Escolar Documentos
Profissional Documentos
Cultura Documentos
Probabilidade
I
Joaquim Neto
Universidade Federal de Juiz de Fora (UFJF)
Instituto de Ciências Exatas (ICE)
Departamento de Estatı́stica
www.ufjf.br/joaquim neto
11 de maio de 2014
”Nosso mundo, nossa vida, nosso destino, são
dominados pela incerteza. Esta é talvez a
única declaração que podemos afirmar sem
incerteza”.
de Finetti
Sumário
1 Métodos de contagem 7
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Princı́pio fundamental da contagem . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Arranjos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Permutações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Permutações com repetição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Combinações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Triângulo de Pascal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.9 Respostas dos exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Introdução à probabilidade 21
2.1 Espaço amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Definições de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Teoria dos conjuntos: revisão de conceitos . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Axiomas de probabilidade e espaço de probabilidade . . . . . . . . . . . . . . . . 26
2.6 Principais resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Probabilidade condicional e principais teoremas . . . . . . . . . . . . . . . . . . . 30
2.8 Independência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.9.3 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3 Variáveis aleatórias 49
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Variável aleatória discreta e função de probabilidade . . . . . . . . . . . . . . . . 50
3.3 Variável aleatória contı́nua e densidade . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Função de distribuição acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5 Variável aleatória mista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.6 Função de uma variável aleatória . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.7 Quantil e mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.8 Valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.9 Valor esperado da função de uma v.a. . . . . . . . . . . . . . . . . . . . . . . . . 64
3.10 Propriedades do valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.11 Momento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.12 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.13 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.13.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.13.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.13.3 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
1.1 Introdução
A princı́pio, pode parecer desnecessária a existência de métodos para realizar uma contagem.
Isto de fato é verdade se o número de elementos que queremos contar for pequeno. Entretanto,
se o número de elementos for grande, a contagem pode se tornar uma tarefa árdua.
Exemplo 1.1. Seja A o conjunto de números de 3 algarismos distintos. Assim,
A = {123, 124, 125, ..., 875, 876}.
Observe que é trabalhoso obter todos os elementos deste conjunto e depois contá-los. Corre-se
o risco de haver omissões ou repetições de elementos.
Resultado 1.1. Consideremos os conjuntos A = {a1 , a2 , ..., an } e B = {b1 , b2 , ..., bm }. Podemos
formar n · m pares ordenados (a, b), onde a ∈ A e b ∈ B.
O diagrama de árvore, ilustrado abaixo, pode ser usado para visualizar os pares ordenados.
𝒃𝟏 𝒂𝟏 , 𝒃𝟏
𝒃𝟐 o
𝒂𝟏 , 𝒃𝟐
et
𝒂𝟏 ⋮ ⋮
_n
𝒃𝒎 𝒂𝟏 , 𝒃𝒎
im
𝒃𝟏 𝒂𝟐 , 𝒃𝟏
qu
𝒂𝟐 𝒃𝟐 𝒂𝟐 , 𝒃𝟐
oa
⋮ ⋮
⋮
r/j
𝒃𝒎 𝒂𝟐 , 𝒃𝒎
.b
𝒂𝒏 𝒃𝟏 𝒂𝒏 , 𝒃𝟏
fjf
𝒃𝟐 𝒂𝒏 , 𝒃𝟐
.u
w
⋮ ⋮
w
𝒃𝒎 𝒂𝒏 , 𝒃𝒎
w
𝒃𝟏
o
𝒂𝟏
et
_n
𝒃𝟐
m
𝑿 𝒂𝟐 𝒀 𝒁
i
qu
𝒃𝟑
oa
𝒂𝟑
r/j
𝒃𝟒
.b
𝒂𝟒
fjf
.u
𝒃𝟓
w
w
w
n! = n · (n − 1) · (n − 2) · · · · · 3 · 2 · 1, para n ≥ 2,
1! = 1 e
0! = 1.
Exemplo 1.3. 3! = 3 · 2 · 1.
4! = 4 · 3 · 2 · 1.
5! = 5 · 4 · 3 · 2 · 1.
𝑨𝟏 𝑨𝟐 𝑨𝒏
o
et
_n
im
⋯
qu
oa/j
br
fjf.
.u
w
𝒂𝟏, 𝒂𝟐, ⋯ , 𝒂𝒏
w
w
Exemplo 1.4. Três classes diferentes contém 20, 18 e 25 estudantes e nenhum estudante é
membro de mais de uma das classes. Se uma equipe deve ser composta por um estudante de
cada classe, de quantos modos diferentes os membros desta equipe podem ser escolhidos?
Solução: Sejam A1 , A2 , A3 conjuntos que representam as 3 classes. Cada equipe escolhida
pode ser associada a um vetor (a1 , a2 , a3 ), com ai ∈ Ai .
𝑨𝟏 𝑨𝟐 𝑨𝟑
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
𝒂𝟏, 𝒂𝟐, 𝒂𝟑
w
w
o
et
_n
im
qu
oa
r/j
.b
fjf
𝒃𝟏 , 𝒃𝟐 , ⋯ , 𝒃𝒑
.u
w
𝒃𝟏 ≠ 𝒃𝟐 ≠ ⋯ ≠ 𝒃𝒑
w
w
𝑨
o
et
_n
m
i
qu
oa
𝒃𝟐
r/j
𝒃𝟏 𝒃𝟑
.b
fjf
.u
w
w
𝒃𝟏 , 𝒃𝟐 , 𝒃𝟑
w
𝒃𝟏 ≠ 𝒃𝟐 ≠ 𝒃𝟑
Logo, aplicando a segunda parte do princı́pio fundamental da contagem, o número de resultados
possı́veis para os 3 primeiros lugares é
20!
= 20 · 19 · 18 = 6840.
(20 − 3)!
o
3° lançamento K
et
2° lançamento C
_n
K
1° lançamento K K
im
C
K C
u
C
K
aq
K
/jo
C
rK C
C K
.b
K
fjf
C
C C
.u
w
K
w
C
w
1.3 Arranjos
Definição 1.2. Um arranjo é uma sequência formada com os elementos de um conjunto. Um
arranjo de elementos distintos é chamado de arranjo sem repetição.
O número de arranjos com p elementos de um conjunto A com n elementos será denotado por
An,p e chamado de arranjo de n tomado p a p. Para o número de arranjos sem repetição,
usaremos a notação ASn,p e diremos arranjo sem repetição de n tomado p a p.
A A
_n
m
ui
aq
/jo
br
.
fjf
𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒑
w
w
Obs: Para formar um arranjo, não é preciso usar todos os elementos do conjunto.
Resultado 1.4. Pelo princı́pio fundamental da contagem, temos que
An,p = np
e
n!
ASn,p = (n−p)! , para p ≤ n.
Exemplo 1.8. Uma linha ferroviária tem 16 estações. Quantos tipos de bilhetes devem ser
impressos, se cada tipo deve assinalar a estação de partida e a de chegada.
Solução: Seja A o conjunto de estações da linha ferroviária. Cada bilhete pode ser associado
a um par (a1 , a2 ), tal que a1 ∈ A, a2 ∈ A e a1 6= a2 . Logo, pelo princı́pio fundamental da
contagem, o número de bilhetes é
AS16,2 = 16 · 15.
Exemplo 1.9. Os caracteres em código MORSE são formados por sequências de traços (-) e
pontos (.), sendo permitidas repetições. Por exemplo: “- . - - . .”.
a) Quantos caracteres podem ser representados usando 3 sı́mbolos?
b) Quantos caracteres podem ser representados usando no máximo 8 sı́mbolos?
Solução: a) Seja A = {−, .}. Cada caracter de 3 sı́mbolos pode ser associado a um vetor
(a1 , a2 , a3 ), tal que a1 , a2 , a3 ∈ A. Pelo princı́pio fundamental da contagem, temos que o número
de caracteres de 3 sı́mbolos é A2,3 = 23 = 8.
b) O número de caracteres usando p sı́mbolos é A2,p e, consequentemente, o número de
caracteres com no máximo 8 sı́mbolos é a soma do número de caracteres obtidos com p = 1, 2, ..., 8
sı́mbolos, ou seja,
A2,1 + A2,2 + ... + A2,8 = 2 + 22 + ... + 28 = 510.
1.4 Permutações
Definição 1.3. Uma permutação, é uma sequência de elementos distintos formada com todos
os elementos de um determinado conjunto. O número de permutações de um conjunto com n
elementos será denotado por Pn e chamado simplesmente de permutação de n elementos.
A
o
et
_n
im
qu
oa
r/j
.b
fjf
𝒃𝟏, 𝒃𝟐 , . . . , 𝒃𝒏
.u
w
𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒏
w
w
(∆, ◊ , ◊, ◊, ∆ , , ∆)
.u
w
w
w
Exemplo 1.11. Um bairro é formado por 12 quarteirões dispostos segundo a figura abaixo. Uma
pessoa sai do ponto P e caminha até o ponto Q, sempre usando o caminho mais curto (movendo-
se sempre da esquerda para direita ou de baixo para cima no gráfico). Nestas condições, quantos
caminhos diferentes ela poderá fazer?
Q
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
P
w
w
1.6 Combinações
Definição 1.4. Seja A um conjunto qualquer. Um subconjunto de A é chamado de combinação
dos elementos de A. O número de combinações com p elementos de um conjunto com n elementos
é denotado por Cn,p e chamado de combinação de n tomado p a p.
o
et
_n
m
ui
o aq
r/j
.b
fjf
𝒃𝟏, 𝒃𝟐, . . . , 𝒃𝒑
.u
w
𝒃𝟏 ≠ 𝒃𝟐 ≠... ≠ 𝒃𝒑
w
w
n
Obs: Uma outra notação para Cn,p é .
p
É importante notar a diferença entre combinação e arranjo sem repetição. Em uma combi-
nação a ordem dos elementos não importa, ou seja, elementos que diferem apenas pela ordem
são contados como um único elemento. Já em um arranjo, a ordem importa, ou seja, sequências
com os mesmos elementos, mas em ordem diferente são contadas separadamente.
Exemplo 1.12. Dentre 10 homens e 8 mulheres, quantas comissões de 5 pessoas podem ser
formadas, sendo que em cada uma deve haver 3 homens e 2 mulheres?
Solução: Seja A o conjunto dos subconjuntos de 3 homens e B o conjunto dos subconjuntos
de 2 mulheres. Pelo resultado 1.7, temos que #A = C10,3 = 120 e #B = C8,2 = 28. Além disso,
cada comissão pode ser associada a um par (a, b), com a ∈ A e b ∈ B. Logo, pela primeira parte
do princı́pio fundamental da contagem, o número de comissões é
#A · #B = 120 · 28 = 3360.
o
et
_n
m
ui
aq
o
r/j
.b
fjf
.u
w
w
w
Prova:
n n! n!
= = = 1.
0 (n − 0)!0! n!
Prova:
n n! n!
= = = 1.
n (n − n)!n! n!
Obs: Este resultado afirma que os elementos de uma linha do triângulo de Pascal equidis-
tantes dos extremos são iguais. Veja a figura abaixo.
n n n n
+ + + ... + = 2n .
0 1 2 n
n
Prova: Seja A um conjunto com n elementos. Como é o número de subconjuntos
p
n n n n
com p elementos do conjunto A, temos que + + + ... + é o número
0 1 2 n
total de subconjuntos de A. Pensando de outra forma, para formar um subconjunto, temos duas
opções de escolha para cada elemento de A: ou o elemento está no subconjunto ou não está.
Como A tem n elementos, terá 2n subconjuntos.
Exercı́cio 1.4. De quantas formas 6 pessoas podem sentar-se numa fileira de 6 cadeiras se duas
delas, Joaquim e Rafael, se recusam a sentar um ao lado do outro?
Exercı́cio 1.6. Quantos anagramas da palavra “estudo” começam e terminam com vogal?
Exercı́cio 1.9. De quantas formas 5 meninos e 5 meninas podem ficar em fila, de modo que
meninos e meninas devem ficar em posições alternadas?
Exercı́cio 1.10. Dez pessoas, dentre elas Antônio e Beatriz, devem ficar em fila. De quantas
formas isto pode ser feito de modo que Antônio e Beatriz fiquem sempre juntos?
Exercı́cio 1.12. Considere 15 livros em uma estante, dos quais 4 são de probabilidade. De
quantas formas podemos coloca-lo em uma prateleira da estante de modo que os livros de proba-
bilidade fiquem sempre juntos?
Exercı́cio 1.14. Uma urna contém 3 bolas vermelhas e 2 amarelas, que se distinguem apenas
pela cor. Quantas sequências de cores são possı́veis de observar extraindo uma a uma sem
reposição?
Exercı́cio 1.15. Quantos números de 7 algarismos existem nos quais comparecem uma só vez
os algarismos 3, 4 e 5 e quatro vezes o algarismo 9?
Exercı́cio 1.16. Uma moeda é lançada 20 vezes. Quantas sequências de caras e coroas existem
com 10 caras e 10 coroas?
Exercı́cio 1.18. Um time de futebol de salão deve ser escalado a partir de um conjunto de 10
jogadores, entre eles Joaquim e Caio. Quantos times de 5 jogadores podem ser formados se Ari
e Arnaldo devem ser escalados necessariamente?
Exercı́cio 1.20. Uma urna contém 10 bolas brancas e 6 pretas, todas marcadas com sı́mbolos
distintos. Quantos conjuntos de 7 bolas (retiradas desta urna) podemos formar de modo que pelo
menos 4 bolas do conjunto sejam pretas?
Exercı́cio 1.21. Em uma reunião, cada pessoa cumprimentou todas as outras, havendo ao todo
45 apertos de mão. Quantas pessoas haviam na reunião?
Exercı́cio 1.24. Obter o número de maneiras que nove algarismos iguais a 0 e seis algarismos
iguais a 1 podem ser colocados em sequência de modo que dois uns não compareçam juntos.
Exercı́cio 1.25. Quantos subconjuntos de 5 cartas contendo exatamente 3 ases podem ser for-
mados de um baralho de 52 cartas?
Exercı́cio 1.26. A diretoria de uma firma é composta por 7 diretores brasileiros e 4 japoneses.
Quantas comissões podem ser formadas com 3 diretores brasileiros e 3 japoneses?
Exercı́cio 1.28. Um homem possui 8 pares de meias distintos. De quantas formas ele pode
selecionar escolher dois pés de meia (um direito e um esquerdo) de modo que eles sejam de
pares diferentes?
Exercı́cio 1.31. Quantos números pares de 3 algarismos podemos formar com os algarismos 1,
3, 6, 7, 8 e 9?
Exercı́cio 1.32. Suponhamos que todos os números obtidos a partir da permutação dos alga-
rismos 1,2,4,6 e 8 foram dispostos em ordem crescente. Qual posição ocupa o número 68412?
Resultados
𝜴
o
possíveis
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w
Exemplo 2.1. Considere um experimento que consiste em arremessar dois dados e observar os
números obtidos nas faces voltadas para cima. Defina um espaço amostral para este experimento.
Solução: Não é difı́cil encontrar quem defina Ω = {1, 2, 3, 4, 5, 6} como espaço amostral deste
experimento. No entanto, esta definição está incorreta, pois no experimento são arremessados
dois dados e não um. Lembre-se que o espaço amostral deve conter representações de todos os
resultados possı́veis do experimento. Um espaço amostral para este experimento é
Ω = {(x, y) ∈ R2 : x2 + y 2 ≤ 1}.
2.2 Eventos
Quando se realiza um experimento, há certos eventos que ocorrem ou não. Por exemplo, ao
jogar um dado e observar o resultado, alguns eventos são:
observar o número 2 e
Definição 2.2. Seja Ω o espaço amostral do experimento. Todo subconjunto A ⊂ Ω será cha-
mado evento.
Ω é o evento certo.
∅ é o evento impossı́vel.
𝜴 𝜴
o
et
_n
𝑨 𝑨
m
ui
aq
o
r/j
.b
fjf
𝑨𝒄
.u
w
w
w
Exemplo 2.4. Suponhamos um experimento que consiste em retirar uma carta em um baralho.
Usando a definição clássica de probabilidade, qual é a probabilidade de tirar um 7?
Solução: Seja Ω = {A♥, 2♥, ..., J♣, K♣} o espaço amostral e A = {7♣, 7♦, 7♥, 7♠} o
evento de interesse. Assim,
#A 4
P (A) = = .
#Ω 52
Obs: A grande dificuldade da definição frequentista é que os experimentos nunca são realizados
infinitas vezes, logo não há como avaliar a probabilidade de forma estrita.
Número de sucessos / número de realizações
o
1.0
et
●
_n
●
●
0.8
im
●
●
qu
●
●
0.6
●
●
●
●
●
●●●●●●●
●
● ●
●●
●●
●●
●●
●
●●
●
●
●
●
●●
●●
●
●●●
●●
●●●●
●
●●
●●●
●
● ●●●●● ● ● ●
●●
● ●
●●●
● ● ● ● ● ●
● ● ● ●
oa
●
●
●●
●
●●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●●
●
●●
●
●●
●
●
●●
●●
●●
●●
●●
●
●●
●
●
●●●
●
●
●●
●
●●
●●
●
●
●●●
●
●●
●●
●
●
●●
●
●●
●
●●
●
●●●
●
●
●●●
● ●
●●
●
●●
●●
●
●
●●
●●
●●
●●
●●
●
●
●●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●●
●
●
●
●●
●
●
●
●●
●
●●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●●
●●
●
●
●●
●●
●
●●
●●
●
●
●●
●●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●
●●
●●
●
●
●●
●
● ●
●●●
●
●
●●
●
●●
●●
●
●●
●
●●●
●●
●●
●
●●
●
●●
●●
●
●
●●●
●●
●●
●
●
●●●
●
●
●
●●
●
●
●
●●●
●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●●
●●●
● ●
● ●●● ●●● ●
● ●
●
● ●
●●●
●
●
●●
●
●●
● ●
● ●
●
0.4
●●
●
●●
r/j
●
●
●
●
.b
●
●
0.2
●
fjf
●
.u
w
Número de realizações
w
Figura 1: Número de arremessos de uma moeda honesta versos proporções de coroas obtidas.
1
Mais adiante vamos formalizar o conceito de independência.
o
Proporções
Proporções
et
cálculo a priori de uma
aq 0.0 0.8
0.8
_n
abilidade através da análise
0.0
m
1 3 5 1 3 5
ui
e ser atribuída também à
Resultados Resultados
o
r/j
200 arremesos 1000 arremesos
.b
Proporções
Proporções
w 0.0 0.8
0.0 0.8
fjf
.u
w
Exemplo 2.5. O jogo de franc-carreau foi estudado pela primeira vez em 1733 pelo natura-
lista e matemático francês Georges-Louis Leclerc e é apresentado por Badizé et al. (1996) como
uma proposição para introdução às probabilidades. O jogo consiste em lançar uma moeda em
olução umpossíveis
piso de azulejosque sãoquadrada. Os jogadores então apostam se a moeda irá parar com-
de forma
pletamente sobre um único azulejo, posição chamada “franc-carreau”, ou sobrepor algum trecho
geométrica e (junção
do rejunte a resolução
dos azulejos). Em uma região com n azulejos de lado igual a b centı́metros,
qual é a probabilidade de uma moeda de raio r centı́metros parar em posição “franc-carreau”?
ue consisteSolução:
em considerar
D C
adrados EFGH e ABCD,
o
H G
et
_n
representa o conjunto de
im
qu
P
r/j
.b
e ponto P.
fjf
(b-2r)
.u
E F
w
w
em número suficientemente
Joaquim Neto www.ufjf.br/joaquim neto página 24 de 110
Exemplo 2.6. Consideremos o evento A =“chove em Moscou”. Para alguém em Minas Gerais
podemos ter a seguinte avaliação: P (A) = 0, 5. Para alguém de Leningrado, podemos ter P (A) =
0, 8 se chove em Leningrado e P (A) = 0, 3 se não chove em Leningrado. Para alguém de Moscou,
P (A) = 1 se está chovendo em Moscou e P (A) = 0 se não está chovendo em Moscou.
𝜴
o
et
𝑨𝟏 𝑨𝟐
_n
m
𝑨𝟒
qui
oa
𝑨𝟑
r/j
𝑨𝟓
.b
fjf
.u
w
w
w
P(A) = {{3}, {5}, {7}, {3, 5}, {3, 7}, {5, 7}, {3, 5, 7}, ∅}.
Axioma 1: P (A) ≥ 0, ∀A ∈ A .
Axioma 2: P (Ω) = 1.
P é uma probabilidade em A .
o
et
_n
m
ui
aq
/jo
r
.b
fjf
.u
w
w
w
2
Geralmente usamos A = P(Ω). Para saber mais sobre condições que A deve satisfazer, consulte James
(1981).
P (Ac ) = 1 − P (A), ∀A ∈ A .
Ω = A ∪ Ac ⇒
⇒ P (Ω) = P (A ∪ Ac ) ⇒ (aplicando os axiomas 2 e 3) ⇒
⇒ 1 = P (A) + P (Ac ) ⇒
⇒ P (A) = 1 − P (Ac ).
P (B ∩ Ac ) ≥ 0 ⇒
⇒ P (B ∩ Ac ) + P (A) ≥ P (A) ⇒ (pelo axioma 3) ⇒
⇒ P ((B ∩ Ac ) ∪ A) ≥ P (A) ⇒
⇒ P (B) ≥ P (A).
Resultado 2.5.
0 ≤ P (A) ≤ 1, ∀A ∈ A
Prova: Como A ⊂ Ω, aplicando o resultado 2.4, temos que
P (A ∩ B c ) = P (A) − P (A ∩ B).
Resultado 2.7 (desigualdade de Boole). Supondo que A1 , A2 , A3 , ... são eventos aleatórios,
∞ ∞
!
[ X
P Ai ≤ P (Ai ).
i=1 i=1
Resultado 2.8. Supondo que A1 , A2 , ..., An são eventos aleatórios, temos que
n n
!
[ X
P Ai ≤ P (Ai ),
i=1 i=1
A B
_n
A B A B A B
im
qu
P =P +P -P
oa
r/j
.b
fjf
.u
w
w
w
P (A ∪ B) = P ((A ∩ B c ) ∪ B)
= (repare que A ∩ B c e B são disjuntos) =
= P (A ∩ B c ) + P (B)
= P (A) − P (A ∩ B) + P (B).
Prova:
Resultado 2.11. Supondo uma sequência A1 , A2 , ..., An de eventos aleatórios, temos que
n
X n
X
P (A1 ∪ A2 ∪ ... ∪ An ) = P (Ai ) − P (Ai ∩ Aj )
i=1 i<j=2
Xn
+ P (Ai ∩ Aj ∩ Ar ) + ...
i<j<r=3
n−1
+ (−1) P (A1 ∩ A2 ∩ ... ∩ An ) .
Prova: Como B ⊂ (A ∪ B), pelo resultado 2.4, P (B) ≤ P (A ∪ B), o que implica 1 ≤
P (A ∪ B) ≤ 1, ou seja, P (A ∪ B) = 1. Pelo resultado 2.9, temos ainda que
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) ⇒
⇒ 1 = P (A) + 1 − P (A ∩ B) ⇒
⇒ P (A ∩ B) = P (A).
P (A ∩ B)
P (A|B) = .
P (B)
Obs:
Se P (B) = 0, P (A|B) pode ser arbitrariamente definida. Mas, por independência, é
conveniente fazer P (A|B) = P (A), como veremos adiante.
Exemplo 2.8. Suponhamos que uma fábrica possui 310 máquinas de soldar. Algumas destas
máquinas são elétricas (E), enquanto outras são manuais (M). Por outro lado, temos também
que algumas são novas (N) e outras são usadas (U). A tabela abaixo informa o número de
máquinas de cada categoria.
Elétricas Manuais Totais
Novas 10 60 70
Usadas 200 40 240
Totais 210 100 310
a) Sabendo que uma determinada peça foi soldada usando uma máquina nova, qual é a
probabilidade (clássica) de ter sido soldada por uma máquina elétrica?
b) Sabendo que uma determinada peça foi soldada usando uma máquina elétrica, qual é a
probabilidade (clássica) de ter sido soldada por uma máquina nova?
Solução:
a)
P (E ∩ N ) #(E ∩ N ) 10
P (E | N ) = = = = 0, 1428571.
P (N ) #N 70
b)
P (N ∩ E) #(N ∩ E) 10
P (N | E) = = = = 0, 04761905.
P (E) #E 210
Resultado 2.13. Uma probabilidade condicional dado um evento B qualquer é uma probabili-
dade.
Solução:
Para mostrar que a probabilidade condicional é uma probabilidade, devemos verificar que
P (A | B) ≥ 0, ∀A ∈ A ,
P (Ω | B) = 1 e que
Definição 2.12. Uma sequência A1 , A2 , ... finita ou enumerável de conjuntos é uma partição
de um conjunto A quando
S
Ai = A.
i
o
𝑨𝟐
et
_n
𝑨𝟏
im
qu
𝑨𝟑
oa
r/j
.b
fjf
𝑨𝟓 𝑨𝟒
.u
w
w
w
et
_n
𝑨𝟏 𝑩
i m
qu
𝑨𝟑
oa
r/j
.b
fjf
𝑨𝟓 𝑨𝟒
.u
w
w
w
Prova: !
[
P (B) = P (B ∩ Ai ) = (pelo axioma 3) =
i
X X
= P (B ∩ Ai ) = P (B|Ai ) P (Ai ).
i i
Exemplo 2.9. Uma empresa produz circuitos em três fábricas, denotadas por I, II e III. A
fábrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As proba-
bilidades de que um circuito produzido por essas fábricas não funcione são 0, 01, 0, 04 e 0, 03
respectivamente. Escolhido ao acaso um circuito da produção conjunta das três fábricas, qual é
a probabilidade do circuito não funcionar?
Solução: Consideremos os eventos
P (B|Ai ) P (Ai )
P (Ai |B) = P .
P (B|Aj ) P (Aj )
j
o
𝑨𝟐
et
_n
𝑨𝟏 𝑩
im
qu
𝑨𝟑
oa
r/j
.b
fjf
𝑨𝟓 𝑨𝟒
.u
w
w
w
Exemplo 2.10. Um empresa produz circuitos em três fábricas, denotadas por I, II e III. A
fábrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As proba-
bilidades de que um circuito produzido por essas fábricas não funcione são 0, 01, 0, 04 e 0, 03
respectivamente. Um circuito é escolhido ao acaso da produção conjunta das três fábricas. Dado
que o circuito escolhido não funciona, qual é a probabilidade do circuito ter sido produzido pela
fábrica I?
Solução: Consideremos os eventos
Exemplo 2.11. Uma pessoa vai ao médico reclamando de dores. O médico acredita que o
paciente pode ter uma determinada doença. Ele então examina o paciente cuidadosamente,
observa seus sintomas e prescreve um exame laboratorial.
Seja θ uma quantidade desconhecida que indica se o paciente tem a doença ou não. Se
ele possui a doença então θ = 1, caso contrário θ = 0. O médico assume subjetivamente que
P (θ = 1|H) = 0, 6, onde H representa toda a informação disponı́vel antes de saber o resultado do
exame laboratotial. Para simplificar, iremos omitir H fazendo P (θ = 1) = P (θ = 1 | H) = 0, 6.
Seja X uma variável aleatória associada ao resultado do exame laboratorial, de modo que
X = 1 indica que o exame acusou a doença e X = 0 caso contrário. O exame fornece um
resultado incerto com as seguintes probabilidades
P (X = 1 | θ = 0) = 0, 10 (exame positivo sem a doença) e
P (X = 0 | θ = 1) = 0, 05 (exame positivo com a doença).
Dado que o exame acusou a doença (X = 1), qual é a probabilidade do paciente ter a doença?
Solução: Pelo teorema de Bayes, temos que
P (X = 1 | θ = 1)P (θ = 1)
P (θ = 1 | X = 1) =
P (X = 1 | θ = 1)P (θ = 1) + P (X = 1 | θ = 0)P (θ = 0)
0, 95 × 0, 6
= = 0, 9344262.
0, 95 × 0, 6 + 0, 1 × 0, 4
2. Em seguida, Monty abre uma das outras duas portas que o concorrente não escolheu,
sabendo que o carro não se encontra nela.
3. Agora, com duas portas apenas para escolher e sabendo que o carro está atrás de uma
delas, o concorrente tem que se decidir se permanece com a porta que escolheu no inı́cio
do jogo e abre-a ou se muda para a outra porta que ainda está fechada para então a abrir.
Qual é a estratégia mais lógica? Ficar com a porta escolhida inicialmente ou mudar de porta?
Com qual das duas portas ainda fechadas o concorrente tem mais probabilidades de ganhar? Por
que?
o
et
_n
m
ui
aq
/jor
.b
fjf
.u
w
w
w
2.8 Independência
Definição 2.13 (independência entre dois eventos). Dois eventos aleatórios A e B são
independentes quando
P (A ∩ B) = P (A)P (B).
Obs: Se os eventos A e B são independentes, então
P (A | B) = P (A) e P (B | A) = P (B).
Assim, se dois eventos forem independentes, a ocorrência de um deles não afeta a probabilidade
de ocorrência do outro.
Exemplo 2.14. Consideremos novamente o experimento que consiste em escolher um ponto
aleatoriamente no cı́rculo de raio unitário (centrado na origem do sistema cartesiano de coor-
denadas). Sejam A um evento formado pelos pontos que estão a menos de meia unidade de
distância da origem e B um evento formado pelos pontos que possuem primeira coordenada
maior que a segunda. Mostre que os eventos A e B são independentes.
Solução: Como
1 11 1
P (A ∩ B) = e P (A)P (B) = = ,
8 42 8
temos que P (A ∩ B) = P (A)P (B) e, consequentemente, os eventos são independentes.
Definição 2.14 (independência 2 a 2). Seja {Ai : i ∈ I} uma coleção de eventos aleatórios in-
dexada por um conjunto (de ı́ndices) I. Os eventos desta coleção são ditos independentes 2 a 2
se
P (Ai ∩ Aj ) = P (Ai )P (Aj ) ∀i, j ∈ I tais que i 6= j.
As duas definições de independência formuladas acima são parecidas, porém não são equiva-
lentes. O resultado a seguir estabelece que uma coleção de eventos (mutuamente) independentes
é necessariamente uma coleção de eventos independentes 2 a 2. Porém, a recı́proca não é verda-
deira, conforme veremos no exemplo 2.15.
Exemplo 2.15. Suponhamos um experimento que consiste em jogar dois dados. Considere os
eventos:
P (A) = 3×6
6×6 = 0, 5,
P (B) = 6×3
6×6 = 0, 5,
P (C) = 3×3
6×6 + 3×3
6×6 = 0, 5,
P (A ∩ C) = 3×3
6×6 = 0, 25 e
P (B ∩ C) = 3×3
6×6 = 0, 25.
Consequentemente,
P (A ∩ B) = 0, 25 = 0, 5 × 0, 5 = P (A)P (B),
P (A ∩ C) = 0, 25 = 0, 5 × 0, 5 = P (A)P (C) e
P (B ∩ C) = 0, 25 = 0, 5 × 0, 5 = P (B)P (C).
Logo os eventos são independentes 2 a 2.
b) Para mostrar que os eventos são (mutuamente) independentes, devemos verificar se
P (A ∩ B) = P (A)P (B),
P (A ∩ C) = P (A)P (C),
P (B ∩ C) = P (B)P (C) e
No item (a), verificamos que as 3 primeiras condições são verdadeiras e, portanto, falta
apenas avaliar se P (A ∩ B ∩ C) = P (A)P (B)P (C). Pelo item (a), temos ainda que P (A) =
P (B) = P (C) = 0, 5 e, consequentemente, P (A)P (B)P (C) = 0, 53 = 0, 125. Por outro lado,
A ∩ B ∩ C = ∅ e, consequentemente, P (A ∩ B ∩ C) = P (∅) = 0. Assim,
b)
c)
P (Ac ∩ B c ) = P ((A ∪ B)c ) = 1 − P (A ∪ B)
= (pelo resultado 2.9) = 1 − (P (A) + P (B) − P (A ∩ B))
= 1 − P (A) − P (B) + P (A) P (B)
= (colocando − P (B) em evidência) =
= 1 − P (A) − P (B) (1 − P (A))
= (colocando 1 − P (A) em evidência) =
= (1 − P (A)) (1 − P (B)) = P (Ac ) P (B c ) .
Joaquim Neto
D1 Definir o espaço amostral de um experimento. Espaço amostral
D2 Usar a definição clássica para calcular probabilidades. Definição clássica
D3 Usar a definição geométrica para calcular probabilidades. Definição Geométrica
Descritores
Exercı́cios
www.ufjf.br/joaquim neto
Provar ou fornecer contra exemplos para proposições de
D10 probabilidade não relacionadas aos conceitos de probabilidade Prova, proposições
condicional ou independência.
D11 Calcular probabilidades usando as definições de independência. Independência
Provar ou fornecer contra exemplos para proposições de
D12 probabilidade relacionadas ao conceito de probabilidade Prova, probabilidade condicional
condicional.
Provar ou fornecer contra exemplos para proposições de
D13 Prova, independência
probabilidade relacionadas aos conceitos de independência.
página 38 de 110
2.9.2 Enunciados
Exercı́cio 2.1. (D2.2) Óleos de cozinha são produzidos em duas principais variedades: monoin-
saturados e polinsaturados. Duas matérias primas para óleos de cozinha são: milho e canola. A
tabela a seguir mostra o número de garrafas destes óleos em um supermercado.
Tipo de óleo
Canola Milho
Tipo de mono 7 13
insaturação poly 93 77
Exercı́cio 2.2. (D2.2) Qual é a probabilidade (clássica) de observar quatro números diferentes
ao lançar quatro dados?
Exercı́cio 2.3. (D2.2) Se 12 bolas são colocadas aleatoriamente em 20 caixas, qual é a proba-
bilidade (clássica) de nenhuma caixa receber mais do que uma bola?
Exercı́cio 2.4. (D2.2) Uma caixa contém 24 lampadas, das quais 4 são defeituosas. Se uma
pessoa seleciona 4 lampadas aleatoriamente desta caixa, qual é a probabilidade (clássica) das
quatro lampadas serem defeituosas?
Exercı́cio 2.5. (D2.2) Suponhamos que n pessoas irão se sentar aleatoriamente em n cadeiras
alinhadas em fila (de um teatro). Qual é a probabilidade (clássica) de duas pessoas em particular,
A e B, sentarem uma do lado da outra?
Exercı́cio 2.6. (D2.2) Suponhamos que k pessoas irão se sentar aleatoriamente em n cadeiras
alinhadas em fila (de um teatro). Qual é a probabilidade (clássica) de k pessoas ocuparem cadeiras
adjacentes?
Exercı́cio 2.7. (D2.2) Suponha que um comitê de 12 pessoas será selecionado aleatoriamente
dentre 100 pessoas. Qual é a probabilidade (clássica) de duas pessoas em particular, A e B,
serem selecionadas.
Exercı́cio 2.8. (D2.2) Uma caixa contém 24 lampadas, das quais 4 são defeituosas. Supo-
nhamos que uma pessoa seleciona 10 lampadas aleatoriamente e, em seguida, uma outra pessoa
seleciona as 14 lampadas restantes. Qual é a probabilidade (clássica) das 4 lampadas defeituosas
serem selecionadas pela mesma pessoa?
Exercı́cio 2.9. (D2.2) Um baralho contém 52 cartas e 4 ases. Se as cartas forem embaralhadas
e distribuı́das de maneira aleatória para 4 pessoas, de modo que cada pessoa receba 13 cartas,
qual é a probabilidade (clássica) dos 4 ases ficarem com a mesma pessoa?
Exercı́cio 2.10. (D2.2)
a) Suponha que os três dı́gitos do número 123 sejam escritos em ordem aleatória. Qual é
a probabilidade de que ao menos um dı́gito ocupe seu lugar próprio? b) Suponha que os quatro
dı́gitos do número 1234 sejam escritos em ordem aleatória. Qual é a probabilidade de que ao
menos um dı́gito ocupe seu lugar próprio?
Exercı́cio 2.11. (D2.2) Um fabricante de lâmpadas para faróis automotivos testa as lâmpa-
das sob condições de alta umidade e alta temperatura, usando a intensidade e vida útil como
parâmetros de interesse. A tabela abaixo mostra a performance de 130 lâmpadas.
Qual é a probabilidade de uma lâmpada selecionada aleatoriamente ser insatisfatória sob pelo
menos um dos critérios?
Exercı́cio 2.12. (D2.2) Uma empresa efetuou um estudo sobre fraudes em cartões de crédito,
com resultados resumidos no quadro abaixo.
Selecionando aleatoriamente um caso de fraude nos casos resumidos acima, qual é a proba-
bilidade da fraude resultar de um cartão falsificado?
Exercı́cio 2.13. (D2.2) Uma mão de poker consiste na combinação de 5 cartas aleatórias de
um baralho comum de 52 cartas. Pesquise sobre o jogo de poker e responda:
a) Quantas mãos de poker são possı́veis?
b) Em uma mão de poker, qual é a probabilidade de se ter uma dupla (duas cartas com o
mesmo valor)?
c) Em uma mão de poker, qual é a probabilidade de se ter duas duplas?
d) Em uma mão de poker, qual é a probabilidade de se ter uma trinca (três cartas com o
mesmo valor)?
e) Em uma mão de poker, qual é a probabilidade de se ter um ”straight”(cinco cartas em
sequência)?
f ) Em uma mão de poker, qual é a probabilidade de se ter um ”flush”(cinco cartas do mesmo
naipe)?
g) Em uma mão de poker, qual é a probabilidade de se ter um ”full house”(uma trinca e uma
dupla)?
h) Em uma mão de poker, qual é a probabilidade de se ter uma quadra (quatro cartas com o
mesmo valor)?
i) Em uma mão de poker, qual é a probabilidade de se ter um ”straight flush”(cinco cartas
em sequência do mesmo naipe)?
j) Em uma mão de poker, qual é a probabilidade de se ter um ”royal straight flush”(10, J, Q,
K e Ás, todos do mesmo naipe)?
a) P (Ac ),
b) P (A ∪ B),
c) P (Ac ∩ B),
d) P (A ∩ B c ),
e) P ((A ∪ B)c ) e
f ) P (Ac ∪ B).
b) P (Ac ∩ B).
c) P (Ac ∪ B).
d) P (Ac ∩ B c ).
Exercı́cio 2.18. (D2.5) Suponha que A, B, C sejam eventos tais que P (A) = P (B) = P (C) =
1/4, P (A ∩ B) = P (B ∩ C) = 0 e P (A ∩ C) = 1/8. Calcule a probabilidade de que ao menos um
dos eventos (A, B ou C) ocorra.
Exercı́cio 2.19. (D2.6) Uma caixa contém 4 válvulas defeituosas e 6 perfeitas. Duas válvulas
são extraidas juntas. Sabendo que uma delas é perfeita, qual é a probabilidade da outra válvula
também ser perfeita?
Exercı́cio 2.20. (D2.6 e D2.2) Em um lote de 100 chips semicondutores 20 são defeituosos.
Dois deles são selecionados ao acaso e sem reposição.
a) (D2.2) Qual é a probabilidade do primeiro chip selecionado ser defeituoso?
b) (D2.6 e D2.2) Qual é a probabilidade do segundo chip selecionado ser defeituoso, dado que
o primeiro deles é defeituoso?
c) (D2.6 e D2.2) Como a resposta do item (b) mudaria se os chips selecionados fossem repostos
antes da próxima seleção?
Exercı́cio 2.21. (D2.6 e D2.2) Amostras de uma peça de alumı́nio fundido são classificadas em
duas categorias de acabamento: “excelente” e “bom”. Uma outra classificação divide as peças em
duas categorias de comprimento: “excelente” e “bom”. A tabela abaixo exibe o número de peças
por categoria de um determinado lote:
Comprimento
Excelente Bom
Acabamento Excelente 75 7
da superfı́cie Bom 10 8
c) (D2.6 e D2.2) Se a peça selecionada tiver excelente acabamento na superfı́cie, qual é a pro-
babilidade do comprimento ser excelente?
d) (D2.6 e D2.2) Se a peça selecionada tiver bom comprimento, qual é a probabilidade do aca-
bamento na superfı́cie ser excelente?
Exercı́cio 2.22. (D2.6 e D5) Um equipamento eletrônico é formado por 2 componentes, I e II.
Suponha que
Exercı́cio 2.23. (D2.6 e D2.5) Uma montagem eletrônica é formada de dois subsistemas. Su-
pondo que a probabilidade do primeiro sistema falhar é igual a 0.20, que a probabilidade ambos
falharem é 0,15 e que a probabilidade do segundo sitema falhar sozinho é 0,15.
a) (D2.6) Calcule a probabilidade do primeiro sistema ter falhado dado que o segundo sistema
falhou.
Exercı́cio 2.24. (D2.6 e D2.5) Suponha que A e B sejam eventos, tais que P (A) = 13 , P (B) =
1 2 c c
5 e P (A | B) + P (B | A) = 3 . Calcule P (A ∪ B ).
Exercı́cio 2.25. (D2.8) Um operador de rádio envia pontos e traços com igual probabilidade,
mas devido a perturbações atmosféricas, os pontos são muitas vezes entendidos pelo receptor
como traços e vice-versa. Seja 51 a probabilidade de um ponto ser recebido como traço e 41 a
probabilidade de um traço ser recebido como ponto. Supondo que o receptor interpreta todos os
pontos aparentes como pontos verdadeiros (o mesmo valendo para os traços), qual é a probabili-
dade de haver um erro na transmissão?
Exercı́cio 2.26. (D2.8) A urna I contém x bolas brancas e y bolas vermelhas. A urna II contém
z bolas brancas e v bolas vermelhas. Uma bola é escolhida ao acaso da urna I e posta na urna
II. Em seguida, uma bola é escolhida ao acaso da urna II. Qual é a probabilidade desta bola ser
branca?
Exercı́cio 2.27. (D2.9) Suponha que temos duas urnas I e II, cada uma com duas gavetas.
A urna I contém uma moeda de ouro em uma gaveta e uma moeda de prata na outra gaveta,
enquanto a urna II contém uma moeda de ouro em cada gaveta. Uma urna é escolhida ao acaso
e, em seguida, uma de suas gavetas é aberta ao acaso. Sabendo que a moeda encontrada nesta
gaveta é de ouro, qual é a probabilidade de que a moeda provenha da urna II?
Exercı́cio 2.28. (D2.9) Um software que detecta fraudes em cartões telefônicos detecta o nú-
mero de áreas metropolitanas onde as chamadas são originadas a cada dia. São obtidos os
seguintes dados:
- 30% dos usuários fraudulentos chamam de duas ou mais áreas metropolitanas em um mesmo
dia.
Exercı́cio 2.30. (D2.9) Uma urna contém 4 bolas brancas e 6 bolas pretas. Duas bolas são
retiradas da urna sucessivamente e sem reposição. Determine a probabilidade da primeira bola
ser branca sabendo que a segunda bola é branca.
Exercı́cio 2.31. (D2.9) Suponha que 80% de todos os estatı́sticos sejam tı́midos, enquanto
apenas 15% de todos os economistas sejam tı́midos. Suponha também que 90% das pessoas em
um congresso sejam economistas e os outros 10% sejam estatı́sticos. Se você estiver no congresso
e conhecer, ao acaso, uma pessoa tı́mida, qual é a probabilidade de que ela seja um estatı́stico?
Exercı́cio 2.32. (D2.9 e D2.8) No design preliminar de produtos são utilizadas avaliações de
clientes. No passado, 95% dos produtos de alto sucesso receberam boas avaliações, 60% dos pro-
dutos de sucesso moderado receberam boas avaliações, e 10% dos produtos de pobre desempenho
receberam boas avaliações. Além disso, 40% dos produtos tiveram alto sucesso, 35% tiveram
sucesso moderado e 25% tiveram desempenho pobre.
b) (D2.9) Se um novo design obtém uma boa avaliação, qual a probabilidade de que ele tenha
alto sucesso?
c) (D2.9) Se um produto não recebe uma boa avaliação, qual é a probabilidade de que ele tenha
alto sucesso?
Exercı́cio 2.33. (D2.9 e D2.8) Um inspetor trabalhando para uma companhia de manufatura
tem uma probabilidade de 99% de identificar corretamente um item com defeito e 0,5% de pro-
babilidade de classificar incorretamente um produto bom como defeituoso. A companhia tem
evidências de que sua linha produz 0,9% de ı́tens defeituosos.
a) (D2.8) Qual é a probabilidade de um item selecionado para inspeção ser classificado como
defeituoso?
Exercı́cio 2.34. (D2.10) Se A, B e C são eventos disjuntos dois a dois, é possı́vel ter P (A) =
0, 3, P (B) = 0, 4 e P (C) = 0, 5? Por que ou por que não?
P (A ∩ B) ≤ P (A) ≤ P (A ∪ B) .
Exercı́cio 2.37. (D2.11 e D2.5) Um dado é lançado e, independentemente, uma carta é extraı́da
de um baralho completo (52 cartas).
a) (D2.11) Qual é a probabilidade de obter um número par no dado e uma carta de naipe
vermelho?
b) (D2.5 e D2.11) Qual é a probabilidade de obter um número par no dado ou uma carta de
naipe vermelho?
Exercı́cio 2.38. (D2.11 e D2.5) Suponha que A e B são eventos independentes associados a
um experimento. Se a probabilidade de A ou B ocorrerem for igual a 0,6 e a probabilidade da
ocorrência de A for igual a 0,4, determine a probabilidade da ocorrência de B.
Exercı́cio 2.39. (D2.11 e D2.5) Suponha que a probabilidade de se ganhar um certo jogo é de
1
50 . Se você jogá-lo 50 vezes, independentemente, qual é a probabilidade de ganhar pelo uma vez?
Exercı́cio 2.40. (D2.12) Suponha que P (A | B) > P (A). Prove que P (B | A) > P (B) ou
forneça um contra-exemplo.
Exercı́cio 2.41. (Não classificado ainda) Duas válvulas defeituosas se misturam com duas vál-
vulas perfeitas. As válvulas são selecionadas, uma a uma e sem reposição, até que ambas as
defeituosas sejam encontradas.
Exercı́cio 2.42. (Não classificado ainda) Vinte peças, 12 das quais são defeituosas e 8 perfeitas,
são inspecionadas uma após a outra. Se estas peças forem extraı́das ao acaso e sem reposição,
qual é probabilidade de que:
c) Dentre as duas primeiras peças inspecionadas, qual é a probabilidade de uma ser perfeita e a
outra defeituosa?
3.1 Introdução
Informalmente, uma variável aleatória (v.a.) é uma caracterı́stica numérica do resultado
de um experimento. Matematicamente, uma variável aleatória é uma função com domı́nio Ω e
contradomı́nio R. Porém, nem toda função deste tipo é uma variável aleatória. Para saber sobre
as condições que uma função deve satisfazer para ser uma variável aleatória, consulte James
(1981).
𝛀 ℝ
o
et
_n
𝑿
im
qu
oa
r/j
.b
fjf
.u
w
w
w
Exemplo 3.1. Em um experimento que consiste em lançar uma moeda n vezes, o número de
caras observado é uma caracterı́stica numérica do experimento.
Ω = {(x, y) : x2 + y 2 ≤ 1}
[X ≤ x] = {ω ∈ Ω : X(ω) ≤ x}
[X = x] = {ω ∈ Ω : X(ω) = x}
o
et
●
0.20
_n
●
m
p(x)
ui
aq
●
0.10
●
o
r/j
.b
●
●
w 0.00
fjf
●
● ● ●
.u
0 2 4 6 8 10
w
x
w
Exemplo 3.4. Suponhamos um experimento que consiste em arremessar um dado honesto. Seja
X a v.a. associada ao quadrado do número observado na face voltada para cima após o dado
parar. Faça o gráfico da função de probabilidade de X.
Solução: Primeiro, vamos construir uma tabela. Em seguida, podemos usar os dados da
tabela para construir o gráfico.
Resultado x p(x)
1 1 1/6
2 4 1/6
3 9 1/6
4 16 1/6
5 25 1/6
6 36 1/6
0.20
o
et
_n
● ● ● ● ● ●
m
ui
0.10
p(x)
o aq
r/j
.b
fjf
0.00
.u
w
0 5 10 20 30
w
w
Resultado 3.1. Uma função p(x) é função de probabilidade de alguma variável aleatória discreta
se, e somente se, existir um conjunto finito ou enumerável {x1 , x2 , ...} ⊂ R tal que
P
p(xi ) = 1.
i
kx2 , para x = 1, 2, 3
p (x) = .
0, caso contrário
Calcule o valor de k.
Solução: Temos que
n
X 1
p (xi ) = 1 ⇒ k12 + k22 + k32 = 1 ⇒ k = .
14
i=1
ࡼ ࢇ൏ࢄ൏࢈
m
ui
aq
/jo
ࢌ ࢞
r
.b
fjf
.u
w
ࢇ ࢈
w
w
P (a < X < b) = P (a ≤ X ≤ b)
= P (a < X ≤ b)
= P (a ≤ X < b).
Prova: Veremos apenas a prova da primeira equação, pois as demais possuem provas análogas.
P (X ≤ a) = P ([X < a] ∪ [X = a]) = (pelo axioma 3) =
= P (X < a) + P (X = a)
= P (X < a) + 0
= P (X < a).
●
to
●
●
w
e
●
0.8
● ●
_n
●
.u
●
m
● ●
jf.
F(x)
●
i
p(x)
qu
br
0.4
●
oa
● ●
/j oa
●
r/j
●
● ●
qu
.b
●
0.0
●
fjf
im
● ●
.u
_n
w
2 4 6 8 10 12 2 4 6 8 10 12
w
e to
w
x x
Função de probabilidade Acumulada
Para 0 ≤ x ≤ 1,
Logo,
0,
√
se x < 0
F (x) = x, se 0 ≤ x ≤ 1 .
1 se x > 1
c)
o
et
0.8
_n
m
F(x)
i
qu
0.4
oa
r/j
.b
0.0
fjf
.u
w
ࡼ ࢄ࢞
m
q ui
ࢌ ࢚
oa
r/j
.b
fjf
.u
w
࢞
w
w
Prova:
P (a ≤ X ≤ b) = P (a < X ≤ b) = P ([X ≤ b] ∩ [X ≤ a]c )
= P (X ≤ b) − P (X ≤ a)
= F (b) − F (a).
6(x − x2 ), se 0 ≤ x ≤ 1
f (x) = .
0, caso contrário
a) Determine a acumulada F de X.
b) Calcule P (0, 2 < x < 0, 7).
Solução:
a)
Para x ≤ 0,
Zx Zx
F (x) = f (t) dt = 0dt = 0.
−∞ −∞
Para x ≥ 1,
Z0 Z1 Zx Z1
6 t − t2 dt = 1.
F (x) = f (t) dt + f (t) dt + f (t) dt =
−∞ 0 1 0
= 0, 68
Resultado 3.6. Uma função f (x) é densidade de alguma variável aleatória contı́nua se, e
somente se,
f (x) ≥ 0, ∀x ∈ R e
R∞
f (x) dx = 1.
−∞
m
i
ିஶ
qu
oa
ࢌ ࢞
r/j
.b
fjf
.u
w
w
w
Resultado 3.7. Uma função F é uma acumulada se, e somente se, as condições abaixo forem
satisfeitas:
lim F (x) = 0.
x→−∞
lim F (x) = 1.
x→∞
Resultado 3.8. Para os pontos x onde F (x) é derivável, temos que f (x) = F 0 (x).
Prova: Teorema Fundamental do Cálculo
Obs: Este resultado estabelece que a densidade de uma v.a. contı́nua pode ser obtida deri-
vando a acumulada.
a) Calcule o valor de k.
b) Determine a densidade f de X.
Solução:
a) Lembre-se que o limite da acumulada quando x tende a infinito é igual a 1. Assim,
lim F (x) = 1
x→∞
⇒ lim k2 (1 − e−x ) = 1
x→∞
⇒ k2 lim (1 − e−x ) = 1
x→∞
⇒ k2 =1
⇒ k = 2.
Se x ≤ 0,
f (x) = F 0 (x) = (0)0 = 0.
Logo
0, se x ≤ 0
f (x) = .
e−x , se x > 0
b) P (X = 2) = 11 2 3 1
12 − 3 = 12 = 4 = 0, 25.
11 3 8 2
c) P (X < 2) = P (X ≤ 2) − P (X = 2) = 12 − 12 = 12 = 3 = 0, 66666.
d) P (X = 1) = 32 − 12 = 67 = 0, 16666.
e) P (X > 12 ) = 1 − P (X ≤ 12 ) = 1 − 41 = 3
4 = 0, 75.
f)
P (1 < X < 3) = P (X < 3) − P (X ≤ 1)
= P (X ≤ 3) − P (X = 3) − P (X ≤ 1)
11 2
= 1 − (1 − ) −
12 3
= 0, 25.
𝒀 = 𝒈(𝑿)
o
et
_n
𝛀 ℝ ℝ
m
ui
𝛀 𝒈−𝟏 (𝑨) 𝑨
aq
𝑿 𝒈
r/jo
.b
fjf
.u
w
w
x y pX (x)
-1 1 1/15
1 1 1/15
2 4 4/15
3 9 9/15
Resumindo as informações da tabela acima, podemos construir uma tabela que com a distri-
buição de chances de Y , a saber:
y py (y)
1 2/15
4 4/15
9 9/15
e
_n
w
.u
im
fjf
qu
br .
oa
/jo
r/j
aq
.b
ui
fjf
m
.u
_n
w
w
et
w
o
Sejam FX (x) e FY (y) as funções de distribuição acumulada de X e Y , respectivamente.
Vamos encontrar FY (y).
Para y ≤ 0, temos
FY (y) = P (Y ≤ y) = P (X 2 ≤ y) = P (∅) = 0.
= P (−1 < X ≤ 2) = 1.
Resumindo, temos
0, se y ≤ 0
4√y
9 √, se 0 < y ≤ 1
FY (y) = y+2 y+1 .
9 , se 1 < y ≤ 4
1, se y > 4
Definição 3.4 (Suporte). Sejam X uma v.a. e Y = g(X) uma tranformação de X. Conside-
remos os conjuntos
X = {x : fX (x) > 0} e
Y = {y : y = g(x) para algum x ∈ X }.
O conjunto X é chamado de suporte de X.
FX g −1 (y) , se y ∈ Y
FY (y) = .
0, caso contrário
1 − FX g −1 (y) , se y ∈ Y
FY (y) = .
0, caso contrário
Exemplo 3.14 (Relação da exponencial com a uniforme). Para exemplificar, vamos es-
tabelecer uma relação entre duas distribuições que serão chamadas mais adiante de distribuição
uniforme e distribuição exponencial. Seja X uma v.a. com densidade
1, se 0 < x < 1
fX (x) = .
0, caso contrário
Derivando, temos
e−y , se y ∈ (0, ∞)
fY (y) = .
0, caso contrário
Determine a densidade fY de Y = X 2 .
Solução: Consideremos os conjuntos X = (0, 2) e Y = (0, 4). Temos que Y = g(X), onde
g(x) = x2 e, como g é uma função estritamente crescente em X , temos que
(
fX g −1 (y) dy
d −1
g (y) , se y ∈ Y
fY (y) =
0, caso contrário
( 1 1
fX y 2 12 y − 2 , se 0 < y < 4
=
0, caso contrário
1
= 4 , se 0 < y < 4 .
0, caso contrário
P (X ≤ q(r)) = r.
o
et
_n
im
qu
oa
r/j
.b
fjf
.u
w
w
w
Obs:
1
A continuidade de f (x) garante a diferenciabilidade de FX (x)
Definição 3.6. A mediana de uma v.a. contı́nua X é dada por q(0, 5).
Obs: Alguns quantis recebem nomes especiais. Por exemplo:
q 34 é o terceiro quartil.
q 10 4
é o quarto decil.
q 10020
é o vigésimo percentil.
Deste modo, podemos dizer, por exemplo, que o 2º quartil, o 5º decil, o 50º percentil e a
mediana são diferentes denominações de q(0, 5).
n
X
E (X) = xi p (xi ) = x1 p (x1 ) + x2 p (x2 ) + ... + xn p (xn ) .
i=1
/jo
br
jf.
f
.u
ࡱ ࢄ
w
w
w
Obs: O valor esperado também é chamado de esperança ou expectativa.
Exemplo 3.17. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$8,00 reais e tem um custo
de R$2,00. Sabendo que a probabilidade de um produto ser vendido antes de vencer seu prazo
de validade é de 90%, quanto a empresa espera lucrar em uma unidade do produto?
Solução: Seja X o lucro da empresa em uma unidade do produto. Se o produto for vendido,
temos que X assume o valor R$8,00-R$2,00=R$6,00. Caso contrário, X assume o valor -
R$2,00. Assim,
E(X) = R$6, 00 × 0, 9 + (−R$2, 00) × 0, 1 = R$5, 20.
x−1
f (x) = k , se 1 < x < 3
.
0, caso contrário
a) Calcule o valor de k.
b) Calcule o valor esperado de X.
Solução:
a)
R∞
f (x) dx = 1 ⇒
−∞
R3 x−1
⇒ k dx =1⇒
1
3
1 x2
⇒ k 2 −x =1⇒
1
⇒ k = 2.
b)
Z∞ Z3
x−1
E (X) = xf (x) dx = x dx
2
−∞ 1
3
!
3 2
1 x x 1 27 9 1 1
= − = − − +
2 3 2 1 2 3 2 3 2
14
= .
6
Se X é contı́nua, então
Z∞
E (Y ) = g (x) fX (x) dx.
−∞
E(aX) = aE(X), ∀a ∈ R e
E(X − E(X)) = 0.
3.11 Momento
Definição 3.8. O k-ésimo momento da variável aleatória X, é definido por
E(X k ).
E((X − E(X))k ).
Obs:
Se X é discreta, X
V ar (X) = (xi − E (X))2 p (xi ).
i
Se X é contı́nua,
Z∞
V ar (X) = (x − E (X))2 f (x) dx.
−∞
Exemplo 3.19. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$9,00 reais e tem um custo
de R$2,00. Nestas condições a probabilidade de um produto ser vendido antes de vencer seu
prazo de validade é de 80%.
a) Quanto a empresa espera lucrar em uma unidade do produto?
b) Qual é a variabilidade do lucro da empresa em uma unidade do produto?
c) Faça uma comparação entre esta empresa e a empresa apresentada no exercı́cio 3.17
(compare a expectativa de lucro por unidade do produto e a variabilidade do lucro/prejuı́zo por
unidade).
Solução:
a) Seja X o lucro da empresa em uma unidade do produto. Se o produto for vendido, temos
que X assume o valor R$9,00-R$2,00=R$7,00. Caso contrário, X assume o valor −R$2, 00.
Assim,
E(X) = R$7, 00 × 0, 8 + (−R$2, 00) × 0, 2 = R$5, 20.
Logo, o lucro esperado em um carro segurado é de R$5,20 reais.
b) A variabilidade do lucro da empresa em uma unidade do produto é dada por
n
X
V ar (X) = (xi − E (X))2 p (xi )
i=1
= (−2 − 5, 20)2 0, 2 + (7 − 5, 20)2 0, 8
= 12, 96.
c) Note que o valor esperado da unidade do produto nesta empresa é igual ao da empresa
apresentada no exemplo 3.17 (R$5, 20). Por outro lado, a variabilidade do lucro em uma unidade
do produto desta empresa é maior (aplicando os passos do item (b) no exemplo 3.17, temos
V ar(X) = 5, 76). Assim, podemos concluir que ambas as empresas possuem a mesma expectativa
de lucro por carro. Porém, a empresa deste exercı́cio possui uma variabilidade de lucro maior,
ou seja, está sujeita a perdas maiores mas, por outro lado, possui a possibilidade de lucrar mais
(mais agressiva).
Resultado 3.14.
V ar(X) = E(X 2 ) − (E(X))2 .
Prova:
Sem perda de generalidade, suponhamos que X é uma v.a. discreta. Assim,
n
X
V ar (X) = (xi − E (X))2 p (xi )
i=1
n
X
= x2i − 2xi E (X) + (E (X))2 p (xi )
i=1
n
X n
X n
X
= x2i p (xi ) −2E (X) xi p (xi ) + (E (X))2 p (xi )
|i=1 {z } |i=1 {z } |i=1 {z }
E(X 2 ) E(X) 1
= E X 2 − 2 (E (X))2 + (E (X))2
= E X 2 − (E (X))2 .
Joaquim Neto
3.1 Determinar evento definido por uma variável aleatória discreta. Discreta
Determinar uma função de probabilidade, sem usar uma Função de probabilidade
3.2
acumulada. (sem acumulada)
Calcular o valor de uma função de probabilidade em um conjunto
Função de probabilidade
Descritores
Exercı́cios
www.ufjf.br/joaquim neto
condições para que uma função seja (ou não) uma densidade.
Constante de proporcionalidade
3.10 Calcular a constante de proporcionalidade de uma densidade.
(contínua)
3.11 Determinar a densidade a partir de uma acumulada. Densidade e acumulada
3.12 Determinar a acumulada a partir de uma densidade. Densidade e acumulada
3.13 Calcular probabilidades a partir de uma acumulada. Acumulada (contínua)
Calcular a constante de proporcionalidade de uma acumulada Constante de proporcionalidade
3.14
contínua. (acumulada contínua)
Calcular quantis (quartil, decil, percentil, mediana) de uma variável
3.15 Quantis (contínua)
aleatória contínua.
Tabela 3.1: Descritores dos exercı́cios de variáveis aleatórias (parte 1) (matriz de referência).
página 67 de 110
Joaquim Neto
Descritor Descrição Palavra chave
3.16 Calcular o valor esperado de uma variável aleatória discreta. Valor esperado (discreta)
3.17 Calcular o valor esperado de uma variável aleatória contínua. Valor esperado (contínua)
3.18 Calcular a variância de uma variável aleatória discreta. Variância (discreta)
3.19 Calcular a variância de uma variável aleatória contínua. Variância (contínua)
Função de variável aleatória
3.20 Determinar acumulada da função de uma variável aleatória.
(acumulada)
Função de variável aleatória
3.21 Determinar densidade da função de uma variável aleatória.
(densidade)
Determinar a função de probabilidade da função de uma variável Função de variável aleatória
3.22
www.ufjf.br/joaquim neto
aleatória. (função de probabilidade)
Calcular o valor esperado de uma função não linear de uma variável Função de variável aleatória
3.23
aleatória. (não linear) (valor esperado)
Calcular o valor esperado de uma função linear de uma variável Função de variável aleatória
3.24
aleatória. (linear) (valor esperado)
página 68 de 110
3.13.2 Enunciados
Exercı́cio 3.1. (D3.3) Seja X uma variável aleatória com função de probabilidade
1 x
2 , para x = 1, 2, ...
p (x) = .
0, caso contrário
(1 − a) ax , se x = 0, 1, 2, ...
p (x) = .
0, caso contrário
b) (D3.3 e D2.6) Seja X uma variável aleatória com função de probabilidade p. Mostre que,
para quaisquer dois inteiros positivos s e t,
P (X > s + t | X > s) = P (X ≥ t) .
Exercı́cio 3.4. (D3.5) Seja X uma variável aleatória com função de probabilidade
a) Determine a acumulada de X.
Exercı́cio 3.6. (D3.7, D3.3 e D3.2) Numa fábrica existem três máquinas iguais de uma mesma
marca, que trabalham independentemente. A probabilidade de cada máquina falhar num dado
perı́odo de tempo é 0,1. Seja X uma variável aleatória associada ao número de máquinas que
continuam funcionando ao fim deste perı́odo.
x2
p (x) = 14 , para x = 1, 2, 3
.
0, caso contrário
b) (D3.7) Seja X uma variável aleatória com função de probabilidade p. Determine a acumulada
de X.
c) (D3.3 e D2.6) Seja X uma variável aleatória com função de probabilidade p. Calcule P (X = 1 | X ≤ 2).
Exercı́cio 3.8. (D3.8) Seja X uma variável aleatória contı́nua associada à duração da vida de
uma válvula eletrônica, com densidade
−bx
be , para x ≥ 0
f (x) = .
0, caso contrário
xe−x , para x ≥ 0
f (x) = .
0, caso contrário
Calcule P (X > 2).
Exercı́cio 3.10. (D3.8 e D2.6) Seja X uma variável aleatória contı́nua com densidade
3x2 , para − 1 ≤ x ≤ 0
f (x) = .
0, caso contrário
b
Calcule P X > b X < 2 em função de b, para −1 < b < 0.
Exercı́cio 3.11. (D3.8 e D2.6) Seja X uma variável aleatória associada à duração da vida (em
horas) de certa válvula. Suponha que X tem densidade
100
x2
,
para x > 100
f (x) = .
0, caso contrário
Sabendo que uma válvula está funcionando há 150 horas, qual é a probabilidade de que uma
válvula dure menos de 200 horas?
b) (D3.9) Mostre que βf (x) + (1 − β) g (x) é uma densidade para todo número β tal que 0 <
β < 1.
Determine a densidade de X.
Determine a densidade de X.
Determine a densidade de X.
Exercı́cio 3.17. (D3.12) Seja X uma variável aleatória associada à porcentagem de álcool em
certo composto. Suponha que X tem densidade
Determine a acumulada de X.
Exercı́cio 3.19. (D3.12 e D3.10) Seja X uma variável aleatória associada à diferença da medida
das peças produzidas por uma máquina em relação ao padrão especificado pelo mercado. Suponha
que X tem densidade
1 + k + x, para − 1 ≤ x < 0
f (x) = 1 + k − x, para 0 ≤ x ≤ 1 .
0, caso contrário
Exercı́cio 3.22. (D3.15, D3.10 e D3.8) Seja X uma variável aleatória com densidade
kx2 , para − 1 ≤ x ≤ 1
f (x) = .
0, caso contrário
Exercı́cio 3.23. (D3.15, D3.12 e D3.10) Uma variável aleatória X tem densidade
k −x
f (x) = 2 e , se x ≥ 0 .
0, caso contrário
Exercı́cio 3.24. (D3.15, D3.12 e D3.10) Seja X uma variável aleatória contı́nua com densidade
kx2 , para 0 ≤ x ≤ 1
f (x) = .
0, caso contrário
c) (D3.15) Calcule o valor b tal que a probabilidade de X exceder b seja igual a 0,05.
Exercı́cio 3.25. (D3.17, D3.10 e D3.8) Seja X uma variável aleatória associada ao diâmetro
de um cabo elétrico. Assuma que X tem densidade
k(2x − x2 ), se 0 ≤ x ≤ 1
f (x) = .
0, caso contrário
Exercı́cio 3.26. (D3.17, D3.15, D3.12 e D3.8) Seja X uma variável aleatória associada à
concentração (em ppm) de monóxido de carbono (CO) na atmosfera, numa determinada zona
urbana, no perı́odo das 8h às 10h. Suponha que X tem densidade
0, para x ≤ 0
f (x) = .
3, 4e−3,4x , para x > 0
Exercı́cio 3.27. (D3.19, D3.17 e D3.8) Seja X uma variável aleatória com densidade
6(x − x2 ), se 0 ≤ x ≤ 1
f (x) = .
0, caso contrário
p
Calcule P (µ − 2σ < x < µ + 2σ), onde µ = E(X) e σ = V ar(X).
Exercı́cio 3.28. (D3.19, D3.17, D3.15, D3.14, D3.13, D3.11 e D2.6) Seja X uma variável
aleatória contı́nua com acumulada
0, para x < 0
F (x) = ax + b, para 0 ≤ x < π .
1, para x ≥ π
a) (D3.14) Calcule a e b.
Exercı́cio 3.30. (D3.20, D3.7 e D3.5) Sejam k ∈ R e X uma variável aleatória com função de
probabilidade
kx, x = 1, 2, 3
p (x) = .
0, caso contrário
c) (D3.17) Seja X uma variável aleatória com densidade f . Calcule o valor esperado de X,
indicando em que condições o valor esperado existe.
d) (D3.15) Seja X uma variável aleatória com densidade f . Calcule a mediana de X, indicando
em que condições a mediana existe.
Exercı́cio 3.34. (D3.21, D3.19, D3.17, D3.12, D3.10, D3.8 e D2.6) Seja X uma variável
aleatória associada à proporção de determinada substância quı́mica em um produto. Suponha
que X tem densidade
kx3 + x, para 0 ≤ x ≤ 1
f (x) = .
0, caso contrário
c) (D3.18 e D2.6) Sempre que a proporção da referida substância é inferior a 0,5, o produto é de
qualidade inferior. Qual é a probabilidade de um produto que foi considerado de qualidade
inferior ter a proporção maior que 0,25?
f ) (D3.21 e D3.8) Seja Y o valor comercial (em euros) de cada unidade de volume de produto,
em função da proporção da substância, definido como Y = 2X.
Exercı́cio 3.35. (D3.21, D3.19, D3.17, D3.15, D3.12, D3.10 e D3.8) Seja X uma variável
aleatória com densidade
Exercı́cio 3.36. (D3.21 e D3.20) Seja X uma variável aleatória com densidade
1
f (x) = 2 x, para 0 < x < 2 .
0, caso contrário
Suponha que Y = X (2 − X).
Exercı́cio 3.37. (D3.22, D3.18, D3.16 e D3.2) Seja X uma variável aleatória com função de
probabilidade apresentada na tabela abaixo.
xi 1-2k k-1 k 2k
pX (xi ) q 3q q q
Exercı́cio 3.38. (D3.22, D3.18, D3.16, D3.7, D3.3 e D2.6) Seja X uma variável aleatória com
função de probabilidade apresentada na tabela abaixo.
xi -2 -1 0 1 2
pX (xi ) 0,1 0,3 0,1 0,2 0,3
Exercı́cio 3.39. (D3.24, D3.15, D3.12 e D3.9) Em uma pesquisa concluiu-se que a raridade de
determinada espécie animal era diretamente proporcional à distância observada, em percurso de
amostragem, até que se avistasse um exemplar da espécie. Seja X uma variável aleatória que
representa a distância percorrida até se avistar algum exemplar da espécie. Suponhamos que X
tem densidade
b
kx2
, para 1 ≤ x ≤ b
f (x) = .
0, caso contrário
Exercı́cio 3.40. (D3.24, D3.21, D3.17, D3.15, D3.12, D3.8 e D2.6) O fornecedor de um produto
de laboratório tem uma capacidade de armazenamento de 150 kg. No inı́cio de cada mês é reposto
o estoque até à capacidade máxima de armazenamento. Seja X uma variável aleatória associada
às vendas mensais deste produto em centenas de kg, com densidade
x, para 0 ≤ x ≤ 1
f (x) = 1, para 1 < x ≤ 1, 5 .
0, caso contrário
e) (D3.24, D3.21 e D3.8) Seja Y o lucro da venda deste produto. Considere a seguinte expressão
(simplificada) do lucro em função das vendas Y = 50X − 25.
e) E (X) = π2 ;
2
f) V ar (X) = π12 .
y
3.29) FY (y) = 1+y , para y ≥ k .
0, caso contrário
3.30)
a) k = 16 ;
0, x < 1
1/6, 1 ≤ x < 2
b) FX (x) = ;
1/2, 2 ≤ x < 3
1, x ≥ 3
c) FY (y) = FX((log y) , ∀y ∈ R.
1
3(1−y) 2
3.31) fY (y) = 2 , para 0 < y < 1 .
0, caso contrário
3.32) -
3.33)
0, para x < 1
b) F (x) = ;
1 − x−k , para x ≥ 1
k
c) E (X) = k−1 , para k > 1;
b) P X > 1 X > 12 = 47 ;
Definição 4.1. Uma variável X tem distribuição uniforme discreta no conjunto {1, 2, ..., n}
se sua função de probabilidade for:
1
n, se x ∈ {1, 2, ..., n}
p(x) = .
0, caso contrário
o
0.25
et
_n
im
0.20
p(x)
qu
● ● ● ● ●
oa
0.15
/j
br
fjf.
.u
0 1 2 3 4 5 6
w
w
x
w
Resultado 4.1 (Valor esperado e variância da uniforme discreta). Se X ∼ U ({1, 2, ..., n}),
então
n+1 n2 − 1
E(X) = e V ar(X) = .
2 12
Definição 4.2. Suponhamos um experimento com resultados que assumem apenas duas clas-
sificações (como sucesso-fracasso, masculino-feminino, cara-coroa, etc). Seja X uma v.a. que
assume apenas os valores 0 e 1, onde o 1 é associado a uma das classificações e o 0 é associado
à outra classificação. Dizemos então que X tem distribuição de Bernoulli com parâmetro
θ ∈ (0; 1), onde θ = P ([X = 1]).
Notação: X ∼ Ber(θ).
_n
●
m
p(x)
ui
aq
0.4
/jo
●
br
jf.
0.0
f
.u
−1.0 0.0 1.0 2.0
w
w
x
w
Figura 2: Função de probabilidade de uma v.a. X, tal que X ∼ Ber(0, 3).
Exemplo 4.1. Sabe-se que 30% dos animais submetidos a um certo tratamento não sobrevi-
vem. Suponhamos que 10 animais são submetidos a este tratamento. Seja X o número de não
sobreviventes. Construa o gráfico da função de probabilidade de X.
Solução: Como X ∼ Bin(10; 0, 3), sua função de probabilidade é dada por
10
p (x) = 0, 3x (1 − 0, 3)10−x .
x
o
et
●
0.20
_n
●
im
p(x)
qu
●
0.10
/joa ●
br
●
●
jf.
0.00
●
● ● ●
f
.u
0 2 4 6 8 10
w
w
x
w
Exemplo 4.2. Um lote de componentes eletrônicos é recebido por uma firma. Vinte componen-
tes são selecionados, aleatoriamente e com reposição, para teste e o lote é rejeitado se pelo menos
3 forem defeituosos. Sabendo que 5% destes componentes são defeituosos, qual é a probabilidade
da firma rejeitar o lote.
Solução: Seja X uma v.a. associada ao número de componentes defeituosos dentre os
selecionados e p(x) sua função de probabilidade. Como X ∼ Bin(20; 0, 05), temos que
20
p (0) = 0, 050 (1 − 0, 05)20 = 0, 3584859,
0
20
p (1) = 0, 051 (1 − 0, 05)19 = 0, 3773536 e
1
20
p (2) = 0, 052 (1 − 0, 05)18 = 0, 1886768.
2
Sabemos também que o lote é rejeitado se X ≥ 3 e, portanto, a probabilidade de rejeição é
dada por
P ([X ≥ 3]) = 1 − P ([X < 3]) = 1 − P ([X ≤ 2])
= 1 − (P ([X = 0]) + P ([X = 1]) + P ([X = 2]))
= 1 − (p (0) + p (1) + P (2))
= 1 − (0, 3584859 + 0, 3773536 + 0, 1886768)
= 7, 548367%.
Resultado 4.5 (Valor esperado e variância da binomial). Se X ∼ Bin(n; θ), então
0.20
o
●
et
_n
●
im
●
0.10
p ( x)
qu
●
●
●
oa
r/j
●
●
.b
●
●
●
●●
0.00
fjf
●●●
●●●●●●●
●●●●●●●●
.u
0 5 10 15 20 25 30
w
w
x
w
o
● ●
et
● ●
●
_n
● ●
m
●
●
p(x)
●
ui
●
aq
● ●
●
/jo
●
● ●
●
br
●
● ●
●
●●
jf.
●●
● ●●●●●
●●●●●●●●●●●
f
.u
0 10 20 30 40
w
w
x
w
Figura 4: Função de probabilidade de uma v.a. X, tal que X ∼ BN (5; 0, 3).
Obs: Note que a distribuição geométrica é um caso particular da distribuição binomial ne-
gativa, para r = 1.
Resultado 4.10. Se X ∼ HG(A; B; n), então sua função de probabilidade é dada por
A
B
n−x
x
, se x ∈ {max (0; n − B) , ..., min (n; A)} ∩ N
p (x) = A + B .
n
0, caso contrário
Solução:
a) Sejam X uma v.a. associada ao número de lâmpadas perfeitas selecionadas e p(x) sua
função de probabilidade. Como X ∼ HG(25, 5, 7), temos que
25 5
7−x
x
, se x ∈ {max (0; 7 − 5) , ..., min (7; 25)} ∩ N
p (x) = 25 + 5 .
7
0, caso contrário
b)
●
0.0 0.1 0.2 0.3 0.4
o
et
_n
im
●
p ( x)
●
qu
oa
r/j
.b
●
fjf
● ● ● ● ● ● ●
.u
w
0 2 4 6 8 10
w
w
x
Função de probabilidade de uma v.a. X, tal que X ∼ HG(25; 5; 7).
Definição 4.4. Uma v.a. X tem distribuição de Poisson com taxa média de ocorrências
θ > 0, se sua função de probabilidade for
exp(−θ)θx
x! , se x = 0, 1, 2, ...
p (x) = .
0, caso contrário
Notação: X ∼ P ois(θ).
o
● ●
et
_n
●
●
im
0.10
p(x)
qu
●
oa
●
●
r/j
.b
●
●
0.00
●
fjf
● ● ● ● ● ●
.u
0 5 10 15
w
w
x
w
Figura 5: Função de probabilidade de uma v.a. X, tal que X ∼ P ois(4).
Exemplo 4.6. Suponhamos que a chegada de navios a um porto segue uma distribuição de
Poisson, com número médio de chegadas por dia igual a 5.
a) Qual é a probabilidade de exatamente 7 navios chegarem em um dia.
b) Qual é a probabilidade de pelo menos 3 navios chegarem chegarem em um dia.
Solução:
a) Seja X o número de navios que chegam em um dia. Temos que X ∼ P ois(5) e
exp(−5)57
p(7) = = 10, 44%.
7!
b) Temos que
P ([X ≥ 2]) = 1 − P (X < 2) = 1 − P ([X = 0]) − P ([X = 1])
exp(−5)50 exp(−5)51
=1− −
0! 1!
= 1 − 4, 042768% = 95, 95723%.
0.4
0.4
to
to
to
e
e
_n
_n
_n
0.3
0.3
0.3
im
im
ui
qu
qu
w 0.0 0.1 0.2
0.2
f(x)
f(x)
oa
oa
/jo
r/j
r/j
0.1
r
.b
.b
.b
fjf
fjf
fjf
.u
.u
.u
0.0
w
w
−6 −2 0 2 4 6 −6 −2 0 2 4 6 −6 −2 0 2 4 6
w
x x x
w
w
Densidade de uma N (0; 1). Densidade de uma N (0; 1) em Densidade de uma N (0; 1) em
preto e densidade de uma preto e densidade de uma
N(3;1) em azul. N(0;4) em azul.
Obs: Repare que a densidade de uma normal é simétrica em relação a reta vertical que passa
por µ (eixo de simetria da normal). Já o parâmetro σ 2 está relacionado à abertura da
densidade.
w
w
w
w
w
.u
.u
.u
fjf
fjf
fjf
.b
.b
.b
F(x)
F(x)
F(x)
r/j
r/j
r/j
oa
oa
oa
q
q
ui
ui
ui
m
m
_n
_n
_n
−6 −2 0 2 4 6 −6 −2 0 2 4 6 −6 −2 0 2 4 6
et
et
et
x x x
o
Acumulada de uma N (0; 1). Acumulada de uma N (0; 1) Acumulada de uma N (0; 1)
em preto e acumulada de uma em preto e acumulada de uma
N(3;1) em azul. N(0;4) em azul.
F (µ − k) = 1 − F (µ + k), ∀k ∈ R.
𝑭 𝝁−𝒌 = 1−𝑭 𝝁 + 𝒌
www.ufjf.br/joaquim_neto
𝒇 𝒙
𝝁−𝒌 𝝁 𝝁+𝒌
Resultado 4.16 (Transformação linear de normal é normal). Se uma v.a. X tem distri-
buição normal, então Y = aX + b também tem distribuição normal, ∀a, b ∈ R.
Resultado 4.17. Se X ∼ N (µ; σ 2 ) então, aX + b ∼ N (aµ + b; a2 σ 2 ) para todo a, b ∈ R.
Prova: Pelo resultado 4.16, aX + b tem distribuição normal. Resta mostrar então que
E(aX + b) = aµ + b e V ar(aX + b) = a2 σ 2 . De fato,
E(aX + b) = aE(X) + b = aµ + b e
2 2 2
V ar(aX + b) = a V ar(X) = a σ .
Resultado 4.18 (Relação com a normal padrão). Se X ∼ N (µ, σ 2 ) então X−µ σ ∼ N (0, 1).
Prova:
Primeiro, observe que X−µ
σ = σ1 X − σµ . Ou seja, podemos escrever X−µσ na forma aX + b,
1 µ X−µ
onde a = σ e b = − σ . Assim, pelo resultado 4.16, σ tem distribuição normal. Nos resta
então mostrar que o valor esperado é 0 e a variância é 1. De fato,
X −µ 1 µ
E =E X− = (linearidade do valor esperado)
σ σ σ
1 µ
= E(X) −
σ σ
µ µ
= −
σ σ
=0 e
X −µ 1 µ
V ar = V ar X−
σ σ σ
1 σ2
= 2 V ar(X) = 2
σ σ
= 1.
Exemplo 4.8 (Cálculo de probabilidade com uma normal qualquer). Seja X ∼ N (3; 4).
Calcule P (X < 2, 5).
Solução:
Usando a tabela:
Neste caso, não podemos procurar 2, 5 na tabela, pois a distribuição em questão não é a nor-
mal padrão. Porém, podemos usar a transformação X−µ σ que, pelo resultado , tem distribuição
N (0; 1). Assim,
X −3 2, 5 − 3
P (X < 2, 5) = P <
2 2
X −3
=P < −0, 25
2
como X−3
= 2 ∼ N (0; 1) , =
basta procurar − 0, 25 na tabela da normal padrão
= 0, 4013.
Usando o Excel:
Para calcular a probabilidade desejada no excel, basta escolher uma célula e digitar
“=DIST.NORM.N(2,5;3;RAÍZ(4);VERDADEIRO)”
Exemplo 4.9 (Cálculo de quantil com a normal padrão). Seja X ∼ N (0; 1). Calcule o
quantil 67% de X.
Solução: Procurando 0, 6700 no interior da tabela da normal padrão, temos que P (X <
0, 44) = 0, 67. Assim, q(0, 67) = 0, 44.
Exemplo 4.10 (Cálculo de quantil com uma normal qualquer). Seja X ∼ N (5; 3).
Calcule o quantil 75% de X (terceiro quartil).
Solução:
Usando a tabela:
Neste caso, não podemos procurar 0, 7500 no interior da tabela, pois a distribuição em questão
não é a normal padrão. Porém, podemos usar a transformação X−µ σ que, pelo resultado 4.18,
tem distribuição N (0; 1). Assim,
P (X ≤ q (0, 75)) = 0, 75 ⇒
X −5 q (0, 75) − 5
P √ ≤ √ = 0, 75
3 3
Procurando 0, 6700 no interior da tabela da normal padrão, temos que P (X < 0, 44) = 0, 67.
Assim, q(0, 67) = 0, 44.
Usando o Excel:
Para calcular a probabilidade desejada no excel, basta escolher uma célula e digitar
Prova: ...
4.2.4 Beta
Definição 4.8. Dizemos que uma v.a. tem distribuição beta de parâmetros α > 0 e β > 0 se
tem densidade dada por
o
α = 10 e β = 10 α = 10 e β = 10
o
et
et
_n
1.5
_n
α = 4 e β = 0.1 α = 4 e β = 0.1
im
α=4eβ=2 α=4eβ=2
im
4
F(x)
qu
1.0
f(x)
qu
oa
oa
0.5
2
r/j
r/j
.b
.b
fjf
fjf
0.0
0
.u
.u
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
w
w
w
w
x x
w
w
Densidades Acumuladas
Figura 8: Densidades e acumuladas de uma Be(α, β), para diferentes valores de α e β.
α αβ
E(X) = e V ar(X) = .
α+β (α + β)2 (α + β + 1)
4.2.5 Gama
Definição 4.9. Dizemos que uma variável aleatória tem distribuição gama com parâmetros
α > 0 e β > 0 se tem densidade dada por
β α α−1
(
f (x) = Γ(α) x exp (−βx) , se x > 0
, onde
0, caso contrário
Z ∞
Γ (α) = β α xα−1 exp (−βx) dx.
0
o
α=1eβ=2
et
et
0.4
0.8
α=2eβ=2
_n
_n
α=3eβ=2
m
m
α=5eβ=1
F(x)
α=1eβ=2
ui
ui
f(x)
α = 9 e β = 0.5
aq
aq
0.2
0.4
α=2eβ=2
α=3eβ=2
/jo
/jo
α=5eβ=1
br
br
α = 9 e β = 0.5
jf.
jf.
0.0
0.0
f
f
.u
.u
0 5 10 15 20 0 5 10 15 20
w
w
w
x x
w
Densidades Acumuladas
Figura 9: Densidades e acumuladas de uma Ga(α, β), para diferentes valores de α e β.
Resultado 4.22 (Propriedade da gama). Se X ∼ Ga(α, β) e a ∈ R então aX ∼ Ga α, βa .
4.2.6 Exponencial
A distribuição exponencial, que definiremos a seguir, pode ser utilizada para modelar modelar
o tempo até a primeira ocorrência de um evento (tempo de vida).
Exemplo 4.11. Seja X uma variável aleatória associada a duração de vida de um componente
eletrônico, em centenas de horas. Suponha que X tem distribuição exponencial com valor espe-
rado 0,5.
a) Determine a distribuição de X.
b) Calcule a probabilidade de que o componente eletrônico tenha uma duração de vida superior
a 150 horas, sabendo que já funcionou pelo menos durante 100 horas.
Solução: a) Temos
1 1
E(X) = ⇒ 0, 5 = ⇒ β = 2.
β β
Assim, X ∼ Exp(2).
b)
onde
n Z ∞ n
1 2 n
−1 1
Γ = x 2 exp − x dx.
2 0 2 2
Notação: X ∼ χ2n .
n=1
o
o
n=1
et
et
n=2
0.8
2.0
n=2
_n
_n
n=3
n=3 n=4
m
m
n=4 n=5
F(x)
ui
ui
f(x)
n=5
aq
aq
0.4
1.0
/jo
/jo
br
br
jf.
jf.
0.0
0.0
f
f
.u
.u
0 2 4 6 8 0 2 4 6 8
w
w
w
x x
w
Densidades Acumuladas
Figura 10: Densidades e acumuladas de uma χ2n , para diferentes graus de liberdade (n).
4.2.8 t de Student
Definição 4.12. Uma v.a. X tem distribuição t de Student (ou simplesmente t) com n > 0
graus de liberdade se tem densidade dada por
− (n+1)
x2 2
Γ n+1 1+
n
p (x) = √2 n
, para x ∈ R
nπ Γ 2
Notação: X ∼ tn .
w
o
et
n=1
w
0.8
_n
w
n=2
0.3
.u
n=5
fjf
n = 1000
F(x)
qu
0.2
.
f(x)
n=1
br
0.4
oa
n=2
/j
oa
0.1
n=5
r/j
n = 1000
qu
.b
fjf
0.0
0.0
im
.u
_n
−4 −2 0 2 4 6 −4 −2 0 2 4 6
w
w
et
x [
w
o
Densidades Acumuladas
Figura 11: Densidades e acumuladas de uma tn , para diferentes valores de n.
4.2.9 F de Snedecor
Definição 4.13. Uma v.a. X tem distribuição F de Snedecor com n > 0 e m > 0 graus de
liberdade se tem densidade dada por
Γ( n+m 2 )
n
n 2 (n −1) n
− (n+m)
n m
Γ( 2 )Γ( 2 ) m x 2 1 + m x 2
, se x > 0
p (x) = .
0, caso contrário
Notação: X ∼ Fn,m .
2.0
o
n1 = 1 e n2 = 1
et
et
n1 = 1 e n2 = 1 n1 = 2 e n2 = 1
2.0
_n
_n
n1 = 2 e n2 = 1
1.5
n1 = 5 e n2 = 2
n1 = 5 e n2 = 2
im
im
n1 = 100 e n2 = 1
n1 = 100 e n2 = 1 n1 = 100 e n2 = 100
F(x)
qu
qu
1.0
f(x)
n1 = 100 e n2 = 100
1.0
oa
oa
0.5
r/j
r/j
.b
.b
fjf
fjf
0.0
0.0
.u
.u
0 1 2 3 4 5 0 1 2 3 4 5
w
w
w
x x
w
Densidades Acumuladas
Figura 12: Densidades e acumuladas de uma Fn,m , para diferentes valores de n e m.
m 2m2 (n + m − 2)
E(X) = para m > 2 e V ar(X) = para n > 4.
m−2 n(m − 4)(m − 2)2
2.0
to
o
α=1eβ=1
et
e
α=2eβ=1
w 0.0 1.0 2.0
_n
_n
α = 1 e β = 0.5
1.5
α=3eβ=1
α=2eβ=1
im
m
α=3eβ=5
α=3eβ=1
i
F(x)
qu
qu
w 0.0 0.5 1.0
f(x)
α=3eβ=5
oa
oa
r/j
r/j
.b
.b
fjf
fjf
.u
.u
x x
w
Densidades Acumuladas
Figura 13: Densidades e acumuladas de uma GI(α, β), para diferentes valores de α e β.
Y
X=q (4.1)
Z
n
Como X 2 ∼ χ21 e Y ∼ χ2n , então T 2 ∼ F1,n . Ou seja, o quadrado de uma v.a. com
distribuição tn tem distribuição F1,n .
1
X ∼ Ga(α, β) se, e somente se, X ∼ GI(α, β).
Joaquim Neto
Descritor Descrição Palavra chave
Descritores
Exercı́cios
www.ufjf.br/joaquim neto
4.11 Resolver problemas com distribuição Gama. Gama
4.12 Resolver problemas com distribuição Exponencial. Exponencial
4.13 Resolver problemas com distribuição Chi-quadrado. Chi-quadrado
4.14 Resolver problemas com distribuição t de Student. t de Student
4.15 Resolver problemas com distribuição F de Snedecor. F de Snedecor
página 98 de 110
4.3.2 Enunciados
Exercı́cio 4.1. (D4.3) Seja X uma variável aleatória associada ao número de sucessos em
uma sucessão de 20 experimentos aleatórios independentes que só podem resultar em sucesso ou
fracasso, sendo a probabilidade de sucesso igual a 0,9 em cada um destes experimentos. O custo
de uma experiência que resulte em sucesso é de 5 reais e em fracasso de 10 reais. A experiência
é repetida 20 vezes de forma independente.
a) Identifique a distribuição de X.
Exercı́cio 4.2. (D4.3) Em uma experiência laboratorial injetaram uma determinada droga que
inibe a sı́ntese de proteı́nas em n cobaias. A probabilidade de uma cobaia morrer devido à droga
durante a experiência é 0,2. Seja X a variável aleatória associada ao número de cobaias que
morreram durante a experiência.
a) Identifique a distribuição de X.
c) Determine o número mı́nimo de cobaias utilizadas para que a probabilidade de pelo menos
uma morrer seja superior a 0,95.
Exercı́cio 4.4. (D4.3) Seja X uma variável aleatória. Suponha que X ∼ Bin (8; 0, 7), calcule
P (X ≥ 5).
a) Qual é a distribuição de X?
Exercı́cio 4.6. (D4.3) Um estudante preenche por adivinhação um exame de múltipla escolha
com 5 respostas possı́veis (das quais só uma é correta) para cada uma das 10 questões.
Exercı́cio 4.7. (D4.3) Sabe-se que 0, 6% dos parafusos produzidos em uma fábrica são defeitu-
osos. Estime a probabilidade de que, em um pacote com 1000 parafusos:
Exercı́cio 4.8. (D4.3) Em uma indústria, fabricam-se dispositivos elétricos, que são vendidos
em caixas com 400 unidades. Suponha que cada dispositivo funciona adequadamente com pro-
babilidade 0,98. A companhia deseja garantir aos revendedores que mais de k dispositivos por
caixa funcionam. Qual o maior valor de k tal que pelo menos 93% das caixas satisfaçam essa
garantia?
Exercı́cio 4.9. (D4.3) Suponha que a probabilidade de uma peça, produzida por determinada
máquina, ser defeituosa é 0,2. Se 10 peças produzidas por essa máquina forem escolhidas ao
acaso, qual é a probabilidade de que não mais de uma defeituosa seja encontrada?
Exercı́cio 4.10. (D4.4) Em uma pizzaria com entrega em domicı́lio, 30% dos pedidos por tele-
fone são de mais de uma pizza. Certo dia, o dono decide mandar um brinde ao cliente que fizer
o primeiro pedido com mais de uma pizza. Seja X uma variável aleatória associada ao número
de pedidos recebidos até o ganhador do brinde.
a) Qual é a distribuição de X?
b) Determine o menor número de pedidos necessário para garantir que o brinde saia com pro-
babilidade maior que 0,9.
Exercı́cio 4.11. (D4.5) Um vendedor de porta em porta consegue realizar a venda em 40%
das visitas que faz. Ele planeja efetuar no mı́nimo duas vendas por dia. Seja X uma variável
aleatória associada ao número de visitas feitas sem sucesso (nas quais ele não consegue realizar
a venda) até que a segunda venda seja efetuada. Qual é a distribuição de X?
Exercı́cio 4.12. (D4.6) Um aluno estuda 12 exercı́cios, dos quais o professor vai escolher 6
aleatoriamente para uma prova. O estudante sabe resolver 9 dos 12 problemas. Seja X uma
variável aleatória associada ao número de exercı́cios resolvidos por ele na prova.
Exercı́cio 4.13. (D4.6 e D4.3) De um lote que contém 25 peças, das quais 5 são defeituosas, 4
são escolhidas ao acaso. Seja X uma variável aleatória associada ao número de peças defeituosas
encontradas. Estabeleça a função de probabilidade de X, quando:
Exercı́cio 4.14. (D4.7) Seja X uma variável aleatória associada ao número de petroleiros que
chegam por dia a uma certa refinaria. Suponha que X ∼ P oisson (2). As atuais instalações
portuárias da refinaria podem atender até 3 petroleiros por dia. Se mais de 3 chegam em um
mesmo dia, os petroleiros em excesso são enviados para outro porto.
a) Qual é a probabilidade de, num dado dia, a refinaria tenha que recusar petroleiros?
b) Qual deverá ser a capacidade mı́nima de atendimento da refinaria para permitir o acolhi-
mento de todos os petroleiros que chegam em cerca de 95% dos dias?
Exercı́cio 4.15. (D4.7) Uma empresa de aluguel de automóveis para excursões de longa distân-
cia dispõe de 5 veı́culos. Seja X uma variável aleatória associada à procura semanal de veı́culos.
Suponha que X ∼ P oisson (4).
a) Calcule a probabilidade de, em certa semana, um dos veı́culos não ser alugado.
b) Calcule o valor esperado do número de clientes que, em certa semana, podem não ser aten-
didos, por falta de veı́culos disponı́veis.
Exercı́cio 4.16. (D4.7) Seja X uma variável aleatória associada ao número de ovos postos por
segundo em certo aviário. Suponha que X ∼ P oisson (1).
Mostre que P (X = 0) = P (X = 1) e que para todo k > 1 se tem P (X = k) < P (X = k − 1).
Exercı́cio 4.17. (D4.7) O número de partı́culas emitidas por uma fonte radioativa, num dado
perı́odo de tempo, é uma variável aleatória com distribuição de Poisson. Sabendo que a probabi-
lidade de não ser emitida qualquer partı́cula nesse perı́odo de tempo é 1/3, calcule a probabilidade
de que nesse perı́odo de tempo a fonte emita pelo menos 2 partı́culas.
Exercı́cio 4.18. (D4.7) O número de mensagens eletrônicas recebidas em um dia por uma
pequena empresa de entregas rápidas segue uma distribuição de Poisson com taxa média igual
a 10 mensagens por dia. Calcule a probabilidade de em um dia a empresa não receber mais do
que 7 mensagens.
Exercı́cio 4.19. (D4.7) Seja X o número de erros tipográficos numa página de determinado
livro, uma variável aleatória com distribuição de Poisson de parâmetro 12 .
a) Encontre a probabilidade de que haja três ou mais erros tipográficos nesta página.
Exercı́cio 4.20. (D4.7 e D4.3) Seja X uma variável aleatória associada ao número de partı́-
culas emitidas, por uma fonte radiotiva em cada perı́odo de 10 segundos. Suponha que X tem
2
distribuição de Poisson com E X = 6. Observada a emissão durante 7 perı́odos consecutivos
de 10 segundos, qual é a probabilidade de, em pelo menos um desses perı́odos, serem emitidas 4
ou mais partı́culas?
Exercı́cio 4.21. (D4.7 e D4.4) Seja X uma variável aleatória associada ao número de acidentes
de trabalho que ocorrem em uma fábrica por semana, com distribuição de Poisson. Sabendo que
a porcentagem de semanas em que ocorre um acidente é um terço da porcentagem de semanas
em que não acontece nenhum.
b) A partir de uma determinada data, a direção da fábrica vai registrar o número Y de semanas
decorridas antes de observar uma semana com ao menos um acidente.
i) Qual é a distribuição de Y ?
ii) Obtenha a probabilidade de que a semana com acidente seja a quarta na contagem.
Exercı́cio 4.22. (D4.8) Seja X uma variável aleatória. Suponha que X ∼ U (−2; 8).
a) Determine a densidade de X.
c) Determine a acumulada de X.
Exercı́cio 4.23. (D4.8) Se Y tem distribuição uniforme em (0, 5), qual é a probabilidade de
que as raı́zes da equação 4x2 + 4xY + Y + 2 = 0 sejam ambas reais?
c) Calcule a produção necessária para a probabilidade de haver uma procura maior que a quan-
tidade produzida ser 2,5%.
Exercı́cio 4.25. (D4.9) Uma fábrica produz motores cujo tempo de vida é uma variável aleatória
com distribuição normal com média de 10 anos e desvio padrão de 2 anos. A fábrica quer criar
um perı́odo de garantia para os motores de forma que não mais de 3% tenham de ser substituı́dos.
Qual deverá ser o perı́odo de garantia máximo oferecido pela fábrica?
Exercı́cio 4.26. (D4.9) Considere uma variável aleatória contı́nua X cuja densidade é simétrica
em relação a um valor esperado 10 e com um desvio padrão 5. Sendo uma outra variável aleatória
Y definida por Y = βX − α com α, β > 0, determine:
a) Calcule µ e σ.
Exercı́cio 4.28. (D4.9) Seja X uma variável aleatória associada ao diâmetro de um cabo elé-
trico. Suponha que X ∼ N 0, 8; 0, 022 .
b) Suponha que esse cabo seja considerado defeituoso se o diâmetro diferir de sua média em
mais de 0,025. Qual é a probabilidade de se encontrar um cabo defeituoso?
Exercı́cio 4.29. (D4.9) Seja X uma variável aleatória associada ao nı́vel sérico de colesterol
em adultos, em uma população. Suponha que X ∼ N 225, 752 . Calcule:
b) o valor acima do qual se encontra o colesterol da parcela de 10% da população que tem os
nı́veis mais elevados.
Exercı́cio 4.30. (D4.9) Em uma fábrica de refrigerantes, uma máquina é usada para encher
garrafas de 600ml. Seja X uma variável aleatória associada ao conteúdo lı́quido (em ml) por
2
garrafa com distribuição N 600, 4 . Calcule:
a) a porcentagem de garrafas produzidas com conteúdo inferior a 592 ml ou superior a 612 ml;
Exercı́cio 4.31. (D4.9) Suponha que o tempo em horas que um estudante precisa para aprender
uma matéria de Geografia é uma variável aleatória X com distribuição normal. Se 84, 13% dos
alunos usam mais de 3 horas e somente 2, 28% levam mais de 9 horas para aprender a matéria,
quais são os parâmetros da distribuição?
Exercı́cio 4.32. (D4.9) Seja X uma variável aleatória associada ao diâmetro, em centı́metros,
das bolinhas de gude em um lote. Suponha que X tenha distribuição normal com valor esperado
igual a 1. Sabendo que um terço das bolinhas tem diâmetro maior que 1,1 cm.
b) Calcule a proporção de bolinhas cujo diâmetro está entre 0,8 e 1,2 cm.
Exercı́cio 4.33. (D4.9) Seja X e Y duas variáveis aleatórias associadas ao sálário mensal, em
reais, de um trabalhador da empresa A e B, respectivamente. Suponha que X ∼ N 1800, 3002
e Y ∼ N 2000, 2002 . Sabendo que a empresa A tem o triplo de funcionários da empresa
B. Se uma pessoa é escolhida aleatoriamente entre os trabalhadores das duas empresas, qual a
probabilidade de que ela receba mais de 2200 reais por mês?
Exercı́cio 4.34. (D4.9 e D4.3) Seja X uma variável aleatória associadaà produção semanal
(em toneladas) de uma plantação de bananas. Suponha que X ∼ N 5; 22 e que a produção é
independente de semana para semana.
b) A plantação tem despesas fixas semanais no valor de 2000 reais. O produtor vende as bananas
por 500 R$/ton. Qual é a probabilidade de, em uma dada semana, o valor da venda ser
inferior às despesas fixas?
c) Calcule a probabilidade de, em 8 semanas escolhidas ao acaso, haver no máximo uma em que
a produção foi inferior a 3 ton.
Exercı́cio 4.35. (D4.9 e D4.3) Seja X uma variável aleatória associada ao conteúdo (em ml)
nos frascos de certo xarope. Suponha X ∼ N 200; 22 .
Exercı́cio 4.36. (D4.9 e D4.3) Seja X uma variável aleatória associada ao comprimento de
2
uma barra de ferro, de modo que X ∼ N 10; 2 . Suponha que a barra é considerada perfeita
se 8 ≤ X ≤ 12 e defeituosa caso contrário.
Exercı́cio 4.37. (D4.9 e D4.3) O tempo de vida de um laser tem distribuição normal com média
igual a 7000 horas e desvio padrão igual a 600 horas.
c) Um produto inclui três lasers e falha se algum deles falhar. Se os tempos de vida dos três
lasers forem independentes, qual é a probabilidade de esse produto durar mais do que 7000
horas?
Exercı́cio 4.38. (D4.9 e D4.7) Seja X uma variável aleatória associada ao número de defeitos
por mês no comboio de uma certa linha férrea que provocam a interrupção da circulação. O
número de defeitos em um dado mês é independente dos outros meses. Por outro lado, considere
Y uma variável aleatória associada ao tempo necessário, em horas, para restabelecer a circulação
ferroviária após a parada e também aqui, os tempos de reparação são independentes. Suponha
que X ∼ P oisson (3, 5) e Y ∼ N (2, 5; 0, 75).
Exercı́cio 4.39. (D4.12) Seja X uma variável aleatória associada a duração de vida de um
componente eletrônico, em centenas de horas. Suponha que X tem distribuição exponencial com
valor esperado 0,5.
a) Determine a acumulada de X.
d) De um lote contendo 2/3 dos componentes acima especificados e 1/3 de um outro tipo (mais
caro) de componentes eletrônicos com duração Exp(1) (em centenas de horas), extraiu-
se ao acaso um componente. Calcule o valor esperado e o desvio padrão da duração do
componente selecionado.
Exercı́cio 4.40. (D4.12 e D4.3) Uma fábrica utiliza dois métodos para a produção de lâmpadas:
70% delas são produzidas pelo método A e o resto pelo método B. Seja X e Y duas variáveis
aleatórias associadas à duração em horas dessas
lâmpadas, pelo método A e B, respectivamente.
1 1
Suponha que X ∼ Exp 80 e Y ∼ Exp 100 . Em um grupo de 10 lâmpadas selecionadas ao
acaso, qual a probabilidade de que 6 delas durem pelo menos 90 horas?
4.18) P (X ≤ 7) = 0, 2202.
4.19) a)0,01438768; b) 0,0365662.
4.20) X ∼ P oisson (2); P (X ≥ 4) = 0, 6601372.
1
4.21) a) X ∼ P oisson 3 ;
1
b) i) X ∼ Geom 1 − e− 3 ; ii) P (X = 3) = 0, 1042823.
Badizé, M., Jacques, A., Petitpas, M. and Pichard, J.-F. (1996). Le jeu du franc-carreau - une
activité probabiliste au collège, Rouen: IREM de Rouen .
Bussab, W. d. O. and Morettin, P. A. (2005). Estatı́stica Básica, 5ª ed. edn, Saraiva, São Paulo.
Degroot, M. H. and Schervish, M. J. (2001). Probability and Statistics, 3rd Edition, 3 edn,
Addison Wesley.
Ross, S. (2010). Probabilidade: um curso moderno com aplicações., 8 edn, Bookman, São Paulo.
Gama, 92
Gama invertida, 96
Geométrica, 84
Hipergeométrica, 85
Independência 2 a 2, 36
110