Prob 1

S R I E : P r o b a b i l i d a d e
T e x t o 1 : P R O B A B I L I D A D E U N I V A R I A D A I

Prof. L or V i al i - vi al i @mat. ufr gs. br - http:// www. mat. uf r gs. br /~vi al i /
1
S
S
U
U
M
M
R
R
I
I
O
O

1. INTRODUO................................................................................................................................................................... 3
1.1. MODELOS....................................................................................................................................................................... 3
1.1.1. Modelo determnistico........................................................................................................................................... 3
1.1.2. Modelo no-determinstico ou probabilstico........................................................................................................ 3
1.2. EXPERIMENTO ALEATRIO (NO-DETERMINSTICO)....................................................................................................... 4
1.2.1. Caractersticas dos Experimentos Aleatrios........................................................................................................ 4
1.3. O ESPAO AMOSTRAL ..................................................................................................................................................... 4
1.3.1. Classificao de um espao amostra..................................................................................................................... 5
1.4. EVENTOS........................................................................................................................................................................ 6
1.5. COMBINAO DE EVENTOS............................................................................................................................................. 6
1.6. EVENTOS MUTUAMENTE EXCLUDENTES......................................................................................................................... 7
1.7. PROPRIEDADE DAS COMBINAES DE EVENTOS .................................................................................................... 7
2. CONCEITOS DE PROBABILIDADE.............................................................................................................................. 9
2.1. A DEFINIO CLSSICA.................................................................................................................................................. 9
2.1.1. Crtica definio clssica................................................................................................................................... 9
2.2. A DEFINIO FREQNCIAL ........................................................................................................................................... 9
2.2.1. Freqncia relativa de um evento....................................................................................................................... 10
2.2.2. Propriedades da freqncia relativa................................................................................................................... 10
2.2.3. Crtica definio freqencial............................................................................................................................ 11
2.3. DEFINIO AXIOMTICA .............................................................................................................................................. 11
2.3.1. Conseqncias dos axiomas (propriedades) ....................................................................................................... 11
2.4. PROBABILIDADE CONDICIONADA E INDEPENDNCIA.................................................................................................... 13
2.4.1. Definio.............................................................................................................................................................. 14
2.4.2. Teorema da multiplicao................................................................................................................................... 15
2.4.3. Independncia de dois eventos ............................................................................................................................ 15
2.5. TEOREMAS DA PROBABILIDADE TOTAL E DE BAYES..................................................................................................... 16
2.5.1. Teorema da probabilidade total .......................................................................................................................... 17
2.5.2. Teorema de Bayes................................................................................................................................................ 18
3. VARIVEIS ALEATRIAS........................................................................................................................................... 19
3.1. INTRODUO................................................................................................................................................................ 19
3.2. VARIVEL ALEATRIA DISCRETA................................................................................................................................. 20
3.2.1. A funo de probabilidade................................................................................................................................... 20
3.2.2. Representao da funo de probabilidade ........................................................................................................ 21
3.2.3. A funo de distribuio acumulada................................................................................................................... 22
3.3. VARIVEL ALEATRIA DISCRETA (CARACTERIZAO) ................................................................................................ 24


2
3.3.1. Expectncia, esperana, mdia ou valor esperado de X..................................................................................... 24
3.3.2. A varincia de X .................................................................................................................................................. 24
3.3.3. O desvio padro................................................................................................................................................... 25
3.3.4. A varincia relativa e o coeficiente de variao................................................................................................. 25
3.4. DISTRIBUIES ESPECIAIS DE PROBABILIDADE DISCRETAS .......................................................................................... 26
3.4.1. A distribuio de Bernoulli.................................................................................................................................. 26
3.4.2. A distribuio Binomial....................................................................................................................................... 28
3.4.3. A distribuio Geomtrica................................................................................................................................... 31
3.4.4. A distribuio Binomial Negativa........................................................................................................................ 33
3.4.5. A distribuio Hipergeomtrica.......................................................................................................................... 36
3.4.6. A distribuio Uniforme Discreta........................................................................................................................ 38
3.4.7. A distribuio de Poisson.................................................................................................................................... 40
3.4.8. Propriedades da distribuio de Poisson............................................................................................................ 43
3.4.9. Relao entre as distribuies Binomial, Hipergeomtrica e Poisson ............................................................... 44
4. EXERCCIOS.................................................................................................................................................................... 46
5. RESPOSTAS DOS EXERCCIOS.................................................................................................................................. 54
6. REFERNCIAS ................................................................................................................................................................ 58



3
1. INTRODUO
A cincia manteve-se at pouco tempo atrs, firmemente apegada lei da causa e efeito.
Quando o efeito esperado no se concretizava, atribua-se o fato ou a uma falha na experincia ou a
uma falha na identificao da causa. No poderia haver quebra da cadeia lgica. Segundo Laplace
(Pierre Simon) uma vez conhecidas a vizinhana, a velocidade e a direo de cada tomo no universo,
poder-se-ia, a partir da, predizer com certeza, o futuro at a eternidade.
Sabe-se hoje, atravs do princpio da incerteza , que no bem assim. Que no existem meios
que permitam determinar os movimentos dos eltrons individuais se conhecido a sua velocidade, con-
forme o estabelecido em 1927, pelo fsico alemo W. Heisenberg.
1.1. MODELOS
Conforme J. Neyman, toda a vez que se emprega Matemtica com a finalidade de estudar al-
gum fenmeno deve-se comear por construir um modelo matemtico. Este modelo pode ser: deter-
minstico ou ento probabilstico.
1.1.1. Modelo determnistico
Neste modelo as condies sob as quais o experimento executado, determinam o resultado
do experimento. Tome-se, por exemplo, a lei de Ohm, V =I.R. Se R e I forem conhecidos, ento V es-
tar precisamente determinado.
1.1.2. Modelo no-determinstico ou probabilstico
um modelo em que de antemo no possvel explicitar ou definir um resultado particular.
Este modelo especificado atravs de uma distribuio de probabilidade. utilizado quando se tem
um grande nmero de variveis influenciando o resultado e estas variveis no podem ser controladas.
Tome-se por exemplo, o lanamento de um dado onde se tenta prever o nmero da face que ir sair, a
retirada de uma carta de um baralho, etc.
O modelo estocstico caracterizado como um modelo probabilstico que depende ou varia
com o tempo.


4
1.2. EXPERIMENTO ALEATRIO (NO-DETERMINSTICO)
No existe uma definio satisfatria de Experimento Aleatrio. Por isto necessrio ilustrar
o conceito um grande nmero de vezes para que a idia fique bem clara. Convm lembrar que os e-
xemplos dados so de fenmenos para os quais modelos probabilsticos so adequados e que por sim-
plicidade, so denominados de experimentos aleatrios, quando, de fato, o que deveria ser dito mo-
delo no-determinstico aplicado a um experimento.
Ao descrever um experimento aleatrio deve-se especificar no somente que operao ou
procedimento deva ser realizado, mas tambm o que que dever ser observado. Note-se a diferena
entre E
2
e E
3
.
E
1
: Joga-se um dado e observa-se o nmero obtido na face superior.
E
2
: Joga-se uma moeda 4 vezes e o observa-se o nmero de caras obtido.
E
3
: Joga-se uma moeda 4 vezes e observa-se a seqncia de caras e coroas.
E
4
: Um lote de 10 peas contm 3 defeituosas. As peas so retiradas uma a uma (sem reposi-
o) at que a ltima defeituosa seja encontrada. Conta-se o nmero de peas retiradas.
E
5
: Uma lmpada nova ligada e observa-se o tempo gasto at queimar.
E
6
: Lana-se uma moeda at que ocorra uma cara e conta-se ento o nmero de lanamentos
necessrios.
E
7
: Lanam-se dois dados e anota-se o total de pontos obtidos.
E
8
: Lanam-se dois dados e anota-se o par obtido.
1.2.1. Caractersticas dos Experimentos Aleatrios
Observando-se os exemplos acima pode-se destacar algumas caractersticas comuns:
1. Podem ser repetidos indefinidamente sob as mesmas condies.
2. No se pode adiantar um resultado particular, mas pode-se descrever todos os resultados
possveis
3. Se repetidos muitas vezes apresentaro uma regularidade em termos de freqncia de re-
sultados.
1.3. O ESPAO AMOSTRAL
A cada experimento pode-se associar um conjunto de resultados.


5
Def i ni o
o conjunto de todos os resultados possveis de um experimento aleatrio. Anota-se por S, E
ou .
Exemplo 1.1
Determinar o espao amostra dos experimentos anteriores. S
i
refere-se ao experimento E
i
.
S
1
={ 1, 2, 3, 4, 5, 6 }
S
2
={ 0, 1, 2, 3, 4 }
S
3
={ cccc, ccck, cckc, ckcc, kccc, cckk, kkcc, ckck, kckc, kcck, ckkc, ckkk, kckk, kkck,
kkkc, kkkk }
S
4
={ 3, 4, 5, 6, 7, 8, 9 , 10 }
S
5
={ t / t 0 }
S
6
={ 1, 2, 3, 4, 5, ... }
S
7
={ 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }
S
8
={ (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6)
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6)
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6)
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6) }
Ao descrever um espao amostra de um experimento, deve-se ficar atento para o que se est
observando ou mensurando. Deve-se falar em um espao amostral associado a um experimento e
no de o espao amostral. Deve-se observar ainda que nem sempre os elementos de um espao a-
mostral so nmeros.
1.3.1. Classif icao de um espao amostra
Um espao amostral, conforme exemplos anteriores pode ser classificado em:
(a) Finito. So os espaos: S
1
, S
2
, S
3
, S
4
, S
7
e S
8

(b) Infinitos. (i) Enumerveis (ou contveis): S
6

(ii) No-enumerveis (ou no contveis): S
5



6
1.4. EVENTOS
O espao amostral desempenha uma funo bsica na teoria da probabilidade. Mas a probabi-
lidade definida para subconjuntos de um espao amostral.
Def i ni o:
Qualquer subconjunto de um espao amostra S denominado um evento (*).
Assim tem-se que:
S o evento certo;
{ a } o evento elementar e
o evento impossvel.
Convm observar que tecnicamente todo subconjunto de um espao amostra um evento a-
penas quando ele for finito ou, ento, infinito enumervel. Se o espao amostra infinito no-
enumervel possvel construir subconjuntos que no so eventos. Se S finito, isto , #(S) =n ento
o nmero de eventos possveis #P(A) =2
n
.
1.5. COMBINAO DE EVENTOS
Pode-se realizar operaes entre eventos da mesma forma que elas so realizadas entre con-
juntos. Antes de definir as operaes conveniente conceituar o que se entende por ocorrncia de um
evento.
Sej a E um exper i ment o com um espao amost r a associ ado S. Sej a A um event o
de S. di t o que o event o A ocor r e se r eal i zada a exper i nci a, i st o , se execut a-
do E, o r esul t ado f or umel ement o de A.
Sejam A e B dois eventos de um mesmo espao amostra S. Diz-se que ocorre o evento:
1. A unio B ou A soma B, anotado por AB, se e somente se A ocorre ou B ocorre.

2. A produto B ou A interseo B, anotado por AB ou AB, se e somente A ocorre e B ocor-
re.
AB


7

3. A menos B ou A diferena B, anota-se A - B, se e somente se A ocorre e B no ocorre.

4. O complementar de A, anotado por A, A
C
ou ainda A se e somente se A no ocorre.

1.6. EVENTOS MUTUAMENTE EXCLUDENTES
Dois eventos A e B, so denominados mutuamente exclusivos ou excludentes, se eles no pu-
derem ocorrer juntos, isto , se AB =.
1.7. PROPRIEDADE DAS COMBINAES DE EVENTOS
Os diagramas de Venn (John Venn 1834-1923) podem ser usados para ilustrar propriedades
das operaes entre conjuntos.
As propriedades que podem ser verificadas atravs dos diagramas so:
Propriedade comutativa:
AUB =BUA
AB =BA
Propriedade associativa:
(AUB)UC =AU(BUC)
(AB)C =A(BC)
Propriedade distributiva:
AB
A - B
A'


8
A(BUC) =(AB)U(AC)
AU(BC) =(AUB) (AUC)
Propriedades da identidade:
AU =A
AU =A
As leis de De Morgan
1

(AB) =AUB
(AUB) =AB

1
Emhomenagemao lgico Britnico Augustus de Morgan (1805-1871)


9
2. CONCEITOS DE PROBABILIDADE
Existem pelo menos trs formas de se definir probabilidade. Entre elas a definio clssica, a
freqencial e a axiomtica. A definio subjetiva no ser tratada.
2.1. A DEFINIO CLSSICA
Seja E um experimento aleatrio e S um espao amostra associado formado por n resulta-
dos igualmente provveis. Seja A S um evento com m elementos. A probabilidade de A, anotada
por P(A), l-se pe de A, definida como sendo: P(A) =m / n
Isto , a probabilidade do evento A o quociente entre o nmero m de casos favorveis e o
nmero n de casos possveis.
Exemplo 2.1
Calcular a probabilidade de no lanamento de um dado equilibrado obter-se:
(a) Um resultado igual a 4.
(b) Um resultado mpar.
Soluo:
S ={ 1, 2, 3, 4, 5, 6 } n =#(S) =6
(a) A ={ 4 } m =#(A) =1 ento P(A) =m / n =1 / 6 =16,67%
(b) B ={ 1, 3, 5 } m =#(B) =3 ento P(B) =m / n =3 / 6 =50%
2.1.1. Crtica def inio clssica
(i) A definio clssica dbia, j que a idia de igualmente provvel a mesma de com
probabilidade igual, isto , a definio circular, porque est definindo essencialmente a probabilida-
de com seus prprios termos.
(ii) A definio no pode ser aplicada quando o espao amostral infinito.
2.2. A DEFINIO FREQNCIAL
Na prtica acontece que nem sempre possvel determinar a probabilidade de um evento.
Neste caso necessrio ter um mtodo de aproximao desta probabilidade. Um dos mtodos utiliza-


10
dos a experimentao que objetiva estimar o valor da probabilidade de um evento A com base em va-
lores reais. A probabilidade avaliada atravs deste processo denominada de probabilidade emprica.
2.2.1. Freqncia relativa de um evento
Seja E um experimento e A um evento de um espao amostra associado ao experimento E.
Suponha-se que E seja repetido n vezes e seja m o nmero de vezes que A ocorre nas n repeti-
es de E. Ento a freqncia relativa do evento A, anotada por fr
A
, o quociente:
f r
A
= m/ n = ( nmer o de vezes que A ocor r e) / ( nmer o de vezes que E r epet i -
do)
Exemplo 2.2
(i) Uma moeda foi lanada 200 vezes e forneceu 102 caras. Ento a freqncia relativa de ca-
ras : fr
A
=102 / 200 =0,51 =51%
(ii) Um dado foi lanado 100 vezes e a face 6 apareceu 18 vezes. Ento a freqncia relativa
do evento A ={face 6} : fr
A
=18 / 100 =0,18 =18%
2.2.2. Propriedades da f reqncia relativa
Seja E um experimento e A e B dois eventos de um espao amostra associado S. Sejam fr
A
e
fr
B
as freqncias relativas de A e B respectivamente. Ento.
(i) 0 fr
A
1, isto , a freqncia relativa do evento A um nmero que varia entre 0 e 1.
(ii) fr
A
=1 se e somente se, A ocorre em todas as n repeties de E.
(iii) fr
A
=0, se e somente se, A nunca ocorre nas n repeties de E.
(iv) fr
AUB
=fr
A
+fr
B
se A e B forem eventos mutuamente excludentes.
Def i ni o
Seja E um experimento e A um evento de um espao amostra associado S. Suponhamos que E
repetido n vezes e seja fr
A
a freqncia relativa do evento. Ento a probabilidade de A definida
como sendo o limite de fr
A
quando n tende ao infinito. Ou seja:
P(A) =
n
A
fr
lim



11
Deve-se notar que a freqncia relativa do evento A uma aproximao da probabilidade de
A. As duas se igualam apenas no limite. Em geral, para um valor de n, razoavelmente grande a fr
A

uma boa aproximao de P(A).
2.2.3. Crtica def inio f reqencial
Esta definio, embora til na prtica, apresenta dificuldades matemticas, pois o limite pode
no existir. Em virtude dos problemas apresentados pela definio clssica e pela definio freqenci-
al, foi desenvolvida uma teoria moderna
2
, na qual a probabilidade um conceito indefinido, como o
ponto e a reta o so na geometria.
2.3. DEFINIO AXIOMTICA
Seja E um experimento aleatrio com um espao amostra associado S. A cada evento A S
associa-se um nmero real, representado por P(A) e denominado probabilidade de A, que satisfaz as
seguintes propriedades (axiomas):
(i) 0 P(A) 1;
(ii) P(S) =1;
(iii) Se AB = ento P(AUB) =P(A) +P(B)
(iv) Se A
1
, A
2
, ..., A
n
, ..., forem, dois a dois, eventos mutuamente excludentes, ento:
=
=
1 1 i
i
i
i
) ( P ) ( P
A A U
Obs.: Os trs primeiros axiomas so suficientes para lidar com espaos amostrais finitos. Para manejar
espaos amostrais infinitos o axioma trs deve ser substitudo pelo axioma quatro.
2.3.1. Conseqncias dos axiomas (propriedades)
(i) P() =0
Prova
Seja A S ento tem-se que A =, isto , A e so mutuamente excludentes. Ento:

2
Devida a Andrey Nikolaevich Kolmogorov (1903-1987)


12
P(A) =P(A) =P(A) +P(), pelo axioma trs. Cancelando P(A) em ambos os lados da i-
gualdade segue que P() =0.
(ii) Se A e A so eventos complementares ento: P(A) +P(A ) =1 ou P(A ) =1 - P(A)
Prova
Tem-se que AA = e AA =S. Ento:
1 =P(S) =P(AA ) =P(A) +P(A ), pela propriedade 3.
(iii) Se A B ento P(A) P(B)
Prova
Tem-se: B =A(B - A) e A(B - A) =
Assim P(B) =P(A(B - A)) =P(A) +P(B - A) e como P(B - A) 0 segue que:
P(B) P(A)
(iv) Se A e B so dois eventos quaisquer ento:
P(A - B) =P(A) - P(AB)
Prova
A =(A - B)(AB) e (A - B) (AB) =
Logo P(A) =P((A - B)(AB)) =P(A - B) +P(AB). Do que segue:
P(A - B ) =P(A) - P(AB).
(v) Se A e B so dois eventos quaisquer de S, ento:
P(AB) =P(A) +P(B) - P(AB)
Prova
AB =(A - B)B e (A - B)B= Tem-se ento:
P(AB) =P((A - B)B) =P(A - B) +P(B) =P(A) +P(B) - P(AB), pela propriedade (iv).
(vi) P(ABC) =P(A) +P(B) +P(C) - P(AB) - P(AC) - P(BC) +P(ABC)
Prova
Faz-se BC =D e aplica-se a propriedade (v) duas vezes.


13
(vii) Se A
1
, A
2
, ..., A
n
so dois a dois mutuamente exclusivos, ento:
= =
=
n
i
i
n
i
i
) ( P ) ( P
A A
1 1
U

Prova
A prova realizada por induo matemtica. O axioma trs implica que o resultado vale para
n =2. Agora preciso mostrar que se o resultado verdadeiro para algum n >2 ento ele vale para
n +1. Este resultado combinado com o fato de que ele vlido para n =2, implica que ele vlido pa-
ra n 2.
Suponhamos que o resultado vale para "n >2", isto :
= =
=
n
i
i
n
i
i
) ( P ) ( P
A A
1 1
U
. Vamos considerar o caso "n +1", ou seja:
=
+
=
+
=
A A A
n
n
i
i
n
i
i
P ) ( P
1
1
1
1
U
U U
= ) ( P P
A A
n
n
i
i 1
1
+
=
+
U
= ) ( P )
A
A ( P
n
n
i
i
1
1
+
=
+
U
, pela propriedade sete.
Ento:
U U U
1
1
1
1
1
1
+
=
+
=
+
=
= + =
n
i
i
n
n
i
i
n
i
i
) ) ( P ) ) ( P
A ( P
A
A ( P
A
, que o resultado desejado.
(viii) Se A
1
, A
2
, ..., A
n
so eventos de um espao amostra S, ento: P(A
1
A
2
...A
n
) =
= =
=
n
i
i
n
i
i
) ( P ) ( P
A A
1 1
U
+ P
i j
i j
n
A A
( )
< =
2
+ P
i j r
i j r
n
A A A
( )
< < =
3
+... +(-1)
k+1
P(A
1
A
2
...A
n
)
Os axiomas mais as propriedades fornecem um conjunto de resultados para que se possa cal-
cular a probabilidade de qualquer evento A em termos de outros eventos dados. Entretanto ainda ne-
cessria a atribuio de probabilidades iniciais para um conjunto bsico de eventos a partir do qual as
probabilidades dos demais podero ser obtidas. Este problema resolvido nas duas sees seguintes.
2.4. PROBABILIDADE CONDICIONADA E INDEPENDNCIA
Considerando as propriedades vistas pra a probabilidade pode-se perceber que existem regras
para desdobrar a unio, a diferena e o complementar, no entanto, no existe uma regra para desdobrar
o produto. Para obter uma regra para o produto necessrio um conceito adicional que a idia de
probabilidade condicionada.


14
Suponha-se que se quer extrair duas peas ao acaso de um lote que contm 100 peas das
quais 80 peas so boas e 20 defeituosas, de acordo com os critrios (a) com reposio e (b) sem repo-
sio. Define-se os seguintes eventos:
A ={ A primeira pea defeituosa } e B ={ A segunda pea defeituosa }.
Ento, se a extrao for com reposio P(A) =P(B) =20 / 100 =1 / 5 =20%, porque existem
20 peas defeituosas num total de 100.
Agora se a extrao for sem reposio tem-se ainda que P(A) =20 / 100 =20%, mas o mesmo
no verdadeiro para P(B). Neste caso, necessrio conhecer a composio do lote no momento da
extrao da segunda pea, isto , preciso saber se a primeira pea retirada foi ou no defeituosa. Nes-
te caso necessrio saber se A ocorreu ou no. O que mostra a necessidade do conceito de probabili-
dade condicionada.
2.4.1. Def inio
Sejam A e B dois eventos de um espao amostra S, associado a um experimento E, onde
P(A) >0. A probabilidade de B ocorrer condicionada a A ter ocorrido, ser representada por P(B/A), e
lida como: probabilidade de B dado A ou probabilidade de B condicionada a A, e calculada por:
P(B/A) = P(AB) / P(A)
No exemplo acima, ento P(B/A) =19 / 99, pois se A ocorreu (isto , se saiu pea defeituosa
na primeira retirada) existiro na urna apenas 99 peas das quais 19 defeituosas.
Sempre que se calcular P(B/A) est se calculando a probabilidade de ocorrncia do evento B
em relao ao espao amostra reduzido A, ao invs de faz-lo em relao ao espao amostral original
S.
Quando se calcula P(B) est se calculando a probabilidade de estar em B, sabendo-se que se
est em S, mas quando se calcula P(B/A) est calculando a probabilidade de B, sabendo-se que se est
em A agora e no mais em S, isto , o espao amostra fica reduzido de S para A.
simples verificar as seguintes propriedades de P(B/A) para A fixado:
(i) 0 P(B/A) 1,
(ii) P(S/A) =1,
(iii) P(B
1
B
2
/A) =P(B
1
/ A) +P(B
2
/ A) se B
1
B
2
=
(iv) P(B
1
B
2
....
/A) =P(B
1
/A) +P(B
2
/A) +... se B
i
B
j
= para i j.
Observe-se que estas propriedades so idnticas aos axiomas de probabilidade.


15
Pode-se tambm comparar P(A/B) e P(A). Para tanto considere-se os quatro casos ilustrados
nos diagramas abaixo:
Tem-se:
(a) P(A/B) =0, porque A no poder ocorrer se B tiver ocorrido.
(b) P(A/B) =P(AB) / P(B) =[P(A) / P(B)] P(A), j que P(A) P(B), pois A B.
(c) P(A/B) =P(AB) / P(B) =[P(B) / P(B)] =1 P(A).
(d) Neste caso nada se pode afirmar sobre o relacionamento entre P(A/B) e P(A).
a) AB = (b) A B (c) B A (d) Caso geral
2.4.2. Teorema da multiplicao
Com o conceito de probabilidade condicionada possvel apresentar uma maneira de se cal-
cular a probabilidade da interseo de dois eventos A e B em funo destes eventos. Esta expresso
denominada de teorema da multiplicao.
P(AB) = P(A).P(B/A) = P(A/B).P(B)
2.4.3. Independncia de dois eventos
Sejam A e B dois eventos de um espao amostra S. A e B so ditos independentes se a pro-
babilidade de um deles ocorrer no afetar a probabilidade do outro ocorrer, isto , se:
P(A/B) = P(A) ou
P(B/A) = P(B) ou ainda se
P(AB) = P(A).P(B)
Qualquer uma das trs relaes acima pode ser usada como definio de independncia.
Exemplo 2.3
[MEY78] Trs componentes C
1
, C
2
, e C
3
, de um mecanismo so postos em srie (em linha re-
ta). Suponha que esses componentes sejam dispostos em ordem aleatria. Seja R o evento { C
2
est
direita de C
1
}, e seja S o evento { C
3
est direita de C
1
}. Os eventos R e S so independentes? Por
qu?

A B
B
A
A
B

A B


16
Soluo:
Para que R e S sejam independentes deve-se ter: P(RS) =P(R).P(S).
O espao amostra para este caso :
S ={C
1
C
2
C
3
, C
1
C
3
C
2
, C
2
C
1
C
3
, C
2
C
3
C
1
, C
3
C
1
C
2
, C
3
C
2
C
1
}
As seqncias em que C
2
est direita de C
1
so:
R ={C
1
C
2
C
3
, C
1
C
3
C
2
, C
3
C
1
C
2
}. Logo: P(R) =3/6 =50%
3
est direita de C
1
so:
S ={C
1
C
2
C
3
, C
1
C
3
C
2
, C
2
C
1
C
3
}. Logo P(S) =3/6 =50%
2
est direita de C
1
e C
3
est tambm direita de C
1
so:
RS ={C
1
C
2
C
3
, C
1
C
3
C
2
}. Logo
P(RS ) =2/6 =1/3 =33,33% P(R).P(S) =0.5.0,5 =0,25 =25%
Portanto os eventos R e S no so independentes.
2.5. TEOREMAS DA PROBABILIDADE TOTAL E DE BAYES
O conceito de probabilidade condicionada pode ser utilizado para calcular a probabilidade de
um evento simples A ao invs da probabilidade da interseo de dois eventos A e B. Para tanto ne-
cessrio o conceito de partio de um espao amostra.
Def i ni o
Diz-se que os conjuntos A
1
, A
2
, ..., A
n
eventos de um mesmo espao amostra S, formam uma
partio deste espao se:
(a) A
i
A
j
=, para todo i j.
(b) A
1
A
2
... A
n
=S
(c) P(A
i
) >0, para todo i
Exemplo 2.4
Considere-se o espao amostra obtido pelos
nmeros das faces no lanamento de um dado equilibrado e sejam os eventos:
A
1
={1, 2, 3}, A
2

={4, 5} e A
3
={6}
Ento, pode-se verificar facilmente que, os eventos acima formam um partio do espao a-
mostra S ={1, 2, 3, 4, 5, 6}.
A
1
A
4
A
n-1

A
5
A
2 ...................................

A
3
A
n



17
A
1
A
4
A
n-1

A
5
A
2 ...................................

A
3
A
n

B
2.5.1. Teorema da probabilidade total
Considere-se um espao amostra S e A
1
, A
2
, ..., A
n
uma partio deste espao amostra. Seja B
um evento de S. Ento B, pode ser escrito como (A figura acima ilustra a partio com n =8):
B =(B A
1
) (B A
2
) ... (B A
n
)
claro que, alguns destes conjuntos B A
j
,
podero ser vazios, mas isto no representa nenhum
problema na decomposio de B. O importante que
todos os conjuntos B A
1
, B A
2
, ..., B A
n
so
dois a dois mutuamente excludentes. E por isto, pode-
se aplicar a propriedade da adio de eventos mutuamente excludentes e escrever.
P(B) =P[(B A
1
) (B A
2
) ... (B A
n
)] =P(B A
1
) +P(B A
2
) +... +P(B A
n
)
Mas cada um dos termos P(B A
j
) pode ser escrito na forma:
P(B A
j
) =P(A
j
).P(B/A
j
), pela definio de probabilidade condicionada, obtm-se ento o
denominado teorema da probabilidade total:
P(B) = P(A
1
).P(B/A
1
) + P(A
2
).P(B/A
2
) + ... + P(A
n
).P(B/A
n
)
Exemplo 2.5
Uma determinada pea manufaturada por 3 fbricas: A, B e C. Sabe-se que A produz o do-
bro de peas que B e que B e C produzem o mesmo nmero de peas. Sabe-se ainda que 2% das peas
produzidas por A e por B so defeituosas, enquanto que 4% das produzidas por C so defeituosas. To-
das as peas produzidas so misturadas e colocadas em um depsito. Se do depsito for retirada uma
pea ao acaso, qual a probabilidade de que ela seja defeituosa?
Soluo:
Considerem-se os seguintes eventos:
D ={ A pea defeituosa }, A ={ A pea provm da fbrica A }, B ={ A pea provm da
mquina B } e C ={ A pea provm da mquina C }.
Tem-se ento que: P(A) =50%, P(B) =P(C) =25%, uma vez que s existem as 3 fbricas e
que A produz o dobro de B e esta por sua vez produz a mesma quantidade que C. Sabe-se tambm que
P(D/A) =P(D/B) =2% e que P(D/C) =4%.
Pelo teorema da probabilidade total pode-se escrever que:


18
P(D) =P(A).P(D/A) +P(B).P(D/B) +P(C).P(D/C) =0,5.0,02 +0,25.0,02 +0,25.0,04 =
2,50%, pois A, B e C formam uma partio do espao amostra S.
2.5.2. Teorema de Bayes
Suponha-se que no exemplo acima, uma pea retirada do depsito e se verifica que defei-
tuosa. Qual a probabilidade de que tenha sido produzida pela fbrica A? ou B? ou ainda C?
Neste caso, o que se quer calcular a
probabilidade condicionada P(A/D).
Pela notao j vista acima, e genera-
lizando a questo o que se est interessado em
obter a probabilidade de ocorrncia de um
dos A
i
dado que B ocorreu, isto , o que se quer
saber o valor de P(A
i
/ B), onde os eventos
A
1
, A
2
, ..., A
n
formam uma partio de S e B
um evento qualquer de S.
Aplicando a definio de probabilidade condicionada segue que:
P(A
i
/ B) =P(A
i
B) / P(B) =P(A
i
).P(B / A
i
) / P(B), onde P(B) avaliado pelo teorema da
probabilidade total. Este resultado conhecido como teorema de Bayes. Assim:
P(A
i
/ B) = P(A
i
).P(B / A
i
) / [P(A
1
).P(B/A
1
) + P(A
2
).P(B/A
2
) + ... + P(A
n
).P(B/A
n
)]
Exemplo 2.6
Considerando a pergunta acima vem ento:
P(A / D), isto a probabilidade de ter sido produzida pela mquina A dado que a pea defei-
tuosa :
P(A / D) =P(A). P(D / A) / P(D) =0,02.0,50 / (0,5.0,02 +0,25.0,02 +0,25.0,04) =0,40 =
40%
A
4


19
3. VARIVEIS ALEATRIAS
3.1. INTRODUO
Ao se descrever o espao amostra de um experimento nota-se que os elementos no so ne-
cessariamente nmeros. Assim, por exemplo, no lanamento de duas moedas pode-se ter o seguinte
espao amostra:
S ={ cc, ck, kc, kk }
Contudo, na maior parte das vezes, se est interessado num resultado numrico, isto , deseja-
se associar aos elementos do espao amostra S um nmero real x =X(s).
Seja E um experimento com um espao amostra associado S. Uma funo X que associe a ca-
da elemento de S (s S) um nmero real x =X(s) denominada varivel aleatria.
O conjunto formado por todos os valores x, isto , a imagem da varivel aleatria X, de-
nominado de conjunto de valores de X e anotado por X(S). Desta forma:
X(S) ={ x / X(s) =x }
Exemplo 3.1
Seja S o espao amostra formado pelas seqncias obtidas no lanamento de 3 moedas equili-
bradas. Seja X a varivel aleatria definida como sendo o nmero de caras da seqncia, isto , X(s) =
x =nmeros de caras. O conjunto de valores da varivel X X(S) ={ 0, 1, 2, 3 }, pois, neste caso,
tem-se:
X(ccc) =0
X(ckk) =1, etc.
Ou ento:
s kkk ckk, kck, kkc cck, ckc, kcc ccc
X(s) 0 1 2 3
Conforme o conjunto de valores uma varivel aleatria poder ser discreta ou contnua.
Se o conjunto de valores for finito ou ento infinito enumervel a varivel dita discreta.
Se o conjunto de valores for infinito no enumervel ento a varivel dita contnua.


20
3.2. VARIVEL ALEATRIA DISCRETA
Uma varivel aleatria X dita discreta se o seu conjunto de valores X(S) finito ou ento in-
finito contvel ou enumervel.
Observao.: Um conjunto dito contvel se ele puder ser colocado em correspondncia um a
um com os nmeros naturais.
3.2.1. A f uno de probabilidade
Seja X uma varivel aleatria discreta (VAD), isto , com X(S) finito ou infinito enumervel,
definida num espao amostral S. A cada resultado x
i
de X(S) associa-se um nmero f(x
i
) =P(X =x
i
)
denominado probabilidade de x
i
e tal que satisfaz as seguintes propriedades:
f(x
i
) 0, para todo i.
f(x
i
) =1
A funo f assim definida denominada de funo de probabilidade de X
A coleo dos pares (x
i
, f(x
i
)) para i =1, 2, 3, ... denominada de distribuio de probabili-
dade da VAD X.
Note-se que f(x) =P(X =x) =P({s S / X(s) =x}) Desta forma quando se calcula f(x) est
se calculando, na realidade, a probabilidade do evento {s S / X(s) =x} S.
Exemplo 3.2
Dois dados so lanados e observa-se o par obtido. O espao amostra formado por 36 resul-
tados equiprovveis. Sejam X e Y duas variveis aleatrias definidas da seguinte forma:
X =soma do par obtido
Y =maior valor do par
Tem-se ento:
X(S) ={2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Y(S) ={1, 2, 3, 4, 5, 6}
Para X tem-se:
f(2) =P( X =2) =P({ (1, 1) }) =1/36
f(3) =P( X =3) =P({ (2, 1), (1, 2) }) =2/36
f(4) =P( X =4) =P({ (1, 3), (2, 2), (3, 1) }) =3/36


21
f(5) =P( X =5) =P({ (1, 4), (2, 3), (3, 2), (4, 1) }) =4/36
f(6) =P( X =6) =P({ (1, 5), (2, 4), (3, 3), (4, 2), (5, 1) }) =5/36
f(7) =P( X =7) =P({ (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) }) =6/36
f(8) =P( X =8) =P({ (2, 6), (3, 5), (4, 4), (5, 3), (6, 2) }) =5/36
f(9) =P( X =9) =P({ (3, 6), (4, 5), (5, 4), (6, 3) }) =4/36
f(10) =P( X =10) =P({ (4, 6), (5, 5), (6, 4) }) =3/36
f(11) =P( X =11) =P({ (5, 6), (6, 5) }) =2/36
f(12) =P( X =12) =P({ (6, 6)}) =1/36
Em resumo:
x 2 3 4 5 6 7 8 8 10 11 12
f(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Para Y tem-se:
f(1) =P( Y =1) =P({ (1, 1) }) =1/36
f(2) =P( Y =2) =P({ (2, 1), (2, 2), (1, 2) }) =3/36
f(3) =P( Y =3) =P({ (1, 3), (2, 3), (3, 3), (3,2), (3, 1) }) =5/36
f(4) =P( Y =4) =P({ (1, 4), (2, 4), (3, 4), (4, 4), (4, 3), (4, 2), (4, 1) }) =7/36
f(5) =P( Y =5) =P({ (1, 5), (2, 5), (3, 5), (4, 5), (5, 5), (5, 4), (5, 3), (5, 2), (5, 1) }) = 9/36
f(6) =P( Y =6) =P({ (1, 6), (2, 6), (3, 6), (4, 6), (5, 6), (6, 6), (6, 5), (6, 4), (6, 3), (6, 2),
(6, 1)}) =11/36
Em resumo:
x 1 2 3 4 5 6
f(x) 1/36 3/36 5/36 7/36 9/36 11/36
3.2.2. Representao da f uno de probabilidade
Existem trs maneiras de representar a funo de probabilidade de uma VAD X:
(i) Atravs de uma tabela.
(ii) Atravs de uma expresso analtica para f(x) (frmula).
(iii) Atravs de um diagrama, onde os valores da varivel so registrados no eixo das abscis-
sas e as probabilidades no eixo das ordenadas.


22
Exemplo 3.3
(i) As duas tabelas acima.
(ii) Considere-se a varivel Y, do exemplo acima, onde Y(S) ={1, 2, 3, 4, 5, 6}. Ento:
f: Y(S)
y (2y - 1)/36
Deste modo: f(1) =(2.1 - 1) / 36 = 1 / 36
f(6) =(6.2 - 1) / 36 =11/ 36
(iii) Veja o diagrama abaixo.
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
1 2 3 4 5 6

Figura 3.1 - Diagrama de barras da distribuio de Y
3.2.3. A f uno de distribuio acumulada
Seja X uma VAD com funo densidade f(x). Ento a funo de distribuio acumulada -
FDA, ou simplesmente funo de distribuio (ou repartio) de X a funo F definida por:
F(x) =P(X x).
Da Definio segue que:
P(a <X b) =P(X b) P(X a) =F(b) F(a).
Se X for uma VAD ento a F a funo em escada definida por:
F(x) =P(X x) = f
i
x x
i
( ) x

Se X for uma VAC ento a funo F(x) definida por:
F(x) =
du ) u ( f
x
-



23
Outras propriedades que decorremda definio so:
(i) F(x) uma funo montona crescente, isto , se x
1
x
2
, ento F(x
1
) F(x
2
)
(ii) 0 ) x ( F
lim
x
=

e 1 ) x ( F
lim
x
=

(iii) 0 F(x) 1 para - <x <
(iv) Se X discreta ento F(x) apresenta umsalto de altura f(x
i
) para i =1, 2, 3, ... e constan-
te no intervalo [x
i
; x
i+1
). AssimF(x) =F(x
i
) para x
i
x x
i+1
e F(x
i+1
) =F(x
i
) +f(x
i+1
).
Pode ser notado que a FDA de qualquer varivel discreta cresce sempre emsaltos, isto , ela
uma funo emescada (observe a Figura 3.2), enquanto que a FDA de uma varivel aleatria contnua
tambmcontnua e no apresenta saltos (descontinuidades).
A FDA de uma varivel aleatria extremamente til principalmente no manejo do clculo de
probabilidades de funes comexpresses analticas complicadas ou daquelas funes que no so in-
tegrveis numericamente.
Exemplo 3.4
Seja X uma VAD coma distribuio da tabela abaixo:
x -2 1 2 4
f(x) 1/4 1/8 1/2 1/8
Ento a funo de distribuio de X dada por:
F(x) = 0 se x <-2
=1/4 se -2 x <1
=3/8 se 1 x <2
=7/8 se 2 x <4
= 1 se x 4

Figura 3.2 - A Funo de Distribuio Acumulada


24
3.3. VARIVEL ALEATRIA DISCRETA (CARACTERIZAO)
Considere X uma varivel aleatria discreta assumindo os valores: x
1
, x
2,
..., x
i
, ..., comproba-
bilidades f(x
1
), f(x
2
), .... , f(x
i
), ....
3.3.1. Expectncia, esperana, mdia ou valor esperado de X
A mdia, expectncia, valor esperado ou esperana matemtica da varivel aleatria X re-
presentada por ou E(X) e calculada por:
=E(X) =x
1
f(x
1
) +x
2
f(x
2
) +... +x
n
f(x
n
) +... =
i i
x x
f . ( )
Exemplo 3.5
Calcular o nmero esperado de faces caras no lanamento de duas moedas equilibradas.
Soluo:
Seja X =Nmero de caras. Ento a distribuio de X dada por:
x 0 1 2
f(x) 1/4 2/4 1/4
Logo a expectncia de X ser: E(X) =0.(1/4) +1.(2/4) +2.(1/4) =1/2 +1/2 =1 cara.
3.3.2. A varincia de X
Seja X uma varivel aleatria discreta commdia =E(X). Ento a varincia de X, anotada
por
2
ou V(X) definida por:
2
=V(X) =f(x
1
) (x
1
- )
2
+f(x
2
) (x
2
- )
2
+... +f(x
n
) (x
n
- )
2
+... =
)
x
(
x
i
2
i
) ( f

Pode-se demonstrar que a expresso da varincia, acima, pode ser transformada na seguinte
expresso:
2
=V(X) =
)
x
(
x
i
2
i
) ( f

=

2
2
i i
x x
) ( f =E(X
2
) - [E(X)]
2
=E(X
2
) -
2

Exemplo 3.6
Calcular a varincia da distribuio do exemplo anterior.
Soluo:
Tem-se que:


25
E(X) =1, ento:
2
=V(X) = f
i i
x
x ( )( )
2
=(1/4)(0 - 1)
2
+(2/4)( 1 - 1)
2
+(1/4)(2 - 1)
2
=1/2
Ou ainda:
E(X
2
) =(1/4).0
2
+(2/4).1
2
+(1/4).2
2
=3/2
2
=V(X) =E(X
2
) -
2
=3/2 - 1
2
=1/2
3.3.3. O desvio padro
O desvio padro da varivel X, anotado por , a raiz quadrada da varincia.
3.3.4. A varincia relativa e o coef iciente de variao
Seja X uma varivel aleatria discreta commdia =E(X) e varincia
2
=V(X). Ento a va-
rincia relativa de X, anotada por:
2
, e definida por:
2
=
2
/
2

O coeficiente de variao de X definido como a raiz quadrada da varincia relativa: = /
Exemplo 3.7
Umvendedor recebe uma comisso de R$ 50,00 por uma venda. Baseado em suas experin-
cias anteriores ele calculou a distribuio de probabilidades das vendas semanais:
x 0 1 2 3 4
f(x) 0,10 0,20 0,40 0,20 0,10
(a) Qual o valor esperado de vendas por semana?
(b) Qual a probabilidade de ganhar pelo menos R$ 150,00 por semana?
(c) Qual o desvio padro das vendas semanais?
(d) Qual o coeficiente de variao das vendas semanais?
Soluo:
(a) E(X) =0.0,10 +1.0,20 +2.0,40 +3.0,20 +4.0,10 =2 vendas por semana. Logo, como ele
recebe R$ 50,00 por venda a renda esperada semanal : R$ 100,00.
(b) Para ganhar pelo menos R$ 150,00 por semana ele deve realizar 3 ou 4 vendas por sema-
na. Esta probabilidade : P(X 3) =0,20 +0,10 =0,30 =30%


26
(c) Deve-se inicialmente avaliar o valor da varincia e para tanto calcula-se antes a mdia dos
quadrados: E(X
2
) =0
2
.0,10 +1
2
.0,20 +2
2
.0,40 +3
2
.0,20 +4
2
.0,10 =5,20.
A varincia ento:
V(X) =E(X
2
) -
2
=5,20 - 2
2
=5,20 - 4 =1,20
O desvio padro ser: = 120 , =1, 10
(d) O coeficiente de variao o quociente entre o desvio padro e a mdia, isto :
= / =1,10 / 2 =0,55 =55%
3.4. DISTRIBUIES ESPECIAIS DE PROBABILIDADE DISCRETAS
Existemalgumas distribuies de probabilidade para variveis discretas que pela sua freqn-
cia de uso vale a pena estudar mais detalhadamente. Estas distribuies apresentamexpresses para o
clculo das probabilidades, isto , as probabilidades f(x) podemser avaliadas atravs de ummodelo
matemtico conhecido. Duas destas distribuies so a Binomial e a distribuio de Poisson.
3.4.1. A distribuio de Bernoulli
O experimento corresponde a qualquer umque produza apenas dois resultados. Estes resulta-
dos so anotados por 0 ou fracasso e 1 ou sucesso. A probabilidade de ocorrncia de sucesso
representada por p e a de insucesso por q =1 p.
O conjunto de valores X(S) ={0, 1} e a funo de probabilidade dada por:
=
= =
= = =
1 x se p
0 x se q p 1
) x X ( P ) x ( f
A representao grfica da distribuio dada por:
0
1
0
0,2
0,4
0,6

Figura 3.3 Distribuio de Bernoulli comparmetro p =0,40


27
A funo de distribuio da Bernoulli de parmetro p dada por:
Sua representao grfica pode ser vista na Figura 3.4
Figura 3.4 FDA de uma Bernoulli com parmetro p = 0,40
Propri edades da di st ri bui o de Bernoul l i
Mdia, expectncia ou valor esperado
=E(X) = ) x ( f . x
=0.q +1.p =p, isto , a mdia de uma varivel aleatria comdistribuio

de Bernoulli igual ao seu parmetro p.
Varincia
2
=E(X
2
) -
2
=0.q +1.p p
2
=p p
2
=p(1- p) =pq, isto , a varincia de uma varivel ale-
atria comdistribuio de Bernoulli igual ao produto pq. Analisando este produto percebe-se que
ele mximo quando o valor do parmetro p =0,50.
O desvio padro
= pq
Exemplo 3.8
Suponha que umcircuito testado e que ele seja rejeitado com probabilidade 0,10. Seja X =
o nmero de circuitos rejeitados emumteste. Determine a distribuio de X.
1
0
q
1
p
<
<
= =
1 x se p
1 x 0 se q
0 x se 0
) X ( P ) x ( F


28
Soluo:
Como se trata de umnico teste, a varivel X Bernoulli comp =10%, assima distribuio
:
=
=
= = =
1 x se 0,1
0 x se 9 , 0
) x X ( P ) x ( f
3.4.2. A distribuio Binomial
Seja E umexperimento aleatrio e S umespao amostra associado. Seja A S umevento de
S. Seja n o nmero de vezes que o experimento E repetido e seja p a probabilidade de A ocorrer
emcada uma das n repeties de E, de modo que, p permanea constante durante as n repeties
de E. Como existemapenas duas situaes: A ocorre ou A no ocorre, pode-se determinar a probabili-
dade de A no ocorrer como sendo q =1 - p. Em certas situaes a probabilidade p denominada de
probabilidade de sucesso e a probabilidade q de probabilidade de fracasso.
Def i ni o:
Seja X uma VAD definida por X =nmero de vezes que A ocorreu nas n repeties de E. A
varivel aleatria X denominada de varivel aleatria Binomial. O conjunto de valores de X, isto ,
X(S) :
X(S) ={ 0, 1, 2, 3, ..., n }
Figura 3.5 Distribuio B(50; 0,20)
0,00
3,00
6,00
9,00
12,00
15,00
0369
1
2
1
5
1
8
2
1
2
4
2
7
3
0
3
3
3
6
3
9
4
2
4
5
4
8


29
Teorema:
Se X uma varivel aleatria comumcomportamento Binomial, ento a probabilidade de X
assumir umdos valores do conjunto X(S) calculada por:
f(x) =P(X =x) =
q p
x n x
. .
x
n

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

Demonstrao:
Considere-se um elemento particular do espao amostra S, satisfazendo condio X =x.
Como todas as repeties so independentes a probabilidade desta seqncia particular dada por:
p
k
(1 - p)
n- k
, mas esta mesma probabilidade est associada a qualquer outro resultado emque X =k. O
nmero de resultados emque isto ocorre dado por
n
k
, porque se deve escolher exatamente k casos

dentre n possibilidades para o evento A. Como estes resultados so todos mutuamente excludentes,
ento o valor de P(X =k) o da frmula acima.
Representao:
Se X temumcomportamento Binomial de parmetros n e p ento representa-se X por
B(n, p).
Exemplo 3.9
Considerando X como sendo a VAD igual a nmero de vezes que ocorre face cara em5 lan-
amentos de uma moeda equilibrada, determinar a probabilidade de ocorrer:
(a) Duas caras
(b) Quatro caras
(c) No mximo duas caras
Soluo:
Neste caso, tem-se:
n =5 =nmero de lanamentos.
X =nmero de caras nos 5 lanamentos X(S) ={ 0, 1, 2, 3, 4, 5 }
p =P(cara emumlanamento) =0,50, pois a moeda equilibrada. Logo q =1 - p =0,50
Ento:


30
f(x) =P(X =x) =
5 , 0 5 , 0
x 5 x
. .
x
5

, para x =0, 1, 2, 3, 4, 5
(a) P(X =2) =
5 , 0 5 , 0
3 2
. .
2
5
=10.0,25.0,125 =31,25%
(b) P(X =4) =
5 , 0 5 , 0
1 4
. .
4
5
=5. 0,0625.0,5 =15,62%

(c) P(X 2) =
5 , 0 5 , 0
5 0
. .
0
5
+
5 , 0 5 , 0
4 1
. .
1
5
+
5 , 0 5 , 0
3 2
. .
2
5
=0,5
5
+5.0,5
5
+10.0,5
5
=50%
Propri edades da di st ri bui o bi nomi al
A vantagemde se ter ummodelo conhecido que podemos determinar suas caractersticas de
ummodo geral. Assimse X uma VAD comuma distribuio Binomial tem-se:
=E(X) = ) x ( f . x
=
q p
x n x
. .
x
n
. x

=np, isto , a mdia de uma varivel aleatria comdis-

tribuio binomial igual ao produto dos parmetros n e p.
Varincia
2
=E(X
2
) -
2
=
q p
x
x n x
2
. .
x
n
.

- (np)
2
=npq, isto , a varincia de uma varivel aleatria
comdistribuio binomial igual ao produto dos parmetros n e p e multiplicados ainda por q.
O desvio padro
= npq
Exemplo 3.10
A probabilidade de umexemplar defeituoso comque opera certo processo produtivo de
10%. Considerando X a varivel nmero de unidades defeituosas emuma amostra ocasional de 20
unidades, determinar:
(a) O nmero mdio de itemdefeituosos na amostra.
(b) O desvio padro do nmero de itemdefeituosos na amostra.


31
Soluo:
(a) E(X) =np =20.0,10 =2 itens defeituosos
(b) = npq = 80 , 1 90 , 0 . 10 , 0 . 20 = =1,34 itens defeituosos.
Exemplo 3.11
[NET74] Numdeterminado processo de fabricao 10% das peas so consideradas defeituo-
sas. As peas so acondicionadas emcaixas com5 unidades cada uma.
(a) Qual a probabilidade de haver exatamente 3 peas defeituosas numa caixa?
(b) Qual a probabilidade de haver duas ou mais peas defeituosas numa caixa?
(c) Se a empresa paga uma multa de R$ 10,00 por caixa emque houver alguma pea defeituo-
sa, qual o valor esperado da multa numtotal de 1000 caixas?
Soluo:
(a) P(X =3) =
) 90 , 0 ( ) 10 , 0 (
2 3
. .
3
5
=10.0,001.0,81 =0,81%
(b) P(Duas ou mais defeituosas) =P(X =2) +P(X =3) +P(X =4) +P(X =5). Ao invs de
calcular desta forma mais conveniente utilizar o complementar. Assim:
P(X 2) =1 - P(X 1) =1 - [P(X =0) +P(X =1)] =1 - (0,5905 +0,3280] =8,15%
(c) A probabilidade de uma caixa pagar multa :
P(PM) =P(X 1) =1 - P(X =0) =1 - 0,5905 =40,95%
Neste caso tem-se uma nova Binomial comn =1000 e p =40,95%. O nmero esperado de
caixas que vo pagar multa, isto , comuma ou mais peas defeituosas ser:
E(PM) =np =1000.0,4095 =409,5 caixas.
Como cada uma paga R$ 10,00 de multa, o valor total da multa ser:
PM =R$ 10,00.409,5 = R$ 4 095,00
3.4.3. A distribuio Geomtrica
A distribuio Geomtrica, a exemplo da Binomial, tambmest relacionada com o experi-
mento de Bernoulli. A diferena que, agora, o que fixado o primeiro sucesso e no o nmero de
tentativas.


32
Def i ni o:
Seja X =nmero de tentativas realizadas at se conseguir o primeiro sucesso emumexperi-
mento de Bernoulli. Ento X uma VAD denominada de Geomtrica.
O conjunto de valores dado por X ={1, 2, 3, ... }
A funo de probabilidade dada por: f(x) =p.q
x-1

A representao grfica de uma distribuio comparmetro p =0,40 dada na Figura 3.6.
0,00
0,20
0,40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Figura 3.6 Distribuio G(0,4)
A funo de distribuio acumulada de uma Geomtrica dada por:
<
= =
1 x se q - 1
1 x se 0
) x X ( P ) x ( F
x

0,00
0,20
0,40
0,60
0,80
1,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Figura 3.7 A distribuio acumulada da G(0,4)


33
Propri edades da di st ri bui o Geomt ri ca
= E(X) =
p
1
q . p . x ) x ( f . x
1 x
1 x
1 x

=
=

=

=

Varincia
2
=E(X
2
) -
2
=
2
2
) x ( f .
x
=
= p
1
q p
x
2
1 x
1 x
2
=
p
q
2

O desvio padro
= p / q
Exemplo 3.12
Suponha que um jogador de futebol converta 3 de cada 4 penalidades cobradas. Determine a
probabilidade de ele errar 4 penalidades antes de converter a primeira?
Soluo:
Neste caso, tem-se: p =(3/4) =75% e q =(1/4) =25%
X =Nmero de tentativas antes do primeiro sucesso, , ento, uma G(0,75)
f(x) =P(X =x) =0,75.0,25
x-1
para x =1, 2, 3,
Portanto:
f(4) =P(X =4) =0,75.0,25
3
=1,17%
3.4.4. A distribuio Binomial Negativa
A distribuio binomial negativa tambmconhecida como de Pascal
3
ou de Plya
4
. Ela for-
nece o nmero de falhas at umnmero fixo de sucessos. Umexperimento que apresenta uma distribu-
io binomial negativa satisfaz as seguintes condies:
O experimento consiste de uma seqncia de tentativas independentes;

3
Blaise Pascal (1623 1662)


34
Cada tentativa apresenta apenas dois resultados: sucesso ou fracasso;
A probabilidade de sucesso permanece constante emtodas as tentativas;
O experimento continua at que umtotal de r sucessos sejamobservados, onde r um
valor inteiro maior do que um, fixado de antemo.
Def i ni o:
Seja X =nmero de tentativas realizadas at se conseguir o r-simo sucesso.
Ento X uma VAD denominada de Binomial Negativa ou de Pascal.
O conjunto de valores dado por X ={r, r +1, r +2, ... }
A funo de probabilidade dada por:
q p
1 r
1 x
) x X ( P ) x ( f
r x r
= = =
A representao grfica de uma distribuio comparmetro p =0,80 dada na Figura 3.8.
0,00
0,20
0,40
0,60
3 4 5 6 7 8 9 10 11 12

Figura 3.8 Distribuio BN(3; 0,8)
A funo de distribuio acumulada dada por:
<
=
=

x
r k
r k r
r x se q p
1 - r
1 - k
r x se 0
) x ( F

4
Geoge Plya (1887 1985)


35
0,00
0,20
0,40
0,60
0,80
1,00
1 2 3 4 5 6 7 8 9 10

Figura 3.9 Distribuio acumulada da BN(3; 0,8)
Propri edades da di st ri bui o Bi nomi al Negat i va
= E(X) =
p
r
q p
1 r
1 x
. x ) x ( f . x
x
r x r
r x

=
=

Varincia
2
=E(X
2
) -
2
=
2
2
) x ( f .
x
=
= p
r
q p
1 r
1 x
x
2
r x r
r x
2
=
p
rq
2

O desvio padro
= p / rq
Exemplo
Suponha que umjogador de basquete acerte 4 a cada 5 lances livres. Seja X o nmero de erros
antes do terceiro acerto. Determine a probabilidade que ele precise fazer 6 lances, isto , P(X =6).
Soluo:
Neste caso, tem-se:
r =3, p =(4/5) =80% e q =(1/5) =20%
X =Nmero de tentativas antes do terceiro acerto , ento, uma BN(3; 0,8)


36
2 , 0 8 , 0
r
1 x
) x X ( P ) x ( f
3 x 3

= = =
onde x =3, 4, 5, 6,
2 , 0 . 8 , 0
2
5
2 , 0 . 8 , 0
2
1 6
) 6 X ( P ) 6 ( f
3 3 3 6 3

= = =

=0,0410 =4,10%
Observaes:
Existe uma relao entre a Binomial e a Pascal (Binomial Negativa). Na Binomial fixa-se o
tamanho da amostra (nmero de provas de Bernoulli) e observa-se o nmero de sucessos.
Na Binomial Negativa fixa-se o nmero de sucessos e observa-se o tamanho da amostra (n-
mero de provas de Bernoulli) necessrio para obter o nmero fixado de sucessos.
Umsegundo caso especial da distribuio Binomial Negativa surge quando se temr =1. Nes-
te caso, tem-se a denominada distribuio Geomtrica, isto o nmero necessrio de provas de Ber-
noulli at a obteno do primeiro sucesso.
3.4.5. A distribuio Hipergeomtrica
Considere-se umconjunto de N elementos, r dos quais temuma determinada caracterstica (r
N) e N -r no tenhamesta caracterstica. Extra-se n elementos (n N) sem reposio. Seja X a vari-
vel aleatria igual ao nmero de elementos que possuema caracterstica entre os n retirados. X de-
nominada de varivel aleatria hipergeomtrica.
As probabilidades de uma varivel aleatria hipergeomtrica podemser avaliadas por:
P(X =x) =
n
N
x n
r N
x
r
comx =max{0, N - r - n}, ... , min(r, n).
Uma vez que X =x, se e somente se, foremretirados x elementos dentre os r que possuema
caracterstica e foremretirados n - x dentre os n - r que no possuema caracterstica.
Propriedades da distribuio Hipergeomtrica
Fazendo p =r/N e q =(N - r) / N, tem-se:


37
Mdi a, expect nci a ou val or esperado
=E(X) = ) x ( f . x
= x.
n
N
x n
r N
x
r
=... =(rn) / N =np.
Vari nci a
2
=E(X
2
) -
2
=
n
N
x n
r N
x
r
.
x
2
- (np)
2
=npq
N n
N
1
.
(c) P(X =x) q . p .
x
n
x n x
para N grande.
Note-se que se as extraes fossemfeitas com reposio, ter-se-ia uma distribuio Binomial.
A propriedade (c) afirma que para N suficientemente grande a distribuio hipergeomtrica pode ser
aproximada pela distribuio Binomial. Emgeral, esta aproximao ser boa se (n / N) 0,1.
A distribuio hipergeomtrica ser representada por H(r; n; N)
Figura 3.10 Distribuio hipergeomtrica H(20; 20; 50)
Exemplo 3.13
Uma caixa contm12 lmpadas das quais 5 esto queimadas. So escolhidas 6 lmpadas ao
acaso. Qual a probabilidade de que:
(a) Exatamente duas estejamqueimadas?
0,00
0,05
0,10
0,15
0,20
0,25
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15


38
(b) Pelo menos uma esteja boa?
(c) Pelo menos duas estejamqueimadas?
(d) O nmero esperado de lmpadas queimadas?
(e) A varincia do nmero de lmpadas queimadas?
Soluo:
Tem-se N =12, r =5 e n =6, ento:
(a) P(X =2) =
6
12
4
7
2
5
=37,88%
(b) Se so retiradas 6 lmpadas e somente 5 esto queimadas, ento necessariamente uma ser
boa, portanto:
P(pelo menos uma boa) =100%.
(c) P(X 2) =1 - P(X <2) =1 - [P(X =0) +P(X =1)] =1 -
5
0
7
6
12
6
-
5
1
7
5
12
6
=87,88%.
(d) E(X) =(rn) / N =5.6 / 12 =30/12 =5/2 =2,50.
(e) V(X) =
) 1 N (
) n N (
N
) r N (
N
nr

.=
11 12 12
6 7 5
. .
. .
=210/1584 =0,1326 =13,26%.
3.4.6. A distribuio Unif orme Discreta
A distribuio uniforme a mais simples das variveis discretas. A varivel assume os valo-
res: x
1
, x
2
, ..., x
n
sempre comigual probabilidade.
Def i ni o
Uma varivel aleatria X que assume os valores x
1
, x
2
, ..., x
n
dita uniforme discreta se todos
os valores ocorremcoma mesma probabilidade, isto , f(x
i
) =1/n.
A Figura 3.11 representa uma distribuio uniforme discreta de uma varivel que assume os
valores de 1 a 10.



39
0,00
0,05
0,10
1 2 3 4 5 6 7 8 9 10

Figura 3.11 Distribuio Uniforme Discreta com valores de 1 a 10
A funo acumulada dada por:
<
= =
x
x se
n
i
x
x se 0
)
x
( P )
x
( F
i
1
i i

A Figura 3.12 representa a funo de distribuio acumulada de uma uniforme discreta no
conjunto variando de 1 a 10.
0,00
0,20
0,40
0,60
0,80
1,00
1 2 3 4 5 6 7 8 9 10

Figura 3.12 FDA de uma uniforme no conjunto de 1 a 10


40
Propri edades da di st ri bui o Unif orme Di scret a
= E(X) =
= =
n
1 i
i i
n
1 i
i
x
n
1
)
x
( f
x

Varincia
2
=E(X
2
) -
2
=
2
2
) x ( f .
x
=
n
)
x
(
n
1
x
2
2
n
1 i
2
i
n
1 i
i
=
=
=
=
= n
x
x
n
1
n
1 i
2
i
2
n
1 i
2
i

Exemplo 3.14
Suponha que umdado honesto lanado. Seja X =valor da face voltada para cima. Determi-
nar a distribuio de X.
Soluo:
x 1 2 3 4 5 6

f(x) 1/6 1/6 1/6/ 1/6 1/6 1/6 1
3.4.7. A distribuio de Poisson
Na distribuio binomial, a varivel de interesse era o nmero de sucessos (ocorrncias do e-
vento A) emumintervalo discreto (n repeties do experimento E). Muitas vezes, entretanto, o inte-
resse reside no nmero de sucessos emumintervalo contnuo, que pode ser de tempo, comprimento,
superfcie, etc. Para se caracterizar uma distribuio que leve emconta o nmero de sucessos (valores)
emumintervalo contnuo, ser suposto que:
(i) Eventos definidos emintervalos no sobrepostos so independentes;
(ii) Emintervalos de mesmo comprimento, so iguais as probabilidades de ocorrncia de um
mesmo nmero de sucessos;
(iii) Emintervalos muito pequenos, a probabilidade de mais de umsucesso desprezvel;
(iv) Emintervalos muito pequenos, a probabilidade de umsucesso proporcional ao compri-
mento do intervalo.


41
Se os valores de uma varivel satisfazemas hipteses (i) a (iv) acima se dir que ela segue umproces-
so de Poisson.
Def i ni o:
Seja X uma VAD definida por umprocesso de Poisson, assumindo os valores: 0, 1, ..., n, ..,
comtaxa >0.
Ento:
f(x) =P(X =x) =
! x
e
x

, para x =0, 1, 2, 3, ... , onde x o nmero de eventos que ocorrem
emumintervalo sobre o qual se espera uma mdia de ocorrncias.
Almdisso, X pode ser definida como o nmero de eventos que ocorremsobre um perodo
de tempo t, substituindo na equao acima por t. Desta forma a distribuio de Poisson pode ser es-
crita como:
f(x) =P(X =x) =
! x
) t (
e
x
t

, para x =0, 1, 2, 3, ...
A distribuio de Poisson ser representada por P().
Figura 3.13 Distribuio de Poisson P(5)
Exemplo 3.15
Emumcerto tipo de fabricao de fita magntica, ocorremdefeitos a uma taxa de 1 a cada
2000 metros. Qual a probabilidade de que umrolo com2000 metros de fita magntica:
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
02468
1
0
1
2
1
4
1
6
1
8
2
0


42
(a) No tenha defeitos?
(b) Tenha no mximo dois defeitos?
(c) Tenha pelo menos dois defeitos?
Soluo:
Neste caso, tem-se:
=Taxa de defeitos a cada 2000 metros.
X =nmero de defeitos a cada dois mil metros.
x =0, 1, 2, 3, ...
Ento:
f(x) =P(X =x) =
! x
e
x

, para x =0, 1, 2, 3, ...
(a) P(X =0) =
! x
e
x

=
! 0
1 e
0 1
=e
-1
=36,79%
(b) P(X 2) =
! 0
1 e
0 1
+
! 1
1 e
1 1
+
! 2
1 e
2 1
=
2
e 5
1
=91,97%
(c) P(X 2) =1 - P(X 1) =1 - [
! 0
1 e
0 1
+
! 1
1 e
1 1
] =1 - 2e
-1
=26,42%
Exemplo 3.16
[NET74] Umdado formado por chapas de plstico de 10x10 cm. Em mdia aparecem50
defeitos por metro quadrado de plstico, segundo uma distribuio de Poisson.
(a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos?
(b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos?
(c) Qual a probabilidade de que pelo menos 5 faces sejamperfeitas?
Soluo:
(a) Emmdia aparecem:
d =50 defeitos/m
2
=50/10 000 defeitos/cm
2

Como cada face tema =10cmx 10 cm=100 cm
2
, tem-se ento:
=(50/10000) defeitos/cm
2
x 100 cm
2
=0,5 defeitos por face.
A probabilidade de uma face apresentar dois defeitos ser:


43
P(X =2) =
05
2
05
2
,
( , )
!
e
=7,58%
(b) No dado inteiro, a rea total ser a =6x100 cm
2
=600 cm
2
e o nmero mdio de defeitos
ser ento:
=(50/10000) defeitos /cm
2
x 600 cm
2
=3 defeitos
A probabilidade de o dado apresentar no mnimo dois defeitos ser:
P(X 2) =P(X =2) +P(X =3) +... =1 - P(X 1) =1 - [P(X =0) +P(X =1)] =
=1 - [
3 0
3
0
e
!
+
3 1
1
1
e
!
] ==1 - [0,0498 +0,1494] =80,08%
(c) A probabilidade de pelo menos 5 faces perfeitas :
P(Y 5) =P(Y =5) +P(Y =6). A probabilidade de uma face ser perfeita a probabilidade de
ela no apresentar defeitos, isto :
P (X =0) =
05
0
05
0
,
( , )
!
e
=60,65%
Tem-se ento uma binomial Y comn =6 (nmero de faces do dado) e p =60,65% =probabi-
lidade de uma face ser perfeita. Ento a probabilidade de pelo menos 5 perfeitas, ser:
P(Y 5) =P(Y =5) +P(Y =6) = ) 39350 , 0 ( . ) 6065 , 0 ( .
5
6
1 5
+ ) 3935 , 0 ( . ) 6065 , 0 ( .
6
6
0 6
=
24,36%
3.4.8. Propriedades da distribuio de Poisson
Se X for uma VAD comdistribuio de Poisson, ento:
Mdi a, expect nci a ou val or esperado
=E(X) = xf x) . ( =

x!

e
x
x -
=
Vari nci a
2
=E(X
2
) -
2
=
! x
e
x
x
2

-
2
=
2
+ -
2
=


44
O desvi o padro
=
3.4.9. Relao entre as distribuies Binomial, Hipergeomtrica
e Poisson
Seja X uma varivel aleatria discreta comdistribuio Hipergeomtrica de parmetros n,
r e N. Ento quando N e r crescem, isto tendemao infinito, de modo que o quociente p =r/N per-
manea constante, ento:

r
lim
N
P(X =x) =
n
N
x n
r N
x
r
= q . p .
x
n
x n x

Seja X uma varivel aleatria discreta comdistribuio Binomial de parmetros n e p. Is-
to :
f(x) =P(X =x) = q . p .
x
n
x n x

Admita-se que quando n , tenha-se np = =constante, ou de uma forma equivalente,
quando n , p 0, de modo que np . Nestas condies tem-se ento:
n
lim
P(X =x) =
n
lim
q . p .
x
n
x n x
=
! x
e
x

Os teoremas afirmamque os trs modelos convergemsempre que alguns valores tendema
crescemde modo que outros permaneamrelativamente constantes.
Exemplo 3.17
Uma amostra de 20 peas retirada de umlote de 100 peas de uma mquina que trabalha
comum ndice de defeitos de 4%. Determinar a probabilidade de se encontrar duas peas defeituosas
na amostra.
Soluo:
(a) Pela Binomial, tem-se:


45
P(X =2) = ) 96 , 0 ( . ) 04 , 0 ( .
2
20
18 2
=14,58%
(b) Usando uma aproximao pela distribuio de Poisson de mdia =np =20.0,01 =2,
tem-se:
P(X =2) = =
! 2
8 , 0
e
2
2
=14,38%
(c) Este exemplo pode ainda ser resolvido atravs da Hipergeomtrica. Se considerarmos que
dois por cento de 50 uma pea.
P(X =2) =
20
100
18
96
2
4
=15,31%


46
4. EXERCCIOS
(12) Quatro moedas so lanadas e observa-se a seqncia de caras e coroas obtida. Qual o espao a-
mostra do experimento.
(13) Uma urna contmduas bolas brancas (B) e trs bolas vermelhas (V). Retira-se uma bola ao acaso
da urna. Se for branca, lana-se uma moeda; se for vermelha, ela devolvida urna e retira-se outra
bola. D uma espao amostra para o experimento.
(14) Trs times A, B e C disputamumtorneio de futebol. Inicialmente, A joga comB e o vencedor jo-
ga comC, e assimpor diante. O torneio termina quando umjogador ganha duas vezes em seguida ou
quando so disputadas, ao todo, quatro partidas. Enumere os resultados do espao amostra: resultados
possveis do torneio.
(15) Uma moeda e umdado so lanados. D o espao amostral correspondente.
(16) Considerando dois eventos A e B de ummesmo espao amostra S, expresse emtermos de opera-
es entre eventos:
(16.1) A ocorre mas B no ocorre;
(16.2) Exatamente umdos eventos ocorre;
(16.3) Nenhumdos eventos ocorre.
(17) Dois dados so lanados. Define-se os eventos: A =soma dos pontos obtidos igual a 9, e B =o
ponto do primeiro dado maior ou igual a 4. Determine os eventos A e B e ainda os eventos: AB,
AB e A
(18) Uma urna contm12 moedas de igual tamanho, sendo 7 douradas e 5 prateadas. O experimento
consiste emretirar, sem reposio e ao acaso, duas moedas desta urna. Calcular a probabilidade de que
saiam:
(18.1) Uma moeda dourada e uma prateada, nesta ordem.
(18.2) Uma moeda dourada e uma prateada.
(18.3.) Duas moedas douradas.
(18.4) Duas moedas de mesma cor.
(19) Resolva o exerccio um considerando a retirada das moedas com reposio.
(20) sejamP(A) =0,3, P(B) =0,8 e P(AB) =0,15.
(20.1) A e B so mutuamente exclusivos? Justifique.


47
(20.2) Qual a P(B)?
(20.3) Determine (a) P(AUB) (b) P(AB) (c) P(AB) (d) P(AB)
(21) Suponha que A e B sejameventos tais que P(A) =x, P(B) =y e P(AB) =z. Exprima cada uma
das seguintes probabilidades emtermos de x, y e z.
(21.1) P(AUB) (21.2) P(A) (21.3) P(B) (21.4) P(A/B) (21.5) P(AUB)
(21.6) P(AUB) (21.7) P(AB) (21.8) P(AB) (21.9) P(AB) (21.10) P(A / B)
(22) Uma amostra de 140 investidores de umbanco revelou que 80 investemempoupana, 30 inves-
temno fundo e 10 investemna poupana e no fundo. Selecionado um destes investidores ao acaso,
qual a probabilidade de que ele tenha investimentos na poupana ou no fundo?
(23) A probabilidade de umaluno A resolver uma questo de prova 0,80, enquanto que a do aluno B
0,60. Qual a probabilidade de que a questo seja resolvida se os dois alunos tentaremresolv-la in-
dependentemente.
(24) Umatirador A temprobabilidade de 1/4 de acertar umalvo. J umatirador B temprobabilidade
de 2/5 de acertar o mesmo alvo. Se ambos atiraremsimultaneamente e independentemente, qual a pro-
babilidade de que:
(24.1) Ao menos umdeles acerto o alvo e (24.2) Ambos acertemo alvo?
(25) SejamA e B dois eventos mutuamente excludentes. A probabilidade de ocorrncia de ao menos
umdestes eventos 0,52 e a probabilidade de A no ocorrer 0,60. Calcule a probabilidade de B ocor-
rer?
(26) Sejam: P(A) =0,50; P(B) =0,40 e P(AUB) =0,70.
(26.1) A e B so eventos mutuamente excludentes? Por que?
(26.2) Qual o valor de P(AB).
(26.3) A e B so eventos independentes? Por que?
(26.4) Quais os valores de P(A/B) e P(B/A).
(27) Uma turma composta de 9 alunos de Economia, 14 de Administrao e 21 de Contbeis. Deseja-
se eleger ao acaso uma comisso de dois alunos dessa turma. Calcule a probabilidade de que esta co-
misso seja formada por:
(27.1) Alunos s da Economia.
(27.2) Umaluno da Economia e outro de outro curso.
(27.3) Umaluno da Economia e outro da Contbeis.


48
(27.4) Dois alunos da Administrao ou dois da Contbeis.
(28) Um produtor de parafusos verificou que em uma amostra de 100 parafusos 5 eramdefeituosos.
Numa segunda amostra de 200 parafusos ele encontrou 9 defeituosos. Voc diria que a probabilidade
de o prximo parafuso a ser produzido ter defeito 0,05? Ou 0,045? Explique?
(29) Se o jogo umda loteria esportiva for marcado na coluna dois, ento possvel afirmar que a pro-
babilidade de acertar este jogo de 1/3? Por que?
(30) Dois nmeros so escolhidos ao acaso e semreposio, dentre 6 nmeros positivos e 8 negativos,
e ento multiplicados. Calcule a probabilidade de que o produto seja positivo.
(31) Os lugares de 6 pessoas em uma mesa circular so determinados por sorteio. Qual a probabilidade
de Aristeu e Fariseu se sentemlado a lado?
(32) Suponha-se que so retiradas duas bolas, sem reposio, de uma caixa contendo 3 bolas pretas e 5
bolas vermelhas. Determine:
(32.1) Todos os resultados possveis e suas respectivas probabilidades.
(32.2) Todos os resultados possveis e suas probabilidades supondo a extrao com reposio da
primeira bola retirada.
(33) Uma caixa contm4 vlvulas defeituosas e 6 perfeitas. Duas vlvulas so extradas juntas. Uma
delas ensaiada e se verifica ser perfeita. Qual a probabilidade de que a outra vlvula tambmseja per-
feita?
(34) Um dado viciado, de tal forma que a probabilidade de sair umcerto ponto proporcional ao seu
valor (por exemplo o ponto 4 duas vezes mais provvel do que o ponto dois). Calcular:
(34.1) A probabilidade de sair 5, sabendo-se que o ponto que saiu mpar.
(34.2) A probabilidade de sair umnmero par, sabendo que saiu umnmero maior do que 3.
(35) A probabilidade de que dois eventos independentes ocorramso p e q, respectivamente. Qual a
probabilidade de que:
(35.1) Nenhumdestes eventos ocorra. (35.2) Pelo menos umdestes eventos ocorra
(36) Calcular a P(A) sabendo que: P(AB) =0, 72 e P(AB) =0,18.
(37) Umrestaurante popular apresenta apenas dois tipos de refeies: salada completa e umprato ba-
se de carne. 20% dos fregueses do sexo masculino preferemsalada; 30% das mulheres escolhemcarne;
75% dos fregueses so homens. Considere os seguintes eventos:
H: o fregus homem A: O fregus prefere salada


49
M: O fregus mulher B: O fregus prefere carne
Calcular:
(37.1) P(H) (37.2) P(A/H) (37.3) P(B/M) (37.4) P(AH)
(37.5) P(AH) (37.6) P(M/A)
(38) Uma companhia de seguros analisou a freqncia comque 2000 segurados (1000 homens e 1000
mulheres) usaramo hospital. Os resultados esto apresentados na tabela:
Homens Mulheres
Usaramo hospital 100 150
No usaramo hospital 900 850
(38.1) Qual a probabilidade de que uma pessoa segurada use o hospital?
(38.2) O uso do hospital independe do sexo do segurado?
(39) As probabilidades de 3 motoristas seremcapazes de dirigir at emcasa comsegurana, depois de
beber, so: 1/3, 1/4 e 1/5. Se decidirem(erradamente) dirigir at emcasa, depois de beber numa festa,
qual a probabilidade de todos os 3 motoristas sofreremacidentes? Qual a probabilidade de que ao me-
nos umchegue emcasa a salvo?
(40) Duas lmpadas queimadas forammisturadas acidentalmente com6 lmpadas boas. Se as lmpa-
das foremsendo testadas, uma a uma, at encontrar as duas queimadas, qual a probabilidade de que a
ltima defeituosa seja encontrada no quarto teste?
(41) Numteste comduas marcas que lhe so apresentadas emordemaleatria, umexperimentador de
vinhos faz trs identificaes corretas emtrs tentativas.
(41.1) Qual a probabilidade disto ocorrer, se na realidade ele no possui habilidade alguma para
distinguir?
(41.2) E se a probabilidade de distinguir corretamente de 90% emcada tentativa?
(42) Dados que dois acontecimentos A e B ocorremindependentemente comprobabilidades p e q res-
pectivamente, determine a probabilidade da ocorrncia de ume somente umdestes acontecimentos.
(43) Dois aparelhos de alarme funcionamde forma independente, detectando problemas comprobabi-
lidades de 0,95 e 0,90. Determinar a probabilidade de que dado umproblema, este seja detectado por
somente umdos aparelhos.
(44) SejamA e B dois eventos. Suponha que P(A) =0,40, enquanto P(AB) =0,70. Seja P(B) =p.
(44.1) Para que valor de p, A e B sero mutuamente excludentes?
(44.2) Para que valor de p, A e B sero independentes?


50
(45) Umaparelho escolhido ao acaso dentre 10 aparelhos, sendo que destes 6 funcionamsemfalhas
comuma probabilidade de 80% e os outros quatro funcionamsemfalhas comuma probabilidade de
95%. Determinar a probabilidade de que o aparelho escolhido funcione semfalhas.
(46) Trs mquinas A, B e C apresentamrespectivamente: 10%, 20% e 30% de defeituosos na sua
produo. Se a trs mquinas produzemigual quantidade de peas e retiramos duas peas ao acaso da
produo global qual a probabilidade de que ambas sejamperfeitas?
(47) Dentre 5 mquinas existem3 de maior preciso que garantemumacerto de 95% e as duas restan-
tes garantemumacerto de 75%. Escolhida uma mquina ao acaso qual a probabilidade de acerto?
(48) Das peas fornecidas por duas mquinas automticas 60% e 84%, respectivamente, so de alta
qualidade. A produtividade da primeira mquina o dobro do que a da segunda mquina. Retirada
uma pea ao acaso de umlote produzido pelas duas mquinas verificou-se que ela era de alta qualida-
de. Determinar a probabilidade de que tenha sido produzida pela primeira mquina.
(49) Uma caixa contmquatro moedas, uma das quais com duas caras. Uma moeda foi tomada ao aca-
so e jogada duas vezes, obtendo-se duas caras. Qual a probabilidade de que seja a moeda com duas ca-
ras?
(50) Cada objeto manufaturado examinado comprobabilidade 0,55 por umfiscal e comprobabilida-
de 0,45 por outro fiscal. A probabilidade de passar no exame de acordo com os fiscais de 0,90 e de
0,98 respectivamente. Achar a probabilidade de que umobjeto aceito tenha sido examinado pelo se-
gundo fiscal.
(51) Umcarro pode parar por defeito eltrico ou mecnico. Se h defeito eltrico o carro para na pro-
poro de 1 para 5 e, se mecnico, 1 para 20. Em10% das viagens h defeito eltrico e em20% mec-
nico, no ocorrendo mais de umdefeito na mesma viagem, igual ou de tipo diferente. Se o carro para,
qual a probabilidade de ser por defeito eltrico?
(52) Considere uma urna contendo 3 bolas vermelhas e 5 pretas. Retira-se 3 bolas, sem reposio, e
definida a varivel aleatria X =nmero de bolas pretas retiradas. Determine a distribuio de X.
(53) Umdado jogado 3 vezes. Seja X o nmero de pontos um que aparece. Estabelea a distribui-
o de probabilidade de X.
(54) Uma caixa contm3 bolas brancas e uma preta. Uma pessoa vai retirar as bolas uma a uma, at
conseguir apanhar a bola preta. Seja X o nmero de tentativas que sero necessrias. Determine a dis-
tribuio de probabilidade de X e calcule a mdia e a varincia de X.


51
(55) Dois tetraedros regulares tmsuas faces numeradas de 1 a 4. Jogam-se ambos e somam-se os pon-
tos das faces que ficaremvoltadas para cima. Sabendo-se que a soma obtida maior do que 4, deter-
mine a distribuio de probabilidade dessa soma.
(56) Uma caixa contm4 bolas brancas e 3 bolas pretas. Estabelea a distribuio de probabilidade do
nmero de bolas retiradas uma a uma e sem reposio at sair a ltima bola preta. Calcule a mdia,
moda e desvio padro dessa varivel aleatria.
(57) Uma pessoa joga 3 moedas e ganha R$ 6,00 se obtiver s caras ou s coroas. Quanto deve pagar
se perder, para que o jogo seja eqitativo (no perca e nemganhe)?
(58) Emumcerto empreendimento comercial, um empresrio pode ter umlucro de R$ 300 com uma
probabilidade de 0,60 ou ento umprejuzo de R$ 100 comuma probabilidade de 0,40. Determinar o
lucro mdio do empreendimento.
(59) O tempo T, em minutos, para que umoperrio processe certa pea uma VAD comdistribuio
dada na tabela abaixo.
t 2 3 4 5 6 7
f(t) 0,10 0,10 0,30 0,20 0,20 0,10
(59.1) Calcule o tempo mdio de processamento.
(59.2) Para cada pea processada o operrio ganha umfixo de R$ 2,00, mas se processa a pea em
menos de 6 minutos, ganha R$ 0,50 por cada minuto poupado. Por exemplo, se ele processa a pe-
a em4 minutos, recebe a quantia de R$ 1,00. Encontre a mdia e a varincia de G =quantia ga-
nha por pea.
(60) No jogo de roleta, a pessoa escolhe umnmero entre 37 (de 0 a 36) e aposta x, sendo que , se ga-
nhar, recebe 35x. Quantas vezes se espera que jogue umjogador inveterado que aposta sempre R$ 2,00
e ums nmero e dispe de R$ 50,00?
(61) O conjunto de resultados igualmente possveis de uma varivel aleatria X X(S) ={ 0, 1, 2, 3,
4}. Represente emuma tabela a distribuio de X e calcule a expectncia e a varincia de X.
(62) Seja f(x) =0,1x a funo de probabilidade da varivel aleatria comconjunto de resultados X(S)
={ 1, 2, 3, 4 }. Represente a funo de probabilidade emuma tabela e determine: E(x) e V(X).
(63) Umagente quer aplicar no mercado financeiro como objetivo de fazer muitas aplicaes mensais
sucessivas. Ele dispemde duas opes, mas usar a de maior rentabilidade. Ele deve optar entre:
I - CDB comrenda de 3% ao ms e semriscos ou
II - Bolsa de valores comrenda de 6% ao ms comprobabilidade 0,46, 4% comprobabilidade
0,45 ou prejuzo de 15% ao ms comprobabilidade de 0,09.


52
Qual a opo mais lucrativa para o agente?
(64) Ao apostar R$ 100 no preto de uma roleta um apostador pode ganhar R$ 100 comprobabilidade
17/37, perder este mesmo valor comprobabilidade de 18/37 ou no ganhar nada comprobabilidade
2/37. Utilize a expectncia para determinar qual o lucro ou prejuzo esperado em370 apostas deste
mesmo valor?
(65) Pilhas de uma certa marca so acondicionadas de modo causal emembalagens de quatro pilhas. O
produtor desta marca opera comprobabilidade de 0,04 de uma pilha ser defeituosa.
(65.1) Calcule a probabilidade de que uma embalagemtomada ao acaso contenha:
(a) Exatamente uma pilha defeituosa (b) Somente pilhas perfeitas
(c) No mximo duas pilhas defeituosas.
(65.2) Quantas defeituosas deve-se esperar que existam, emmdia, por embalagem?
(66) Qual a probabilidade de obtermos exatamente duas caras em8 lanamentos de uma moeda equili-
brada?
(67) Uma turma tem50 alunos, sendo 20 do sexo masculino. Deseja-se atravs de umsorteio que atri-
bua a cada aluno da turma a mesma probabilidade de ser eleito, formar uma comisso de 4 alunos. De-
seja-se tambm, determinar a probabilidade de a comisso resultante ter exatamente umaluno do sexo
feminino. Voc usaria o modelo binomial para calcular tal probabilidade? Por que?
(68) Qual a probabilidade de se obter duas ou menos faces 2 em7 lanamentos de umdado equilibra-
do?
(69) A probabilidade de umparafuso produzido por uma empresa ser defeituoso 0,03. Seja X a vari-
vel nmero de parafusos defeituosos emenvelopes de 500 parafusos.
(69.1) Calcule E(x) e V(x).
(69.2) Suponha que se compre 100 destes envelopes. Quantos defeituosos deve-se esperar?
(70) Uma distribuio binomial temmdia igual a 3 e varincia igual a 2. Calcule P(X =2).
(71) Emumexperimento binomial com3 provas, a probabilidade de exatamente 2 sucessos 12 vezes
a probabilidade de 3 sucessos. Determine o valor de p.
(72) Emuma urna existem18 bolas brancas e duas pretas. Calcule as probabilidades de retiradas 7 bo-
las, sair apenas uma bola preta, nos seguintes casos:
(72.1) As bolas so repostas na urna aps as retiradas.
(72.2) As bolas no so repostas na urna aps as retiradas.


53
(73) Uma loja temumlote de 10 fechaduras, das quais 5 tmdefeitos. Se uma pessoa comprar 3 fe-
chaduras, qual a probabilidade de encontrar no mximo uma defeituosa?
(74) Se X tiver uma distribuio de Poisson comparmetro , e se P(X =0) =0,20, calcular P(X >2).
(75) As chegadas de petroleiros a uma refinaria a cada dia ocorremsegundo uma distribuio de Pois-
son comparmetro =2. As atuais instalaes podematender, no mximo, a 3 petroleiros por dia. Se
mais de 3 aportarempor dia o excesso enviado para outro porto.
(75.1) Qual a probabilidade de se enviar petroleiros para outro porto?
(75.2) De quanto devero ser aumentadas as instalaes para permitir atender a todos os navios
que chegarempelo menos em95% dos dias?
(75.3) Qual o nmero mdio e qual o desvio padro do nmero de petroleiros que chegampor dia?
(76) Suponha que umcomprador precisa decidir se vai aceitar ou no umlote de itens. Para tal, ele re-
tira uma amostra de tamanho n do lote e conta o nmero x de defeituosos. Se x a, o lote aceito
e se x >a, o lote rejeitado. O nmero a fixado pelo comprador. Suponha que n =19 e a =2. De-
termine a probabilidade de se aceitar o lote para as seguintes propores de defeituosos no lote:
(76.1) p =0,20 (76.2) 0,10 (76.3) 0,05


54
5. RESPOSTAS DOS EXERCCIOS
(12) S ={ cccc, ccck, cckc, ckcc, kccc, cckk, ckkc, kkcc, ckck, kckc, kcck, kkkc, kkck, kckk, ckkk,
kkkk},
(13) S ={ BC, BK, VB, VV}, onde C =cara e K =coroa.
(14) S ={ AA, ACC, ACBB, BB, BCC, BCAA, ACBA, BCAB }
(15) S ={ (c, 1), (c, 2), ..., (c, 6), (k, 1), (k, 2), ..., (k, 6) }, onde c =cara e k =coroa.
(16) (16.1) AB =A - B (16.2) (AB)(AB) =AUB - AB (16.3) AB =A B
(17) A ={ (3,6), (4, 5), (5, 4), (6,3)}
B ={ (4,1), ..., (4, 6), (5, 1), ..., (5, 6), (6, 1), ..., (6, 6) }
AB ={ (3, 6), (4,1), ..., (4, 6), (5, 1), ..., (5, 6), (6, 1), ..., (6, 6) }
AB ={ (4, 5), (5, 4), (6, 3) }
A =So 32 pares excetuando-se os pares de A acima.
(18) (18.1) 35/132 =26,52% (18.2) 70/132 =53,03% (18.3) 42/132 =31,82% (18.4) 62/132 =46,97%
(19) (19.1) 35/144 =24,31% (19.2) 70/144 =48,61% (19.3) 49/144 =34,03% (19.4) 74/144 =51,38%
(20) (20.1) No, pois P(AB) (20.2) 0,20 (20.3) (a) 0,95 (b) 0,15 (c) 0,05 (d) 0,65
(21) (21.1) x +y - z (21.2) 1 - x (21.3) 1 - y (21.4) z/y (21.5) 1 - z (21.6) 1 - x +z (21.7) y - z
(21.8) x - z (21.9) 1 - x - y +z (21.10) (1 - x - y +z) / (1 - y)
(22) 10/14 =5/7 =71,43%
(23) 0,92 =92%
(24) (24.1) 11/20 =55% (24.2) 2/20 =10%
(25) 0,12 =12%
(26) (26.1) No, pois P(A) +p(B) P(AUB) (26.2) 0,20 =20% (26.3) Sim, pois P(AB) =P(A).P(B)
(26.4) P(A/B) =0,50 e P(B/A) =0,40
(27) (27.1) 72/1892 =3,81% (27.2) 630/1892 =33,30% (27.3) 378/1892 =19,98% (27.4) 602/1892
=31,82%
(28) No
(29) No
(30) 43/91 =47,25%


55
(31) 2/5 =40%
(32) (a) Semreposio (b) Comreposio
Resultados Probabilidades Resultados Probabilidades
PP 6/56 PP 9/64
PV 15/56 PV 15/64
VP 15/56 VP 15/64
VV 20/56 VV 25/64
Total 1 Total 1
(33) 5/9 =55,56%
(34) (34.1) 5/9 (34.2) 2/3
(35) (35.1) 1- p - q +pq =(1 - p)(1 - q) (35.2) p +q - pq
(36) 90%
(37) (37.1) 75% (37.2) 20% (37.3) 30% (37.4) 15% (37.5) 92,50% (37.6) 7/13 =53,85%
(38) (38.1) 0,125 (38.2) H dependncia
(39) 0,40 =40% e 0,60 =60%
(40) 3/28 =10,71%
(41) (41.1) 0,125 =12,50% (41.2) 0,729 =72,90%
(42) p(1 - q) +(1 - p)q
(43) 14%
(44) (44.1) p =0,30 (44.2) p =0,50
(45) 86%
(46) 64%
(47) 87%
(48) 10/17 =58,82%
(49) 4/7 =57,14%
(50) 49/104 =47,12%
(51) 2/3 =66,67%
(52) x 0 1 2 3
f(x) 1/56 15/56 30/56 10/56

(53) x 0 1 2 3
f(x) 125/216 75/216 15/216 1/216


56

(54) x 1 2 3 4
f(x) 1/4 1/4 1/4 1/4
=2,50
2
=1,25

(55) x 5 6 7 8
f(x) 0,40 0,30 0,20 0,10

(56) x 3 4 5 6 7
=6 mo =7
f(x) 1/35 3/35 6/35 10/35 15/35

2
=1,20 =1,10

(57) x 6 y
=6/4 +3y/4 =0 y =-2
f(x) 1/4 3/4 Ele deve pagar R$ 2,00
(58) R$ 140
(59) (59.1) =4,60
(59.2) g 4,0 3,5 3,0 2,5 2
f(g) 0,10 0,10 0,30 0,20 0,30
=2,75
2
=0,4125
(60) 925 vezes.
(61) x 0 1 2 3 4
f(x) 0,2 0,2 0,2 0,2 0,2
=2
2
=2

(62) x 1 2 3 4
f(x) 0,1 0,2 0,3 0,4
=3
2
=1
(63) A bolsa comexpectativa de renda de 3,21% ao ms contra os 3% ao ms do CDB.
(64) Prejuzo de R$ 1000
(65) (65.1) (a) 14,16% (b) 84,93% (c) 99,98% (65.2) 16%
(66) 10,94%
(67) No
(68) 90,42%
(69) (69.1) E(X) = V(x) =14,55 (69.2) 1500
(70) 23,41%
(71) p =1/5 =0,20
(72) (72.1) 37,20% (72.2) 47,89%
(73) 50%


57
(74) 21,90%
(75) (75.1) 14,29% (75.2) 2 (75.2) 2
(76) (76.1) 23,69% (76.2) 70,54% (76.3) 93,35%


58
6. REFERNCIAS
[BUS86] BUSSAB, Wilton O, MORETTIN, Pedro A. Estatstica Bsica. 3
a
ed. So Paulo: Atual,
1986.
[COS74] COSTA NETO, Pedro Lus de Oliveira, CYMBALISTA, Melvin. Probabilidades: resumos
tericos, exerccios resolvidos, exerccios propostos. So Paulo: Editora Edgard Blcher , 1977.
[FEL68] FELLER, William. An Introduction to Probability Theory and Its Applications (vol. 1). John
New York: Wiley & Sons, 1968. 509 p.
[HAZ77] HAZZAN, Samuel. Matemtica Elementar: Combinatria e Probabilidades. So Paulo:
Atual, 1977.
[HIL88] HILLIER, Frederick S., LIEBERMAN, Gerald J. Introduo Pesquisa Operacional. So
Paulo: Campus e Editora da Universidade de So Paulo, 1988.
[LIP74] LIPSCHUTZ, Seymour. Teoria e Problemas de Probabilidade. So Paulo: McGraw-Hill,
1974. 225 p.
[MAR87] MARKLAND, Robert E., SWEIGART, James R. Quantitative Methods: Applications to
Managerial Decision Making. New York: John Wiley & Sons, 1987. 827p.
[MAS90] MASON, Robert D., DOUGLAS, Lind A. Statistical Techniques in Business And Econom-
ics. IRWIN, Boston, 1990.
[MEY78] MEYER, Paul L. Probabilidade: aplicaes Estatstica. Rio de Janeiro: Livros Tcnicos
e Cientficos, 1978.
[MIL90] MILLER, Charles D., HEEREN, Vern E., HORNSBY Jr., E. John. Mathematical Ideas.
USA: Harper Collins Publishers, 1990.
[REA93] The Statistics Problem Solver. Research and Education Association, Piscataway, New Jer-
sey, 1993.
[ROT91] ROTHENBERG, Ronald I. Probability and Statistics. Orlando (FL), Hartcourt Brace Jo-
vanovich Publishers, 1991.
[ROS85] ROSS, Sheldon M. Introduction to Probability Models. Orlando (FL): Academic Press,
1985, 502 p.
[TRI20] TRIVEDI, Kishor Shridharbhai. Probability and Statistics with Reliability, Queuing, and
Computer Science Applications. New York: John Wiley & Sons, 2000. 830 p.

Prob 1

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Prob 1

Caricato da

Copyright:

Formati disponibili

S R I E : P r o b a b i l i d a d e

=0.q +1.p =p, isto , a mdia de uma varivel aleatria comdistribuio

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

, porque se deve escolher exatamente k casos

=5. 0,0625.0,5 =15,62%

=np, isto , a mdia de uma varivel aleatria comdis-

Potrebbero piacerti anche