguintes condições:
 pi  0;
k
 P(S) = p1 + p 2 + .... + p k = p
i 1
i  1;
1
 pi  , já que todos os resultados são igualmente prováveis.
k
Disto decorre que, para qualquer evento A constituído de r resultados simples têm-se:
r
P(A) = r . 1/k = , sendo que:
k
nº de casos favoráveis a A pelos quais E pode ocorrer
P(A) = = r/k
nº total de casos pelos quais E pode ocorrer
Pela definição clássica de probabilidade devida a Laplace: seja E um experimento aleatório que
dá origem a k resultados mutuamente excludentes e igualmente possíveis. Seja A um evento
constituído por r resultados de E. A probabilidade de ocorrer o evento A é definida como sendo a razão
r/k.
Exemplo 1.4: Escolha aleatoriamente uma carta de um baralho comum de 52 cartas. Calcular P(A),
P(B) sendo A igual a uma carta de espada e B igual a uma carta de figura, isto é, um valete, rainha ou
rei.
Solução:
13 1
P ( A)   ;
52 4
12 3
P( B)   ;
52 13
.
1.2.2 Conceito empírico ou “a posteriori”

É uma interpretação da probabilidade como freqüência relativa. Existem muitas situações em
que a definição clássica é completamente apropriada, enquanto, em outras, são verificadas duas
limitações. A primeira refere-se à impossibilidade de acomodar o cenário em que os resultados do
experimento não sejam equiprováveis, enquanto a segunda diz respeito à não contemplação de espaços
amostrais infinitos. Essas limitações determinam a formulação da definição de probabilidade,
denominada empírica, mais abrangente e, geralmente, atribuída ao matemático Richard Von Mises
(1883 – 1953).
Repetindo-se um experimento E um grande número de vezes e calculando-se a freqüência
relativa do evento A, obtém-se um número "p" que pode ser tomado como a probabilidade da
ocorrência de A, que nesse caso, poderia ser tomada como:
f ( A)
P(A) = p  lim
n n
1.2.3 Definição axiomática
Em 1933, o matemático russo Andrei Kolmogorov (1903 – 1987) formulou a chamada
definição axiomática de probabilidade.
Seja E um experimento e S um espaço amostral associado a E. A cada evento A associa-se um
número real representado por P(A) e denominado probabilidade de A, que satisfaça aos seguintes
axiomas:
1. 0  P(A)  1;
2. P(S) = 1;
3. Se A e B forem eventos mutuamente excludentes, então: P(A  B) = P(A) + P(B);
4. Se A1, A2, ... , An,... forem dois a dois eventos mutuamente excludentes, então:
P(  i1 Ai) = P(A1) + P(A2) + ... + P(An) + ...
Exemplo 1.5: Um lote é formado por 10 peças boas, 4 com defeitos e duas com defeitos graves.
Calcule a probabilidade de que:
a) Ela não tenha defeitos graves;
14 7
 .
16 8
b) Ela não tenha defeitos;
10 5
 .
16 8
c) Ela ou seja boa ou tenha defeitos graves.
12 3
 .
16 4
Teoremas fundamentais:
Teorema 1: se  for um evento (conjunto) vazio, então: P() = 0;
DEM: Seja A um evento qualquer, A e Ø são disjuntos, pois A ∩ Ø= Ø
P(A  Ø) = P(A) + P(Ø) pelo axioma 3
P(A) = P(A) + P(Ø) pois A  Ø = A
Portanto P(Ø) = 0.
7
Teorema 2: se A for um evento complementar de A, então: P( A ) = 1 - P(A);
DEM: Pode-se escrever S = A  A e A  A são disjuntos pois A ∩ A = Ø então:
P(A  A ) = P(A) + P( A )
P(S) = P(A) + P( A ) e pelo axioma 2
1 = P(A) + P( A ) logo P( A ) = 1 - P(A)
Teorema 3: se A e B forem eventos quaisquer, então: P(A  B) = P(A) + P(B) - P(A  B);
DEM: Os eventos A e ( A  B ) são mutuamente exclusivos. Logo pelo axioma 3 P(A  ( A  B ) = P(A
 B ) = P(A) + P( A  B ). Mas B é a união dos eventos mutuamente exclusivos (B ∩ A) + P( B  A );
logo P( B  A ) = P(B) – P(B ∩ A) que substituindo tem-se:
P( A  B ) = P(A) + P(B) - P(B ∩ A).
Teorema 4: se A e B forem eventos de um espaço amostral S e se A  B, então: P(A)  P (B).
DEM: Pode-se escrever B = A  ( A  B ) , A e ( A  B ) são mutuamente exclusivos logo; P(B) = P(B)
– P(A), mas pelo axioma 1, P(B) – P(A)  0 logo P(B)  P(A).
Exemplo 1.6: Se P(A) = 1/2; P(B) = 1/4; e A e B são mutuamente exclusivos, calcular:
a) P( A ) = 1 – P(A) = 1 – 1/2 = 1/2.
b) P( B ) = 1 – P(B) = 1 – 1/4 = 3/4.
c) P( A  B ) = 0.
d) P(A  B ) = P(A) + P(B) = 1/2 + 1/4 = 3/4.
e) P( A  B ) = 1 – ( A  B ) = 1 – 0 = 1.
1.3 Probabilidade condicionada

Seja A e B dois eventos associados a um experimento E. Denota-se por P(B/A), a probabilidade
do evento B, condicionada a ocorrência do evento A.
Sempre que se calcula a P(B/A), se está, essencialmente, calculando P(B) em relação ao espaço
reduzido A e utiliza-se a seguinte fórmula, onde P(A)  0:
P(A  B)
P(B/A) = com P(A)  0, pois A já ocorreu.
P( A)
P( A  B)
P(A/B) = com P(B)  0, pois B já ocorreu.
P( B)
Pode-se escrever também, através do teorema do produto:

P(AB) = P(A/B) . P(B) e P(BA) = P(B/A) . P(A)
Que representa uma alternativa para o cálculo da probabilidade da interseção de dois eventos.
Exemplo 1.7: Em certa escola, 25% dos estudantes foram reprovados em matemática,
15% em química e 10% em matemática e química. Um estudante é selecionado
aleatoriamente.
a) Se ele reprovou em química qual é a probabilidade que tenha reprovado em
matemática?
b) Se ele reprovou em matemática, qual a probabilidade de que tenha reprovado
em química?
c) Qual é a probabilidade de que tenha reprovado em matemática ou química?
Solução:
P(M  Q) 0,10
a) P M     0,6667  66,67% ;
 Q P (Q ) 0,15
P( M  Q) 0,10
b) P Q     0,4  40% ;
 M P( M ) 0,25
c) P(M  Q)  P( M )  P(Q)  P(M  Q)  0,25  0,15  0,10  0,3  30% .
1.4 Independência estatística

Se a ocorrência ou não do evento A, não afetar a probabilidade de ocorrência do evento B e
vice-versa, diz-se que A e B são independentes.
É compreensível que os eventos A e B sejam inteiramente não relacionados. Saber que B
ocorreu não fornece qualquer informação sobre a ocorrência de A. De fato, o cálculo seguinte mostra
isso:
Se A e B forem independentes, pode-se escrever:
P(A/B) = P(A) e P(B/A) = P(B)
Nesse caso, usando-se a expressão anterior para P(AB), tem-se:
P(AB) = P(A/B) . P(B) = P(A) . P(B)

P(AB) = P(B/A) . P(A) = P(A) . P(B)
Chegando-se à condição de independência, na qual A e B serão eventos independentes se e

somente se:
P(AB) = P(A) . P(B)
Exemplo 1.8: A probabilidade de que um homem viverá mais dez anos é 1/4 e a
probabilidade que sua esposa viverá mais dez anos é 1/3. Encontre a probabilidade de que:
a) ambos estarão vivos em dez anos; b) ao menos um estará vivo em dez anos; c) nenhum
estará vivo em dez anos; d) somente a esposa estará viva em dez anos.
Solução: Faça A = eventos em que o homem estará vivo em dez anos, e B = eventos em que sua
esposa estará viva em dez anos. Então P(A) = 1/4 e P(B) = 1/3.
1 1 1
a) P(A  B) = P(A)xP(B) =   .
4 3 12
1 1 1 1
b) P(A  B) = P(A)+P(B) – P(A  B) =    .
4 3 12 2
c) Sendo P( A ) = 1 – P(A) e P( B ) = 1 – P(B);
 1   1 1
P( A  B ) = 1    1    .
 4   3 2
3 1 1
d) ( A  B ) = P( A )xP(B) =   .
4 3 4
1.5 Teorema de Bayes

Suponha que os eventos A1, A2, ..., An formam uma partição do espaço amostral S, ou seja, os
eventos Ai são mutuamente exclusivos e sua união é S. Fazendo B ser qualquer outro evento então:
B  S  B  ( A1  A2  ...  An )  B
B  S  B  ( A1  B )  ( A2  B )  ...  ( An  B )
Onde os Ai  B são também mutuamente exclusivos.
9
Conseqüentemente
P ( B )  P ( A1  B )  P ( A2  B )  ...  P ( An  B )
P ( A1  B )
P(A1/B) =
P( B) ,
onde: P(B) = P(B/A1) . P(A1) + P(B/A2) . P(A2) + ... + P(B/An) . P(An) = probabilidade total
P( Ai  B)
P(Ai/B) =
P( B)
P( B / Ai ).P ( Ai)
P(Ai/B) =
P(B/A 1 ) . P(A 1 ) + P(B/A 2 ) . P(A 2 ) + ... + P(B/A n ) . P(A n )
Generalizando-se essa aplicação para Bi:
P B   P(A i ) onde: P(Ai) = probabilidades à priori (conhecidas);

Ai 
P(A i /B)  n  P(B/ Ai) = probabilidades condicionais (conhecidas);
 
 P B A   P(A i ) P(Ai/B) = probabilidades à posteriori.
i 1  i
Esse resultado é conhecido como teorema de Bayes. É também denominada fórmula da

probabilidade das causas ou dos antecedentes. Desde que os Ai`s constituam uma partição do espaço
amostral, um e somente um, dos eventos Ai ocorrerá. Portanto, a expressão acima nos dá a
probabilidade de um particular Ai dado que o evento B tenha ocorrido. A fim de aplicar esse teorema,
deve-se conhecer os valores dos Ai`s, sendo que, se esses valores são desconhecidos, fica
impossibilitada a sua aplicação.
Exemplo 1.9: Três máquinas, A, B e C produzem respectivamente 60%, 30% e 10% do total de peças
de uma fábrica. As porcentagens de peças defeituosas nas respectivas máquinas são de 2%, 3% e 4%.
Uma peça é sorteada ao acaso e verifica-se que é defeituosa. Qual a probabilidade de que a peça tenha
vindo da máquina C?
Solução: Sendo x = peças defeituosas, procuramos P(C/x), a probabilidade de que uma peça tenha sido
produzida pela máquina C dado que é defeituosa. Pelo teorema de Bayes,
P (C )  P( x / C )
P(C/x) = ;
P ( A)  P ( x / A)  P( B )  P ( x / B)  P(C )  P( x / C )
0,10  0,40 4
P(C / x)    16% .
0,60  0,02  0,30  0,03  0,10  0,04 25
1.6 Diagrama de Árvore

Um diagrama de árvore é uma idéia usada para enumerar todos os possíveis resultados de uma
seqüência de experimentos, onde cada experimento pode ocorrer um número finito de vezes.
Partindo de um ponto do lado esquerdo do diagrama, para cada primeiro elemento possível de
um par origina-se um segmento de reta direcionado para a direita. Cada uma dessas retas é
10
denominada ramo de primeira geração. Para cada ramo de primeira geração cria-se na extremidade do
ramo, para cada escolha possível do segundo elemento do par. Cada segmento de reta é um ramo de
segunda geração, e assim sucessivamente até se encontrar todos os ramos necessários. Abaixo
encontra-se um diagrama de árvore com ramos de primeira e segunda geração.
Exemplo 1.10: São dadas três caixas como segue: A caixa I tem 10 lâmpadas, das quais 4 são
defeituosas. A caixa II tem 6 lâmpadas, das quais 1 é defeituosa. A caixa III tem 8 lâmpadas, das quais
3 são defeituosas. Seleciona-se uma caixa aleatoriamente e então se retira uma lâmpada também
aleatoriamente. Qual a probabilidade de que a lâmpada seja defeituosa?
1.7 Resumo das propriedades do cálculo de probabilidades
1.8 Exercícios: iii) B e C ocorrem

1 - Considere um experimento em que cada um de três d) Verifique dois a dois os eventos A, B e C e diga
veículos que trafeguem em uma determinada estrada siga quais são mutuamente exclusivos.
pela saída à esquerda (E) ou à direita (D) no final da
rampa de saída. 2 - Com auxílio do diagrama de Euller-Venn, mostre
a) Construa o espaço amostral. que:
b) Enumere o seguintes eventos: a) P( E  F )  P( E  F ) ;
A = {exatamente um dos três veículos vira à direita}
B = {no máximo um dos veículos vira à direita} b) P ( E  F )  P ( E  F ) ;
C = {os três veículos viram na mesma direção} P ( E  F  G )  P ( E )  P ( F )  P (G )
c) Expresse os eventos:
c)  P ( E  F )  P ( E  G )  P( F  G )
i) B
ii) A ou B ocorrem  P ( E  F  G ).
11
P( E  F  G )  P( E )  P(E  F ) 12 - Sejam A e B dois eventos tais que P(A) = 0,4 e
d) P ( A  B )  0,7 . Seja P(B) = p. Para que valor de p, A
 P ( E  F  G ). e B serão mutuamente exclusivos? Para que valor de p, A
e B serão independentes?
3 - Uma caixa contem 25 bolas numeradas de 1 a 25.
Extraindo-se uma bola ao acaso, qual a probabilidade de 13 - A probabilidade de que João resolva esse
que seu número seja: problema é 1/3, e a de que José resolva é 1/4. Se ambos
a) par; tentarem independentemente resolver, quual a
b) ímpar; probabilidade de que o problema seja resolvido?
c) par e maior que 10;
d) primo e maior que 3; 14 - Sorteados dois algarismos sem repetições,
e) múltiplo de 3 e 5; calcule a probabilidade de que:
a) sua soma seja menos que 4;
4 - Uma caixa tem 3 bolas brancas e 2 bolas pretas. b) seu produto seja menos que 4.
Extraindo-se duas bolas simultaneamente, calcule a
probabilidade de serem: 15 - Retiradas duas cartas de um baralho de 52
a) uma de cada cor; cartas calcule a probabilidade de que;
b) ambas da mesma cor. a) ambas sejam de copas;
b) ambas sejam do mesmo naipe;
5 – Resolver o problema anterior admitindo que as c) formem um par;
duas bolas são extraídas uma a uma com reposição. d) ao menos um seja figura;
e) não sejam cartas consecutivas;
6 - Se as cinco bolas da caixa anterior forem f) a segunda carta retirada seja de maior valor que a
extraídas uma a uma sem reposição, calcule a primeira.
probabilidade de que: Observação: Considere que Ás é a carta de maior valor e o dois
a) as três brancas saiam sucessivamente; a de menor valor.
b) as duas pretas saiam sucessivamente;
c) ao menos um dos eventos mencionados em a e b 16 - Retirando-se 5 cartas de um baralho completo,
ocorra. qual a probabilidade de se obter uma quadra?
7 - Dentre 7 pessoas, será escolhida por sorteio uma 17 - Uma urna contém 3 bolas brancas, 5 bolas
comissão de 3 membros. Qual a probabilidade de que verdes e 6 bolas vermelhas. Extraindo-se
uma determinada pessoa venha a figurar na comissão? simultaneamente 3 bolas, calcule a probabilidade de que:
a) nenhuma seja branca;
8 - No lançamento de 4 moedas honestas, considere b) exatamente uma seja verde;
os eventos: c) todas sejam da mesma cor;
A = sair número par de caras; d) saia uma de cada cor.
B = saírem duas ou mais caras.
Calcular P ( A) ; P (B) ; P ( A  B ) ; P ( A  B ) ; 18 - Resolver o problema anterior se as três bolas
forem extraídas uma a uma, com reposição.
P( A  B ) .
19 - Uma água é contaminada se forem encontrados
9 - Um sistema automático de alarme contra bacilos tipo A e/ou bacilos tipo B e C simultaneamente.
incêndio utiliza três células sensíveis ao calor que agem As probabilidades de se encontrarem bacilos tipos A, B e
independentemente uma da outra. Cada célula entra em C são, respectivamente, 0,30; 0,20; 0,80. Existindo
funcionamento com probabilidade 0,8 quando a bacilos tipo A não existirão bacilos tipo C. Existindo
temperatura atinge 60 ºC. Se pelo menos uma das células bacilos tipo B, a probabilidade de existirem bacilos tipo
entrar em funcionamento o alarme soa. Calcular a C é reduzida à metade.
probabilidade do alarme soar, quando a temperatura a) Qual a probabilidade de aparecerem bacilos B
atingir 60 ºC. ou C?
b) Qual a probabilidade da água estar
10 - Dois eventos mutuamente exclusivos podem ser contaminada?
independentes? Dois eventos independentes podem ser c) Se a água está contaminada, qual a
mutuamente exclusivos? Por quê? probabilidade de aparecerem bacilos tipo B?
11 - Em uma unidade, 40% dos estudantes praticam 20 - Um artilheiro naval dispara 5 torpedos para
futebol e 30% praticam natação. Dentre os que praticam tentar acertar um navio. Sendo 1/3 a probabilidade de
futebol, 20% praticam também natação. Que cada torpedo acertar o navio, qual a probabilidade de que
porcentagem de estudantes não praticam nenhum dos o navio seja atingido? Se os dois primeiros torpedos
dois esportes? forem perdidos, qual a probabilidade de que o navio
ainda seja atingido?
12
2 – Variáveis Aleatórias
Na prática é, muitas vezes, mais interessante associarmos um número a um evento aleatório e
calcularmos a probabilidade da ocorrência desse número do que a probabilidade do evento.
Ao descrever um espaço amostral, não especificamos que um resultado individual
necessariamente seja um número.
Dada uma experiência aleatória, podemos sempre associar a seus resultados (eventos)
mutuamente exclusivos uma probabilidade. É claro que esses resultados podem ser expressos sempre
numericamente, mesmo quando possuem natureza qualitativa. Neste caso mediante uma convenção
adequada, associa-se a cada resultado um número.
Considerando uma variável X, que assume um e só um valor numérico cada vez que ocorre um
evento. A esta grandeza numérica, que assume diferentes valores, estando cada um destes valores
associados a uma certa probabilidade, dá-se o nome de variável aleatória (v.a.).
Definição:
Sejam E um experimento e S o espaço amostral associado ao experimento. Uma função X, que
associa a cada elemento s  S um número real X(s) é denominado variável aleatória.
S R
x
s
x(s
)
Variável Aleatória
OBS : Quando nos referimos as variáveis aleatórias empregamos letras maiúsculas X, Y, Z, ....
Contudo, quando falamos do valor que essas variáveis aleatórias assumem usa-se, em geral letras
minúsculas, como x, y, z, ...
2.1 Variáveis Aleatórias Discretas

Seja X uma variável aleatória. Se o número de valores possíveis de X for finito ou infinito
numerável, diz-se que X é uma variável aleatória discreta (v. a. d.).
Exemplo 2.1: Lançam-se três moedas. Seja x = número de ocorrências da face cara. Associe um
número a cada evento do espaço amostral.
Solução: O espaço amostral do experimento é: c = cara; k = coroa.

S  [(c, c, c); (c, c, k ); (c, k , c); (k , c, c); (c, k , k )(k , c, k )(k , k , c); (k , k , k )] . Se X é o número de
caras, X pode assumir os valores 0, 1, 2 e 3. Pode-se associar a esses números eventos que
correspondam à ocorrência de nenhuma, uma, duas ou três caras respectivamente, como segue:
x Eventos correspondetes
0 A1  [(k , k , k )]
1 A2  [(c, k , k )(k , c, k )(k , k , c)]
2 A3  [(c, c, k ); (c, k , c); ( k , c, c)]
3 A4  [(c, c, c)]
2.1.1 Função de probabilidade (fp) de uma v. a. d.

Seja X uma variável aleatória discreta. Portanto, o contradomínio de X, Rx será formado, no
máximo, por um número infinito numerável de valores x 1 , x 2 , ... A cada possível resultado xi, associa-
se um número p(xi) = P(X = xi) denominado probabilidade de xi.
14
Os números p(xi), i = 1, 2, .... devem satisfazer as condições:
a) 0  p(xi)  1

b)  p( X )  1
i 1
i
c) A notação utilizada será: P(X = xi) = p(xi) ou
X x1 x2 ... Xn
p(xi) p(x1) p(x2) .... p(xn)
Exemplo 2.2: Determine a função de probabilidade correspondente à variável aleatória X, vista no

exemplo 2.1 e construa seu gráfico.
Solução: Pode-se ainda associar às probabilidades de X assumir um dos valores, as probabilidades dos
eventos correspondentes:
Graficamente:
P(x=0) = P(A1) = 1/8 p(x) 1/2

P(x=1) = P(A2) = 3/8
P(x=2) = P(A3) = 3/8 3/8
P(x=3) = P(A4) = 1/8
1/4
X 0 1 2 3
P(x) 1/8 3/8 3/8 1/8 1/8
0
0 1 2 3
x
2.1.2 Função de repartição de uma v. a. d.

Define-se a função F como a função de distribuição acumulada da variável aleatória X como:
F(x) = P(X  x).
Propriedades da F(x).
1) F(x) =  P( xi)
xi x
2) F(   ) = 0
3) F(  ) = 1
4) P(a < x  b) = F(b) – F(a)
5) P(a  x  b) = F(b) – F(a) + P(x = a)
6) P(a < x < b) = F(b) - F(a) - P(x = b)
7) A função é não decrescente, isto é, F(b)  F(a), para b > a.
Como X assume apenas um número finito de valores x1, x2, ..., xn então a função de distribuição é
dada por:
15
 0   x  x
1
 f ( x ) x xx
 1 1 2
 f ( x )  f (x ) x xx
F( X )   1 2 2 3
  

f ( x1 )  f ( x 2 )  ...  f ( x n )  1 x x
n
Exemplo 2.3: Determine a função de distribuição da v.a.d. X, do exemplo 2.1 e trace seu gráfico.
Solução:
0, x0

1 / 8, 0  x 1


F( x )  4 / 8, 1 x  2

7 / 8, 2x 3


1, x 3
2.1.3 Valor médio de uma v. a. d.

Dada uma v. a. X discreta, assumindo os valores x1, ..., xn, chama-se valor médio ou esperança
matemática o valor
n
E(X)   x i p i
i 1
Propriedades da E(X)
a) E(k) = k
b) E(kX) = kE(X)
c) E(X  Y) = E(X)  E(Y)
d) E(k  X) = k  E(X)
Exemplo 2.4: Um jogador lança um dado. Se ocorrer um número primo, ele ganha este número em
reais, mas se ocorrer um número que não seja primo ele perde este número em reais. Qual a esperança
de ganho do jogador em uma partida?
Solução:
X -1 2 3 -4 5 -6
P(x) 1/6 1/6 1/6 1/6 1/6 1/6
E(X) = -1 x 1/6 + 2 x 1/6 + 3 x 1/6 + -4 x 1/6 + 5 x 1/6 + -6 x 1/6 = -1/6
2.1.4 Variância de uma v. a. d.

Define-se variância de uma variável aleatória como sendo:
16
2 
Var(x) =  x = E[( x  x ) 2 ]  ( x   ) 2 P( x )
 i x
i 1
i
Pode-se encontrar uma fórmula mais prática para o cálculo da variância.

Assim:

Var(x) =  ( x) 2
 [E ( x )] 2 onde E(x2) = x 2
p( x ) .
i 1
Propriedades da variância:
i) A variância de uma constante é zero. V(k) = 0
ii) Multiplicando-se uma variável aleatória por uma constante sua variância fica multiplicada pelo
quadrado da constante. V(kx) = k 2 V( x)
iii) Somando-se ou subtraindo-se uma constante à uma variável aleatória, sua variância não se altera.
V(k  x ) = V(x)
iv) A variância da soma ou diferença de duas variáveis aleatórias independentes é a soma das
respectivas variáveis. V(x  y) = V(x) + V(y) se x e y forem independentes.
2.1.5 Desvio Padrão

O desvio padrão é a raiz quadrada da variância  x   2x
Exemplo 2.5: Determine a variância e o desvio padrão para os dados do exemplo 2.4.
E(X2) = (-1)2 x 1/6 + (2)2 x 1/6 + (3)2 x 1/6 + (-4)2 x 1/6 + (5)2 x 1/6 + (-6)2 x 1/6 = 15,17
V(X) = 15,17 – (0,17)2 = 15,1411  x  15,1411 = 3,89
2.2 Variáveis Aleatórias Contínuas
Seja X uma variável aleatória. Se X pode assumir um número infinito de valores,

correspondendo aos pontos de um intervalo de uma reta de números, diz-se que X é uma variável
aleatória contínua (v. a. c.).
2.2.1 Função densidade de probabilidade (f.d.p.) de uma v. a. c.

Se X é uma variável aleatória contínua. A função densidade de probabilidade de X é uma função
que satisfaz as seguintes condições:
a) f(x)  0  x  Rx

b)  f ( x) dx  1

b
c) para quaisquer a, b com   < a < b <  , teremos: P(a < x < b) =  f ( x) dx
a
2 x  2 , se 0  x  2
Exemplo 2.6: Verificar se f ( x)   é fdp.
0 , e.c.c.
Solução:
i) f ( x)  0  x
2
2 x2
ii) 0 2 x  3dx  1  2 .  3.x  4  6  10 , não é fdp.
2 0
17
Exemplo 2.7: Seja a função f, definida em R, por:
0 , se x  0

f ( x )   x ,0  x  k
2

0 , se x  k
onde k é uma constante real. Determine para que valores de k, f é função densidade de probabilidade
de uma v.a. x.
2 k
Solução:
k
x dx  1  1 . x 1
1 2
k  1  k 2  4  k  2 , mas como f ( x )  0 , k = 2.

0 2 2 2 4
0
2.2.2 Função de repartição de uma v. a. c.

Dada uma v. a. X com função densidade de probabilidade f(x), define-se a sua função de
distribuição acumulada, F(x), como: F(x) = P(X  x), - < x < .
x
Assim F( x )   f (t )dt

Propriedades da F(x).
1) 0  F(x)  1
2) lim F( x )  0
x  
3) lim F( x )  1
x 
4) F(x) é contínua à direita lim F(x) = F( x 0 )

x  x0
5) F(x) é descontínua à esquerda, nos pontos em que a probabilidade é diferente de zero. lim F(x) é
x  x0
diferente F ( x 0 ) para P(x = x 0 ) diferente de 0.

2 x , se 0  x  1
Exemplo 2.8: Suponha que X seja uma variável contínua com fdp f ( x)   . Encontre,
0 , p.o.v.
a fdp acumulada, F. de x.
Solução: F ( x)  0dt  0 para x < 0;

0
x x
t2
F ( x)   2tdt  2  x 2 para 0 < x < 1;
0
2 0
0 1 x
F ( x)   0dx   2 x.dx   0.dx  1 para x  1 .
 0 1
0 ,x0
Exemplo 2.9: Suponha que uma v.a.c. tenha a fd F dada por: F ( x)   x
. Encontre a f.d.p.
1  e , x  0
de x.
0 , p.o.v.
Solução: f ( x)  F ' ( x)    x .
e , x  0
18
2.2.3 Valor médio de uma v. a. c.
Dada uma v. a. X contínua, chama-se valor médio ou esperança matemática o valor

E(X )   x f ( x ) dx

Propriedades da E(X)
a) E(k) = k
b) E(kX) = kE(X)
c) E(X  Y) = E(X)  E(Y)
d) E(k  X) = k  E(X)
Exemplo 2.10: A distribuição da quantidade de cascalho (em toneladas) vendida por uma empresa de
3 2
 (1  x ) , se 0  x  1
materiais de construção em uma semana é uma v.a.c. X com fdp f ( x)   2 .
0 , p.o.v.
Determine o valor médio de cascalho vendida por semana.
Solução:
x 1
 1 1
3 3 3  x2 x4  3
E ( X )  x f ( x)dx   x (1  x )dx   ( x  x 3 )dx  
2
  
 0
2 20 2 2 4  x0 8
2.2.4 Variância de uma v. a. c.

Define-se variância de uma variável aleatória contínua como sendo:

Var(x) = E ( x 2 )  ( E ( x ))2 Onde: E(x2) =  x 2 . f ( x ) dx

Propriedades da variância:
v) A variância de uma constante é zero. V(k) = 0
vi) Multiplicando-se uma variável aleatória por uma constante sua variância fica multiplicada pelo
quadrado da constante. V(kx) = k 2 V( x )
vii) Somando-se ou subtraindo-se uma constante à uma variável aleatória, sua variância não se
altera. V(k  x ) = V(x)
viii) A variância da soma ou diferença de duas variáveis aleatórias independentes é a soma das
respectivas variáveis. V(x  y) = V(x) + V(y)
2.2.5 Desvio Padrão

O desvio padrão é a raiz quadrada da variância  x   2x
Exemplo 2.11: A venda semanal de leite, em milhares de litros, de uma cooperativa pode ser
representada por uma v.a. X com função de distribuição de probabilidade
0 se x  0

F ( x)   x 3 se 0  x  1 .
1 se x  0

a) Determine a f.d.p.
b) Calcule E(x) e V(x)
19
0 se x  0
 0 e.c.c.
Solução: a) f ( x)  F ' ( x)  3 x 2 se 0  x  1   2 ;
0 se x  0 3 x , 0  x  1

1 1 1 1
2 x4 3 3
b) E ( x)   x f ( x) dx   x.3 x dx   3 x dx  3.  ;
0 0 0
4 0
4
1 1 1 5 1
x 3
E ( x 2 )   x 2 f ( x) dx   x 2 .3 x 2 dx   3 x 4 dx  3.  ;
0 0 0
5 0
5
2
3  3 3 9 48  45 3
V ( x)         .
5  4 5 16 80 80
2.3 Função Geradora de Momentos (fgm)

Seja X uma variável aleatória. A função geradora de momentos de X é a função M: R  R,
definida por:
Mx(t) = E( e tx ), t  R se E( e tx ) existir.

Se X for uma variável aleatória discreta, tem-se: Mx(t) =  etx j p( x j ) ;
j 1

tx
Se X for uma variável aleatória contínua, tem-se: Mx(t) = e f ( x )dx ;

Propriedades:
P1  M x (t )  0  t  R
P2  M x (0)  1
P3  M x ( t ) é única.
Teorema: Seja X uma v.a. Se a fgm de X exista então: M xn' (o)  E ( X n ) , isto é, a derivada n-
ésima de Mx(t), calculada para t = 0, fornece E(xn).
A função geradora de momentos determina, univocamente, a distribuição de probabilidade de

uma v.a., como observa-se no teorema seguinte:
Sejam X e Y duas vs. as. cujas fgm , são respectivamente Mx e M y. Se Mx(t) = My(t) para algum
intervalo contendo a origem, então as vs. as. X e Y têm a mesma distribuição de probabilidade.
Exemplo 2.12: A v.a x pode tomar os valores 1 e -1 com probabilidade 1/2 cada um. Determine a
função geratriz de momentos.
Solução:
x -1 1
p(x) 1/2 1/2

1
Mx(t) = e txj
2 2 2

p ( xj )  e tx . p ( x)  1 .e t  1 .e t  e t  e t 
j 1
0 ,x0
Exemplo 2.13: Uma v.a. x tem f.d.p. dada por f ( x)    2 x . Determine a função geratriz de
2e , x  0
momentos.
20
 0  
2 x (t  2 )  2
Solução: M x (t )  tx
 e f ( x)dx 
tx tx 2 x x (t  2 )
 e .0dx   e .2e dx   2.e dx  e  0  1 
  0 0
t2 0 t2
2
M x (t )  .
t 2
2.4 Função característica

Define-se função característica da variável aleatória X como:
 x ( t )  E (e itx ) onde i =  1
 x (t ) é estritamente relacionada com M x ( t ) e tem a vantagem de existir sempre. (Ampliação do
universo dos reais para os complexos).
Dado que e itx  cos( tx )  i sen( tx ) então :
 x ( t )  E[cos(tx )]  iE[sen( tx )] .
Exemplo 2.14: Determine a função característica da v.a. x cuja função de densidade é:

a
f ( x)   e  a| x| ,  x   a  0 .
2
 a  a | x| 0 a  a
itx
Solução:  x (t )  E (e )   e itx e dx   e itx e  a (  x ) dx   e itx e  ax dx 
 2  2 0 2
0 
a 0 x ( it  a ) a 0  x ( a it ) a e x ( it  a ) a e  x ( a it ) a a
  e dx   e dx  .  .   
2  2  2 it  a 
2 a  it 0
2(it  a ) 2( it  a )
2 2 2 2
a (a  it )  a (it  a ) a  ait  ait  a 2a a
2 2 2
 2 2
  2 .
2( a  i t ) 2(a  t ) 2(a  t ) (a  t 2 )
2 2
2.5 Exercícios 4. Dada a distribuição de probabilidade a seguir, para a

1. Suponha que a f.d.p. de uma v.a.x é a seguinte: variável aleatória Y
3 Y 0 1 3 4
f(x) = 4/3(1- x ) para 0  x 1 P(Y) 2/10 4/10 3/10
0, e.c.c. a) quanto vale p(0)
Determine os valores das seguintes probabilidades:
b) calcule , 2 e .
a) P(x  1/2).
b) P(1/4  x  3/4) 5. Seja f(x) = kx se 0  x  1
c) P(x  1/3) 0 , e.c.c
Determinar:
2. Suponha que uma v.a.x tenha uma distribuição com a) k a fim de que f(x) seja f.d.p.
a seguinte f .p. b) o gráfico de f(x)
F(x) = cx para x = 1, 2, 3, 4, 5 c) P(0  x  ½)
0, p.o.v d) E(x), VAR(x),
Determine o valor da constante C. F(x) e seu gráfico
3. Uma v. a. c. X tem f.d.p. dada por: 6. A tabela abaixo exibe a função de probabilidade de
 k 0x2 uma variável aleatória x.

f ( X)  k ( x  1) 2x4 x 1 2 3
 0 p.o.v P(x) 1/2 1/3 1/6

Determine: a) Determine F(x);
b) Faça o gráfico da F(x).
a) k
b) F(X)
7. Uma v.a.x tem função de densidade.
c) E(X)
f(x) = cx2 1x2
Faça os gráficos para f(X) e F(X)
cx 2x3
0 e.c.c
21
Determine: Nº de Até 41 42 43 44 45 46
a) o valor da constante c; clientes
b) P(x  2) ; P(1/2  x  3/2); Probabili- 0,88 0,06 0,04 0,01 0,006 0,004
c) Determine F(x). dades
Qual a esperança de ganho do banco se este novo sistema

8. Dada a variável aleatória discreta e sua distribuição de for implantado?
probabilidade p(x):
10. Dadas as funções abaixo verificar para que valores de
x p(x) k podem ser consideradas f.d.p. calcular E(X) e V(X).
0 1/8 kx 2 0x2
2 1/4 a) f (x )  
3 1/2  0 p.o.v.
4 1/8
a) calcule  = E (x) k ( 2  x ) 0  x 1
b) calcule E (x2 ) b) f (x )  
c) calcule 2 e   0 e.c.c
9. Um banco pretende aumentar a eficiência de seus ke2 x para x  0

caixas. Oferece um prêmio de R$ 150,00 para cada c) f (x )  
 0 para x  0
cliente atendido além de 42 clientes por dia. O banco tem
um ganho operacional de R$ 100,00 para cada cliente
atendido além de 41. As probabilidades de atendimento
são:
3 – Modelos Probabilísticos para Variáveis Aleatórias

Algumas variáveis aleatórias adaptam-se muito bem a uma série de problemas práticos. Em geral
nesses casos, a distribuição de probabilidade pode ser escrita de uma maneira mais compacta, isto é,
existe uma lei para atribuir as probabilidades. Portanto, um estudo pormenorizado dessas variáveis é de
grande importância para a construção de modelos probabilísticos para situações reais e a conseqüente
estimação de seus parâmetros.
A principal vantagem de se definir uma variável aleatória e sua distribuição de probabilidade é
que uma vez que a distribuição de probabilidade seja conhecida, é relativamente fácil determinar a
probabilidade de uma variedade de eventos que podem ser de interesse.
3.1 Modelos para variáveis aleatórias discretas

A distribuição de probabilidade para uma variável aleatória descreve como as probabilidades
estão distribuídas sobre os valores da variável aleatória. Para uma variável discreta x, a distribuição de
probabilidade é definida por uma função de probabilidade, denotada por p(x). A função de
probabilidade fornece a probabilidade para cada um dos valores da variável aleatória.
3.1.1 Bernoulli:
Definição: Seja X uma v.a.d. e p, 0  p  1 onde 0 representa o fracasso e 1 representa o
sucesso. X tem distribuição de Bernoulli, X ~ B(P), se sua f.p. é:
p x 1  p 1x , x  0,1
p( x )  
0 , p. o. v.
Características:
i) Se X ~ B(p), então a fgm de X é:
1
Mx (t) = E(etx) =  e tx px (1  p)1 x  (1  p)  e t p  1  p(et  1) .
x 0
22
 p 1
Mx (t) > 0  1 + p(et - 1) > 0  p(et - 1) > - 1  et – 1 > -1/p  et > 1 – (1/p)  t  ln  .
 p 
ii) Se x ~ B(p), então:
E(x) = M’x (0)  M’x (t) = p.et  M’x (0) = p
E(x2) = Mx’’(0)  Mx’’ (t) = p.et  Mx’’ (0) = p
V(x) = E(x2) – [E(x)]2  V(x) = p – p2 = p(1-p) = pq
Exemplo 3.1: Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja x =
número de bolas verdes, determinar p(x) e calcular E(x) e V(x).
Solução:
0 → q = 30/50 = 3/5.
1 → p = 20/50 = 2/5.
x 1 x
 2  3
p( x)       .
5 5
E(x) = p = 2/5.
2 3 6
V(x) =   .
5 5 25
3.1.2 Binomial
Considere que se repita um ensaio de Bernoulli n vezes, e que as repetições sejam independentes,
isto é, o resultado de um ensaio não tem influência nenhuma no resultado de qualquer outro ensaio.
Cada tentativa admite apenas dois resultados: fracasso com probabilidades q e sucesso com
probabilidade p, p + q = 1. As probabilidades de sucesso e fracasso são as mesmas para cada tentativa.
Seja X: número de sucessos em n tentativas.
Para um resultado particular (RP):
SSSS
...
SFFFF

...
F
k nk
Logo,
k nk
P(RP) = P(SSSS...SFFFF..F) = pppp...p qqqq...q  p q
   
k n k
Def: Seja X uma v.a.d. e p, 0  p  1, n   tem distribuição binomial , ou, é binomialmente

distribuída, com n   e P, x ~ b (n,p), se sua f.p. é:
 n!
 p x (1  p) n  x , x  0,1,..., n
p( x )   x! (n  x )! ou P( X  k )  Cnk p k q nk
 0, p. o. v.
Características:
i) Se X ~ b (n,p), então a f.g.m. de x é:

n n! n n!.( pet ) x .(1  p ) n  x
Mx (t) = E(etx) =  etx p x .(1  p )n  x   = [(1 - p) + pet]n =
x 0 x!.(n  x )! x0 x!.(n  x )!
 p 1
= [1 + p(et - 1)]n = t  ln  p  .
 
ii) Se x ~ b(n,p), então:
E(x) = M’x (0)  M’x (t) = n[1 + p(et – 1)]n-1.pet  M’x(0) = n.p.
23
E(x2) = Mx’’(0)  Mx’’ (t) = n(n – 1)[1 + p(et – 1)]n-1.pet.pet + n[1 + p(et – 1)]n-1.pet.
Mx’’ (0) = n(n – 1)p2 + np = n2p2 – np2 + np.
V(x) = n2p2 – np2 + np – n2p2  V(x) = np(1 – p).
Exemplo 3.2: Uma moeda é lançada 20 vezes. Qual a probabilidade de saírem 8 caras?
8 12
1 1 8
Solução: P( x  8)  C       0,12013 .
20
2 2
Exemplo 3.3: Uma firma de vendas por correio envia cartas anunciando um determinado produto aos
possíveis clientes. A porcentagem de respostas a essas cartas é, em geral, de 10%. Supondo que um
prédio tem 20 moradores e que todos receberam uma carta, determine a probabilidade de:
a) Ninguém responder a essas cartas;
b) Só duas dessas cartas terem respostas;
c) Responderem menos de 20% das pessoas contatadas.
Solução:
0 20
1 9 0
a) P ( x  0)  C      20  0,1216 ;
 10   10 
2 18
2  1  9
b) P( x  2)  C 20       0,2852 ;
 10   10 
0 20 1 19 2 18 3 17
0  1  9 1  1  9 2  1  9 3  1  9
P( x  4)  C 20       C 20       C 20       C 20      
c)  10   10   10   10   10   10   10   10 
0,1216  0,2702  0,2852  0,1901  0,8671.
3.1.3 Poisson
A distribuição de Poisson é uma outra distribuição de probabilidade que encontra muitas
aplicações práticas. Existem inúmeros fenômenos discretos representados por um processo Poisson, do
mesmo modo que o modelo Poisson também é empregado para fornecer aproximações para a
distribuição Binomial.
Muitas vezes, no uso da Binomial, acontece quando n é muito grande (n  ) e p é muito
pequeno (p  0). Na prática, quando n > 30 e p < 0,05. Nesse caso, pode-se aproximar a distribuição
Binomial para a Poisson, com  = np.
Def: Seja X uma v.a.d. e  > 0 um número real. X tem distribuição de Poisson com parâmetro ,
X ~ P(), se sua f.p. é
 e  x
 x  0,1, 2...
p ( x )   x!
 0 x 0
Características:
i) Se X ~ P(), então a fgm de X é:
e   x 


(e t  ) x t t
M x (t )  E.e   e .tx
 e . tx
 e   .e e  e  ( e 1) .
x 0 x! x0 x!
24
ii) Se X ~ P(), então:
t
E(X) = M'
X
(0) M'
X
(t) = e ( e 1)
e t  M 'X (0) =   E(X) = 
t t
E(X2) = M' '
X
(t)t = 0 M ' ' (t)
X
= e ( e 1)
e t e e  e  ( e 1)
e t  M' '
X
(0) = 2 + 
V(X) = 2 +  - 2  V(X) = 
Exemplo 3.4: Numa estrada há 2 acidentes para cada 100 km. Qual a probabilidade de que em:
a) 250 km ocorram pelo menos 5 acidentes?
b) 300 km ocorram 5 acidentes?
Solução:   2 / 100km
2  100
a) →   5 / 250km
  250
 e 5 .50 e 5 .51 e 5 .52 e 5 .53 e 5 .54 
P ( X  5)  1  P ( X  5)  1       
 0! 1! 2! 3! 4! 
1  0,0111  0,0500  0,1125  0,1687  0,1898  0,56.
2  100
b) →   6 / 300km
  300
e 6 .6 5
P ( X  5)   0,1606.
5!
Exemplo 3.5: Suponha que uma fábrica produz por dia 40 peças metálicas para candeeiros. A
máquina de acabamento não está devidamente ajustada produzindo uma peça defeituosa em cada
dez peças. Determine a probabilidade de se obter, no máximo, 2 peças defeituosas.
Solução:   1 / 10 peças
e 1 .10 e 1 .11 e 1 .12
P ( X  2)    0,3679  0,3679  0,1839  0,9197.
0! 1! 2!
3.2 Modelos para variáveis aleatórias Contínuas
3.2.1 Distribuição Normal

A distribuição normal também é conhecida como distribuição de Gauss. É um dos mais
importantes modelos de probabilidade para variáveis aleatórias contínuas, sendo aplicado em inúmeros
fenômenos e muito utilizado no desenvolvimento teórico em na área de inferência estatística.
Def: Seja X uma v.a.c.,  E R,  E R,  > 0. X tem distribuição normal ou é normalmente
distribuída, com parâmetro  e , se sua fdp é:
2
1  x 
1   
f ( x)  e 2   , - < x <  e diz-se que x ~ N( ,2).
2 
25
Características:
a) Da fdp f:
i) f(x) > 0,  x E R, lim f ( x )  lim f ( x )  0 .
x   x 
ii) A f tem um número máximo em x = .
f’(x) = 0  x=
f’’(x) < 0  (, 1 ) é o ponto de máximo
2 
iii) f é simétrica em relação à x = . f(x + ) = f( - x),  x
iv) a f tem dois pontos de inflexão em x =   . f’’(x) = 0  x =   .
b) da variável:
i) Se X ~ N( ,2), a fgm de x é:
2 2
1  x  1  x  
1   
2  
 1   
2  
 tx
M x (t )  E (etx )  
tx
e e dx =  e dx =
2  
2  
2
1   x    1
1 
 
2    
 2 tx 
 1  
2 2
x 2
2 x   2 2 2 xt 
2  
e dx =
2 

e dx =
2
2 
1  2

1

 2 x 2  2 x (   2t )  e 2 2

1

 2 x 2  2 x (   2t )  (   2t ) 2 (   2 t ) 2 
e 2
 e 2 dx =  e 2 dx =
2  2 
2 2 2 2

2 2
1 2 2
1  x (   2 t ) 
  

2 2
1
2
 2
 2  2t  4t 2  1  x  (   2t ) 
  
e 2
(   t )
 2    e .e 2  2   
e 2  e dx =   e dx =
2  2 
2 2 1 2 1
t   2t 2 1  x (   2t ) 
2
   t   2t 2 1  x (   2t ) 
  2   
e 2 2 2 2 2
 2  


e  2   
  e dx =  e dx
2  2  
 2y
e
1 2
dy  2 e fazendo y 

x    2 t 
Usando o fato:   ,
2
1  x (  2 t )  1 2
  
 2  2   2y
 e dx    e dy   2 , então:
 
26
1 1
t   2t 2 1 t   2t 2
2
e . . 2 e 2 , logo:
2 
1
t   2t 2
2
M x (t )  e
ii) Se x ~ N( ,2), então:
1 1
t   2 t 2  0  2 02
E(x) = M’x (0)  M’x (t) = e 2 (   2 t )  M’x(0) = e 2
(    2 0) = .
1 1
t   2 t 2 t   2 t 2
2
E(x ) = Mx’’(0)  Mx’’ (t) = e 2
 (   t ) 2 2 2
e 2
2 2 2
E(x ) = Mx’’(0) =  + 
V(x) = E(x2) – [E(x)]2  V(x) = 2 + 2 - 2 = 2
3.2.2 Distribuição normal padrão
Def: Seja X uma v.a.c. x tem distribuição normal padrão x ~ N(0,1), se sua fdp é:
1
1  x2
x   e 2 , -  < x < .
2
Característica:
a) Da fdp :
i) (x) > 0,  x, lim  ( x )  lim  (x )  0
x  x 
ii)  tem um máximo em x = 0.
’(x) = 0  x = 0
’’(x) < 0 (0, 1 ) é ponto de máximo.
2
iii)  é simétrica em relação a x = 0 ( é par).

 (-x) =  (x)
iv)  tem ponto de inflexão em x =  1.
’’(x) = 0  x =  1
b) da variável:
i) Se X ~ N(0,1), a fgm de x é:
27
1 2
 1 tx
 x2
1
1
1 2

  2 x  2 tx  1  2 2
  2 x  2 tx  t  t 
E(etx) = Mx(t) = .e e 2 dx =  e dx =  e dx =
 
2 2 
2 
1 2
1 t
1   x t 2  1 t 2 e2
1
  2 x  t 
2
e 2 2 dx e dx .
2

 =
2

 Fazendo y = (x – t) tem-se:
1 2 1 2
t 1 t
2  y2 2 1
e  e t2
 e 2
dy  2 = e 2 .
2 
2
ii) Se x ~ N(0,1).
1 2
t
M’x(t) = 2 t.e 2
E(x) = M’x(0) = 0
1 2 t2
t
Mx’’(t) =  e2 t 2 .e 2
2
E(x ) = Mx’’(0) = 1
V(x) = 1
Exemplo 3.6: O tempo de reação de um motorista para o estímulo visual é normalmente

distribuído com uma média 0,4s e um  = 0,05s. Qual é a probabilidade de que uma reação
requeira:
a) mais de 0,5s c) entre 0,5s e 0,6s
b) menos de 0,45s d) menos de 0,3s
Solução:
0,5  0,4
a) z  2;
0,05
P ( x  0,5)  P ( z  2)  0,5  0, 4772  0,0288  2,28% .
0,4772
0 2
0,45  0,4
b) z  1;
0,05
P( x  0,45)  P ( z  1)  0,5  0,3413  0,8413  84,13% .
0,3413
0,5
0 1
28
0,5  0,4 0,6  0,4
c) z   1; z   4;
0,05 0,05
P(0,5  x  0,6)  P(2  z  4)  0,4999  0,4772  0,0228  2,28% .
0,4772
2 4
0,3  0,4
d) z   2 ;
0,05
P( x  0,3)  P( z  2)  0,5  0,4772  0,0228  2,28% .
0,4772
3.2.3 Distribuição “t” de Student

Def: Seja X uma v.a.c., n   , n > 0. X tem distribuição t de student com parâmetro n, se sua
f.d.p é:
 n 1  n 1 
  2  2 
2  x 
f ( x)    1  
, n  e    x  .
 n   n 
n  
2
Características:
a) Da f.d.p. f:
1 1
i) n =1, f ( x)  1  x  2 1


 1 x2
,   x  .

 
ii) f(x) > 0  x lim f ( x)  0 .
x  
iii) f(x) tem um máximo em x = 0.

f’(x) = 0 → x = 0
  n 1 
   
 0;  2  
f’’(x) < 0 → Pmáx 
n
 n   
 2
iv) f(x) é simétrica em relação a x = 0, isto é, f(x) é par → f(-x) = f(x)
Gráfico:
29
b) Da variável:
i) Se x ~ tn, então: E(x) = 0
gl
V(x) = , para gl > 2.
gl  2
Tabela da distribuição “tn”
x  
Sendo x ~ tn, dados n e α, a tabela fornece ,n
, tal que: P( , n  x  , n)  1   e
2 2 2

P(  x   x  x )  .
2
,n
2
,n 2
Exemplo 3.7: x ~ t1; α = 0,05 entao x0,025; 1 tal que:

P( x0,025  x  x0,025; 1)  0,95 e P( x   x0,025; 1)  P( x  x0,025;1)  0,025
1  dx 1 
  0,025  .arc tg x x  0,025
 x 1  x2 
1   1 1 1
  2  arc tgx   0,025  2   arc tgx  0,025    arc tgx  0,475
 
arc tgx  0,047  x  tg (0,475 )  x  12,706 .
3.2.4 Distribuição Qui-quadrado (χ2)

Definição: Seja X uma v.a.c. com contradomínio * e seja n   , n > 0. Diz-se que X tem
distribuição qui-quadrado com parâmetro n se sua fdp for:
30
n 1
1 1  x
x2 e 2
,x  0
2
n
n
f ( x)  2  2  
0 ,x  0
e se indica por x ~  n2 .
Características:
a) da f.d.p. f
i) n = 1; lim f ( x)   e lim f ( x)  0 e f(x) é estritamente decrescente, isto é, f ‘(x) < 0, para
x0 x
x > 0.
1 1
1   x
f ( x)  x 2e 2
,x  0
1
2 1 2
 2
ii) n = 2; lim f ( x)  1 e lim f ( x)  0 e f(x) é estritamente decrescente, isto é, f ‘(x) < 0,

x0 2 x
para x > 0.
1
 x
f ( x)  1 e 2
,x  0
2
iii) n  3 , lim f ( x)  0 e lim f ( x)  0 e f(x) tem um máximo em x = n – 2, isto é, f ‘(x) = 0 e

x0 x
f ”(n – 2) < 0.
31
(n2 > n1 ≥ n3)

OBS:  (r )   s r 1e  s ds
0
 (r )  (r  1)!   (r )  (r  1)(r  1)
 (r  1)  r!  (r  1)  r (r )
 (1)  1 (1 / 2)  
 (3 / 2)   (1  1 / 2)  1 / 2 (1 / 2)  1 / 2 
b) da variável:
i) Se X ~  n2 , a fgm de x é:
n 1 n 1
 1 2
1  x
2 tx 1 
2
1  x (1 2 t )
2
M x (t )   x e e dx  x e dx
0 n
2 2 n  2 n
2 2 n  2 0
Fazendo ;
Substituindo na integral, tem-se:
n n 1
1 n
1  2v 2 v 2dv 2 2 .2  1
M x (t )  e  n v 2 e v dv
n
2 2 n  2  0 (1  2t ) n 1 
1  2t 2 2  n (1  2t ) 2 (1  2t ) 0
2
 
2 .n 
n
2
2 1 n 2
M x (t )    (1  2t )
n (1  2t )
n n n
2 2 2
2 (1  2t )
2
ii) Se x ~  n2 então:
E ( x)  M x' (0)
n  n 1  n 1
M x' (t )   (1  2t ) 2 ( 2)  n(1  2t ) 2
2
 n 1
M x' (0)  n(1  2.0) 2 n  E(X) = n
2 ''
E ( x )  M ( 0) x
n n 2  n 2
M x'' (t )  (   1).n.(1  2t ) 2 ( 2)  ( n 2  2n)(1  2t ) 2
2
 n 2
M x'' (0)  (n 2  2n)(1  2.0) 2
 n 2  2n
V ( x )  n 2  2n  n 2  2n  V(X) = 2n
Tabela da distribuição  n2,
A distribuição qui-quadrado é largamente utilizada na inferência estatística. Para essa finalidade ela
esta tabelada. Essa tabela fornece abscissa ou valores da variável com distribuição qui-quadrado pré-
fixada e em função do parâmetro n ( na pratica é chamado de número de graus de liberdade).
32
A tabela da distribuição  n2, é construída para fornecer valores da variável, em função de   1 , 
 e α, 0 < α < 1, satisfazendo a sentença: X ~  n2, e P(x > xα, ) = α → x α, 
Exemplo 3.8: X ~  22 e P(X > x 0,05; 2) = 0,05
1
 x
f ( x)  1 e 2
,x  0
2

1  1x
 x 1
P(x > x 0,05; 2) = 0,05 = 1  e 2 dx   2 e 2   0,05
2 x 2  
x
1
 x  ln 0,05  x  2. ln 0,05  5,99
2
Exemplo 3.9: X ~  22 e P(X> x ) = 0,10
1
 x
f ( x)  1 e 2
,x  0
2

1  1 x
 x 1
P(x > x) = 0,10 = 1  e 2 dx   2e 2   0,10
2 x 2  
x
1
 x  ln 0,10  x  2. ln 0,10  4,61
2
3.2.5 Distribuição “F “de Snedecor

Def: Seja x uma v.a.c. m,n   , m  1 e n  1.
x tem distribuição F com parâmetros m e n, x ~ Fm,n, se sua fdp é:
  m  n  m  m 2 m 1
    x 2
  2  n 
,x0
f ( x)   m n
2
m n
    m 
   1  x 
2 2
     n 
0 ,x0
Características:
a) da fdp f x ~ F(m,n):
i) Se m = 1, f(x)  0,  x , lim f ( x)   e lim f ( x)  0 .

x0  x
 n 2 2
 
ii) Se m = 2, f(x)  0,  x , lim f ( x)   2  n  1
x 0 n
 
 2
iii) Se m  3, f(x)  0,  x , lim f ( x)  0 , lim f ( x)  0 e f(x) tem um máximo em
x 0 x
n m2
x . , m  2 ( m  3)
m m2
n m2
f ' ( x)  0  x  .
m n2
 n m 2
f ' ' . 0
m n2 
Gráfico:
b) Da variável:
33
i) Se X ~ Fm,n, então:
n
E ( x)  , n3
n2
2n 2 ( m  n  2)
V ( x)  , n  5.
m( n  2 ) 2 ( n  4 )
Tabela da Distr. Fm,n
Se X ~ Fm,n, dados m, n e α, a tabela fornece xα,m,n tal que: P(xα,m,n) = α.

1
Pelo teorema 1, se y  , então y ~ Fn,m. Dados m, n, α, então P(y > y1 - α, m, n) = 1 – α
x
1 
P  y1 , n , m   1   .
x 
 1   1 
P x   1    P x   1  (1   )  
 y1 , n , m   y1 , n, m 
 
 1 
Logo: P  x   P x  x1 , n, m   
 y1 , n, m 

1 1
 x , n , m  y1 , n, m 
y1 , n , m x , m , n
Exemplo 3.10: X ~ F4,2, α = 0,05 e P(x > x0,05, 4, 2) = 0,05
(3).2 2  x 
Solução: Então:  3
dx  0,05  8. x.(1  2 x) 3 dx  0,05
 (2). (1) x0 (1  2 x) x0
Fazendo:
ux 
du  dx
1
dv  (1  2 x)  v  (2 x  1)  2
4

 x 1 
8 2
  (1  2 x) 2 dx  0,05
 4(1  2 x) 4  x0

  2x 1  2 x0 1
 2
   0,05  2
  0,05
 (1  2 x) 1 2x  x (1  2 x 0 ) 1  2 x0
0
0,2 x02  3,8 x0  0,95  0  x0  19,25  x0,95, 4, 2  19,25

11
P( x  x0,95, 2, 4 )  0,95  x0,95, 2, 4  
 0,052.
x 0, 05, 4, 2 19,25
Analogamente: x ~ F2, 4, x0,05, 2, 4 tal que P(x > x0,05, 2, 4) = 0,05 é x0,05, 2, 4 = 6,94.
1 1
Logo: x0,05, 2, 4 tal que P(x > x0,95, 4, 2) = 0,95 é x 0,95, 4, 2    0,144.
x0,05, 2, 4 6,94
3.3 Exercícios circuitos integrados defeituosos. Qual a probabilidade de

que o produto opere?
1. Um produto eletrônico contém 40 circuitos integrados.
A probabilidade de que qualquer circuito integrado seja
2. As linhas telefônicas de um sistema de reservas de
defeituoso é de 0,01. Os circuitos integrados são
uma companhia área estão ocupadas 40% do tempo.
independentes. O produto opera somente se não houver
34
Suponha que os eventos em que as linhas estejam 7. O número de partículas gama, emitidas por segundo, por
ocupadas em sucessivas sejam independentes. Considere certa substância radioativa é uma variável aleatória com
que 10 chamadas aconteçam. distribuição de Poisson com média igual a 2. Se um
a) Qual a probabilidade de que, para exatamente três instrumento registrador torna-se inoperante quando há mais
chamadas, as linhas estejam ocupadas? de 3 partículas por segundo, qual a probabilidade de que isto
b) Qual a probabilidade de que, para no mínimo uma aconteça em qualquer determinado segundo?
chamada, as linhas não estejam ocupadas?
c) Qual o número esperado de chamadas em que todas as
8. Se 5% das lâmpadas produzidas por uma fábrica são
linhas estejam ocupadas?
defeituosas, encontre a probabilidade de que, numa
amostra de 100 lâmpadas, escolhidas ao acaso,
3. Porque nem todos os passageiros de aviões aparecem
tenhamos:
na hora do embarque, uma companhia aérea vende 125
a) nenhuma defeituosa
bilhetes para um vôo que suporta somente 120
b) três defeituosas
passageiros. A probabilidade de um passageiro não
c) mais do que uma boa
aparecer é de 0,1 e os passageiros comportam-se
independentemente.
9. Em média há 2 chamadas por hora em certo telefone.
a) Qual a probabilidade de que cada passageiro que
Calcular a probabilidade de nenhuma chamada em 90
apareça possa embarcar?
minutos.
b) Qual é a probabilidade de que o vôo decole com
assentos vazios?
10. Sabendo que em certo processo industrial a média
mensal de acidentes pessoais é igual a 0,5, determine a
4. Em seu caminho matinal, você se aproxima de um
probabilidade de que, ao longo de 4 meses, verifique-se:
determinado sinal de transito, que está verde 20% do
a) nenhum acidente;
tempo. Suponha que cada manhã represente uma
b) um acidente;
tentativa independente.
c) ao menos um acidente;
a) Em cinco manhãs, qual a probabilidade de que a luz
d) no máximo dois acidentes.
esteja verde exatamente um dia?
b) Em 20 manhãs, qual a probabilidade de que a luz
11. Suponha que o número de partículas emitidas por
esteja verde exatamente quatro dias?
um material radioativo em cada segundo tenha uma
c) Em 20 manhãs, qual a probabilidade de que a luz
esteja verde em mais de quatro dias? distribuição de Poisson com média 3 ( = 3).
a) Construa o gráfico para a distribuição de
5. Em um pedágio de determinada rodovia chegam, em probabilidade do número de partículas emitidas por
média, 1200 carros por hora. Determine a probabilidade de um material radioativo por segundo (use a tabela de
chegarem: Poisson).
b) Calcule a probabilidade de que sejam emitidas entre
a) pelo menos 2 carros por minuto 7 e 11 partículas por segundo.
c) Qual é distribuição do número de partículas emitidas
b) no máximo 4 carros a cada 4 minutos
por um material radioativo por minuto?
c) três carros a cada 6 minutos d) Qual é a probabilidade de que 100 partículas sejam
emitidas em um minuto?
d) 100 carros em meia hora
12. Uma fábrica produz válvulas, das quais 20% são
6. A chance de que um bit transmitido através de um defeituosas. As válvulas são vendidas em caixas com 10
canal digital seja recebido com erro é de 0,1. Suponha peças. Se a caixa não tiver nenhuma defeituosa, seu
também que as tentativas de transmissão sejam preço de venda é R$ 10,00; tendo uma defeituosa, o
independentes. Faça X = número de bits com erro nos preço é R$ 8,00; duas ou três defeituosas, o preço é R$
próximos quatro bits transmitidos. Determine a 6,00 e mais do que 3 defeituosas o preço é R$ 2,00. Qual
probabilidade: o preço médio de uma caixa, neste caso?
a) De dois bits conterem erro.
b) De que pelo menos um contenha erro.
c) De que no máximo 2 contenham erro.
4 – O Teorema Central do Limite
Ao analisarmos uma distribuição amostral da média aritmética, devemos imaginar que, em

muitos casos, ou saberemos que a população não é distribuída de maneira normal, ou podemos
verificar que não é realista supor que é uma distribuição normal. Deste modo, quando precisamos
36
examinar a distribuição amostral da média aritmética para populações que não são distribuídas
normalmente, recorremos ao Teorema Central do Limite.
O Teorema Central do Limite é útil no estudo de variáveis aleatórias, pois dá apoio ao uso da
distribuição normal. Isto é, qualquer que seja a distribuição da variável de interesse para grandes
amostras, a distribuição das médias amostrais serão aproximadamente normalmente distribuídas e,
tenderão a uma distribuição normal. Mas se tomarmos várias amostras grandes desta distribuição e,
então fizermos um histograma das médias amostrais, a forma se parecerá com uma curva normal.
A aproximação para a normal melhora à medida que o tamanho amostral cresce. Este
resultado é conhecido como Teorema Central do Limite.
4.1 Enunciado do Teorema Central do Limite

Sejam X 1 , X 2 ,..., X n variáveis aleatórias independentes, identicamente distribuídas (isto é, todas
têm a mesma função de probabilidade no caso discreto ou a mesma função de densidade no caso
2
contínuo) e com média  e variância  finitas.
Então se,
Sn  X 1  X 2  ...  X n
 S  n  1 b  u2
lim P  a  n  b   e 2
du
a
x 
  n  2
isto é, a variável  Sn  n  , que é a variável padronizada correspondente a sn , é assintoticamente

 
  n 
normal.
O teorema também é válido sob condições mais gerais, por exemplo, quando X 1 , X 2 ,..., X n
são variáveis aleatórias independentes com a mesma média  e a mesma variância  2 , mas não
necessariamente com a mesma distribuição.
4.2 Demonstração do Teorema Central do Limite

Para n  1,2,... ,temos S n  X 1  X 2  ...  X n . Sendo que X 1 , X 2 ,..., X n , têm cada uma
média  e variância  2 . Assim:
E  S n   E  X 1   E  X 2   ...  E  X n 
E  S n       ...  
E  Sn   n
e como as X k são independentes

Var ( Sn )  Var ( X 1 )  Var ( X 2 )  ...  Var ( X n )
Var ( Sn )   2   2  ...   2
Var ( Sn )  n 2
37
Segue-se que a variável aleatória padronizada de S n é:
Sn  n
Sn* 
 n
*
A função geratriz de momentos para S n é:
 t  Sn  n  
n
 
*
M S *  t   E etS n  E e  n 
 
 t  X1    t  X 2    t  X n    
M S *  t   E  e  n .e  n ...e  n 
n
 
 t  X1      t  X 2      t  X n   
M S *  t   E  e  n  .E  e  n  ...E  e  n 
n
     
n
  t  X1    
M S *  t    E e  n  
n
  
onde, nos dois últimos estágios levamos em conta o fato de que X k são independentes e são
identicamente distribuídas. Mas pelo desenvolvimento de Taylor,
 t  X1n   (X1  ) 2 (X1  )2 

E e   E 1 t t
2! 2n
 ...
    n 
 t  X1n  t t2 2
E e   E1  E X1    2 E X1    ...
   n 2 n
 t  X1  t t2
E e  n  1  (0)  2  ( 2 ) ...
   n 2 n
 t  X1n  t2
E e  1 2n ...
 
t2
Mas o limite desta expressão quando n   é e 2
, que é a função geratriz de momentos da
distribuição normal padronizada.
Resumindo tem-se que:
 Para a maioria das distribuições de população, independentemente do tamanho, a distribuição
amostral das médias será distribuída de maneira aproximadamente normal;
 Se a distribuição da população for relativamente simétrica, a distribuição amostral das medias
será aproximadamente normal;
 Se a população for distribuída de maneira normal, a distribuição amostral das médias será
distribuída de maneira normal, independente do tamanho da amostra.
Portanto, o Teorema Central do Limite tem importância fundamental na utilização da inferência
estatística, pois permite fazer inferências sobre a média da população sem precisar conhecer o formato
específico da distribuição da população.
38
Figura 1 – Distribuição normal e distribuição de amostragem da média aritmética de 500
amostras de tamanho n = 2, 3, 8, 16 e 32. (Figura adaptada de Leviene, Berenson e Stephan, 2000).
39
Figura 2 – Distribuição uniforme contínua e distribuição de amostragem da média aritmética de
500 amostras do tamanho n = 2, 4, 8, 16 e 32. (Figura adaptada de Leviene, Berenson e Stephan,
2000).
40
Figura 3 – Distribuição exponencial e distribuição de amostragem da média aritmética de 500
amostras do tamanho n = 2, 4, 8, 16 e 32. (Figura adaptada de Leviene, Berenson e Stephan, 2000).
5 - Referências Bibliográficas
CARREIRA, A.; PINTO, G.; SOUSA, B. Cálculo da Probabilidade. Lisboa: Piaget, 2002.
COSTA NETO, P. L.; CYMBALISTA, M. Probabilidades: Resumos Teóricos – Exercícios
Resolvidos – Exercícios Propostos. São Paulo: Edgard Blücher, 1974.
DANTAS, C. A. B. Probabilidade: Um Curso Introdutório. 3. ed. São Paulo: Edusp, 2008.
DEVORE, J. L. Probabilidade e Estatística para Engenharia e Ciências. 6. ed. San Luis Obispo:
Thomson, 2006.
LIPSCHUTZ, S. Teoria e problemas de probabilidade. São Paulo: McGraw-Hill do Brasil, 1972.
41
MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros.
2. ed. Rio de Janeiro: LTC, 2003.
MORETTIN, L. G. Estatística Básica. 7. ed. São Paulo: Makron Books, 1999.
NAGHETTINI, M. PINTO, É. J. DE A. Hidrologia Estatística. Belo Horizonte: CPRM, 2007.
SPIEGEL, M. R. Probabilidade e Estatística. São Paulo: Pearson Education do Brasil, 1978.
42

Apostila Final

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Final

Enviado por

Direitos autorais:

Formatos disponíveis

PROBABILIDADE I

Profª Luciane Flores Jacobi

3 MODELOS PROBABILÍSTICOS PARA VARIÂVEIS ALEATÓRIAS 22

4 O TEOREMA CENTRAL DO LIMITE 36

1.1 Noções de experimento, espaço amostral e eventos

1.1.1 Experimento aleatório [Simbologia: E]

 O experimento pode ser repetido;

1.1.2 Espaço amostral [Simbologia: S]

1.1.3 Evento [Simbologia: A, B, C, ...]

1. Se A e B forem dois eventos, A  B significa que A e B ocorrem;

Exemplo 1.3: Lance um dado e uma moeda.

Solução: C = coroa, K = cara:

1.2 Conceitos de probabilidade

1.2.2 Conceito empírico ou “a posteriori”

1.3 Probabilidade condicionada

Pode-se escrever também, através do teorema do produto:

1.4 Independência estatística

P(A/B) = P(A) e P(B/A) = P(B)

Nesse caso, usando-se a expressão anterior para P(AB), tem-se:

P(AB) = P(A/B) . P(B) = P(A) . P(B)

Chegando-se à condição de independência, na qual A e B serão eventos independentes se e

P(AB) = P(A) . P(B)

1.5 Teorema de Bayes

Generalizando-se essa aplicação para Bi:

P B   P(A i ) onde: P(Ai) = probabilidades à priori (conhecidas);

Esse resultado é conhecido como teorema de Bayes. É também denominada fórmula da

1.6 Diagrama de Árvore

1.7 Resumo das propriedades do cálculo de probabilidades

1.8 Exercícios: iii) B e C ocorrem

2.1 Variáveis Aleatórias Discretas

Solução: O espaço amostral do experimento é: c = cara; k = coroa.

2.1.1 Função de probabilidade (fp) de uma v. a. d.

c) A notação utilizada será: P(X = xi) = p(xi) ou

Exemplo 2.2: Determine a função de probabilidade correspondente à variável aleatória X, vista no

P(x=0) = P(A1) = 1/8 p(x) 1/2

2.1.2 Função de repartição de uma v. a. d.

2.1.3 Valor médio de uma v. a. d.

E(X) = -1 x 1/6 + 2 x 1/6 + 3 x 1/6 + -4 x 1/6 + 5 x 1/6 + -6 x 1/6 = -1/6

2.1.4 Variância de uma v. a. d.

Pode-se encontrar uma fórmula mais prática para o cálculo da variância.

2.1.5 Desvio Padrão

2.2 Variáveis Aleatórias Contínuas

Seja X uma variável aleatória. Se X pode assumir um número infinito de valores,

2.2.1 Função densidade de probabilidade (f.d.p.) de uma v. a. c.

2.2.2 Função de repartição de uma v. a. c.

4) F(x) é contínua à direita lim F(x) = F( x 0 )

diferente F ( x 0 ) para P(x = x 0 ) diferente de 0.

Solução: F ( x)  0dt  0 para x < 0;

2.2.4 Variância de uma v. a. c.

2.2.5 Desvio Padrão

2.3 Função Geradora de Momentos (fgm)

A função geradora de momentos determina, univocamente, a distribuição de probabilidade de

2.4 Função característica

Exemplo 2.14: Determine a função característica da v.a. x cuja função de densidade é:

2.5 Exercícios 4. Dada a distribuição de probabilidade a seguir, para a

Qual a esperança de ganho do banco se este novo sistema

9. Um banco pretende aumentar a eficiência de seus ke2 x para x  0

3 – Modelos Probabilísticos para Variáveis Aleatórias

3.1 Modelos para variáveis aleatórias discretas

Def: Seja X uma v.a.d. e p, 0  p  1, n   tem distribuição binomial , ou, é binomialmente

i) Se X ~ b (n,p), então a f.g.m. de x é:

3.2 Modelos para variáveis aleatórias Contínuas

3.2.1 Distribuição Normal

3.2.2 Distribuição normal padrão