UNIVERSIDADE FEDERAL DA BAHIA

INSTITUTO DE MATEMTICA
DEPARTAMENTO DE ESTATSTICA







NOTAS DE AULA
MAT236 MTODOS ESTATSTICOS
1 UNIDADE









Elaborada pelos professores:
Giovana Silva, Lia Moraes,
Rosana Castro e Rosemeire Fiaccone


Revisada em 2011.1
Monitora: Tatiana Felix da Matta

1

1. INTRODUO

1.1. O que estatstica e suas divises

Para muitos a Estatstica no passa de conjuntos de tabelas de dados numricos.
Mas ser que a estatstica s isso?
A Estatstica originou-se com a coleta e construo de tabelas de dados para o
governo. A situao evoluiu e esta coleta de dados representa somente um dos aspectos
da Estatstica. Hoje em dia podemos adotar a seguinte definio para a Estatstica:
A Estatstica constitui-se num conjunto de tcnicas e mtodos cientficos que
tratam da coleta, anlise e interpretao de informaes numricas, cujo objetivo
principal auxiliar na tomada de decises ou tirar concluses em situaes de
incerteza, a partir de informaes numricas.
A Teoria Estatstica moderna se divide em dois grandes campos:
Estatstica Descritiva - consiste num conjunto de mtodos que ensinam a reduzir
uma quantidade de dados bastante numerosa por um nmero pequeno de
medidas, substitutas e representantes daquela massa de dados.
Estatstica Indutiva ou Inferncia Estatstica - consiste em inferir (deduzir ou
tirar concluses a respeito das) propriedades de um universo a partir de
uma amostra. O processo de generalizao, que caracterstico do
mtodo indutivo, est associado a uma margem de incerteza. A medida
da incerteza tratada mediante tcnicas e mtodos que se fundamentam
na Teoria das Probabilidades.
A Estatstica Descritiva abrange mtodos grficos e numricos, utilizados para
resumir dados de maneira que caractersticas importantes da amostra possam ser
expostas.
A disponibilidade de uma grande quantidade de dados e de mtodos
computacionais muito eficientes revigorou a rea da Estatstica denominada Estatstica
Descritiva.
Na maioria das vezes no podemos investigar o fenmeno que estamos
interessados em estudar em todos os elementos da populao por ser o custo muito alto,
por necessitar de muito tempo para o levantamento dos dados. Para resolver o problema
devemos trabalhar com um subconjunto da populao, chamado de AMOSTRA.
Se selecionarmos os elementos da amostra de acordo com critrios estatsticos,
podemos conhecer as informaes relativas populao atravs da amostra.
A inferncia estatstica procura com base nos dados amostrais tirar concluses
sobre a populao. Considere o exemplo abaixo para ilustrar as definies dadas.

Exemplo: (Notas de Aula da Disciplina MAT116 - USP) Numa pesquisa eleitoral um
Instituto de Pesquisa procura com base nos resultados de um levantamento aplicado a
uma amostra da populao prever o resultado da eleio. Considere o candidato A:
a) Denomine por p a proporo de pessoas que votaro em A na eleio.
b) Denomine por p a proporo de pessoas no levantamento de opinio (amostra)
que expressam inteno de voto em A.
Podemos usar o valor de p para estimar a proporo p da populao.
O esquema a seguir resume as etapas de um trabalho estatstico:



2


















1.2. Por que precisamos aprender Estatstica?

Quase toda atividade e experincia humana envolvem coleta e anlise de algum
tipo de informao (dados). Na coleta de dados relativos ao comportamento ou outras
caractersticas de um grupo de indivduos, amostras aleatrias de um processo ou
resultados de repetitivas medies, sempre envolvem variao.
Mtodos estatsticos representam as ferramentas bsicas para compreender as
variaes, porque a anlise estatstica a nica base para tentar entender variabilidade.
Os mtodos estatsticos so consciente ou inconscientemente usados em vrias
situaes, especialmente na apresentao de informaes oriundas de dados numricos.
Diversas vezes, apresentaes so baseadas, principalmente, em algum tipo de tcnica
utilizando teorias matemticas; porm durante a preparao e apresentao dos dados,
mtodos estatsticos so utilizados para definir a tcnica de coleta de dados e chegar a
uma concluso atravs das informaes coletadas. Os mtodos estatsticos tm
aplicaes em:
Indstrias: coleta de dados na linha de produo, para manter e controlar o
processo produtivo, o que assegura o nvel de produo e os padres de
qualidade; otimizao do processo produtivo; deteco das variveis que
realmente influenciam o processo, viabilizando-se as experincias que possam
levar a alteraes efetivas nesse processo; planejamento de experimentos
viveis, com vistas economia de observaes e, portanto, de custo;
planejamento de mtodos de coleta e anlise de dados para a explorao mineral;
Instituies pblicas: planejamento da coleta, do armazenamento e do
processamento de informaes; processamento de dados com o objetivo de
sintetizar e divulgar resultados; montagem de tecnologia adequada de gerao de
indicadores econmicos; previso de safras, projeo de demandas;
Hospitais e instituies de pesquisa mdica: prestao de assessoria estatstica
no exame da validade de testes clnicos; no estabelecimento de padres de
referncia; na determinao de fatores de risco de doenas; na comparao de
resultados de diversos tratamentos clnicos e no planejamento de experimentos
clnicos controlados, de estudos de casos e de estudos prospectivos;
Empresas de pesquisa de opinio e mercado: prestao de assessoria estatstica
no levantamento de audincias de programas de televiso, da popularidade de
Tcnicas de Amostragem
Populao
Amostra
Anlise
Descritiva
Concluses sobre as
caractersticas da
populao
Inferncia
Estatstica
Informaes contidas
nos dados
3

candidatos a cargos polticos; na avaliao da aceitao de novos produtos; na
realizao de pesquisas para determinao do perfil do consumidor e no
planejamento e execuo e pesquisa para determinao das caractersticas scio-
econmicas dos habitantes da regio;
Bancos e companhias de seguro: elaborao de previses a serem utilizadas
como instrumento gerencial; trabalho em associao com a aturia nos clculos
das probabilidades de morte, doena, roubo de carro, etc.; otimizao de
procedimentos de atendimento ao pblico
Centros de pesquisa: prestao de assessoria estatstica em todas as fases de um
projeto de pesquisa que envolva coleta, tratamento e anlise de dados.

Os empregados de uma empresa devem tornar-se mais familiarizados com
estatstica. Eles devem entender e conhecer as tcnicas estatsticas disponveis, e
adaptao de dados de experimentos para a anlise estatstica. Um profissional treinado
em Estatstica ter maior facilidade em identificar um problema em sua rea de atuao,
determinar os tipos de dados que iro contribuir para a sua anlise, coletar estes dados e
a seguir estabelecer concluses e determinar um plano de ao para a soluo do
problema detectado. Qualquer um que derive informaes a partir de dados est agindo
como um estatstico.


2. PROBABILIDADE

2.1. Breve histrico.

Dizse geralmente que a teoria da probabilidade originou-se com Blaise Pascal
(1623-1662) e Pierre de Fermat (1601-1665), devido curiosidade de um cavalheiro
Chevalier de Mer, jogador apaixonado, que em cartas discutiu com Pascal problemas
relativos probabilidade de ganhar em jogos de cartas. Despertado pelo assunto Pascal
discutiu com Fermat sobre o que hoje chamaramos de probabilidades finitas. Mas em
verdade a teoria elementar das probabilidades j tinha sido objeto de ateno bem antes,
uma vez que os jogos de azar sempre exerceram fascnio sobre os homens.
A primeira obra conhecida em que se estudam as probabilidades o livro De
Ludo Aleae (Sobre os jogos de azar) de Girolamo Cardano (1501-1576), publicado em
1663. Tambm Galileu (1564-1642) preocupou-se com as probabilidades, estudando os
jogos de dados para responder a pergunta de um amigo.
A teoria das probabilidades passou a desenvolver-se de maneira mais organizada
a partir do sculo XVII e importantes contribuies de ilustres matemticos devem ser
registradas. No famoso livro, Ars Cnjectandi de Jaime Bernoulli (1654-1705)
encontramos um teorema de importncia decisiva para a teoria das probabilidades,
conhecido com a Lei dos Grandes Nmeros, nome que lhe foi dado pelo matemtico
francs Simon Poisson (1781-1840). Poderamos citar muitos outros com importantes
contribuies, mas certamente o matemtico que mais contribuiu para a teoria das
probabilidades foi Laplace (1749-1827). Seus inmeros trabalhos sobre as
probabilidades foram incorporados em seu monumental Tratado Analtico das
Probabilidades.
Atualmente as teorias das probabilidades tm extrema importncia nas mais
diversa reas desde a engenharia, medicina, epidemiologia, demografia, economia,
4

administrao, meteorologia, fotografias de satlites, marketing, predio de desastres
naturais, cincias sociais entre outras.
Alm das muitas aplicaes formais, o conceito de probabilidade est no nosso
dia a dia. Sempre ouvimos e falamos frases como: Provavelmente vai chover amanh,
provvel que o avio se atrase, H boas chances de que eu possa comparecer.
Cada uma desta expresses est baseada no conceito de probabilidade de que certo
evento ocorra.


2.2. Conceitos bsicos

Fenmenos ou experimentos aleatrios (E): So aqueles em que o processo de
experimentao est sujeito a incertezas, logo, no possvel controlar todas as
circunstncias relevantes e, portanto, no possvel prever com exatido os resultados
individuais.

Caractersticas de um experimento aleatrio:

i. Poder ser repetido um grande nmero de vezes sob as mesmas condies;
ii. No podemos afirmar que um resultado particular ocorrer, porm, podemos
descrever o conjunto de todos os resultados possveis do experimento - as
possibilidades de resultado;
iii. Quando o experimento repetido um grande nmero de vezes, surgir uma
regularidade nos resultados. Esta regularidade, chamada de regularidade
estatstica, que torna possvel construir um modelo matemtico preciso com o
qual se analisar o experimento.

A Teoria da Probabilidade utilizada para descrever matematicamente experimentos
cujos resultados no podem ser completamente pr-determinados, ou seja, visa definir
um modelo matemtico que seja adequado descrio e interpretao de fenmenos
aleatrios.

Exemplo 1: Considere o experimento aleatrio de jogar uma moeda uma nica vez.
Antes da moeda ser jogada no se sabe o resultado. Conhecem-se apenas os possveis
resultados: cara ou coroa. Admitindo-se que a moeda honesta, cada resultado tem a
mesma chance de ocorrer. Neste exemplo, modelos podem ser estabelecidos para
quantificar as incertezas das diversas ocorrncias.
Fazendo-se algumas suposies adequadas, possvel escrever distribuies de
probabilidades (modelos probabilsticos) que representem muito bem as distribuies de
freqncias, que s so obtidas quando o fenmeno observado.

Modelo probabilstico definido por:
a) Um espao amostral ();
b) Uma probabilidade, P( ), para cada ponto amostral.

Espao amostral ( ): conjunto de todos os resultados possveis de um experimento
aleatrio.
Exemplos de experimentos aleatrios e seus respectivos espaos amostrais:
E
1
: Jogar uma moeda e observar a face superior.
5

1
= { Cara, Coroa }
E
2
: Jogar um dado e observar a face superior.

2
= { 1, 2, 3, 4, 5, 6 }
E
3
: Determinar o tempo de vida til de uma lmpada.

3
= { t / t 0 }
Espaos amostrais podem ser finitos ou infinitos.

Evento: Qualquer subconjunto de um espao amostral.
Representado pelas letras latinas maisculas A, B, C,...

Exemplo 2:
No lanamento de um dado consideremos o evento ocorrer um nmero par.
A: ocorrer um nmero par, em que = {1, 2, 3, 4, 5, 6}.
A = {2, 4, 6}

Exemplo 3:
Vai chover no litoral baiano no fim de semana? = {chove, no chove}
Em geral, temos interesse em eventos particulares do experimento.
O evento A pode representar a ocorrncia de chuva
A = {chove}

Os conjuntos e tambm so eventos:
o evento certo
o evento impossvel

Exerccio: Descreva o espao amostral para cada um dos seguintes experimentos a
seguir:
a) Numa linha de produo conta-se o nmero de peas defeituosas num perodo
de 1 hora;

Resp.: ={0,1,2,...,N} em que N o nmero mximo de peas que podem ser
produzidas no perodo de 1 hora.
b) Mede-se a durao de lmpadas, deixando-as acesas at que queimem;

Resp.: ={t / 0 t t
0
} em que t
0
o tempo mximo de durao da lmpada
acesa, at que ela se queime ou ={t / t 0 }.

c) Lanar uma moeda trs vezes, sucessivamente, e anotar a seqncia de caras e
coroas;

Resp.: ={ (ca, ca, ca); (ca, ca, co); (ca, co, ca); (co, ca, ca); (ca, co, co); (co, ca,
co); (co, co, ca); (co, co, co)}.

d) Escolher ao acaso um ponto do crculo de raio um centrado na origem.
Resp.: ={( )
2
, y x ; 1
2 2
+ y x }.



6

2.3. Operaes com eventos

Ao realizar um experimento aleatrio diz-se que o evento A ocorreu se o resultado
observado for um elemento do subconjunto A.
Dados dois eventos A e B de um mesmo espao amostral:
AB o evento em que A e B ocorrem simultaneamente;
AB o evento em que A ocorre ou B ocorre (ou ambos ocorrem);
A
c
A ou o evento em que A no ocorre.

Exemplo 4: E: Lanamento de um dado

=

{1, 2, 3, 4, 5, 6}
Evento B: representa sair face par => B = {2, 4, 6}

Evento C: representa sair uma face mpar => C = {1, 3, 5}
Evento D: representa sair uma face maior que 3 => D = {4, 5, 6}
Evento E: representa sair face 1 => E = {1}
Evento B D: representa sair uma face par e maior que 3 => {2, 4, 6} {4, 5, 6} = {4,
6}
Evento B C: representa sair uma face par e mpar => {2, 4, 6} {1, 3, 5} =
Evento B D: representa sair uma face par ou maior que 3 => {2, 4, 6} {4, 5, 6} =
{2, 4, 5, 6}
Evento B C: representa sair uma face par ou mpar => {2, 4, 6} {1, 3, 5} = {1, 2, 3,
4, 5, 6}
Evento B
c
= C
Evento C
c
= B
Se dois eventos quaisquer tm interseco vazia, isto , eles no podem ocorrer
simultaneamente, dizemos que eles so mutuamente exclusivos ou disjuntos. No
exemplo 4, os eventos B e C so mutuamente exclusivos ou disjuntos, visto que B C
= .

2.4. Como atribuir probabilidade a um evento?

Calcular uma probabilidade medir a incerteza ou associar um grau de
confiana aos resultados possveis de um experimento. Por exemplo, ao escolher, ao
acaso, uma carta de um baralho comum (bem embaralhado), o que mais provvel, sair
uma figura ( K, Q, J ) ou sair o dois de copas?
As probabilidades associam aos eventos um valor no intervalo [0,1]. Quanto
maior o valor associado ao evento, maior a certeza de sua possibilidade de ocorrncia.
Seja um espao amostral. Uma funo P definida para todos os subconjuntos
de (chamados eventos) chamada de probabilidade se:
1) 0 P(A) 1, para todo evento A
2) P() = 1
3) Se A
1
, A
2
,..., A
n
forem, dois a dois, eventos mutuamente exclusivos, isto , (A
i
A
j
)
= para todo i j, ento
( ) ) ( ... ) ( ) ( 2 1
1
n
n
i
i A P A P A P A P + + + =
=
U
=

=
n
i
i A P
1
) (

7

Existem vrias maneiras de atribuir probabilidade a um evento do espao
amostral. Vamos estudar duas formas. Uma das formas baseada em espaos amostrais
finitos.
Um espao amostral equiprovvel quando todos os elementos tm a mesma
probabilidade de ocorrer, isto , todos os seus elementos so igualmente provveis.

Definio: Seja A um evento associado ao espao amostral finito , no qual todos os
resultados so igualmente possveis (ou equiprovveis). Vamos definir a probabilidade
do evento A, P(A) como o quociente entre o nmero de elementos em A e o nmero de
elementos em :

=
#
#
) (
A
A P ,

isto , a razo entre os casos favorveis ao evento e o total de casos possveis.
Limitaes:
Dificuldade em enumerar #A e # em alguns casos;
infinito;
Modelo adequado apenas para a classe de fenmenos cujo o espao amostral
equiprovvel.

Exemplo 5: Qual a probabilidade de obter um nmero par no lanamento de um dado?
= {1,2,3,4,5,6}
A = nmero par = {2, 4, 6}
P(A) =
6
3


Para calcular probabilidade utilizando a definio clssica, em geral utilizam-se os
mtodos de enumerao: Combinaes, arranjos e permutaes.

Resumo de algumas tcnicas sistemticas de enumerao

1 Princpios bsicos da multiplicao

Dados dois eventos, o primeiro dos quais pode ocorrer de m maneiras distintas e
o segundo pode ocorrer de n maneiras distintas, ento os dois eventos
conjuntamente podem ocorrer de m.n maneiras distintas.

Exemplo 6: Uma bandeira formada por 7 listras que devem ser coloridas
usando apenas as cores verde, azul e cinza. Se cada listra deve ter apenas uma
cor e no se pode usar cores iguais em listras adjacentes, de quantos modos se
pode colorir a bandeira?

Soluo: Colorir a bandeira equivale a escolher a cor de cada listra. H 3 modos
de escolher a cor da primeira listra e, a partir da, 2 modos de escolher a cor de
cada uma das outras 6 listras. A resposta 3x2
6
= 192.


8



2 Permutaes

Uma coleo de n objetos diferentes pode ser ordenada de n! maneiras distintas.
Portanto, o n de permutaes de n objetos diferentes dado por P
n
=n! (Essa
regra de permutao, traduz o fato de que o primeiro objeto pode ser escolhido
de n maneiras diferentes, o segundo objeto pode ser escolhido de n-1 maneiras
distintas, e assim por diante).

Exemplo 7: De quantos modos podemos arrumar em fila 5 livros diferentes de
Matemtica, 3 livros diferentes de Estatstica e 2 livros diferentes de Fsica, de
modo que livros de uma mesma matria permaneam juntos?

Soluo: Podemos escolher a ordem das matrias de 3! Modos. Feito isso, h 5!
Modos de colocar os livros de Matemtica nos lugares que lhe foram destinados,
3! Modos para os de Estatsticas e 2! Modos para os de Fsica. A resposta :
3!5!3!2!= 6 x 120 x 6 x 2 = 8640.


3 - Arranjos

o nmero de maneiras de escolher p objetos dentre n objetos diferentes (sem
repetio), sendo a ordem importante, e permutar os escolhidos (0 p n).
Portanto, o nmero de arranjos dado por:
)! (
!
p n
n
A
p
n

=

Exemplo 8: No planejamento de um programa noturno da rede de televiso
NBC, devem ser escolhidos 6 shows dentre 30 disponveis. Quantas
programaes diferentes so possveis?

Soluo: Devemos selecionar p=6 dentre n=30 programas disponveis. Aqui a
ordem tem importncia, por que os espectadores variam no decorrer do tempo.
Logo devemos calcular o nmero de arranjos
000 . 518 . 427
)! 6 30 (
! 30
)! (
!
=

=
p n
n
A
p
n
.


4 Combinao

o nmero de maneiras de selecionar p objetos distintos dentre n objetos
distintos dados, sem considerarmos a ordem. Cada seleo de p objetos
chamada de uma combinao simples de classe p dos n objetos. Representamos
o nmero de combinaes simples de classe p de n elementos por
p
n
C ou
|
|

\
|
p
n
.
Assim o nmero de combinaes de p objetos extrados de um conjunto de n
9

objetos diferentes
)! ( !
!
p n p
n
C
p
n

= . ( Basta notar que selecionar p entre os n

objetos equivale a dividir os n objetos em um grupo de p objetos, que so
selecionados, e um grupo de n-p objetos, que so os no-selecionados.)


Exemplo 9: Com 5 homens e 4 mulheres, quantas comisses de 5 pessoas, com
exatamente 3 homens, podem ser formadas?

Soluo: Para formar a comisso devemos escolher 3 dos 5 homens e 2 das 4
mulheres. H
60
! 2 ! 2
! 4
.
! 2 ! 3
! 5
2
4
.
3
5
.
2
4
3
5
= =
|
|

\
|
|
|

\
|
= C C


Exemplo 10: Um lote formado de 2 artigos bons e 1 defeituoso. Dois artigos
so selecionados ao acaso:

a) Quantos lotes de 2 artigos diferentes podem ser formados sem considerarmos
a ordem?

Trata-se aqui do nmero de combinaes de p=2 artigos a serem
selecionados dentre 3. Temos 3
! 1 ! 2
! 3
2
3
= = C , (PP, DP, PD)

b) Quantos lotes de 2 artigos diferentes podem ser formados considerando a
ordem?

Aqui, desejamos o nmero de seqncias (ou permutaes) de p=2 artigos a
serem escolhidos dentre os 3. Temos 6
! 1
! 3
2
3
= = A , (P
1
P
2
, P
2
P
1
, D
1
P
1
, P
1
D
1
,
D
1
P
2
, P
2
D
1
).

Exerccios:

1) Trs garotos e 3 garotas sentam-se em fila. Encontre a probabilidade das 3 garotas
sentarem juntas. Resp.: 0,2.

2) Um lote formado de 10 artigos bons, 4 com defeitos menores e 2 com defeitos
graves. Dois artigos so escolhidos (sem reposio) ache a probabilidade de que:

a) Ambos tenham defeitos graves? Resp.: 0,00833.
b) Exatamente um seja perfeito? Resp.: 0,5.

3) Um produto montado em 3 estgios. No primeiro estgio, existem 5 linhas de
montagem; no segundo estgio, existem 4 linhas de montagem e no terceiro estgio,
existem 6 linhas de montagem. De quantas maneiras diferentes poder o produto se
deslocar durante o processo de montagem? Resp.: 120
10


4) Um inspetor visita 6 mquinas diferentes durante um dia. A fim de evitar que os
operrios saibam quando ele os ir inspecionar, o inspetor varia a ordenao de suas
visitas. De quantas maneiras isto poder ser feito? Resp.: 720

5) Um mecanismo complexo pode falhar em 15 estgios. De quantas maneiras poder
falhar em exatamente 3 desses estgios? Resp.: 455

6) Em uma sala, 10 pessoas esto usando emblemas numerados de 1 at 10. Trs
pessoas so escolhidas ao acaso e convidadas a sarem da sala simultaneamente. O
nmero de seu emblema anotado.
a) Qual a probabilidade de que o menor nmero de emblema seja cinco? Resp.:
0,0833
b) Qual a probabilidade de que o maior nmero de emblema seja cinco? Resp.:
0,05

As limitaes da definio clssica de probabilidade, que s se aplica a espaos
amostrais finitos e equiprovveis, levaram a considerar outra forma de calcular
probabilidade de um evento partindo da freqncia relativa do evento ao se repetir o
experimento, n vezes, sob as mesmas condies. Em linguagem matemtica, quando n
cresce, o limite da freqncia relativa de ocorrncia de A igual a P(A), isto ,
P(A)
n
ocorre A que repeties de #
lim ) ( lim = =
n
n
n
A f .

Exemplo 11: Suponha que vamos realizar um experimento de lanar 20 vezes uma
moeda e observar o nmero de caras. A cada lanamento vamos considerar o nmero de
caras que at ento ocorreram (n) dividido pelo nmero de lanamentos (n
a
), ou seja, a
freqncia relativa de caras. Os resultados referentes a esse experimento encontram-se
na tabela abaixo:
N n
a
fa=na/n n n
a
n
a
/n
1 1 1 11 6 6/11
2 1 1/2 12 7 7/12
3 2 2/3 13 7 7/13
4 3 3/4 14 8 8/14
5 3 3/5 15 8 8/15
6 3 3/6 16 8 8/16
7 3 3/7 17 8 8/17
8 4 4/8 18 8 8/18
9 5 5/9 19 9 9/19
10 5 5/10 20 9 9/20

Vejamos o comportamento das freqncias relativas por meio do grfico a
seguir:
11


A partir desta Figura vemos que a medida que aumenta o nmero de
lanamentos, a freqncia relativa se aproxima de 0,5. Em linguagem matemtica
dizemos que a freqncia relativa converge para 0,5. Dificuldade do ponto de vista
matemtico: o nmero do limite real pode no existir.

Exerccio (TRIOLA):
Em uma pesquisa entre estudantes de uma faculdade, 1162 afirmaram que
colavamnos exames, enquanto 2468 afirmaram no colar [com base em dados do
Josephson Institute of Ethics (Instituto Josephson de tica)]. Selecionando
aleatoriamente um desses estudantes, determine a probabilidade deste estudante ter
colado em um exame. Resp.: 0,3201.

Teoremas:

1. P() = 0
2. Se A
c
o evento complementar de A, ento P(A
c
) = 1- P(A)
3. Sejam A e B dois eventos quaisquer, ento:
P (A B) = P(A) + P(B) - P(A B)

Demonstrao: AB = A[BA
c
]
B = (A B) (BA
c
)
P(AB) = P(A) + P (BA
c
)
-P(B) = -P(A B) - P (BA
c
)
P (AB) = P(A) + P(B) - P(A B)

4. Se A, B e C forem trs eventos quaisquer, ento:
P (A B C)=P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C)

Generalizao:
( ) ( ) ( ) ( ) ( )
n
n
n
r j i
r j i
n
j i
j i
n
i
i n
A A P A A A P A A P A P A A P + + + =

< < < =

K K K
1
1
1
1
1 ) (



Lanamentos sucessivos de uma moeda
Nmero de repeties versus freqncia relativa de caras
F
r
e
q

n
c
i
a
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
12

Exemplo 12: Se P(AB
c
)=0,2 e P(B
c
)=0,7. Achar P(AB)? (Use diagrama de Veen)
P(AB
c
)= P(A) P(AB) 0,2 = P(A) - P(AB) P(A) = 0,2 + P(AB)
P(B
c
)= 1 P(B) 0,7 = 1 - P(B) P(B)= 0,3
P (A B) = 0,2 + 0,3 = 0,5


Exerccios:

1) Um lote formado por 10 peas boas, 4 com defeitos menores e 2 com defeitos
graves. Uma pea escolhida ao acaso. Calcule a probabilidade de que:
a) a pea no tenha defeito grave? Resp.:0,875.
b) a pea no tenha defeito? Resp.:0,625.
c) a pea seja boa ou tenha defeito grave? Resp.:0,75.

2) Dois processadores tipo A e B so colocados em teste por 50 mil horas. A
probabilidade que um erro de clculo acontea em um processador do tipo A de
30
1
, no tipo B,
80
1 e em ambos,
1000
1 . Qual a probabilidade de que:
a) Pelo menos um dos processadores tenha apresentado erro? Resp.:0,045.
b) Nenhum processador tenha apresentado erro? Resp.:0,955.
c) Apenas o processador A tenha apresentado erro? Resp.:0,032.

3) O seguinte grupo de pessoas est numa sala: 5 homens maiores de 21 anos; 4
homens com menos de 21 anos de idade; 6 mulheres maiores de 21 anos e 3
mulheres menores de 21 anos. Uma pessoa escolhida ao acaso. Define-se os
seguintes eventos: A: a pessoa maior de 21 anos; B: a pessoa menor de 21 anos;
C: a pessoa homem e D: a pessoa mulher. Calcule:
a) P(B D)
b) P( C A )
c) P(A B)
Resp.: a)0,722; b)0,167; c)0 9

4) Uma remessa de 30 arruelas contm 5 peas defeituosas e 25 perfeitas. Dez arruelas
so escolhidas ao acaso (sem reposio) e classificadas.
a) Qual a probabilidade de que sejam encontradas exatamente 3 peas defeituosas?
Resp.:0,160
b) Qual a probabilidade de que se encontrem ao menos 2 peas defeituosas? Resp.:
0,5512












13

2.5. Probabilidade condicional

Considere o exemplo abaixo:

Dados do Censo Demogrfico de 91 publicado pelo IBGE relativos aos habitantes de
Sergipe, na faixa etria entre 20 a 24 anos com relao s variveis Sexo e Leitura.

Sexo L No l Total
Masculino 39.577 8.672 48.249
Feminino 46.304 7.297 53.601
Total 85.881 15.969 101.850

E: Um jovem entre 20 e 24 anos escolhido ao acaso em Sergipe.

: conjunto de jovens de Sergipe, com idade entre 20 e 24 anos. #=101.850.

Eventos de interesse:
M: jovem sorteado do sexo masculino
F: jovem sorteado do sexo feminino
L: jovem sorteado sabe ler
M L: jovem sorteado do sexo masculino e sabe ler
M L: jovem sorteado do sexo masculino ou sabe ler

Podemos obter algumas probabilidades:

843 , 0
850 . 101
881 . 85
de jovens de n
ler sabem que jovens de
) ( = =

=
n
L P

473 , 0
850 . 101
245 . 48
de jovens de n
masculino sexo do jovens de
) ( = =

=
n
M P

P(F) = P(M
c
) = 1 - P(M) = 1 - 0,473 = 0,527

850 . 101
557 . 39
jovens de n
ler sabem que e masculino sexo do jovens de
) ( =

=
n
L M P

P (M L) = P(M) + P(L) - P(M L)
= 0,473 + 0,843 - 0,388 = 0,928

No exemplo anterior, se soubermos que o jovem sorteado do sexo masculino, qual a
probabilidade de que saiba ler? Temos uma informao parcial: o jovem do sexo
masculino.
Vamos designar a probabilidade de L quando se sabe que o jovem do sexo masculino
por P (L M) e denomin-la probabilidade condicional de L dado M.
natural atribuirmos:

14

0,820
48.249
39.577
masculino sexo do jovens de total n
masculino sexo do aqueles dentre ler sabem que jovens de n
) M (L P = == = = == = = == =


Note que:




Por exemplo, a probabilidade de ser do sexo masculino dado que l dada por:
0,460
850 . 101
881 . 85
850 . 101
577 . 39
(L) P
L) (M P
) L (M P = =

=


Definio de probabilidade condicional: Sejam A e B eventos de um experimento
aleatrio qualquer, com P(B) > 0. A probabilidade condicional de A dado B(denota-se
por P (A B) definida como:
P(B)
B) P(A
B) P(A

= == =


2.6. Regra ou Teorema do produto

Como conseqncia da definio de probabilidade condicional, podemos calcular a
probabilidade da ocorrncia conjunta de dois eventos A e B.

( ) ( ) ) ( | ) (
) (
) (
| B P B A P B A P
B P
B A P
B A P =

=

Exemplo 13:
Uma urna contm fichas numeradas de 1 a 4. Retira-se uma ficha da urna ao acaso e
anota-se o nmero. Esta ficha ento recolocada na urna, e retira-se novamente uma
ficha, ao acaso, da urna. Qual a probabilidade de ter sado a ficha com nmero 1, na
primeira retirada, e de ser 5 a soma dos nmeros das duas fichas retiradas?

Resoluo:
Evento A: sair o nmero 1 na primeira retirada =>P(A) =
4
1

Evento B: soma = 5


(M) P
L) (M P
) M (L P
jovens de total n
masculino sexo do jovens n
jovens de total n
ler sabem que e masculino sexo do jovens n
) M (L P

=
=
15

Evento B|A: {soma = 5 | a primeira ficha 1}, se queremos que a soma seja 5, ento
preciso que a segunda ficha seja o nmero 4 P(B|A) =
4
1


Pelo teorema do produto temos que,
( )
16
1
4
1
4
1
) ( | ) ( = = = A P A B P B A P

Exemplo 14:
Duas vlvulas defeituosas se misturam com duas vlvulas perfeitas. As vlvulas so
ensaiadas, uma a uma, at que ambas defeituosas sejam encontradas. Qual a
probabilidade de que a ltima vlvula defeituosa seja encontrada no segundo ensaio?

Resoluo:
Evento A: sair uma vlvula defeituosa =>P(A) =
4
2

Evento B: a ltima vlvula defeituosa

Evento B|A: sair a ltima vlvula defeituosa | saiu uma vlvula defeituosa P(B|A) =
3
1


Pelo teorema do produto temos que,

( )
12
2
3
1
4
2
) ( | ) ( = = = A P A B P B A P

De modo geral, considere 3 eventos A, B e C, tem-se que



Esta relao pode ser estendida para um nmero finito qualquer de eventos.

Exerccios:
a) As falhas na fundao de um grande edifcio podem ser de dois tipos: A
(capacidade de suportar) e B (fundao excessiva). Sabendo-se que P(A)=0,001,
P(B)=0,008 e P(A|B)=0,1, determinar a probabilidade:

i) De haver falha na fundao? Resp.:0,0082
ii) De ocorrer A e no B? Resp.:0,0002

b) Um sistema eletrnico consta de dois sub-sistemas digamos A e B. De testes
prvios sabe-se que: P(A falhe)=0,20; P(A e B falhem)=0,15 e P(B falhe
sozinho)=0,15. Calcule:

i) P(A falhe | B falhou); Respostas: 0,5
ii) P(A falhe sozinho); Respostas: 0,05

c) Duas lmpadas queimadas foram acidentalmente misturadas com seis lmpadas boas.
Se vamos testando as lmpadas, uma por uma, at encontrar duas defeituosas, qual a
probabilidade de que a ltima defeituosa seja encontrada no quarto teste? Resp.: 3/28
16

2.7. Regra da probabilidade total

Sejam A e B dois eventos de um experimento qualquer. H duas maneiras de B ocorrer,
considerando a ocorrncia ou no do evento A: ou A e B ocorrem (A B) ou A
c
e B
ocorrem (A
c
B).
Deste modo, B = (A B) (A
c
B), em que A B e A
c
B so conjuntos disjuntos.
Ento, P(B) = P(A B) + P(A
c
B).
Pela regra do produto P(B) = P(A). P(B | A) + P(A
c
) P(B | A
c
)


DEFINIO DE PARTIO:

Tem-se uma partio de um espao amostral em um nmero finito de eventos A
i
( i =
1,2,...,n) se:
1) Se A
1
, A
2
,..., A
n
forem, dois a dois, eventos mutuamente exclusivos, isto , (A
i
A
j
)
= para todo i j.
2) =
=
U
n
i
i
A
1
, isto , os eventos A so exaustivos.

REGRA DA PROBABILIDADE TOTAL: se a seqncia de eventos aleatrios A
1
,
A
2
,..., A
n
formar uma partio de , ento:


( ) ( ) ( ) ( )

= =
n
i
i
i
i
i
A B P A P B A P B P
n


Exemplo 7.15:
Um lote de 100 peas composta de 20 peas defeituosas e 80 peas perfeitas, do qual
extrairemos 2 peas sem reposio. Qual a probabilidade da segunda pea extrada ser
defeituosa?
Soluo:
Evento A: a primeira pea extrada defeituosa
Evento B: a segunda pea extrada defeituosa
Pela regra da probabilidade total temos que,
P(B) = P(A). P(B | A) + P(A
c
) P(B | A
c
) =
5
1
99
20
.
100
80
99
19
.
100
20
= +
B A
C
B A
A

A
c
B
A
1
A
2
A
3
..... A
n

17

Exemplo 16:
Em uma fbrica de parafusos so utilizadas n mquinas. Sejam P(A
i
) a probabilidade de
um parafuso provir da i-sima mquina, i = 1,2,...,n e P(B
i
A) indica a probabilidade do
parafuso ser defeituoso sabendo-se que foi produzido pela isima mquina.
Do total de parafusos produzidos pela fbrica, escolhe-se ao acaso um parafuso. Qual a
probabilidade de que o parafuso seja defeituoso?

Soluo:
Se B representa o evento parafuso escolhido defeituoso, pela regra da probabilidade
total, temos que:

P(B) = P(B
1
A ) P(A
1
) + P(B
2
A ) P(A
2
) + ......+ P(B
n
A ) P(A
n
)
Podemos ainda estar interessados em saber a probabilidade da i-sima mquina ter
produzido o parafuso defeituoso.


2.8. Independncia estatstica

Dois eventos so ditos independentes quando a ocorrncia de um deles no interfere na
probabilidade de ocorrncia do outro.

Em linguagem matemtica, dados A,B , A e B so ditos independentes, se e
somente se:
P( AB) = P(A) e P( BA) = P(B)

Nesse caso, temos que
P(A B) = P(A). P(B)
Exemplo 19: A probabilidade de que A resolva um problema de 2/3 e a probabilidade de
que B resolva de 3/4. Se ambos tentarem independentemente, qual a probabilidade do
problema ser resolvido?
Resoluo:
A: A resolve
B: B resolve
A B: A e B resolvem
A B: A ou B resolvem => o problema resolvido
Como so eventos independentes, P(A B) = P(A).P(B) e
P(A B) = P(A) +P(B) - P(A).P(B) = 2/3 + 3/4 (2/3)(3/4) = 2/3 + 3/4 2/4 =
12
5
12
3 8
=

.

Generalizando:
Os eventos A
1
, A
2
,..., A
n
, so independentes se e somente se a independncia for
verificada para todos os subconjuntos de dois ou mais eventos desta famlia.

Para que trs eventos sejam independentes necessrio verificar quatro
igualdades:

P(A B) = P(A) P(B)
18

P(A C) = P(A) P(C)
P(B C) = P(B) P(C)
P(A B C) = P(A) P(B) P(C)

que corresponde 4 1 3
3
3
3
2
= + = |

\
|
+ |

\
|
, igualdades a serem verificadas

Para quatro eventos necessrio verificar onze igualdades que so:

11 1 4 6
4
4
4
3
4
2
= + + = |

\
|
+ |

\
|
+ |

\
|


Para n eventos necessrio verificar:

1 n
2
n
k
n
n
2 k
= |

\
|
=
igualdades

Se A
i
`, i= 1, 2, 3,..., n, uma famlia finita de eventos independentes, ento

=
|

\
|
= =
n
1 i
n
1 i
) A ( P A P i i I
Observar que:

=
=
) ( ) | ( ) (
) ( ) | ( ) (
B P B A P B A P
A P A B P B A P
para eventos quaisquer (condicional)

{ ) ( ) ( ) ( B P A P B A P = para eventos independentes

Como conseqncia dos resultados acima, tm-se que e so independentes de
qualquer evento A, A . Para ver isto note que:
1) P( A) = P( ) = 0 = P() P(A)
2) P( A) = P(A) = P() P(A)

Exerccios
1) Uma mquina consiste de 4 componentes ligados em paralelo de tal forma que a
mquina falha apenas quando todos os componentes falharem. Supondo que as falhas
so independentes entre si e se cada componente tem respectivamente as probabilidade
0,1, 0,2, 0,3, e 0,4 de falhar quando a mquina ligada, qual a probabilidade da
mquina no falhar ? Resp.: 0,9976.

2) A probabilidade de um homem viver, mais dez anos e a probabilidade de uma
mulher viver mais dez anos 1/3. Encontre a probabilidade de ambos estarem vivos
dentro de dez anos e de ao menos um estar vivo dentro de dez anos. Resp.: 1/12 e 1/2.




19

1 LISTA DE EXERCCIOS

1) Descrever o espao amostral (S) e eventos associados a cada um dos experimentos a
seguir:
E
1
: Lanam-se dois dados perfeitos e observam-se os nmeros nas faces voltadas para
cima;
A
1
: A soma das faces sete;

E
2
: Lanar uma moeda trs vezes, sucessivamente, e anotar a seqncia de caras (K) e
coroas (C );
A
2
: Sair pelo menos duas caras;

E
3
: Lanar uma moeda e um dado, simultaneamente, e registrar os resultados;
A
3
: Obteno de face impar no dado;

E
4
: Lanar uma moeda trs vezes, sucessivamente, e registrar o nmero de caras
ocorrido;
A
4
: Sair pelo menos duas caras;

E
5
: Numa linha de produo conta-se o nmero de peas defeituosas num perodo de 1
hora;
A
5
: Obter menos de 3 defeituosas

E
6
: Mede-se a durao de lmpadas, deixando-as acesas at que queimem;
A
6
: O tempo de vida da lmpada inferior a 30 horas;

E
7
: Um fabricante produz um determinado artigo. Da linha de produo so retirados 3
artigos e cada um classificado como bom(B) ou defeituoso(D).
A
7
: Pelo menos dois artigos so bons.

E
8
:Um lote de dez peas contm trs defeituosas. As peas so retiradas uma a uma,
sem reposio, at que a ultima pea defeituosa seja encontrada. O nmero total de
peas retiradas registrado.
A
8
: Menos de cinco peas foram retiradas.

E
9
: Peas so fabricadas at que dez peas perfeitas sejam produzidas. O nmero total
de peas fabricadas anotado.
A
9
: Quinze ou mais peas foram fabricadas

2) Suponha-se duas urnas contendo, cada uma, quatro bolas numeradas de 1 a 4.
Considera-se o experimento que consiste, em retirar, ao acaso, uma bola de cada
urna. Descreva o espao amostral. Determine os seguintes eventos:
a) a soma do nmero de pontos mpar;
b) a bola extrada da primeira urna contm o nmero dois.

3) Sejam A, B e C trs eventos quaisquer. Estabelea uma expresso para os eventos
abaixo:
a) A e B ocorrem;
b) A ou B ocorrem;
20

c) B ocorre, mas A no ocorre;
d) A no ocorre;
e) no ocorre A e no ocorre B;
f) A e B ocorrem, mas C no corre;
g) somente A ocorre, mas B e C no ocorrem.

4) Dados P(A) = 1/2; P(B) = 3/8; P(A B) =1/8, calcule:
a) P(A B); b) P(A B); c) P(A B ); d) P(A B ); e) P(A B).

5) A MasterCard Internacional efetuou um estudo de fraudes em cartes de crdito; os
resultados esto consubstanciados na tabela a seguir. Selecionando aleatoriamente
um caso de fraude nos casos resumidos na tabela, qual a probabilidade de a fraude
resultar de um carto falsificado?
Tipo de Fraude Quantidade
Carto roubado 243
Carto falsificado 85
Pedido por correio / telefone 52
Outros 46

6) Um certo tipo de motor eltrico falha se ocorrer uma das seguintes situaes:
emperramento dos mancais, queima dos enrolamentos, desgaste das escovas.
Suponha que o emperramento seja duas vezes mais provvel do que a queima, esta
sendo quatro vezes mais provvel do que o desgaste das escovas. Qual ser a
probabilidade de que a falta seja devida a cada uma dessas circunstncias?

7) Uma urna U
1
contem 5 bolas brancas e 2 pretas; outra urna U
2
contem 3 bolas
brancas e 6 bolas pretas; e outra urna U
3
contem 4 bolas brancas e 4 bolas pretas.
Tira-se uma bola de cada urna. Calcular a probabilidade de que saiam uma bola
branca e duas bolas pretas.

8) Lana-se uma moeda viciada de modo que a probabilidade de cara(K) igual a 2/3 e
a probabilidade de coroa(C) igual a 1/3. Se aparecer cara, ento seleciona-se
aleatoriamente um nmero dentre os de 1 a 9; se aparecer coroa, seleciona-se
aleatoriamente um nmero dentre os de 1 a 5. Ache a probabilidade de um nmero
par ser selecionado. Construa o diagrama em rvore.

9) Suponha que A e B sejam eventos independentes associados a um experimento. Se a
probabilidade de A ou B ocorrerem for igual a 0,6, enquanto a probabilidade de
ocorrncia de A for igual a 0,4 determine a probabilidade de ocorrncia de B.

10) Na tabela abaixo, os nmeros que aparecem so probabilidades relacionadas com a
ocorrncia de A, B, A B, e assim por diante.. Verifique se A e B so
independentes.
B B
c

A 0,04 0,06 0,10
A
c
0,08 0,82 0,90
0,12 0,88 1,00

21

11) Uma associao de indstrias transformadoras de resinas plsticas composta de 20
empresas que produzem sacos plsticos (S), 10 que produzem garrafas (G), 8 que
produzem utenslios domsticos (U) e 2 que se encarregam de brinquedos (B). Ao
escolhermos uma empresa ao acaso, achar a probabilidade de que:
a) seja uma indstria que produza sacos plsticos ou utenslios domsticos;
b) seja uma indstria produtora de sacos plsticos ou brinquedos;
c) no seja uma indstria que produza garrafas.

12) Trs alarmes esto dispostos de tal maneira que qualquer um deles funcionar
independentemente, quando qualquer coisa indesejvel ocorrer. Se cada alarme tem
probabilidade 0,9 de trabalhar eficientemente, qual a probabilidade de se ouvir o
alarme quando necessrio?

13) Suponha que todos os componentes da figura a seguir tenham a mesma
confiabilidade (probabilidade de funcionar) p e funcionem independentemente,
obtenha a confiabilidade do sistema.
1 2

L 3 R


4 5

14) As 500 propriedades rurais de certa regio foram classificadas de acordo com a
extenso em hectares, conforme tabela abaixo. Sejam os eventos:
A = {X: X < 5 ha} ; B = { X: 5 X < 20 } ; C ={X: X 10 ha }

Determine: a) P(A); b) P(B ); c) P(BC); d) P(AB).

rea (ha) N. de Propriedades
< 5 130
5 10 170
10 20 90
20 50 50
50 100 40
100 20


15) Sejam A e B dois eventos associados a um experimento. Suponha que P(A) = 0,4,
enquanto P(AUB) =0,7. Seja P(B) = p.
a) Para que valor de p, A e B sero mutuamente exclusivos?
b) Para que valor de p, A e B sero independentes?

16) Sob a ao de uma fora F, as probabilidades de falha nas barras a, b e c da estrutura
mostrada na figura abaixo so respectivamente 0,06; 0,05 e 0,04. Se ocorrer a falha
em qualquer uma das barras, isto leva a falha em toda a estrutura. Supondo que as
falhas nas barras so estatisticamente independentes, ache a probabilidade de
ocorrer a falha da estrutura.

22




b a

c



17) Um sistema composto de 3 componentes 1, 2 e 3, com confiabilidade 0,9, 0,8 e
0,7, respectivamente. O componente 1 indispensvel ao funcionamento do
sistema; se 2 ou 3 no funcionam, o sistema funciona, mas com rendimento inferior.
A falha simultnea de 2 e 3 implica o no funcionamento do sistema. Supondo que
os componentes funcionem independentemente, calcular a confiabilidade do
sistema.

18) Um processo industrial produz 4% de itens defeituosos. A experincia mostra que
25% dos itens defeituosos produzidos no so percebidos pelo inspetor de
qualidade. Os itens bons sempre so aceitos satisfatoriamente pela inspeo. Qual a
probabilidade de que, se voc comprar um desses itens,seja um item defeituoso?

19) Uma fbrica dispe de 3 mquinas para fabricar o mesmo produto. Essas mquinas
so antigas e apresentam freqentemente defeitos de funcionamento com as
seguintes percentagens do tempo de utilizao:

MQUINA TEMPO COM DEFEITO (%)
A 40
B 35
C 25

Verificam-se nas peas produzidas as seguintes porcentagens de peas
defeituosas:
MQUINA PEAS DEFEITUOSAS (%)
A 2
B 4
C 5

A gerncia decide substituir uma das mquinas a fim de diminuir a porcentagem
de peas defeituosas. Qual das trs mquinas deve ser substituda?


20) Um artigo manufaturado que no pode ser usado se for defeituoso, deve passar por
duas inspees antes de receber embalagem. A experincia mostra que um dos
inspetores deixar passar 5% dos defeituosos, ao passo que o segundo inspetor
deixar passar 4% dos tais artigos. Se os artigos sem defeito sempre passam pela
inspeo e se 10% dos artigos processados so defeituosos, que percentagem dos
artigos que passaram pelas duas inspees so defeituosos?

23

21) Uma companhia de seguros analisou a freqncia com que 2000 segurados usaram o
hospital, distribudos segundo a tabela abaixo.

DISCRIMINAO HOMENS MULHERES
usaram o hospital 100 150
no usaram o hospital 900 850
Escolhe-se um segurado ao acaso. Sendo definidos os eventos:
A = {o segurado usou o hospital } e B = {o segurado homem }, calcule:
d) P(A B);
e) P(A B);
f) P(AUB).
g) A probabilidade de o segurado escolhido ser homem, sabendo-se que utilizou o
hospital;
h) A probabilidade de o segurado escolhido ter utilizado o hospital, dado que era
homem;
i) A probabilidade de o segurado ser mulher dado que no utilizou o hospital.

22) Numa faculdade 30% dos homens e 20% das mulheres estudam matemtica. Alm
disso, 45% dos estudantes so mulheres. Se um estudante selecionado
aleatoriamente est estudando matemtica, qual a probabilidade de que este
estudante seja mulher?

23) Um empreiteiro apresentou oramentos separados para a execuo da parte eltrica
e da parte de encanamento de um edifcio. Ele acha que a probabilidade de ganhar a
concorrncia da parte eltrica de 1/2. Caso ele ganhe a parte eltrica, a
probabilidade de ganhar a parte de encanamento de 3/4; caso contrrio, essa
probabilidade de 1/3. Qual a probabilidade de ele:
a) ganhar os dois contratos;
b) ganhar apenas um.

24) Uma grande empresa tem dois departamentos de produo: Produtos Martimos e
Produtos para Oficinas. A probabilidade de que a diviso de Produtos Martimos
tenha no corrente ano fiscal, uma margem de lucros de no mnimo 10% estimada
em 0,30; a probabilidade de que a diviso de Equipamentos para Oficinas tenha uma
margem de lucros de pelo menos 10% 0,20; e a probabilidade de que ambas as
divises tenham uma margem de lucros de no mnimo 10% 0,06. Determine a
probabilidade de que a diviso de Equipamentos para Oficinas tenha uma margem
de lucros de no mnimo 10% dado que a diviso de Produtos Martimos tenha
alcanado tal nvel de lucro.

25) Se A e B so dois eventos relacionados com uma experincia E e so conhecidas as
probabilidades P(A), P(B) e P(A B), deseja-se em funo destas, as expresses das
probabilidades dos seguintes eventos:
a) (A B);
b) (A B );
c) (A B);
d) (A B).

24

26) Suponha que temos duas urnas 1 e 2, cada uma com duas gavetas. A urna 1 contm
uma moeda de ouro em uma gaveta e uma moeda de prata na outra gaveta; enquanto
a urna 2 contm uma moeda de ouro em cada gaveta. Uma urna escolhida ao
acaso; a seguir uma de suas gavetas aberta ao acaso. Verifica-se que a moeda
encontrada nesta gaveta de ouro. Qual a probabilidade de que a moeda provenha
da urna 2?

27) Trs times de futebol so formados selecionando-se jogadores de trs pases
diferentes da seguinte maneira:
Time A1 5 brasileiros, 4 americanos, 2 argentinos
Time A2 - 4 brasileiros, 2 americanos, 5 argentinos
Time A3 - 2 brasileiros, 5 americanos, 4 argentinos
Um time selecionado ao acaso e deste time dois jogadores tambm so selecionados
ao acaso. Os jogadores selecionados so 1 americano e 1 argentino. Qual a
probabilidade do time A3 ter sido escolhido?

28) Uma companhia produz circuitos integrados em trs fbricas, I, II e III. A fbrica I
produz 40% dos circuitos, enquanto a II e III produzem 30 % cada uma. As
probabilidades de que um circuito integrado produzido por estas fbricas no
funcione so 0,01, 0,04 e 0,03, respectivamente. Escolhido um circuito da produo
conjunta das trs fbricas, Qual a probabilidade de o mesmo no funcionar?

29) Considere a situao do problema anterior, mas suponha agora que um circuito
escolhido ao acaso e seja defeituoso. Determinar qual a probabilidade de ele ter sido
fabricado por I.

30) Uma indstria qumica produz uma grande variedade de produtos usando quatro
diferentes processos; a mo de obra disponvel suficiente somente para que apenas
um processo seja executado num dado instante. O gerente da indstria sabe que a
descarga de uma poluio perigosa no rio que passa em volta da mesma, depende do
processo que est em operao. As probabilidades de ocorrer poluio perigosa para
os vrios processos, denotando por F uma descarga de poluio perigosa, so:
P(F|A) =0,40; P(F|B) = 0,05; P(F|C) = 0,30; P(F|D) = 0,10. Todos os outros produtos
da fbrica so considerados inofensivos. Em um determinado ms sabe-se que em
20%, 40%, 30% e 10% do tempo respectivamente usam-se os processos A, B, C e
D. Deseja-se saber qual a probabilidade de no termos uma descarga de poluio
perigosa no determinado ms?












25

Gabarito (1 lista)
l)
E
1
:
1
= {(1,1); (1,2);.....; (1,6); (2,1); (2,2);.....; (2,6);.........; (6,1); (6,2);....

; (6,6) }
A
1
= {(1,6): (2,5); (3,4); (4,3); (5,2); (6,1) }
E
2
:
2
= {KKK; KKC: KCK; CKK; KCC; CKC; CCK; CCC }
A
2
= {KKK, KKC, KCK, CKK }
E
3
:
3
= {(K,1); (K,2);......;(K,6); (C,1); (C,2).....; (C,6) }
A
3
= {(K,1); (K,3); (K,5); (C,1); (C,3); (C,5) }
E
4
:
4
= {0, 1, 2, 3 }
A
4 =
{ 2}
E
5
:
5
= {0, 1, 2, 3, ..., N }, N o n. mximo de peas defeituosas no perodo de 1 h
A
5
= { 0,1, 2, 3}
E
6
:
6
= {t: t 0 } ou
6
=

{t: 0 t t
o
} onde t
o
o tempo mximo de vida da lmpada.
A
6 =
{t: t < 30 } ou A
6
= { t: 0 t < 30 }
E
7
:
7
= {BBB, BBD, BDB, DBB, BDD, DBD, DDB, DDD }
A
7
= {BBB; BBD; BDB; DBB }
E
8
:
8
= {3, 4, 5,...., 10 }
A
8
= { 3, 4}
E
9
:
9
= {10, 11, 12,....}
A
9
= { 15, 16, 17,...}

2) ={(1,1), (1,2), (1,3), (1,4), (2,1), (2,2), (2,3), (2,4), (3,1), (3,2), (3,3), (3,4), (4,1),
(4,2), (4,3), (4,4)}
a) A={(1,2), (1,4), (2,1), (2,3), (3,2), (3,4), (4,1), (4,3)}
b) B = {(2,1), (2,2), (2,3), (2,4)}

3) a) A B; b) A B; c) AB; d)A; e) A B; f) ABC g) (ABC).

4) a) 0,75; b) 0,25; c) 0,875; d) 0,375; e) 0,25 5) 0,1995 6) 8/13, 4/13 e 1/13

7) 0,3809 8) 0,4296 9) 0,3333 10) A e B no so independentes

11) a) 0,7 b) 0,55 c) 0,75 12) 0,999 13) p + 2p
2
- 2p
3
- p
4
+ p
5

14) a) 0,26; b) 0,48; c) 0,74; d) 0,78. 15) a )0,3 b ) 0,5 16) 0,1427

17) 0,846 18) 0,01 19) B 20) 0,02% 21) 0,3529

22) a) 1900/2000; b) 900/2000; c) 1150/2000; d) 100/250; e) 100/1000; f) 850/1750

23) a) 0,375 b ) 0,2917 24) 0,2

25) a) 1 - P(AB); b) 1 - P(A) - P(B) + P(AB); c) 1 - P(A) + P(AB); d) P(B) -
P(AB).

26) 0,6667 27) 0,5263 28) 0,025 19) 0,16 30) 0,8

26

3. VARIVEL ALEATRIA

3.1. Conceitos bsicos

Definio 1.
Sejam E um experimento e um espao amostral associado ao experimento.
Uma funo X que associe a cada elemento w
i
um nmero real, X(w
i
),
denominada varivel aleatria.


Uma varivel aleatria X , portanto, uma funo cujo domnio o espao amostral e
contra-domnio conjunto dos nmeros reais, ou seja, X: R

Exemplo 1:

a) E: Lanamento de uma moeda.
Assim, = {cara, coroa}={w
1
, w
2
}
( )

=
=
=
coroa der se se
cara der ou se
w X
seja, ou , w w , 0
, se seja , w w , 1
2
1

b) E: Lanamento de duas moedas.
Seja X o nmero de caras obtidas no experimento.
Vamos denotar c: cara e k: coroa.
Assim, = { cc, ck, kc, kk }= { w
1
, w
2
, w
3
, w
4
}

X(w
1
) = 2
X(w
2
) = X(w
3
) = 1
X(w
4
) = 0

c) E: Escolher um ponto ao acaso no intervalo [0,1]
Seja X o quadrado do valor escolhido.

Assim = [0,1], e X(w)= w
2
w

d) E: Escolher um ponto ao acaso no crculo unitrio.
27

Seja X a distncia do ponto escolhido origem.
Assim, = { (x,y) / x
2
+ y
2
1} e X(w)=
2 2
y x +

Definio 2.
Seja X uma varivel aleatria. Se X assume valores em um conjunto finito ou infinito
enumervel, ento X denominada varivel aleatria discreta.

Exemplo 2: Sorteio de n indivduos de uma populao.
X: o nmero de indivduos do sexo masculino sorteados => X() = {0, 1, 2, 3,..., n}

Definio 3.
Seja X uma varivel aleatria. Se X assume valores em um conjunto infinito no
enumervel, ento X denominada varivel aleatria contnua.

Exemplo 3: Retirada ao acaso um parafuso da produo diria de uma fbrica e registro
de seu dimetro (em mm) e comprimento (em mm).
Suponha que esta fbrica produza parafusos com dimetro entre 3 e 10 mm e
comprimento entre 20 e 35 mm
X = Dimetro do parafuso => X() = [ 3, 10]
Y = Comprimento do parafuso Y() = [20, 35]



3.2. Distribuio de probabilidade de uma varivel aleatria discreta

Seja X uma v.a. discreta que assume os valores x
1
, x
2
,...,x
n
.... A distribuio de
probabilidades de X o conjunto de pares de valores que associa a cada valor da
varivel x
i
a probabilidade P(X = x
i
):
(x
1
, P(X = x
1
)), (x
2
, P(X = x
2
)),..., (x
n
, P(X = x
n
)),...
De maneira que,
a) 1 ) x (
1
= == = = == =


= == = i
i
X P
b) P(X = x) = p(x) 0

Exemplo 4: E: lanamento de um dado honesto.
X: nmero da face observada => X() = {1, 2, 3, 4, 5, 6}
A distribuio de probabilidade ( ou funo de probabilidade) de X dada por:
X 1 2 3 4 5 6
P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6

Exemplo 5: Considere novamente o exemplo do lanamento de duas moedas. Seja X o
nmero de caras

Resultados (w) X (w) Probabilidade
P (X = x
i
)
(Cara, Cara) 2
(Cara, Coroa) 1
(Coroa, Cara) 1
28

(Coroa, Coroa) 0

Obtemos ento,
P (X = 0) =
P (X = 1) = + =
P (X = 2) =

Exemplo 6: (Morettin e Bussab, 2006)
Um empresrio pretende estabelecer uma firma para montagem de um produto
composto de uma esfera e um cilindro. As partes so adquiridas em fbricas diferentes,
e a montagem consistir em juntar as duas partes e pint-las. O produto acabado deve
ter o comprimento (definido pelo cilindro) e a espessura (definida pela esfera) dentro de
certos limites, e isso s poder ser verificado aps a montagem. Para estudar a
viabilidade do seu empreendimento, o empresrio quer ter uma idia da distribuio dos
lucros por pea montada.
Sabe-se que cada componente pode ser classificado como BOM, LONGO ou
CURTO, conforme sua medida esteja dentro da especificao, seja ela maior ou menor
que a especificada. Alm disso, foram obtidos dos fabricantes o preo de cada
componente (5 unidades de dinheiro) e as probabilidades de produo de cada
componente com as caractersticas BOM, LONGO e CURTO. Estes valores esto na
tabela abaixo:
Distribuio da produo das fbricas A e B, de acordo com as medidas das
peas produzidas
Produto Fbrica A
Cilindro
Fbrica B
Esfera
Dentro das especificaes...... BOM (B) 0,80 0,70
Maior que as especificaes...... LONGO (L) 0,10 0,20
Menor que as especificaes...... CURTO (C) 0,10 0,10
Fonte: Retirada das especificaes tcnicas das fbricas A e B

Se o produto final apresentar algum componente com a caracterstica C, ele ser
irrecupervel, e o conjunto ser vendido como sucata ao preo de 5 unidades. Cada
componente longo pode ser recuperado a um custo adicional de 5 unidades. Se o preo
de venda de cada unidade de 25 unidades, como seria a distribuio das frequncias da
varivel X: lucro por conjunto montado?
A construo desta distribuio de frequncias vai depender de certas suposies
que faremos sobre o comportamento do sistema considerado. Em vista dessas
suposies, estaremos trabalhando com um modelo da realidade, e a distribuio que
obteremos ser uma distribuio terica, tanto mais prxima da distribuio de
frequncias real quanto mais fiis realidade forem as suposies.
Primeiramente, vejamos a construo do espao amostral para a montagem dos
conjuntos segundo as caractersticas de cada componente e suas respectivas
probabilidades. Desde que os componentes vm de fbricas diferentes, vamos supor que
a classificao dos cilindros segundo suas caractersticas sejam eventos independentes;
assim, obtemos a configurao abaixo.
29

Cilindro Esfera B
0,70 P(BB) = 0,56

B 0,20 L P(BL) = 0,16

0,10
0,80 C
P(BC) = 0,08

0,70 B P(CB) = 0,07
0,10 C
0,20 L P(CL) = 0,02

0,10 C P(CC) = 0,01


B P(LB) = 0,07
0,10
0,70
L
0,20 L P(LL) = 0,02

0,10

C P(LC) = 0,01


O espao amostral em questo est apresentado na tabela abaixo, junto com as
respectivas probabilidades.

Tabela: Distribuio de probabilidade das possveis composies das montagens
Montagem Probabilidade Lucro por montagem (X)
BB 0,56 15
BL 0,16 10
BC 0,08 -5
LB 0,07 10
LL 0,02 05
LC 0,01 -5
CB 0,07 -5
CL 0,02 -5
CC 0,01 -5
Fonte: Informaes no texto
Assim, com os dados da tabela acima, vemos que X pode assumir um dos
seguintes valores:
15 se ocorrer o evento A
1
= {BB}
10 se ocorrer o evento A
2
= {BL,LB}
05 se ocorrer o evento A
3
= {LL}
-5 se ocorrer o evento A
4
= {BC,LC,CB,CL,CC}
Cada um desses eventos tem uma probabilidade associada, ou seja,
P(A
1
) = 0,56 P(A
2
) = 0,23 P(A
3
) = 0,02 P(A
4
) = 0,19
30

o que nos permite escrever a distribuio de probabilidade da varivel X, que o
empresrio poder usar para julgar a viabilidade econmica do projeto que ele pretende
realizar.
x P(X = x)
15 0,56
10 0,23
05 0,02
-5 0,19
Total 1,00
Exerccios:

1) Suponha que X seja uma v.a. discreta e sua funo distribuio de probabilidade
seja P(X = k) = ck, para k = 1,2,3,4 e 5. Determine o valor da constante c. Res.
15
1
.

2) Considere um lote de peas que contm 20% de defeituosas. Extramos ao acaso trs
peas com reposio para anlise. Seja X a varivel aleatria que representa o
nmero de peas defeituosas. Estabelea a funo distribuio de probabilidade de
X.
Resp.:
x 0 1 2 3
P(X = x) 0,512 0,384 0,096 0,008

3) Determine o valor de c para que p(x)=

= |

\
|
contrrio caso , 0
,.... 3 , 2 , 1 x para ,
3
2
c
x

seja uma funo distribuio de probabilidade. Resp.
2
1



3.3. Distribuio de probabilidade de uma varivel aleatria contnua

Seja X uma varivel aleatria contnua. A distribuio de probabilidade dada
na forma de uma funo, chamada de densidade de probabilidade e denotada por f(x).

Uma funo de densidade de probabilidade (fdp) satisfaz as seguintes condies:

a) f(x) 0, R x
b)

+

= 1 f(x)dx

Exemplos de funes de densidade:

31

0 1 2 3 4 5 6 7
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
x
f
(
x
)
-4 -3 -2 -1 0 1 2 3
0.0
0.1
0.2
0.3
0.4
x
f
(
x
)

A funo densidade, por definio, possui rea sob a curva limitada pelo eixo x
igual a 1 e a probabilidade de X tomar um valor entre a e b obtida calculando-se a rea
compreendida entre esses dois valores. Isto , para qualquer a < b em R
( ) ( )

= < <
b
a
b a P dx x f X


a b
P(a<X<b)

Observaes importantes para uma varivel aleatria contnua:

1) Qualquer valor especificado de X tem probabilidade zero, isto , P(X = x
i
) = 0, pois
( )

= =
i
i
x
x
i
f(x)dx x X P = 0

2) Assim, as probabilidades abaixo sero todas iguais, se X for uma varivel aleatria
contnua:

P(a X b) = P(a X < b) = P(a < X b) = P(a < X < b).

Exemplo 7: Dada a seguinte funo
f(x)=

contrrio caso 0,
1 x 0 para ), x 1 ( kx

ache o valor de k para que f(x) seja uma funo densidade de probabilidade.


Resoluo:
32

Para ser funo densidade temos que

+

=1 ) ( dx x f , ento

=
1
0
1 dx x) - (1 x k
1
3
x
2
x
k dx x - xdx k
1
0
3
1
0
2 1
0
1
0
2
=
(
(

=
(

6 k =

Exerccios:
1) Dada a funo densidade de probabilidade f(x) =

contrrio caso 0,
1 x 0 x, 2


Determine i. P( X ) ii. P(1/3 X 2/3) iii. ) X | (
3
2
3
1
2
1
X P
R: i) 1/4; ii)1/3 ; iii) 5/12

2) Seja X uma v.a. contnua com funo densidade de probabilidade dada por:

f(x) =







> >> >
< << <

< << <
1 x 0,
1 x 1/2 x), 4(1
1/2 x 0 kx,
0 x 0,


a) Determine k para que f(x) seja uma funo densidade. Resp. 4
b) P(1/3 < X < 3/4). Resp.47/72.

3.4. Funo de distribuio acumulada (FDA)

Seja X uma varivel aleatria, discreta ou contnua. Define-se a funo de
distribuio acumulada F da varivel aleatria X como

F(x) = P( X x).

Se X for uma varivel aleatria discreta

F(x) = ( )

=
x
j
x : j
j
x X P
em que o somatrio estendido a todos os valores x
j
que satisfaam condio x
j
x.

Se X for uma varivel aleatria contnua com funo densidade f(x),

=
x
-
f(s)ds F(x)

Podemos utilizar a funo distribuio acumulada para calcular probabilidade da
seguinte maneira:
) a ( F ) b ( F ) a x ( P ) b x ( P ) b x a ( P = = <

33

Exemplo 8: Considere um lote de peas que contm 20% de defeituosas. Extramos ao
acaso trs peas com reposio para anlise. Seja X a varivel aleatria que representa o
nmero de peas defeituosas. A funo de probabilidade de X
( ) ( )
x 3 x
0,8 0,2
x
3
x) P(X

|
|

\
|
= = , x=0,1,2,3

e a funo de distribuio acumulada de X.
F(x) =

<
<
<
<
3 se , 1
3 x 2 se 0,992,
2 x 1 se 0,896,
1 x 0 se , 0,512
0 x se 0,
x


Exemplo 9: Supe-se que o dimetro X de um cabo eltrico uma varivel aleatria
contnua, com funo densidade f(x) = 6x (1 - x), 0 x 1.
a) Obtenha a funo de distribuio, F(x).
b) Calcule P( X 1/2 1/3 < X < 2/3), utilizando F(x).

Resoluo:
a) F(x) = 0, se x < 0

x
0
s)ds 6s(1 = 3x
2
2x
3
, se 0 x 1
1, se x > 1
b) P( X 1/2 1/3 < X < 2/3) =
( )
( ) 2/3 X 1/3 P
1/2 X 1/3 P
< <
<
=
|

\
|
|

\
|
|

\
|
|

\
|
3
1
F
3
2
F
3
1
F
2
1
F
= 0,5



3.5. Valor esperado (Esperana) de uma varivel aleatria

Como na estatstica descritiva podemos falar de medidas de tendncia central e
medidas de disperso (variabilidade) de uma distribuio de probabilidade. Estas
medidas so muito importantes para compreender o comportamento de uma varivel
aleatria. A mdia ou esperana de uma distribuio, como o prprio nome diz, a
mdia dos valores da varivel se observssemos a mesma repetindo o experimento um
nmero muito grande de vezes.

Caso discreto:

Seja uma v. a. discreta X com a seguinte distribuio de probabilidades:

34

X x
1
x
2
... x
n

P(X=x) p
1
p
2
... p
n



O valor esperado de X dado por:
( )


=

=
= = =
1
i i
1 i
i i
p x x X P x E(X)
i


Exemplo 10: Voltando ao exemplo 6, produto composto por uma esfera e um cilindro,
uma pergunta que logo ocorreria ao empresrio qual o lucro mdio por conjunto
montado que ele espera conseguir.

Resoluo:
Lucro mdio = (0,56)(15) + (0,23)(10) + (0,02)(5) + (0,19)(-5) = 9,85
Isto , caso sejam verdadeiras as suposies feitas para determinar a distribuio da
varivel aleatria, o empresrio espera ter, em mdia, lucro de 9,85 unidades por
conjunto montado.

Caso contnuo:
Seja X uma varivel aleatria contnua com funo densidade de probabilidade
f(x). O valor esperado de X definido por
E(X) =

xf(x)dx

Exemplo 11: Uma certa liga formada, combinando a mistura fundida de dois metais.
A liga resultante contm uma certa porcentagem de chumbo X, que pode ser
considerada uma v.a. com funo densidade:
100 x 0 , x) - x(100 ) 10 (
5
3
f(x)
5
=


Ento,
E(X) =

100
0
5 -
x)dx - x(100 (10)
5
3
x = 50
Isto significa que em mdia a liga contm 50% de chumbo.
3.5.1. Propriedades da Esperana

1) Dada uma constante a, temos:

E(a+X) = a + E(X) e E(aX) = a. E(X)

2) Sejam X
1
, X
2
,..., X
n
variveis aleatrias

E(X
1
+X
2
+...+X
n
) = E(X
1
) + E(X
2
) +... + E(X
n
)


3) Sejam X e Y variveis aleatrias independentes. Ento,

E(XY) = E(X). E(Y)
35


Exemplo 12: Suponha que L, o lucro lquido obtido na venda da liga do exemplo
anterior (por unidade de peso), a seguinte funo da porcentagem de chumbo:
L = C
1
+ C
2
X.
Ento o lucro esperado :
E(L) = E(C
1
+ C
2
X) = C
1
+ C
2
(50)

3.6. Varincia e Desvio-padro de uma varivel aleatria

De modo geral, o desvio-padro mais importante e mais til medida de
variao. O desvio-padro de um conjunto de valores uma medida de variao dos
valores em relao mdia aritmtica. A varincia o quadrado do desvio-padro. Ou
podemos dizer que o desvio-padro igual a raiz quadrada positiva da varincia. Uma
dificuldade com a varincia que ela no expressa nas mesmas unidades dos dados
originais, enquanto que o desvio-padro tem a mesma unidade de medida dos dados
originais. Assim se um conjunto de dados tem desvio-padro de 3,00 dlares e uma
varincia de 9,00 dlares quadrado, temos que dlar quadrado um conceito abstrato,
logo a varincia difcil de ser compreendida.

Uma aplicao do desvio-padro quando temos um conjunto de dados com
distribuio aproximadamente em forma de sino. Conforme a figura abaixo:

3 2
1


1 +
2 +

3 +
68%
95%
99,7%

Essa figura mostra como a mdia e o desvio-padro esto relacionados com a
proporo dos dados que se enquadram em determinados limites. Assim, com uma
distribuio em forma de sino, temos que:
Cerca de 68% dos valores esto a 1 desvio-padro a contar da mdia;
Cerca de 95% dos valores esto a 2 desvios-padro a contar da mdia;
Cerca de 99,7% dos valores esto a 3 desvios-padro a contar da mdia.

3.6.1. Varincia de uma varivel aleatria

Seja X uma v.a. com esperana E(X). Define-se a varincia de X por:

V(X) = E[(X E(X))
2
= E(X
2
) [E(X)]
2

em que
36

, para X discreta

, para X contnua

Exemplo 13: Voltando ao exemplo 6, produto composto por uma esfera e um cilindro,
calcule a varincia.

X W = X
2
P(X = x) P(W = x
2
)
15 225 0,56 0,56
10 100 0,23 0,23
05 25 0,02 0,02
-5 25 0,19 0,19
Total 1,00 1,00

E(X
2
) =

=
=
3
1 i
) x .P(W x
2
i
2
i
= 225.0,56 + 100. 0,23 + 25.0,21 = 154,25

V(X) = 154,25 (9,85)
2
= 57,23


Exemplo 14: Para o exemplo 11, a varincia :

E(X
2
) =

100
0
5 - 2
x)dx - x(100 (10)
5
3
x = 3000
V(X) = 3000 (50)
2
= 500


2.6.1.1 Propriedades da varincia

a) Dada uma constante a, temos:
V(X+a) = V(X)

b) Dada uma constante a, temos:
V(aX) = a
2
. V(X)

c) Sejam X
1
, X
2
,..., X
n
, n variveis aleatrias independentes. Ento

V(X
1
+ X
2
+... + X
n
) = V(X
1
) + V(X
2
) +... + V(X
n
)


Exemplo 15: No exemplo 12, a varincia de L :

V(L) =
2
2
C V(X) =
2
2
C (500)

37

3.6.2. Desvio-padro de uma varivel aleatria

) X ( V ) X ( DP =

Exerccios:

1) Suponha que uma caixa contenha 5 bolas ( 1 preta e 4 brancas ). Retira-se
aleatoriamente uma bola de cada vez (com reposio) at que saia 4 vezes a bola
preta. Seja X o nmero de retiradas necessrias at que isto ocorra.

a) Determine os possveis valores de X e sua funo de probabilidade.

Resp.: 4,5,6,... x ,
5
4
5
1
3
1 x
x) P(X
4 x 4
= |

\
|
|

\
|
|
|

\
|
= =

2) O tempo T, em minutos, necessrio para um operrio processar certa pea, uma v.a.
com a seguinte distribuio de probabilidade:

T 2 3 4 5 6 7
P 0,1 0,1 0,3 0,2 0,2 0,1

a) Calcule o tempo mdio de processamento. Resp. 4.6 E(T) =

b) Estabelea a funo de distribuio acumulada.
Resp.:

<
<
<
<
<
<
=
7 t se 1
7 t 6 se 0,9
6 t 5 se 0,7
5 t 4 se 0,5
4 t 3 se 0,2
3 t 2 se 0,1
2 t para 0
F(T)


Para cada pea processada, o operrio ganha um fixo de 2,00 u.m. (unidade monetria),
mas se ele processa a pea em menos de 6 minutos, ganha 0,50 u.m. por cada minuto
poupado. Por exemplo, se ele processa a pea em 4 minutos, recebe a quantia adicional
de 1,00 u.m.

c) Encontre a distribuio, a mdia e a varincia da v.a. G: quantia em u.m. ganha
por pea.

G 4 3,5 3 2,5 2 2
P 0,1 0,1 0,3 0,2 0,2 0,1


38

Resp.:

<
<
<
<
<
=
4 1
4 5 , 3 9 , 0
5 , 3 3 8 , 0
3 5 , 2 5 , 0
5 , 2 2 3 , 0
2 0
) (
G
G
G
G
G
G para
G F e
0,4125 VAR(X)
2,75 E(X)
=
=



3) Suponha que a demanda (X) por certa pea, numa loja de autopeas, siga a seguinte
distribuio:
P( X = k) =
k!
a2
k
, k = 1,2,3,4.
a) Encontre o valor de a. Resp.: a = 1/6
b) Calcule a demanda esperada. Resp.: E(X) = 19/9
c) Qual a varincia da demanda? Resp.: V(X) = 80/81





4) Seja X uma v.a. com funo de densidade de probabilidade dada por:

<
<
<
=
1 x 0,
1 x
2
1
x), 4(1
2
1
x 0 4x,
0 x 0,
f(x)

a) Determine a funo de distribuio acumulada.

Resp.:

< +
<
<
=
1 x 1,
1 x
2
1
1, 4x 2x -
2
1
x 0 , 2x
0 x , 0
F(X)
2
2


b) Determine c, tal que P( X c) = 0,5. Resp.:c=0,5.

5) A demanda diria de arroz em um supermercado, em centenas de quilos, uma v.a. X
com funo densidade.

39

< +

<
=
c.c. 0
3 x 1 1,
3
x
1 x 0 x,
3
2
f(x)
a) Determine a funo de distribuio acumulada.

Resp.:

< +
<
=
3 x 1,
3 x 1 ,
2
1
- x
6
x
1 x 0 ,
3
x
F(X)
2
2

b) Qual a probabilidade, em um dia escolhido ao acaso, a demanda ser superior a 150
kg? Resp.: 0,375

c) Calcule a E(X) e V(X). Resp.: E(X) = 4/3 e V(X) = 7/18



6) A v.a. contnua X tem funo densidade

=
c.c. , 0
0 x 1 , 3x
f(x)
2

a) Se b for um nmero que satisfaa a -1 < b < 0, calcule P( X > b X < b/2).
Resp.:
8 b
7b
3
3
+

b) Calcule E(Y) e V(Y), em que Y = 2X 3/5. Resp.:
20
3
V(Y) e
10
21
E(Y) =

=



2. LISTA DE EXERCCIOS


1) Considere uma v.a. X com resultados possveis: 0,1,2,.... Suponha que P( X = j) =
(1-a) a
j
, j = 0,1,2,... Para que valores de a o modelo representa uma legtima
distribuio de probabilidade.

40

2) Uma urna contm 5 bolas de gude brancas e 3 pretas. Se 2 bolas de gude so
extradas aleatoriamente sem reposio e X denota o numero de bolas brancas
obtidas, encontre a distribuio de probabilidades de X.

3) O nmero de carros vendidos semanalmente num stand uma varivel aleatria X
com a seguinte funo de probabilidade:

X 1 2 3 4
P(X=x) c c/2 c/3 c/4

j) Encontre o valor de c.
k) Determine a funo de distribuio de X.
l) Calcule a probabilidade do nmero de carros vendidos no chegar a 4, sabendo
que este valor superior a 1.
m) Se os custos fixos semanais so de 30 unidades monetrias (u.m.) quando so
vendidos 2 ou menos carros e 15 u.m. quando se vende mais de 2 carros e, alm
disso, por cada carro vendido h um lucro de 35 u.m., determine a funo de
distribuio da receita lquida semanal.

4) A probabilidade de que um bit seja transmitido com erro por um canal de
transmisso digital 0,1. Assuma que as transmisses sejam ensaios independentes.
a) Seja X o nmero de bits transmitidos at que ocorra o primeiro erro. Determine a
distribuio de X.
b) Determine a probabilidade de se precisar observar mais que 5 ensaios de
transmisso.
c) Determine a probabilidade de se precisar observar mais que 5 ensaios de
transmisso, aps j se ter observado 3 ensaios, sem que ocorresse erro.
d) Determine o nmero esperado de ensaios at o primeiro erro.
e) Seja Y o nmero de transmisses at a ocorrncia do quarto erro. Determine a
distribuio de Y.
f) Determine a probabilidade de se precisar observar no mximo 6 ensaios de
transmisso.
g) Determine o nmero esperado do nmero de ensaios at o quarto erro.

5) A probabilidade de um bem sucedido lanamento de foguete 0,8. Suponha que
tentativas de lanamento sejam feitas at que tenham ocorrido 3 lanamentos bem
sucedidos.

a) Qual a probabilidade de que exatamente 6 tentativas sejam necessrias?
b) Qual a probabilidade de que menos de 6 tentativas sejam necessrias?
c) Se cada tentativa de lanamento custa 5.000 u.m. e se um lanamento falho
custa500 u.m. adicionais, determine o custo esperado da operao.
d) Suponha agora que as tentativas sejam feitas at que trs lanamentos
consecutivos sejam bem sucedidos. Responda novamente as perguntas (a) e (b)
nesse caso.

6) Os valores abaixo representam a distribuio de probabilidade de D, a procura diria
de certo produto. Calcule E(D) e V(D):

41

D 1 2 3 4 5
P(D=d) 0,1 0,1 0,3 0,3 0,2

a) Calcule E(D) e V(D);
b) Estabelea a funo de distribuio acumulada.

7) O nmero de vendas realizadas por um agente de seguros diariamente uma v.a.
com funo de probabilidade:

x 0 1 2 3 4
P(X=x) w z t z w

a) Sabendo que em 10% dos dias as vendas so inferiores a um e que em 70% dos
dias so superiores a um, determine w, z e t.
b) Determine o nmero mdio de seguros vendidos diariamente.
c) Determine E[2X 1] e V [2X 1].
d) Determine a probabilidade de que, quando considerados dois dias, as vendas
sejam superiores, em cada um deles, a duas unidades.
e) Se cada seguro feito por 15000 unidades monetrias, determine a funo de
probabilidade da receita obtida com a venda dos seguros num dia.
f) Se num dia a receita for inferior a 50000 unidades monetrias, determine a
probabilidade de que seja superior a 20000 unidades monetrias.

8) Considere a varivel aleatria discreta coma seguinte funo distribuio:

<
<
<
<
=
6 ,
6 4 ,
4 2 , 4 1
2 0 , 6 1
0 ,
) (
x c
x b
x
x
x a
x F
a) Sabendo que P (X = 6) = 1/2, determine, justificando, os valores de a, b e c.
b) Calcule o valor esperado e a varincia da varivel aleatria .
4
3 2 X
Y

=

9) Uma organizao financeira verificou que o lucro unitrio (L) obtido numa operao
de investimentos dado pela seguinte expresso: L = 1,1V - 0,9C - 4,5. Sabendo-se
que o preo de venda unitrio (V) tem uma distribuio com mdia 50 u.m. e
desvio-padro de 2,0 u.m e que o preo de custo unitrio ( C ) tem uma
distribuio de mdia 45 u.m. e desvio-padro de 1,5 u.m.. Determinar a mdia e
o desvio-padro do lucro unitrio.

10) Um estudo do peso dos crebros de homens suecos constatou que o peso X uma
varivel aleatria, com mdia 1400 gramas e desvio-padro de 20 gramas.
Determine nmero positivo a e o nmero b tais que Y=aX+b tenha mdia 0 e
desvio-padro 1.

42

11) Em uma determinada localidade, a distribuio de renda em mil u.m. uma varivel
aleatria X com funo densidade.

1/10 x + 1/10, para 0 x 2
f(x) = - 3/40 x + 9/20, para 2 < x 6
0, para x < 0 ou x 6.

a) Qual a renda mdia nesta localidade?
b) Escolhida uma pessoa ao acaso, qual a probabilidade de sua renda ser superior a
3.000,00 u.m?
c) Estabelea a funo de distribuio acumulada.

12) Suponha que X seja uma varivel aleatria com densidade:

( )

=
c.c. 0,
1 x 1 - , | x | 1 k
f(x)
a) Determine o valor de k.
b) Determine P(1/2 < X < 2/3).
c) Determine P(1/2 < X < 2/3 | X > 0).
d) Determine a funo de distribuio acumulada de X.

13) Seja X uma v.a. contnua, que representa o tempo necessrio para a pintura de uma
pea de automvel, em horas, com funo densidade de probabilidade dada por:

>

<
=
1 0,
1 0 , 8 9
0 , 0
) (
3 2
x
x x x
x
x f

Determine:
a) a probabilidade de gastar menos de meia hora para a pintura;
b) a probabilidade para que o tempo gasto se situe entre e h;
c) o tempo mdio gasto na pintura da pea;
d) o desvio-padro para o tempo gasto na pintura.

14) A percentagem de lcool (100 X) em certo composto pode ser considerada uma
varivel aleatria, onde X tem a seguinte funo densidade:

f(x) = 20 x
3
(1-x), 0 < x < 1.

a) Estabelea a funo de distribuio acumulada.
b) Calcule P ( X 2/3).
c) Suponha que o preo de venda desse composto dependa do contedo de lcool.
Especificadamente, se 1/3 < X < 2/3, o composto vendido por C
1

dlares/galo; caso contrrio, vendido por C
2
dlares/galo, determine o lucro
mdio por galo.

15) Seja X uma varivel aleatria contnua com funo densidade dada por:

43

ax, 0 x < 1
a, 1 x < 2
f (x) = -ax + 3a, 2 x < 3
0, caso contrrio

a) Determine a constante a;
b) Se X
1
, X
2
, X
3
forem trs observaes independentes de X, qual ser a
probabilidade de, exatamente, um desses trs nmeros ser maior que 1,5?

16) Considere X uma v.a. contnua com funo densidade de probabilidade dada por



Determine a esperana matemtica e a varincia.


17) A quantidade de cerveja vendida diariamente numa feira (em milhares de litros)
uma varivel aleatria com a seguinte funo densidade de probabilidade



a) Obtenha o valor de k e de E [3X + 2].
b) Considere os seguintes acontecimentos:
A = venda diria superior a 4000 litros
B = venda diria entre 3000 e 5000 litros
Indique, justificando, se A e B so independentes.

18) O tempo de vida, em horas, de um dispositivo, dado pela funo densidade.
f(t) = (1/50)e
) 50 / t (
, t 0.
a) Qual a probabilidade de que um desses dispositivos dure mais de 25 horas e
menos de 75 horas?
b) Sabendo-se que tal ocorreu, qual a probabilidade de que tenha durado mais de 50
horas?

19) Um dispositivo constitudo de 3 elementos independentes que falham numa
experincia com probabilidade 0,1. D a distribuio de probabilidade da v.a. X=
nmero de elementos que falham numa experincia.

20) Na venda de um certo produto tem-se duas opes:
i. Cobrar 1 u.m. por pea sem inspeo;
ii. Classificar o lote em produto de 1. e 2. mediante a seguinte inspeo: retiramos 5
peas do lote e se no encontrarmos mais do que uma defeituosa o lote ser de 1.
qualidade, sendo de 2. qualidade o lote que no satisfizer tal condio. O preo
de venda de 1,20 u.m. por pea do lote de 1. e 0,80 u.m. por pea do lote de
2..
44

Sabendo-se que cerca de 10% das peas produzidas so defeituosas, analisar qual
das duas opes a mais vantajosa para o vendedor.

Gabarito (2 lista)

1) a < 1
2)
x 0 1 2
P(X=x) 3/28 15/28 5/14

3) a)12/25; c) 2/5

b)
X 1 2 3 4
P(X=x) 12/25 6/25 4/25 3/25

d)
r 5 40 90 125
P(R=r) c c/2 c/3 c/4


4) a) P(X=x) = 0,9
x-1
0,1, x= 1,2,3,... (distribuio geomtrica) b) 0,6561
c) 0,81 d) 10 e) P(Y=y)= (distrbuio binomial negativa )
f ) 0,0012 g) 4,4444

5) a) 0,0409 b)0,9421 c) 19.125 d)0,0041 e 0,6349

6) E(D) = 3,4 V(D) = 1,44


0, d < 1
0,1, 1 d < 2
0,2, 2 d < 3
F (d) = 0,5, 3 d < 4
0,8, 4 d < 5
1, d 5.


7) a) w = 0,1, z = 0,2, t = 0,4. b) 2. c) E[2X 1] = 3, V [2X 1] = 4,8 d) 0,09
e) f)0,667
R 0 15000 30000 45000 60000
P(R=r) 0,1 0,2 0,4 0,2 0,1

8) a) a=0 b=7/12 c= 1 b) -3,125 e 0,5469
9) E(L) = 10 58 , 2 V(L) = 10) a=1/20 b= -70

11) a) 2,4667 b) 0,3375
45

c)

0, x < 0
F(x) = x
2
/20 + x /10, 0 x 2
-(3/80)x
2
+ (9/20)x 28/80 , 2 < x 6
1, x > 6.
12) a) 1 b) 17/144 c) 34/144 d) F(x) =

< +
< + +
<
1 se , 1
1 0 , 2 / 1 2 /
0 1 , 2 / 1 2 /
, 1 - x se 0,
x
x x x
x x x



13) a) 0,25 b) 0,3828 c) 0,65 d) 0,47

14)

>

<
=
1 x , 1
1 x 0 , 4x - 5x
0 x , 0
a)F(x)
5 4
b) 0,4609 c) C
1
(0,4156) + C
2
(0,5844)



15) a) a=0,5 b)0,375 16) a) E(x)=0 b) Var(x)= 1/6

17) a) k=1/12 E[3x+2]=11,99 b) No so independentes 18) a) 0,3834 b)
0,3774

19) X~bin (3;0,1) 20) Opo B



46


4. ALGUNS MODELOS PROBABILSTICOS PARA
VARIVEIS ALEATRIAS

Existem modelos probabilsticos que ocorrem com frequncia na prtica. Nas
prximas sees, sero definidos alguns modelos, apresentando as condies que devem
ser satisfeitas e algumas caractersticas, tais como, esperana, varincia e como calcular
probabilidade.

4.1. VARIVEIS ALEATRIAS DISCRETAS

4.1.1. Distribuio de Bernoulli

Muitos experimentos so tais que os resultados possveis apresentam ou no uma
determinada caracterstica.

Exemplos:
a) Uma pea escolhida, ao acaso, de um lote contendo 500 peas: esta pea
defeituosa ou no.
b) Uma pessoa escolhida, ao acaso, dentre 1000 pessoas, ou no do sexo masculino.
c) Uma pessoa escolhida, ao acaso, entre os moradores de uma cidade, e pergunta-se
se ela diz SIM ou NO a um projeto governamental.

Em um experimento aleatrio com apenas dois resultados possveis podemos
associar o valor 1, se sucesso ocorre e o valor 0, se fracasso ocorre. Um experimento
deste tipo chamado de ensaio de Bernoulli. Suponha que um sucesso ocorra com
probabilidade p.

Seja X uma v.a. definida para este experimento. Ento,

X 1 0
P(X=x) p 1-p =q
Funo de distribuio de X: F(x) =

<
<
1 x 1,
1 x 0 , q
0 x , 0


Esperana de X: E(X) = 1. p + 0. (1-p) = p


Varincia de X: V(X) = p p
2
= p(1 - p), onde E(X
2
) = 1
2
. p + 0
2
. (1-p) = p

4.1.2. Distribuio Binomial

Consideremos n repeties independentes de ensaios de Bernoulli (n 2). O
modelo binomial fundamenta-se nas seguintes hipteses:

a) n ensaios independentes e idnticos so realizados;
47


b) A probabilidade de sucesso igual a p em cada ensaio e q a probabilidade de
fracasso, sendo p + q = 1.

Seja a varivel aleatria Y o nmero de sucessos nos n ensaios. Nestas condies
dizemos que Y tem distribuio binomial com parmetros n e p, onde os valores
possveis de y so {0,1,2,...,n}:

n = nmero de repeties do experimento e
p = probabilidade de sucesso em cada repetio

Notao: ) p B(n, ~ Y

( )

=
|
|

\
|
= =

c.c 0,
0,1,2,...n k , p 1 p
k
n
k) P(Y
k n k

Por meio do binmio de Newton, verifica-se que


Exemplo 1:
Uma usina hidroeltrica tem 5 geradores que funcionam independentemente, cada um
com probabilidade 0,98 de estar em operao. Qual a probabilidade de que exatamente
dois estejam em funcionamento em determinado instante?

Y = nmero de geradores em funcionamento

p = 0,98 = probabilidade de um gerador estar em funcionamento (a probabilidade de
sucesso)

Entre os 5 estabelecimentos, ou seja, n = 5, qual a probabilidade de 2 terem tratores:
P(Y = 2) =
|
|

\
|
2
5
(0,98)
2
(1 - 0,98)
5 - 2
= 10. (0,98)
2
.(0,02)
3
= 0,000077

Esperana e Varincia da distribuio Binomial

Se Y tem distribuio binomial de parmetros n e p

= =
=
|
|

\
|
=

), (varincia npq [E(Y)] - ) E(Y Var(Y)

(mdia) np p) (1 p
k
n
k E(Y)
2 2
n
0 k
n k k

|
|

\
|
=
n
0 k
n k 2 2
p) (1 p
k
n
k ) E(Y que em
k



48


Demonstrao:



Fazendo s = k-1, tem-se:
.


Com varincia: V(X) = npq DP(X) = npq

Exemplo 2:
Com os dados do exemplo anterior, calcular o nmero esperado de geradores em
funcionamento, a varincia e o desvio-padro:

E(X) = np = 5(0,98) = 4,9

Var(X) = npq = 5 (0,98) (0,02) = 0,098

DP(X) = npq = 098 , 0 = 0,3130

Exerccios:

1) Das variveis abaixo descritas, assinale quais so binomiais, e para estas d os
respectivos campos de definio e distribuio de probabilidades. Quando julgar que a
varivel no binomial, aponte as razes de sua concluso.

a) De uma urna com 10 bolas brancas e 20 pretas, vamos extrair, com reposio, cinco
bolas.Seja X o nmero de bolas brancas nas 5 extraes. Resp.: Binomial

b) Refaa o problema anterior, mas desta vez as n extraes so sem reposio. Resp.:
No Binomial.

c) De 5 urnas com bolas pretas e brancas, vamos extrair de cada uma delas uma bola.
Suponha que X o nmero de bolas brancas obtidas no final. Resp.: No
binomial.

d) Em uma indstria existem 100 mquinas que fabricam determinada pea. Cada pea
classificada como sendo boa ou defeituosa. Escolhemos ao acaso um instante de
tempo, e verificamos uma pea de cada uma das mquinas. Suponha que X seja o
nmero de peas defeituosas. Resp.: No Binomial

2) Um fabricante de peas de automveis garante que uma caixa de suas peas conter,
no mximo, 2 defeituosas. Se a caixa contm 18 peas, e a experincia tem demonstrado
49

que esse processo de fabricao produz 5% das peas defeituosas, qual a probabilidade
de que uma caixa satisfaa a garantia? Resp.: 0,9419.

4.1.3. Distribuio de Poisson

Em muitos casos, conhece-se o nmero de sucessos, porm se torna difcil e, s
vezes, sem sentido, determinar o nmero de fracassos ou o nmero total de provas. Por
exemplo: automveis que passam numa esquina. Pode-se num determinado intervalo de
tempo anotar o nmero de carros que passaram, porm, o nmero de carros que
deixaram de passar pela esquina no poder ser determinado. Veremos que a
distribuio de Poisson se aplica nestes casos.
A distribuio de Poisson largamente usada quando de deseja contar o nmero
de eventos de um certo tipo, que ocorrem em um intervalo de tempo, superfcie, ou
volume.

Exemplos:

a) nmero de falhas de um computador em um dia de operao;
b) nmero de defeitos num pneu;
c) nmero de buracos por quilometro em uma rodovia;
d) nmero de clientes que chegam a uma determinada agncia bancria durante o
expediente.

Seja a varivel aleatria X o nmero de eventos de um certo tipo, que ocorrem em
um intervalo de tempo, ou superfcie, ou volume. Suponha que estes eventos ocorrem
em instantes aleatrios de tempo ou de espao e que as hipteses abaixo sejam
vlidas:
1) o nmero de ocorrncias de um evento em um intervalo de tempo, ou superfcie,
ou volume independente do nmero de ocorrncias do evento em qualquer
outro intervalo disjunto.
2) a probabilidade de duas ou mais ocorrncias simultneas praticamente zero.
3) o nmero mdio de ocorrncias por unidade de tempo, ou superfcie, ou volume,
, constante ao longo do tempo, ou superfcie, ou volume.

Nestas condies dizemos que X tem distribuio Poisson com parmetro = t,
o nmero mdio de eventos por unidade de intervalo de tempo, ou superfcie, ou
volume.

Notao:
x!
e
x) P(X ) Poisson( ~ X
- x

= = , x=0,1,2,...,n,...

Se X tem distribuio Poisson com parmetro

=
=
) (varincia Var(X)
(mdia) E(X)

50

Demonstrao:
1. Sabe-se que E(X) =


=

=
= =
0 0
!
) (
x
x
x
x
x x X xP
e

1 x
x
1)! - x(x
e
x =

1 x
x
1)! - (x
e


Fazendo x 1 = y, tem-se:

E(X) =

=
+
0 y
1 y
y!
e
=

0 y
y

y!

e
Utilizando-se a frmula de Maclaurin (caso particular da frmula de Taylor),


= == =
= == =
0 y

y
e
y!

,
obtm-se, E(X) =

2. De acordo com a definio de varincia, tem-se:

V(X) = E(X
2
) [ E(X) ]
2
, onde j vimos que, [ E(X)]
2
=
2
, e,
E(X
2
) =


=

=

=

=

=
1 1
2
0
2
)! 1 ( )! 1 ( !
x
x
x
x x
x
x
e
x
x x
e
x
x
e
x


, fazendo y = x 1, tem-se:
E(X
2
) =

+ = + = +


=

=

=
+
2
0 0 0
1
! ! !
) 1 (
y
y
y
y
y
y
y
e
y
e
y
y
e
y
V(X) =
2
+ -
2
, assim V(X) = .

Se a varincia DP(X) =

Exemplo 3: Em mdia h duas chamadas por hora num certo telefone. Calcular a
probabilidade de se receber no mximo 3 chamadas em duas horas e a probabilidade de
nenhuma chamada em 90 minutos.

X= nmero de chamadas telefnicas em duas horas

Ento,
= 2 (nmero mdio chamadas por hora )
t = 2 horas
= t = 4 (nmero mdio chamadas em duas horas )
P(X 3) =

=

=
= = =
3
0
x 4 3
0 x
x!
4 e
) x P(X
x
0,4331

Y= nmero de chamadas telefnicas 90 minutos
Ento,
t = 90 minutos
= 2/60 ( nmero mdio de chamadas por minuto)
= t = 2/60 x 90 = 3 (nmero mdio chamadas em 90 minutos )

P(Y = 0) =
( )
! 0
3 e
0 3
= 0,0498
51

Exerccios:

1) Uma fbrica produz tecidos com mdia de 2,2 defeitos por jarda quadrada.
Determine as seguintes probabilidades:
a) no mais de 4 defeitos numa jarda quadrada; Resp.:0,9275
b) nenhum defeito em duas jardas quadradas; Resp.:0,0123
c) duas jardas quadradas cada uma com dois defeitos. Resp.: 0,0719

2) O nmero de petroleiros que chegam a uma refinaria em cada dia ocorre segundo
uma distribuio de Poisson, com = 2. As atuais instalaes podem atender, no
mximo, a 3 petroleiros por dia. Se mais de 3 aportarem num dia, o excesso
enviado a outro porto.
a) Em um dia, qual a probabilidade de se enviar petroleiros para outro porto?
Resp.: 0,1431
b) De quanto devero ser aumentadas as instalaes para permitir atender a todos
os navios que chegarem pelo menos em 95% dos dias? Resp.: 2
c) Qual o nmero mdio de petroleiros que chegam por dia? Resp.: 2.


3 LISTA DE EXERCCIOS

1) Se X ~ B(n,p), sabendo-se que E(X) = 12 e
2
= 3, determinar:
a) n e) E(Z) e V(Z),onde Z = (X-12)/ 3
b) p f) P(Y 14/16), onde Y = X/n
c) P(X < 12) g) P(Y 12/16), onde Y = X/n
d) P(X 14)

2) Uma fileira de luzes de Natal contm 20 lmpadas ligadas em srie, isto , se uma
delas falha, toda a fileira falhar. Cada lmpada tem 0,02 de probabilidade de falhar
durante um perodo de 3 anos. As lmpadas falham independente umas das outras.
Qual a probabilidade de toda a fileira de lmpadas permanecer sem falhar durante
trs anos?

3) O nmero de partculas radioativas emitidas por uma fonte segue distribuio de
Poisson com = 0,5 partculas por segundo.
a) Qual a probabilidade de a fonte emitir uma partcula em um segundo;
b) Qual a probabilidade de a fonte emitir mais de uma partcula em um segundo;
c) Qual a probabilidade de a fonte emitir uma partcula em trs segundos;
d) Qual a probabilidade de a fonte emitir no mximo duas partculas em 3
segundos;
e) Uma chapa fotogrfica sensibilizada ao ser atingida por 3 ou mais partculas.
Se 5 chapas so colocadas, uma aps outra, durante 2 segundos cada uma em
frente fonte, qual a probabilidade de exatamente uma delas ser sensibilizada?

4) Seja X o nmero de peas defeituosas sadas de certa linha de produo. Sabe-se
que, para determinado lote, X binomial com mdia 240 e varincia 48. Determine
a distribuio de probabilidade de X e a probabilidade do lote no conter nenhuma
pea defeituosa.
52

5) Um industrial fabrica peas, das quais 1/5 so defeituosas. Dois compradores, A e
B, classificaram as partidas adquiridas em categorias I e II, pagando 1,20 u.m. e 0,80
u.m. respectivamente do seguinte modo:

Comprador A: retira uma amostra de 5 peas; se encontrar mais que uma
defeituosa, classifica como II.
Comprador B: retira uma amostra de 10 peas; se encontrar mais que duas
defeituosa, classifica como II.
Em mdia, qual comprador oferece maior lucro?

6) Numa via de mo nica que termina numa ponte, quer se estudar o trfego.
Encontra-se que esse volume de 120 veculos/hora, em mdia. Assume-se que a
chegada de veculos constitui um processo de Poisson. Ache a probabilidade de que:
a) num perodo de um minuto mais de trs veculos cheguem ao pedgio;
b) em 3 minutos cheguem mais do que 1 veculo.

7) Numa linha adutora de gua, de 60 km de extenso, o nmero de vazamento no
perodo de um ms em mdia 4. Qual a probabilidade de ocorrer, durante o ms,
pelo menos um vazamento num setor de 3 km de extenso?

8) Um fabricante afirma que apenas 5% de todas as vlvulas que produz tem durao
inferior a 20 h. Uma indstria compra semanalmente um grande lote de vlvulas
desse fabricante, mas sob a seguinte condio: ela aceita o lote se, em 10 vlvulas
escolhidas ao acaso, no mximo uma tiver durao inferior a 20 horas; caso
contrrio o lote rejeitado.
a) Se o fabricante de fato tem razo, qual a probabilidade de um lote ser rejeitado?
b) Suponha agora que o fabricante esteja mentindo, isto , na verdade a proporo
de vlvulas com durao inferior a 20 h de 10%. Qual a probabilidade do lote
ser aceito, segundo o critrio acima?

9) Certa fbrica produz fusveis eltricos, dos quais 15% so defeituosos. Achar a
probabilidade de que, numa amostra de 10 fusveis selecionados ao acaso,
tenhamos:
a) nenhum defeituoso.
b) pelo menos um defeituoso.
c) no mximo um defeituoso.

10) Um fabricante de peas de automveis garante que uma caixa de suas peas conter
no mximo duas defeituosas. Se a caixa contm 18 peas, e a experincia tem
demonstrado que este processo de fabricao produz 5% das peas defeituosas, qual
a probabilidade de que uma caixa satisfaa a garantia?

11) Certa companhia area chegou concluso de que 4% das pessoas que compram
passagens no comparecem ao embarque. De modo a obter maior aproveitamento
nas vendas, passou a adotar o critrio de vender 77 passagens para um vo com 75
lugares. Determine a probabilidade de que todas as pessoas que compaream
encontraro lugar no citado vo.

53

12) Em um certo tipo de fabricao de fita magntica, ocorrem cortes a uma taxa de 1
por 2.000 cm. Qual a probabilidade de que um rolo com 2.000cm tenha:
a) nenhum corte?
b) no mximo dois cortes?
c) pelo menos dois cortes?

13) Numa determinada estrada ocorrem em mdia 2 acidentes para cada 100km. Qual a
probabilidade de que:
a) em 250 km ocorram pelo menos 3 acidentes?
b) em 300 km ocorram 5 acidentes?

14) Uma fonte mineral contm um nmero mdio de quatro bactrias por cm
3
de gua.
Dez tubos de ensaio, de 1 cm
3
, so enchidos com este lquido. Supondo que a
distribuio de Poisson aplicvel, encontre a probabilidade:
a) de que todos os 10 tubos de ensaio apresentem bactrias, isto , contenham ao
menos uma bactria cada;
b) de que exatamente oito tubos de ensaio apresentem bactrias.



Gabarito (3 lista)

1) a) n = 16 e p=0,75 c) 0,3699 d) 0,1971 e) E(Z) = 0 e V(Z) = 1 f) 0,1971 g)
0,6301

2) 0,6676 3) a) 0,3033 b) 0,0902 c) 0,3347 d) 0,8088 e) 0,2873

4) n = 300 p=0,8
300 0
5
1
5
4
0
300
0) P(X
|

\
|
|

\
|
|
|

\
|
= =
5) Comprador A 6) a) 0,1429 b) 0,9826 7)0,1813 8) a) 0,0861 b) 1-0,2639

9) a) 0,1969 b) 0,8031 c) 0,5443 10) 0,9419 11) 0,8185

12) a) 0,3679 b) 0,9197 c) 0,2642 13) a) 0,8753 b) 0,1606

14) a) (0,9816) b) 0,16%










54

4.2. VARIVEIS ALEATRIAS CONTNUAS

4.2.1. Distribuio Exponencial

Esta distribuio bastante utilizada na teoria da confiabilidade para modelar os
tempos de espera entre ocorrncias de eventos em um Processo de Poisson. Em geral
este modelo probabilstico tambm utilizado para modelar tempo de espera em uma
fila, tempo de sobrevivncia de um grupo de pacientes aps o incio de um tratamento e
tempo de vida de material eletrnico.
O histograma a seguir foi construdo a partir de dados provenientes de uma
distribuio exponencial. A curva desenhada sobre o histograma representa a funo
densidade de uma distribuio exponencial. Vemos que este grfico do tipo
assimtrico positivo.

Grfico da funo densidade da Distribuio exponencial com parmetro =1000

Uma varivel aleatria contnua X, que assume valores no-negativos, ter uma
distribuio exponencial com parmetro > 0, se sua fdp for dada por:

contrrio caso , 0
0 x ,
1
) f(x
x
1

e

Notao: X ~ exp( )

Propriedades:
a) A funo de distribuio dada por:
F(x) = P(X x) =

<
=

0 x , 1
0 x , 0
ds
1
x
0
x
1

x
e
e
55

Portanto, P(X > x ) = e
-(1/)x


b) E(X) =

0
x
1
dx
1
x e
c) V(X) = E(X
2
) E
2
(X) =
2 2 2
2 = em que E(X
2
) = . dx
1
x
2
0
x
1
2

e
d) P( X > s + t | X > s) =
t
1
- -
s
1
-
t) s (
1
e
e
e
s) P(X
) t s P(X
s) P(X
s) X e t s P(X

= =
>
+ >
=
>
> + >
+
para
quaisquer s, t > 0

Este ltimo resultado mostra que a distribuio exponencial apresenta a
propriedade de no possuir memria. Isto significa que a probabilidade de
sobreviver mais t unidades de tempo a mesma, quer j se tenham passado s unidades
de tempo, ou 0 unidades. Ou seja, no h envelhecimento. Esta hiptese
frequentemente razovel para a vida de materiais eletrnicos.

Exemplo 5: Uma lmpada tem a durao de acordo com a densidade exponencial com
=1000.

Determinar:
a) a probabilidade de que essa lmpada queime antes de 1.000 horas;
b) a probabilidade de que ela queime depois de sua durao mdia;
c) a varincia da distribuio do tempo de durao dessa lmpada.

Resoluo: Seja T o tempo de durao da lmpada.
a) P( T < 1.000) = = =

1 -
1000
0
t
1000
1

e - 1 dt e
1000
1
1 - 0,3679 = 0, 6321
b) P( T > 1000) = 0,3679
c) V(T) = (1000)
2




4.2.2. Distribuio Weibull

A distribuio Weibull tem uma aplicao importante em Teoria de
Confiabilidade.
O histograma a seguir foi construdo a partir de dados provenientes de uma
distribuio Weibull. A curva desenhada sobre o histograma representa a funo
densidade desta distribuio, que tambm do tipo assimtrico positivo.

Grfico da funo densidade da Distribuio Weibull com parmetros =2 e =2
56

x
f
(
x
)
0 1 2 3 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4

Uma varivel aleatria contnua X, que assume valores no-negativos, ter uma
distribuio Weibull com parmetros > 0 e > 0, se sua fdp for dada por:

contrrio caso , 0
0 x ,

x
exp x
) f(x
1 -

\
|

Propriedades:
a) E(X) =
|
|

\
|
+ 1
1

b) V(X) =

|
|

\
|
+
|
|

\
|
+
2
2
1
1
1
2



c)

\
|

=
0 x

x
exp - 1
0 x 0,
F(x)



d) Se =1 tem-se

x
e x f

=
1
) ( . Portanto, a distribuio exponencial um caso
particular da distribuio Weibull.

Obs: O smbolo denota a funo gama, que dada por:
( )

> =
0
x 1 p
0. k para definida dx, e x k
57

Pode-se mostrar que se k for um nmero inteiro positivo, obtm-se que (k) = (k-1)!

Exemplo 7: O tempo de vida, em horas, de um componente eletrnico segue a
distribuio Weibull com = 0,4 e = 0,5.
a) Qual a vida mdia?
b) Calcule a varincia do tempo de vida desse componente.
c) Qual a probabilidade do tempo de vida desse componente ultrapassar 30 horas?

Resoluo:
T: tempo de vida do componente eletrnico em horas
a) E(T) = ( ) 8 , 0 3 ) 4 , 0 ( =
b) V(T) = ( ) [ ] { } 2 , 3 3 ) 5 ( ) 4 , 0 (
2
=

c) P( T > 30 ) =

\
|

5 , 0
0,4
30
exp = 0,8909

4.2.3. Distribuio Normal (ou Gaussiana)

Existem vrias distribuies tericas que podem ser usadas para representar
fenmenos reais. Dentre estas, uma das mais importantes a distribuio normal. A
seguir faremos um breve estudo desta distribuio.
Importncia da distribuio normal:

1- Representa com boa aproximao as distribuies de freqncias observadas
de muitos fenmenos naturais e fsicos;
2- Distribuies importantes, como por exemplo a binomial e Poisson, podem
ser aproximadas pela normal, simplificando o clculo de probabilidades;
3- A distribuio amostral das mdias (e propores) em grandes amostras se
aproxima da distribuio normal, o que nos permite fazer estimaes e testes
estatsticos.

Uma varivel aleatria X, que assume valores em R, tem distribuio normal com
parmetros e
2
se sua funo de densidade probabilidade dada por:

0 e , x ,

x
2
1
exp
2
1
f(x)
2
2
> < < < <
(
(

\
|
=

Notao: X ~ N(,
2
)

O histograma a seguir foi construdo a partir de dados provenientes de uma
distribuio normal. A curva desenhada sobre o histograma representa a funo
densidade de uma distribuio normal. Vemos que este grfico do tipo simtrico.

Grfico da funo densidade da distribuio normal com parmetros =10 e
2
=4
58


importante ressaltar a diferena que existe entre o histograma e a curva: o
histograma uma representao da distribuio dos elementos (dados) de uma amostra
extrada de uma populao, enquanto a curva representa a distribuio terica que
melhor se aproxima do histograma observado.

Propriedades:
a) E(X) = e V(X) =
2
( - desvio-padro);
b) A curva normal simtrica com relao a sua mdia , ou seja:
f(+x) = f (- x);
P( - x X ) = P( X x+ );
P(X > ) = P (X < ) = 0,5.
c) A moda e a mediana de X so iguais a ;
d) A distncia entre e os pontos de inflexo da curva igual a ;

Distribuio Normal
N( , , , ,
2
)
-4 -3 -2 -1 0 1 2 3 4

+

59


Exemplos de curvas da distribuio normal para diferentes valores dos
parmetros

mdias diferentes, desvios padro iguais ( = 10 cm)
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
123 130 137 144 151 158 165 172 179 186 193 200 207
altura (cm)
= 165
= 179


mesma mdia, desvios padro distintos
= 172 cm
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
128 132 136 140 144 148 152 156 160 164 168 172 176 180 184 188 192 196 200 204 208
altura (cm)
= 12
= 7
= 5


Clculo das probabilidades de uma distribuio normal

A probabilidade de uma varivel aleatria normal X assumir valores entre dois
nmeros a e b (a < b) igual rea sob a curva no intervalo [a,b], isto ,
P(a < X < b) = dx

(
(

\
|

b
a
2
x
2
1
exp
2
1

Esta probabilidade pode ser obtida atravs de uma transformao na varivel aleatria X
como veremos a seguir.

60

A distribuio normal possui um importante propriedade que permite que
qualquer varivel aleatria com esta distribuio possa ser transformada em uma outra
varivel com distribuio normal com parmetros = 0 e
2
=1.
Teorema:
Se X ~ N (,
2
) ento a varivel transformada
( )

=
X
Z tem distribuio
N(0,1), isto ,
Portanto, ) ( ) ( z Z P
a X
P a X P = |

\
|

com
( )

=
X
Z

As probabilidades para a distribuio normal (0,1) tambm chamada de Normal
Padro ou Normal Padronizada esto tabeladas. Pelo exposto acima vemos que
atravs desta tabela podemos obter as probabilidades para qualquer outra distribuio
normal.
H vrios tipos de tabelas que nos fornece as probabilidades para a distribuio
normal padro. Faremos uso do tipo que est em anexo. Essa tabela fornece a rea
sob a curva no intervalo de zero at o ponto z, isto , P(0 Z z). Os elementos dessa
tabela so:
Na primeira coluna encontra-se a parte inteira e a primeira casa decimal do valor
de z;
A primeira linha refere-se segunda casa decimal do valor de z;
As probabilidades so encontradas no cruzamento das linhas com as colunas.

Graficamente, a probabilidade fornecida pela tabela a seguinte:

A rea sombreada no grfico corresponde seguinte probabilidade:


Como a curva normal padro uma funo simtrica em relao 0:
f(z)=f (- z);
P(- z Z 0)= P(0 Z z );
P(Z > 0 ) = P (Z < 0) = 0,5.


z 0
f(z)
61

Exemplos de uso da tabela da distribuio normal padro:

Calcule P(0 Z 0,51 )
A rea que representa esta probabilidade :





A seguir, como obter essa probabilidade na tabela da distribuio normal padro
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000000 0.0039894 0.0079783 0.0119665 0.0159534 0.0199388 0.0239222 0.0279032 0.0318814 0.0358564
0.1 0.0398278 0.0437953 0.0477584 0.0517168 0.0556700 0.0596177 0.0635595 0.0674949 0.0714237 0.0753454
0.2 0.0792597 0.0831662 0.0870644 0.0909541 0.0948349 0.0987063 0.1025681 0.1064199 0.1102612 0.1140919
0.3 0.1179114 0.1217195 0.1255158 0.1293000 0.1330717 0.1368307 0.1405764 0.1443088 0.1480273 0.1517317
0.4 0.1554217 0.1590970 0.1627573 0.1664022 0.1700314 0.1736448 0.1772419 0.1808225 0.1843863 0.1879331
0.5 0.1914625 0.1949743 0.1984682 0.2019440 0.2054015 0.2088403 0.2122603 0.2156612 0.2190427 0.2224047
0.6 0.2257469 0.2290691 0.2323711 0.2356527 0.2389137 0.2421539 0.2453731 0.2485711 0.2517478 0.2549029

Calcule P(-2,35 Z 0)


Calcule P(-1 Z 1)
A rea que representa esta probabilidade :

Esta rea pode ser separada em duas subreas, que so:
62


P(-1 Z 1) = P(-1 Z 0) + P(0 Z 1) = 0, 3413 + 0, 3413 = 0, 6826

Calcule P(Z 1,62)











Esta rea pode ser pensada da seguinte forma:

P(Z 1,62) = 0,5 P(0 Z 1,62 ) = 0,5 0,4474 = 0,0526

Calcule P(1,03 Z 2,01 )

A rea que representa esta probabilidade :

e
63

Esta rea pode ser pensada da seguinte forma:

P(1,03 Z 2,01 ) = P(0 Z 2,01) - P(0 Z 1,03)

Determine z tal que P(0 Z z
0
) = 0,395










Para encontrar o ponto z
0
, que corresponda probabilidade P(0 Z z
0
) = 0,395,
procure no meio da tabela da curva normal padro o valor da rea exata ou o mais
prximo possvel da requerida. Neste caso, o ponto procurado 1,25. Logo, z
0
= 1,25

Exemplos:

1) Usando a tabela da normal padro podemos obter:
P(0 Z 1) = 0,3413
P(-2,55 Z 1,2) = 0, 4946+ 0,3849 = 0,8795
P(Z1,93) =0,5 0, 4732 = 0,0268

2) A caracterstica da qualidade de interesse, associada a um processo que est sob
controle estatstico, normalmente distribuda com mdia 100 e desvio-padro 5. As
especificaes estabelecidas para esta caracterstica da qualidade so 95 10.
a) Qual e a proporo de no-conformidade referente a esta caracterstica?
b) Qual e a proporo de no-conformidade referente a esta caracterstica, se o
processo passasse a operar centrado no valor 95, chamado valor nominal da
especificao?

Resoluo:
a) P(X > 105) + P(X < 85) =
|

\
|
< + |

\
|
>
5
100 85
Z P
5
100 105
Z P =
= P(Z > 1) + P(Z < -3) =(0,5 - 0,3413) + (0,5 - 0,4987) = 0,1600

b) = 95
64

P(X > 105) + P(X < 85) =
|

\
|
< + |

\
|
>
5
95 85
Z P
5
95 105
Z P =
= P(Z > 2) + P(Z < -2) =2 (0,5 0,4772) = 0,0456


4 LISTA DE EXERCCIOS

1) Seja Z uma varivel aleatria com distribuio normal padro. Determine o valor
de z:
a) P(Z<z) = 0,09
b) P(-1,71<Z<z) = 0,25
c) P(-z<Z<z) = 0,90
d) P(-z<Z<z) = 0,99

2) Sejam z
1
e z
2
, simtricos, dois particulares valores de Z. Determine-os tais que:
a) P ( z
1
Zz
2
) = 0,9216
b) P ( z
1
Z z
2
) = 0,8858

3) Suponha que as amplitudes de vida de dois aparelhos eltricos, D
1
e D
2
, tenham
distribuio N(42,36) e N(45,9), respectivamente. Se o aparelho e para ser usado
por perodo de 45 horas, qual aparelho deve ser preferido?

4) Uma enchedora automtica de garrafas de refrigerante esta regulada para que o
volume mdio de liquido em cada garrafa seja de 1.000 cm
3
e o desvio-padro de
10 cm
3
. Pode-se admitir que a distribuio da varivel seja normal.
a) Qual a probabilidade de garrafas em que o volume de liquido e menor que 990
cm
3
?
b) Qual a probabilidade de garrafas em que o volume de liquido no se desvia da
mdia em mais que dois desvios-padro?

5) Uma empresa produz televisores e garante a restituio da quantia paga se qualquer
televisor apresentar algum defeito grave no prazo de 6 meses. Ela produz
televisores do tipo A comum e do tipo B luxo, com um lucro respectivo de 1.000
u.m. e 2.000 u.m. caso no haja restituio, e com um prejuzo de 3.000 u.m. e
8.000 u.m. se houver restituio. Suponha que o tempo para a ocorrncia de algum
defeito grave seja, em ambos os casos, uma varivel aleatria com distribuio
normal, respectivamente, com medias 9 meses e 12 meses, e varincias 4 meses
2
e
9 meses
2
. Se tivesse que planejar uma estratgia de marketing para a empresa, voc
incentivaria as vendas dos aparelhos do tipo A ou do tipo B?

6) Suponha que o dimetro mdio dos parafusos produzidos por uma fabrica de 0,25
polegadas e o desvio-padro 0,02 polegadas. Um parafuso considerado defeituoso
se seu dimetro maior que 0,28 polegadas ou menor que 0,20 polegadas. Suponha
distribuio normal.
a) Encontre a probabilidade de parafusos defeituosos.
b) Qual deve ser a medida mnima para que tenhamos no mximo 12% de
parafusos defeituosos?

65

7) A durao de certos tipos de amortecedores, em km rodados normalmente
distribuda, possui durao mdia de 5000 km e desvio-padro de 1000 km.
a) Qual a probabilidade de um amortecedor escolhido ao acaso durar entre 4500 e
6350 km?
b) Se o fabricante desejasse fixar uma garantia de quilometragem, de tal forma que
se a durao do amortecedor fosse inferior a garantia, o amortecedor seria
trocado, de quanto deveria ser esta garantia para que somente 1% dos
amortecedores fossem trocados?

8) Suponha que T, a durao at falhar de uma pea, seja normalmente distribuda
com E(T) = 90 horas e desvio-padro 5 horas. Quantas horas de operao mnimas
devem ser consideradas, a fim de se achar uma probabilidade de 0,90.

9) Suponha que a durao de vida de um dispositivo eletrnico seja exponencialmente
distribuda. Sabe-se que a probabilidade desse dispositivo durar mais de 100 horas
de operao de 0,90. Quantas horas de operao devem ser levadas em conta para
conseguir-se uma probabilidade de 0,95?

10) A durao de vida de um satlite uma varivel aleatria exponencialmente
distribuda, com durao de vida esperada igual a 1,5 anos. Se trs desses satlites
forem lanados simultaneamente, qual ser a probabilidade de que ao menos dois
deles ainda venham a estar em rbita depois de 2 anos?

11) Suponha que n componentes, que funcionem independentemente, sejam ligados em
srie. Admita que a durao at falhar, de cada componente, seja normalmente
distribuda, com esperana de 50 horas e desvio-padro de 5 horas.
a) Se n=4, qual ser a probabilidade de que o sistema ainda esteja a funcionar
depois de 52 horas de operao?
b) Se n componentes forem instalados em paralelo, qual dever ser o valor de n,
para que a probabilidade de falhar durante as primeiras 55 horas seja
aproximadamente igual a 0,01?

12) Estudos meteorolgicos indicam que a precipitao pluviomtrica mensal em
perodos de seca numa certa regio pode ser considerada como seguindo a
distribuio Normal de mdia 30mm e varincia 16mm
2
.
a) Qual a probabilidade de que a precipitao pluviomtrica mensal no perodo da
seca esteja entre 24mm e 38mm?
b) Qual seria o valor da precipitao pluviomtrica de modo que exista apenas 10%
de chance de haver uma precipitao inferior a esse valor?
c) Construa um intervalo central em torno da mdia que contenha 80% dos
possveis valores de precipitao pluviomtrica.

13) Se a altura de 300 estudantes so normalmente distribuda com mdia igual a
172,72cm e varincia 49,5cm
2
.
a) Quantos estudantes tm altura superior a 182,88cm?
b) Qual a altura que separa os estudantes em dois grupos de forma que um deles
seja formado pelos 30% mais altos?

66

14) Suponha que as notas de um vestibular tenham distribuio normal com mdia 60 e
desvio-padro de 15 pontos.
a) Se voc prestou este vestibular e obteve nota igual a 80 pontos, qual a sua
posio em termos de unidades de desvios-padro, com relao a mdia das
notas?
b) Se foram considerados aprovados os candidatos que obtiveram nota mnima
correspondente a 1 desvio-padro acima da mdia, qual a nota mnima de
aprovao na escala original?

15) Em uma fbrica de chocolate verifica-se que os bombons so acondicionados
automaticamente em caixas com aproximadamente 1 Kg. Verifica-se que 25,14%
das caixas tem peso inferior a 1 Kg. A mquina de acondicionamento foi regulada
aumentando-se o peso mdio da caixa de 3g e verificou-se ento que a porcentagem
com peso inferior a 1 Kg foi de 12,5%. Admitir distribuio normal.
a) Calcular a mdia e o desvio-padro
b) De quanto deve ser novamente aumentado o peso mdio para que essa
porcentagem caia para 4%?

16) Experimentam-se trs elementos que trabalham independentemente entre si. A
durao de trabalho sem falhas dos elementos tem respectivamente para o 1
o
., 2
o
e
3
o
. as seguintes funes densidades:
t -0.1
1
e 1 . 0 ) ( = t f
t -0.2
2
e 2 . 0 ) ( = t f
t -0.3
3
e 3 . 0 ) ( = t f
Ache a probabilidade que no intervalo de tempo (0, 10)
a) Falhe ao menos um elemento
b) Falhem no menos que dois elementos

17) Um componente eletrnico tem distribuio exponencial, com mdia de 50 horas.
Suposta uma produo de 10 000 unidades, quanto deles espera-se que durem entre
45 e 55 horas?

18) O tempo de vida de certo dispositivo eletrnico de 4.000 h e segue uma
distribuio exponencial. Determine a probabilidade de que:
a) um dispositivo esteja funcionando no final de 2.000 h, dado que est
funcionando no final de 1.000 h;
b) num conjunto de 4 dispositivos, somente um queime antes de 3.000 h de
funcionamento.

19) Dois dispositivos eletrnicos com lei de falhas exponencial com mdia
respectivamente 5h e 10 h so ligados em paralelos formando um nico sistema e
funcionando independentemente. Determinar:
a) A probabilidade de cada um dos dispositivos aps 20 horas;
b) A probabilidade do sistema todo aps 20 horas;

20) Sabe-se que T, tempo de operao sem falhas de um componente segue a
distribuio de Weibull.
a) Se = 2000,

= 0,5 determine R(22), E(T) e V(T).
b) Se = 2000, = 1,5 determine t para que P(T > t) = 0,90.


67

21) Seja X uma varivel aleatria com distribuio Weibull com =200 e =3.
a) Suponha que X represente o tempo de vida de um componente. Determine a
probabilidade desse componente para durar mais de 50 horas.
b) Determine a probabilidade de que o componente dure mais que 250 horas, uma
vez que j esteja em funcionamento por 200 horas.
c) Determine a durao esperada do componente. Use os seguintes fatos: (1,3) =
0,8975.

22) Sabe-se que o tempo de falha (em anos) de certo transistor tem distribuio
exponencial com =20 anos.
a) Que proporo desse transistor sobreviver a 6 anos de uso?
b) Este transistor ser utilizado em um produto cujo fabricante ir estipular certo
perodo de garantia. Qual tempo de garantia passvel de ser estipulado, caso o
fabricante concorde em arcar com o custo de no mximo 5% de falhas neste
perodo?
c) Se o fabricante desejar estipular um perodo de garantia de 2 anos, qual a
proporo esperada de falhas associadas ao transistor neste perodo?

23) A densidade do tempo de falha para um pequeno sistema de computador tem
distribuio de Weibull, com =1/4 e =200.
a) Que proporo dessas unidades sobreviver a 1000 horas de uso?
b) Qual o tempo mdio de falha?





Gabarito (4 lista)

1) a)-1,34 b) -0,54 c) 1,64 d) 2,58 2) a) -1,76 e 1,76 b) -1,58 e 1,58

3) D
2
4) a) 0,1587 b) 0,9545 5) Tipo B 6) a) 0,072 b) 0,2178

7) a) 0,60295 b) 2670 km 8) 83,6 horas 9) 51,29 horas 10) 0,1719
11) a) 0,014 b) 27 12) a) 0,9104 b) 24,88 c) [24,88; 35,12]
13) a) 22 b) 176,41 14) a) 1,333 b) 75
15) a) mdia=1,0042Kg e desvio=0,0063 Kg b) 0,006825g
16) a) 0,9975 b) 0,9301 17) 737 18) a) 0,7788 b) 0,2224

19) a) =1/10; 0,135 e =1/5; 0,0183 b) 0,1512
20) a) P(T > 22)= 0,9004; E(T)= 4000 horas ; V(T)=80000000 horas b) 446,15 horas

21) a)0,9845 b)0,3855 c)179,5 22) a ) 0,7408 b ) aprox. 1 ano c) 0,0952
23) a) 0,2242 b ) 480
68

REFERNCIAS BIBLIOGRFICAS

MEYER, Paul L. Probabilidade: aplicaes estatstica. 2. ed. Rio de Janeiro: Livros
Tcnicos e Cientficos, 1983. 426.

MONTGOMERY, Douglas C.; RUNGER, George C.; HUBELE, Norma Faris.
Estatstica aplicada engenharia. Rio de Janeiro: LTC, 2004. 335 p.

MORETTIN, Pedro Alberto; BUSSAB, Wilton de Oliveira. Estatstica bsica. 5. ed.
So Paulo: Saraiva, 2006. 526 p.

69