Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Probabilidade
I
Joaquim Neto
Universidade Federal de Juiz de Fora (UFJF)
Instituto de Ciencias Exatas (ICE)
Departamento de Estatstica
www.ufjf.br/joaquim neto
25 de outubro de 2015
Sum
ario
1 M
etodos de contagem
1.1 Introduc
ao . . . . . . . . . . . . . .
1.2 Princpio fundamental da contagem .
1.3 Arranjos . . . . . . . . . . . . . . . .
1.4 Permutac
oes . . . . . . . . . . . . . .
1.5 Permutac
oes com repetic
ao . . . . .
1.6 Combinac
oes . . . . . . . . . . . . .
1.7 Tri
angulo de Pascal . . . . . . . . . .
1.8 Exerccios . . . . . . . . . . . . . . .
1.9 Respostas dos exerccios . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Introdu
c
ao `
a probabilidade
2.1 Espaco amostral . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Definic
oes de probabilidade . . . . . . . . . . . . . . . . . . . .
2.3.1 Probabilidade cl
assica . . . . . . . . . . . . . . . . . . .
2.3.2 Probabilidade frequentista . . . . . . . . . . . . . . . . .
2.3.3 Probabilidade geometrica . . . . . . . . . . . . . . . . .
2.3.4 Probabilidade subjetiva . . . . . . . . . . . . . . . . . .
2.4 Teoria dos conjuntos: revis
ao de conceitos . . . . . . . . . . . .
2.5 Axiomas de probabilidade e espaco de probabilidade . . . . . .
2.6 Principais resultados . . . . . . . . . . . . . . . . . . . . . . . .
2.6.1 Probabilidade do vazio . . . . . . . . . . . . . . . . . . .
2.6.2 Probabilidade da uniao finita de eventos disjuntos 2 a 2
2.6.3 Probabilidade do evento complementar . . . . . . . . . .
2.6.4 Probabilidade de eventos aninhados . . . . . . . . . . .
2.6.5 Probabilidade entre 0 e 1 . . . . . . . . . . . . . . . . .
2.6.6 Probabilidade da subtracao . . . . . . . . . . . . . . . .
2.6.7 Desigualdade de Boole . . . . . . . . . . . . . . . . . . .
2.6.8 Probabilidade da uniao de 2 eventos . . . . . . . . . . .
2.6.9 Probabilidade da uniao de 3 eventos . . . . . . . . . . .
2.6.10 Probabilidade da uniao finita . . . . . . . . . . . . . . .
2.6.11 Outros resultados . . . . . . . . . . . . . . . . . . . . . .
2.7 Probabilidade condicional e principais teoremas . . . . . . . . .
2.7.1 Probabilidade condicional . . . . . . . . . . . . . . . . .
2.7.2 Teorema da multiplicacao . . . . . . . . . . . . . . . . .
2.7.3 Partic
ao de um conjunto . . . . . . . . . . . . . . . . . .
2.7.4 Teorema da probabilidade total . . . . . . . . . . . . . .
2.7.5 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . .
2.7.6 Sensibilidade e especificidade . . . . . . . . . . . . . . .
2.8 Independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.9 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.9.1 Descritores . . . . . . . . . . . . . . . . . . . . . . . . .
2.9.2 Enunciados . . . . . . . . . . . . . . . . . . . . . . . . .
Joaquim Neto
www.ufjf.br/joaquim neto
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
10
11
12
13
14
17
19
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
21
22
23
23
23
24
25
25
26
27
27
27
27
27
28
28
28
29
29
30
30
30
30
32
32
32
33
35
37
40
40
41
p
agina 5 de 114
2.9.3
Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
3 Vari
aveis aleat
orias
3.1 Introduc
ao . . . . . . . . . . . . . . . . . . . . . . .
3.2 Variavel aleat
oria discreta e funcao de probabilidade
3.3 Variavel aleat
oria contnua e densidade . . . . . . . .
3.4 Funcao de distribuic
ao acumulada . . . . . . . . . .
3.5 Variavel aleat
oria mista . . . . . . . . . . . . . . . .
3.6 Funcao de uma vari
avel aleat
oria . . . . . . . . . . .
3.7 Quantil e mediana . . . . . . . . . . . . . . . . . . .
3.8 Valor esperado . . . . . . . . . . . . . . . . . . . . .
3.9 Valor esperado da func
ao de uma v.a. . . . . . . . .
3.10 Propriedades do valor esperado . . . . . . . . . . . .
3.11 Momento . . . . . . . . . . . . . . . . . . . . . . . .
3.12 Variancia . . . . . . . . . . . . . . . . . . . . . . . .
3.13 Exerccios . . . . . . . . . . . . . . . . . . . . . . . .
3.13.1 Descritores . . . . . . . . . . . . . . . . . . .
3.13.2 Enunciados . . . . . . . . . . . . . . . . . . .
3.13.3 Respostas . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
52
53
54
59
60
63
64
66
67
67
68
70
70
72
80
4 Famlias de distribui
c
oes
4.1 Famlias discretas . . . . . . . . . . . . . . . . .
4.1.1 Distribuic
ao uniforme discreta . . . . .
4.1.2 Distribuic
ao de Bernoulli . . . . . . . .
4.1.3 Distribuic
ao binomial . . . . . . . . . .
4.1.4 Distribuic
ao geometrica . . . . . . . . .
4.1.5 Distribuic
ao binomial negativa (Pascal)
4.1.6 Distribuic
ao hipergeometrica . . . . . .
4.1.7 Distribuic
ao de Poisson . . . . . . . . .
4.2 Famlias contnuas . . . . . . . . . . . . . . . .
4.2.1 Uniforme . . . . . . . . . . . . . . . . .
4.2.2 Normal . . . . . . . . . . . . . . . . . .
4.2.3 Func
ao gama . . . . . . . . . . . . . . .
4.2.4 Beta . . . . . . . . . . . . . . . . . . . .
4.2.5 Gama . . . . . . . . . . . . . . . . . . .
4.2.6 Exponencial . . . . . . . . . . . . . . . .
4.2.7 Chi-quadrado . . . . . . . . . . . . . . .
4.2.8 t de Student . . . . . . . . . . . . . . .
4.2.9 F de Snedecor . . . . . . . . . . . . . .
4.2.10 Gama invertida . . . . . . . . . . . . . .
4.2.11 Relac
oes entre distribuic
oes . . . . . . .
4.3 Exerccios . . . . . . . . . . . . . . . . . . . . .
4.3.1 Descritores . . . . . . . . . . . . . . . .
4.3.2 Enunciados . . . . . . . . . . . . . . . .
4.3.3 Respostas . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
85
85
85
85
86
88
88
89
90
91
91
92
95
96
96
97
98
99
100
100
101
103
103
104
111
Joaquim Neto
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
www.ufjf.br/joaquim neto
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
agina 6 de 114
M
etodos de contagem
www.ufjf.br/joaquim neto
1.1
Introdu
c
ao
A princpio, pode parecer desnecessaria a existencia de metodos para realizar uma contagem.
Isto de fato e verdade se o n
umero de elementos que queremos contar for pequeno. Entretanto,
se o n
umero de elementos for grande, a contagem pode se tornar uma tarefa ardua.
Exemplo 1.1. Seja A o conjunto de n
umeros de 3 algarismos distintos. Assim,
A = {123, 124, 125, ..., 875, 876}.
Observe que e trabalhoso obter todos os elementos deste conjunto e depois cont
a-los. Corre-se
o risco de haver omiss
oes ou repetic
oes de elementos.
Resultado 1.1. Consideremos os conjuntos A = {a1 , a2 , ..., an } e B = {b1 , b2 , ..., bm }. Podemos
formar n m pares ordenados (a, b), onde a A e b B.
O diagrama de
arvore, ilustrado abaixo, pode ser usado para visualizar os pares ordenados.
,
,
,
,
,
,
,
,
et
im
qu
oa
r/j
.u
fjf
.b
_n
oa
qu
i
r/j
.b
.u
fjf
_n
et
o
www.ufjf.br/joaquim neto
p
agina 7 de 114
Defini
c
ao 1.1. Seja n um n
umero natural (inteiro n
ao negativo). O fatorial de n, indicado
por n!, e definido por:
n! = n (n 1) (n 2) 3 2 1, para n 2,
1! = 1 e
0! = 1.
Exemplo 1.3.
3! = 3 2 1.
4! = 4 3 2 1.
5! = 5 4 3 2 1.
1.2
et
oa
qu
im
_n
.u
f
jf.
br
/j
, , ,
et
.u
fjf
.b
r/j
oa
qu
im
_n
Exemplo 1.4. Tres classes diferentes contem 20, 18 e 25 estudantes e nenhum estudante e
membro de mais de uma das classes. Se uma equipe deve ser composta por um estudante de
cada classe, de quantos modos diferentes os membros desta equipe podem ser escolhidos?
Solu
c
ao: Sejam A1 , A2 , A3 conjuntos que representam as 3 classes. Cada equipe escolhida
pode ser associada a um vetor (a1 , a2 , a3 ), com ai Ai .
Joaquim Neto
, ,
www.ufjf.br/joaquim neto
p
agina 8 de 114
Em outras palavras, o n
umero de sequencias de tamanho p formadas com elementos distintos
2 a 2 de A e n!/(n p)!.
fjf
.b
r/j
oa
qu
im
_n
et
w
w
.u
, , ,
.u
fjf
.b
r/j
oa
qu
i
_n
et
o
, ,
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 9 de 114
Como veremos no exemplo a seguir, algumas vezes as sequencias a serem contadas possuem
tamanhos diferentes, o que impede o uso do princpio fundamental da contagem.
Exemplo 1.6. Uma pessoa lanca uma moeda sucessivamente ate que ocorram duas caras consecutivas ou quatro lancamentos sejam feitos, o que ocorrer primeiro. Quantos s
ao os resultados
possveis?
Solu
c
ao: No diagrama abaixo, representamos os resultado cara e coroa com K e C,
respectivamente. Como podemos ver, o n
umero de resultados possveis e 12.
im
_n
2 lanamento
1 lanamento
/jo
aq
u
.u
fjf
.b
r
C
K
C
K
w
w
1.3
et
3 lanamento
4 lanamento
Arranjos
Defini
c
ao 1.2. Um arranjo e uma sequencia formada com os elementos de um conjunto. Um
arranjo de elementos distintos e chamado de arranjo sem repeti
c
ao.
O n
umero de arranjos com p elementos de um conjunto A com n elementos ser
a denotado por
An,p e chamado de arranjo de n tomado p a p. Para o n
umero de arranjos sem repetic
ao,
usaremos a notac
ao ASn,p e diremos arranjo sem repeti
c
ao de n tomado p a p.
et
Arranjo
.u
fjf
.
br
/jo
aq
ui
_n
, , , . . . ,
...
w
w
, , , ,
n!
(np)! ,
para p n.
www.ufjf.br/joaquim neto
p
agina 10 de 114
1.4
Permuta
c
oes
et
fjf
.b
r/j
oa
qu
im
_n
Defini
c
ao 1.3. Uma permuta
ca
o, e uma sequencia de elementos distintos formada com todos
os elementos de um determinado conjunto. O n
umero de permutac
oes de um conjunto com n
elementos ser
a denotado por Pn e chamado simplesmente de permutac
ao de n elementos.
w
.u
, , . . . ,
...
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 11 de 114
1.5
Permuta
c
oes com repetic
ao
Resultado 1.6. Seja A = {a1 , ..., ar } um conjunto qualquer. Uma sequencia com
n1 elementos iguais a a1 ,
n2 elementos iguais a a2 ,
..
.
nr elementos iguais a ar
umero
e uma permuta
ca
o com repeti
c
ao dos elementos de A. Sendo n = n1 +n2 +...+nr , o n
total de sequencias deste tipo e
n!
.
n1 !n2 !...nr !
fjf
.b
r/j
oa
qu
im
_n
et
, )
w
w
.u
(, , , , ,
Joaquim Neto
w
w
.u
fjf
.b
r/j
oa
qu
im
_n
et
www.ufjf.br/joaquim neto
p
agina 12 de 114
Solu
c
ao: Usando V para denotar um movimento vertical e H para um movimento horizontal, cada caminho pode ser associado a uma sequencia com 3 elementos iguais a V e 4
elementos iguais a H. Por exemplo, a sequencia (V, V, V, H, H, H, H) representa 3 movimentos
verticais seguidos de 4 movimentos horizontais. Deste modo, o problema se resume a contagem
de sequencias com elementos repetidos. Logo, a quantidade procurada e
P73,4 =
1.6
7!
= 35.
4!3!
Combina
co
es
fjf
.b
r/j
o
aq
ui
m
_n
et
o
Defini
c
ao 1.4. Seja A um conjunto qualquer. Um subconjunto de A e chamado de combina
c
ao
dos elementos de A. O n
umero de combinac
oes com p elementos de um conjunto com n elementos
e denotado por Cn,p e chamado de combina
c
ao de n tomado p a p.
.u
, , . . . ,
...
n
p
.
importante notar a diferenca entre combinacao e arranjo sem repeticao. Em uma combiE
nacao a ordem dos elementos n
ao importa, ou seja, elementos que diferem apenas pela ordem
sao contados como um u
nico elemento. Ja em um arranjo, a ordem importa, ou seja, sequencias
com os mesmos elementos, mas em ordem diferente sao contadas separadamente.
Resultado 1.7. A combinac
ao de n tomado p a p e dada por
Cn,p =
n!
.
(n p)!p!
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 13 de 114
1.7
Tri
angulo de Pascal
O tri
angulo de pascal e uma forma de organizar os resultados de
n
p
para diferentes
w
w
.u
fjf
.b
r/j
o
aq
ui
m
_n
et
29
n
0
= 1.
Prova:
n
0
n!
n!
=
= 1.
(n 0)!0!
n!
n
n
= 1.
Prova:
n
n
n!
n!
=
= 1.
(n n)!n!
n!
Joaquim Neto
n
p
+
n
p+1
=
n+1
p+1
www.ufjf.br/joaquim neto
.
p
agina 14 de 114
Prova:
n
p
+
n
p+1
=
=
=
=
=
=
=
=
n!
n!
+
p! (n p)! (p + 1)! (n p 1)!
n!
n!
+
p! (n p)! (p + 1) p! (n p 1)!
n!
1
1
+
p! (n p)! (p + 1) (n p 1)!
1
n!
1
+
p! (n p) (n p 1)! (p + 1) (n p 1)!
n!
1
1
+
p! (n p 1)! (n p) (p + 1)
n!
n+1
p! (n p 1)! (n p) (p + 1)
n! (n + 1)
(n p) (n p 1)! (p + 1) p!
(n + 1)!
n+1
=
.
p+1
(n p)! (p + 1)!
.u
fjf
.b
r/j
o
aq
ui
_n
et
n
np
Henrique Neto
n!
n!
=
=
=
(n p)! [n (n p)!]
(n p)!p!
n
p
29
.
www.ufjf.br/joaquim neto
p
agina 15 de 114
et
o
_n
im
aq
u
/jo
jf.
br
.u
f
w
w
w
Resultado 1.12. Para todo n N, temos
Henrique
Neto
n
n
n
n
+
+
+ ... +
= 2n .
0
1
2
n
n
p
29
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 16 de 114
1.8
Exerccios
Exerccio 1.1. Tres classes diferentes contem 20, 18 e 25 estudantes e nenhum estudante e
membro de mais de uma das classes. Se uma equipe deve ser composta por um estudante de
cada classe, de quantos modos diferentes os membros desta equipe podem ser escolhidos?
Exerccio 1.2. Em um campeonato de futebol participam 20 times. Quantos resultados s
ao
possveis para os 3 primeiros lugares?
Exerccio 1.3. Um cofre possui um disco marcado com os dgitos 0,1,2,3,4,5,6,7,8 e 9. O
segredo do cofre e formado por uma sequencia de 3 dgitos distintos. Se uma pessoa tentar abrir
o cofre, quantas tentativas dever
a fazer (no m
aximo) para conseguir abri-lo? Suponha que a
pessoa sabe a quantidade de dgitos do segredo e que este e formado por dgitos distintos.
Exerccio 1.4. De quantas formas 6 pessoas podem sentar-se numa fileira de 6 cadeiras se duas
delas, Joaquim e Rafael, se recusam a sentar um ao lado do outro?
Exerccio 1.5. Considere 10 cadeiras numeradas de 1 a 10. De quantas maneiras 2 pessoas
podem sentar-se, devendo haver ao menos uma cadeira entre eles?
Exerccio 1.6. Quantos anagramas da palavra estudo comecam e terminam com vogal?
Exerccio 1.7. Considere 2 urnas. A primeira com 4 cartas numeradas de 1 a 4 e a segunda
com 3 cartas numeradas de 7 a 9. Duas cartas s
ao extradas da primeira urna, sucessivamente
e sem reposic
ao, e em seguida duas cartas s
ao extradas da segunda urna, sucessivamente e sem
reposica
o. Quantos n
umeros de 4 algarismos podem ser formados com os n
umeros das cartas
na sequencia em que foram obtidas?
Exerccio 1.8. Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9, quantos n
umeros de 4 algarismos
com pelo menos dois algarismos iguais existem?
Exerccio 1.9. De quantas formas 5 meninos e 5 meninas podem ficar em fila, de modo que
meninos e meninas devem ficar em posico
es alternadas?
Exerccio 1.10. Dez pessoas, dentre elas Ant
onio e Beatriz, devem ficar em fila. De quantas
formas isto pode ser feito de modo que Ant
onio e Beatriz fiquem sempre juntos?
Exerccio 1.11. De quantas formas 4 homens e 5 mulheres podem ficar em fila se
a) os homens devem ficar juntos?
b) E se os homens devem ficar juntos e as mulheres tambem?
Exerccio 1.12. Considere 15 livros em uma estante, dos quais 4 s
ao de probabilidade. De
quantas formas podemos coloca-lo em uma prateleira da estante de modo que os livros de probabilidade fiquem sempre juntos?
Exerccio 1.13. Quantos anagramas existem da palavra AMARILIS?
Exerccio 1.14. Uma urna contem 3 bolas vermelhas e 2 amarelas, que se distinguem apenas
pela cor. Quantas sequencias de cores s
ao possveis de observar extraindo uma a uma sem
reposica
o?
Exerccio 1.15. Quantos n
umeros de 7 algarismos existem nos quais comparecem uma s
o vez
os algarismos 3, 4 e 5 e quatro vezes o algarismo 9?
Exerccio 1.16. Uma moeda e lancada 20 vezes. Quantas sequencias de caras e coroas existem
com 10 caras e 10 coroas?
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 17 de 114
Exerccio 1.17. Quantos produtos podemos obter se tomarmos 3 fatores distintos escolhidos
entre 2,3,5,7 e 11?
Exerccio 1.18. Um time de futebol de sal
ao deve ser escalado a partir de um conjunto de 10
jogadores, entre eles Joaquim e Caio. Quantos times de 5 jogadores podem ser formados se Ari
e Arnaldo devem ser escalados necessariamente?
Exerccio 1.19. Considere 10 homens e 10 mulheres. Quantas comiss
oes de 5 pessoas podemos
formar se em cada uma deve haver 3 homens e 2 mulheres?
Exerccio 1.20. Uma urna contem 10 bolas brancas e 6 pretas, todas marcadas com smbolos
distintos. Quantos conjuntos de 7 bolas (retiradas desta urna) podemos formar de modo que pelo
menos 4 bolas do conjunto sejam pretas?
Exerccio 1.21. Em uma reuni
ao, cada pessoa cumprimentou todas as outras, havendo ao todo
45 apertos de m
ao. Quantas pessoas haviam na reuni
ao?
Exerccio 1.22. Um qumico possui 10 tipos diferentes de subst
ancias. De quantos modos
possveis poder
a associar 6 diferentes tipos destas subst
ancias, sendo que dois tipos (somente)
n
ao podem ser juntados pois produzem mistura explosiva?
Exerccio 1.23. Quantas diagonais tem um polgono regular de n lados?
Exerccio 1.24. Obter o n
umero de maneiras que nove algarismos iguais a 0 e seis algarismos
iguais a 1 podem ser colocados em sequencia de modo que dois uns n
ao comparecam juntos.
Exerccio 1.25. Quantos subconjuntos de 5 cartas contendo exatamente 3 ases podem ser formados de um baralho de 52 cartas?
Exerccio 1.26. A diretoria de uma firma e composta por 7 diretores brasileiros e 4 japoneses.
Quantas comiss
oes podem ser formadas com 3 diretores brasileiros e 3 japoneses?
Exerccio 1.27. Em um grupo de 15 pessoas existem 5 medicos, 7 engenheiros e 3 advogados.
Selecionando pessoas neste grupo, quantas comiss
oes de 5 pessoas podemos formar, de modo que
cada comiss
ao seja constituda de 2 medicos, 2 engenheiros e 1 advogado?
Exerccio 1.28. Um homem possui 8 pares de meias distintos. De quantas formas ele pode
selecionar escolher dois pes de meia (um direito e um esquerdo) de modo que eles sejam de
pares diferentes?
Exerccio 1.29. Com os algarismos 1, 2, 3, 4, 5, 6, 7, 8 e 9, quantos n
umeros de algarismos
distintos existem entre 500 e 1000?
Exerccio 1.30. Com os algarismos 1, 2, 3, 4, 5 e 6, quantos n
umeros pares de 3 algarismos
distintos podemos formar?
Exerccio 1.31. Quantos n
umeros pares de 3 algarismos podemos formar com os algarismos 1,
3, 6, 7, 8 e 9?
Exerccio 1.32. Suponhamos que todos os n
umeros obtidos a partir da permutac
ao dos algarismos 1,2,4,6 e 8 foram dispostos em ordem crescente. Qual posica
o ocupa o n
umero 68412?
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 18 de 114
1.9
1.1) 20 18 25 =9000.
1.2) 20 19 18 =6840.
1.3) 10 9 8 =720.
1.4) 6! 2 5! =480.
1.5) 90 18 =72.
1.6) 3 2 4 3 2 1 =144.
1.7) 4 3 3 2 =72.
1.8) 94 9 8 7 6 =3537.
1.9) 5! 5! 2 =28800.
1.10) 2 9! =725760.
1.11) a) 4! 5! 6 =17280; b) 4! 5! 2 =5760.
1.12) 4! 11! 12 =11496038400.
8!
1.13) 2!2!
=10080.
5!
1.14) 3!2! =10.
1.15) 7!
4! =210.
20!
=184756.
1.16) 10!10!
1.17) C5,3 =10.
1.18) C8,3 =56.
1.19) C10,3 C10,2 =5400.
1.20) C6,4 C10,3 + C6,5 C10,2 + C6,6 C10,1 =2080.
1.21) Cn,2 = 45 n =10.
1.22) C10,6 C8,4 =140.
1.23) Cn,2 n = n(n3)
.
2
1.24) C10,6 =210.
1.25) C4,3 C48,2 =4512.
1.26) C7,3 C4,3 =140.
1.27) C5,2 C7,2 C3,1 =630.
1.28) 8 7 + 8 7 =112.
1.29) 5 8 7 =280.
1.30) 3 5 4 =60.
1.31) 2 6 6 =72.
1.32) 3 4! + 3 3! + 2 2! + 1 =95.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 19 de 114
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 20 de 114
Introdu
c
ao `
a probabilidade
www.ufjf.br/joaquim neto
2.1
Espa
co amostral
Defini
c
ao 2.1. Suponhamos um experimento realizado sob certas condic
oes fixas. O espa
co amostral
do experimento e um conjunto que contem representac
oes de todos os resultados possveis,
onde por resultado possvel, entende-se resultado elementar e indivisvel do experimento.
deve satisfazer as seguintes condic
oes:
A todo resultado possvel corresponde um, e somente um, elemento .
Resultados distintos correspondem a elementos distintos em , ou seja, n
ao pode
representar mais de um resultado.
Resultados
possveis
.u
fjf
.b
r/j
oa
qu
i
_n
et
Exemplo 2.1. Considere um experimento que consiste em arremessar dois dados e observar os
n
umeros obtidos nas faces voltadas para cima. Defina um espaco amostral para este experimento.
Solu
c
ao: N
ao e difcil encontrar quem defina = {1, 2, 3, 4, 5, 6} como espaco amostral deste
experimento. No entanto, esta definica
o est
a incorreta, pois no experimento s
ao arremessados
dois dados e n
ao um. Lembre-se que o espaco amostral deve conter representac
oes de todos os
resultados possveis do experimento. Um espaco amostral para este experimento e
= {(1, 1), (1, 2), ..., (1, 6),
(2, 1), (2, 2), ..., (2, 6),
(3, 1), (3, 2), ..., (3, 6),
(4, 1), (4, 2), ..., (4, 6),
(5, 1), (5, 2), ..., (5, 6),
(6, 1), (6, 2), ..., (6, 6)}.
www.ufjf.br/joaquim neto
p
agina 21 de 114
este conjunto contem todos os resultados possveis e tambem resultados impossveis, tais como
1 milh
ao ou 1 bilh
ao de metros. Outros candidatos para seriam, por exemplo, os intervalos
(0, 3) e [1/10, 3].
Exemplo 2.3. Considere um experimento que consiste em escolher aleatoriamente um ponto
do crculo de raio unit
ario centrado na origem do sistema cartesiano. Neste caso, temos
= {(x, y) R2 : x2 + y 2 1}.
2.2
Eventos
Defini
c
ao 2.2. Seja o espaco amostral do experimento. Todo subconjunto A ser
a chamado evento.
e o evento certo.
e o evento impossvel.
Para , o evento {} e dito elementar (ou simples).
Eventos com uma atribuica
o de probabilidade s
ao chamados de eventos aleat
orios.
Defini
c
ao 2.3. O complementar de um evento A, denotado por Ac , e o conjunto formado
pelos elementos de que n
ao pertencem `
a A. Assim, Ac = { :
/ A}.
et
_n
w
.u
fjf
.b
r/j
o
aq
ui
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 22 de 114
2.3
Defini
c
oes de probabilidade
Ha varias interpretac
oes da probabilidade. A seguir, veremos as quatro mais importantes.
2.3.1
Probabilidade cl
assica
Defini
c
ao 2.4. Se e finito, a defini
c
ao cl
assica da probabilidade P (A) de um evento A
e dada por
#A
n
umero de elementos de A
P (A) =
=
.
#
n
umero de elementos de
Obs: Esta definica
o basea-se no conceito de resultados equiprov
aveis, ou melhor, no princpio
da indiferenca. Por exemplo, em um experimento que consiste em lancar um dado e observar
o resultado, podemos usar = {1, 2, ..., 6} e, diante da indiferenca entre os resultados, temos
P (i) = 61 , i .
Exemplo 2.4. Suponhamos um experimento que consiste em retirar uma carta em um baralho.
Usando a definic
ao cl
assica de probabilidade, qual e a probabilidade de tirar um 7?
Solu
c
ao: Seja = {A, 2, ..., J, K} o espaco amostral e A = {7, 7, 7, 7} o
evento de interesse. Assim,
#A
4
P (A) =
= .
#
52
2.3.2
Probabilidade frequentista
Defini
c
ao 2.5. A defini
c
ao frequentista baseia-se na freq
uencia relativa de um n
umero
grande de realizac
oes do experimento. Mais especificamente, definimos a probabilidade P (A)
de um evento A usando o limite da frequencia relativa da ocorrencia de A em n repetic
oes
independentes1 do experimento, com n tendendo ao infinito, ou seja,
1
n
umero de ocorrencias de A em n realizac
oes
.
P (A) = lim
n n
independentes do experimento
et
o
_n
im
r/j
oa
qu
fjf
.b
1.0
0.8
0.6
0.4
0.2
w
.u
1000
2000
3000
4000
5000
Nmero de realizaes
Figura 1: N
umero de arremessos de uma moeda honesta versos proporcoes de coroas obtidas.
1
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 23 de 114
Resultados
1000 arremesos
0.0 0.8
Propores
Propores
w 0.0 0.8
w
.u
fjf
.b
200 arremesos
Resultados
r/j
o
Resultados
Propores
100 arremesos
aq 0.0 0.8
ui
m
_n
et
o
0.8
0.0
Propores
10 arremesos
Resultados
Figura 2: Proporc
ao de resultados em 10, 100, 200 e 1000 arremessos de um dado.
2.3.3
Probabilidade geom
etrica
Defini
c
ao 2.6. Consideremos um experimento que consiste em escolher um ponto ao acaso em
uma regi
ao Rp . A defini
c
ao geom
etrica da probabilidade P (A) de um evento A e
dada por
P (A) =
volume de A
.
volume de
Obs: Naturalmente, em espacos unidimensionais (p = 1) o volume e substitudo por comprimento e em espacos bidimensionais (p = 2), por
area.
Exemplo 2.5. O jogo de franc-carreau foi estudado pela primeira vez em 1733 pelo naturalista e matem
atico frances Georges-Louis Leclerc e e apresentado por Badize et al. (1996) como
uma proposic
ao para introduc
ao `
as probabilidades. O jogo consiste em lancar uma moeda em
um piso de azulejos de forma quadrada. Os jogadores ent
ao apostam se a moeda ir
a parar completamente sobre um u
nico azulejo, posica
o chamada franc-carreau, ou sobrepor algum trecho
do rejunte (junc
ao dos azulejos). Em uma regi
ao com n azulejos de lado igual a b centmetros,
qual e a probabilidade de uma moeda de raio r centmetros parar em posic
ao franc-carreau?
Solu
c
ao:
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 24 de 114
o geomtrica e a resoluo
a, que consiste em considerar
D
ui
m
_n
et
aq
r/j
o
.u
f
esse ponto P.
(b-2r)
F
B
dos em nmeroCada
suficientemente
localizaca
o possvel para a moeda pode ser caracterizada pelo seu ponto central.
Na
figura acima, o quadrado de vertices A, B, C e D ilustra um azulejo e a circunferencia de centro
obtidos. Esta
feita
P esimulao
raio r ilustra a moeda.
Repare que a moeda estar
a localizada completamente sobre o azulejo
(posic
ao franc-carreau) se, e somente se, seu centro estiver no interior do quadrado de vertices
E, F, Ga e diferenciao
H. Assim, usando a definic
ao geometrica, a probabilidade procurada e
que permitem
n(b 2r)2
(b 2r)2
=
.
nb2
b2
oes
c
ao 2.7.
A defini
c
ao subjetiva de probabilidade baseia-se em crencas e/ou informac
m dentro de Defini
EFGH
assim
como,
do observador a respeito do fen
omeno em estudo.
Exemplo 2.6. Consideremos o evento A =chove em Moscou. Para alguem em Minas Gerais
podemos ter a seguinte avaliac
ao: P (A) = 0, 5. Para alguem de Leningrado, podemos ter P (A) =
0, 8 se chove em Leningrado e P (A) = 0, 3 se n
ao chove em Leningrado. Para alguem de Moscou,
P (A) = 1 se est
a chovendo em Moscou e P (A) = 0 se n
ao est
a chovendo em Moscou.
2.4
et
Defini
c
ao 2.8. Os conjuntos da sequencia (finita ou enumer
avel) A1 , A2 , ... s
ao disjuntos 2 a 2,
se Ai Aj = , i 6= j.
im
_n
.u
fjf
.b
r/j
oa
qu
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 25 de 114
Defini
c
ao 2.9. O conjunto das partes P(A) de um conjunto A e definido por
P(A) = {B|B A}.
2.5
Nao vamos nos preocupar, doravante, com o problema de como definir probabilidade para
cada experimento. Simplesmente, vamos admitir que as probabilidades estao definidas em um
certo conjunto A 2 de eventos, chamados de eventos aleatorios. Vamos supor que a todo A A
seja associado um n
umero real P (A), chamado de probabilidade de A, de modo que os axiomas
a seguir sejam satisfeitos.
Axioma 1: P (A) 0, A A .
Axioma 2: P () = 1.
Axioma 3: Se A1 , A2 , ... A s
ao disjuntos 2 a 2, entao
!
[
X
An =
P (An ).
P
n=1
n=1
Defini
c
ao 2.10. Um espa
co de probabilidade e um trio (, A , P ), onde
e um conjunto n
ao vazio,
A e um conjunto de eventos aleat
orios e
.u
fjf
.b
r/j
oa
qu
i
_n
e
to
P e uma probabilidade em A .
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 26 de 114
2.6
Principais resultados
2.6.1
Probabilidade do vazio
Resultado 2.1. P () = 0.
Prova: Temos que
P () = P ( ...)
P () = P () + P () + P () + ...
0 = P () + P () + ...
P () = 0.
2.6.2
Probabilidade da uni
ao finita de eventos disjuntos 2 a 2
i=1
[
[
P
Ai = P
Ai = (pelo axioma 3) =
i=1
i=1
X
i=1
n
X
i=1
n
X
P (Ai ) =
P (Ai ) +
P (Ai ) +
i=1
P (Ai ) +
i=1
2.6.3
n
X
i=n+1
P (Ai )
i=n+1
0=
i=n+1
n
X
P (Ai ).
i=1
Resultado 2.3.
P (Ac ) = 1 P (A), A A .
Prova: Temos que
= A Ac
P () = P (A Ac ) (aplicando os axiomas 2 e 3)
1 = P (A) + P (Ac )
P (A) = 1 P (Ac ).
2.6.4
Resultado 2.4. A, B A ,
A B P (A) P (B).
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 27 de 114
2.6.5
Probabilidade entre 0 e 1
Resultado 2.5.
0 P (A) 1, A A
Prova: Como A , aplicando o resultado 2.4, temos que
P (A) P () (pelo axioma 2) P (A) 1.
Alem disso, pelo axioma 1, P (A) 0. Logo 0 P (A) 1.
2.6.6
Probabilidade da subtrac
ao
Resultado 2.6. A, B A ,
P (A B c ) = P (A) P (A B).
Prova: Temos que
(A B c ) (A B) = A
P ((A B c ) (A B)) = P (A)
P (A B c ) + P (A B) = P (A)
P (A B c ) = P (A) P (A B) .
Obs: Em alguns livros o evento A B c e definido como A B. Aqui nao adotamos esta
notacao para evitar confus
oes entre a subtracao de probabilidades e a subtracao de conjuntos.
2.6.7
Desigualdade de Boole
[
X
P
Ai
P (Ai ).
i=1
i=1
www.ufjf.br/joaquim neto
p
agina 28 de 114
Note que esta sequencia e de eventos disjuntos 2 a 2. Alem disso, temos que Bi Ai , o que
implica P (Bi ) P (Ai ). Deste modo, temos que
!
!
[
[
P
Ai = P
Bi = (pelo axioma 3) =
i=1
i=1
P (Bi )
i=1
P (Ai )
i=1
i=1
Prova: An
aloga `
a prova do resultado anterior.
2.6.8
Probabilidade da uni
ao de 2 eventos
im
_n
+P
-P
w
w
.u
fjf
.b
r/j
oa
=P
qu
et
Prova:
P (A B) = P ((A B c ) B)
= (repare que A B c e B s
ao disjuntos) =
= P (A B c ) + P (B)
= P (A) P (A B) + P (B).
2.6.9
Probabilidade da uni
ao de 3 eventos
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 29 de 114
2.6.10
Probabilidade da uni
ao finita
n
X
n
X
P (Ai )
i=1
n
X
P (Ai Aj Ar ) + ...
i<j<r=3
n1
+ (1)
P (Ai Aj )
i<j=2
P (A1 A2 ... An ) .
ao finita.
Prova: Por induc
Obs: Os dois u
ltimos resultados s
ao casos particulares deste resultado.
2.6.11
Outros resultados
2.7
2.7.1
Defini
c
ao 2.11. Seja (, A , P ) um espaco de probabilidade. Se B A e P (B) > 0, a
probabilidade condicional de A A dado B e definida por
P (A|B) =
P (A B)
.
P (B)
Obs:
Se P (B) = 0, P (A|B) pode ser arbitrariamente definida. Mas, por independencia, e
conveniente fazer P (A|B) = P (A), como veremos adiante.
Decorre da definic
ao que P (A B) = P (B)P (A|B) e esta igualdade tambem e v
alida
quando P (B) = 0 (verifique!).
www.ufjf.br/joaquim neto
p
agina 30 de 114
El
etricas
10
200
210
Novas
Usadas
Totais
Manuais
60
40
100
Totais
70
240
310
P (N E)
#(N E)
10
=
=
= 0, 04761905.
P (E)
#E
210
Resultado 2.13. Uma probabilidade condicional dado um evento B qualquer e uma probabilidade.
Solu
c
ao:
Para mostrar que a probabilidade condicional e uma probabilidade, devemos verificar que
P (A | B) 0, A A ,
P ( | B) = 1 e que
se A1 , A2 , ... A s
ao disjuntos 2 a 2, ent
ao
i=1
X
Ai B =
P (Ai |B).
i=1
P (B)
P (B)
P (B)
P (B)
= 1 e a segunda condic
ao foi satisfeita.
! P
[
Ai B =
S
i=1
Joaquim Neto
Ai
B
i=1
P (B)
P (Ai B)
i=1
P (B)
P
=
S
(Ai B)
i=1
= (pelo axioma 3) =
P (B)
X
P (Ai B) X
P (Ai |B).
=
=
P (B)
i=1
www.ufjf.br/joaquim neto
i=1
p
agina 31 de 114
2.7.2
Teorema da multiplicac
ao
2.7.3
Partic
ao de um conjunto
Defini
c
ao 2.12. Uma sequencia A1 , A2 , ... finita ou enumer
avel de conjuntos e uma parti
c
ao
de um conjunto A quando
for uma sequencia de conjuntos disjuntos 2 a 2 e
Ai = A.
_n
et
qu
im
.u
fjf
.b
r/j
oa
2.7.4
P (B|Ai ) P (Ai ).
qu
_n
et
im
.u
fjf
.b
r/j
oa
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 32 de 114
Prova:
!
[
P (B) = P
(B Ai )
= (pelo axioma 3) =
P (B Ai ) =
P (B|Ai ) P (Ai ).
2.7.5
Teorema de Bayes
qu
_n
et
im
.u
fjf
.b
r/j
oa
Prova:
P (Ai B)
P (B|Ai ) P (Ai )
=
P (B)
P (B)
= (pelo teorema da probabilidade total) =
P (B|Ai ) P (Ai )
=P
.
P (B|Aj ) P (Aj )
P (Ai |B) =
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 33 de 114
P (A1 |B) =
.u
fjf
.b
r/j
oa
q
ui
m
_n
et
www.ufjf.br/joaquim neto
p
agina 34 de 114
1
3
P (A1 | B) =
P (B | A1 )P (A1 )
=
P (B)
P (A2 | B) =
1
P (B | A2 )P (A2 )
= 1
P (B)
2
1
3
P (A3 | B) =
0
P (B | A3 )P (A3 )
= 1
P (B)
2
1
3
1
2
1
= ,
3
=
2
3
= 0.
2.7.6
Sensibilidade e especificidade
Suponhamos um exame medico qualquer com dois resultados possveis. Vamos assumir que
X = 1 quando o exame acusa a doenca e que X = 0 caso contrario. Por outro lado, vamos usar
para indicar o verdadeiro estado do indivduo submetido ao exame, onde theta = 1 indica um
indivduo doente e = 0 indica um indivduo saudavel.
Defini
c
ao 2.13. A sensibilidade e a probabilidade de um exame acusar a doenca dado que o
indivduo possui a doenca, ou seja,
P (X = 1 | = 1)
Defini
c
ao 2.14. A especifidade e a probabilidade de n
ao acusar a doenca dado que o indivduo
n
ao tem a doenca.
P (X = 0 | = 0)
Os medicos ap
oiam-se em exames laboratoriais para estabelecer diagnosticos e sabem que,
para tal, quanto maiores forem estas duas medidas, melhor e o teste.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 35 de 114
Exemplo 2.12. Uma pessoa vai ao medico reclamando de dores. O medico acredita que o
paciente pode ter uma determinada doenca. Ele ent
ao examina o paciente cuidadosamente,
observa seus sintomas e assume subjetivamente que P ( = 1) = 0, 6.
Para auxiliar o diagn
ostico, ele prescreve um exame laboratorial. Vamos assumir que X = 1
quando o exame acusa a doenca e X = 0 caso contr
ario. O exame fornece um resultado incerto
com as seguintes probabilidades
P (X = 0 | = 0) = 0, 90
(especificidade: exame n
ao acusar sem a doenca) e
P (X = 1 | = 1) = 0, 95
.
Dado que o exame acusou a doenca (X = 1), qual e a probabilidade do paciente ter a doenca?
Solu
c
ao: Pelo teorema de Bayes, temos que
P (X = 1 | = 1)P ( = 1)
P (X = 1 | = 1)P ( = 1) + P (X = 1 | = 0)P ( = 0)
0, 95 0, 6
=
= 0, 9344262.
0, 95 0, 6 + 0, 1 0, 4
P ( = 1 | X = 1) =
Exemplo 2.13. Recomenda-se que, a partir dos 40 anos, as mulheres facam mamografias anuais. Nesta idade, aproximadamente uma em cada 100 mulheres s
ao portadoras de um tumor
assintom
atico de mama.
Seja uma quantidade desconhecida que indica se uma paciente desta faixa et
aria tem a
doenca ou n
ao. Se ela possui a doenca ent
ao = 1, caso contr
ario = 0. Assim, podemos
assumir que
P ( = 1) = 0, 01 e P ( = 0) = 0, 99.
Sabe-se que a mamografia indica a doenca em 80% das mulheres com c
ancer de mama, mas
esse mesmo resultado ocorre tambem com 9,6% das mulheres sem o c
ancer. Assim, seja X uma
vari
avel aleat
oria associada ao resultado da mamografia, de modo que se X = 1 o exame acusou
a doenca e X = 0 caso contr
ario. Temos ent
ao que
P (X = 0 | = 0) = 0, 904
P (X = 1 | = 1) = 0, 80
(especificidade: exame n
ao acusar sem a doenca) e
(sensibilidade: exame acusar com a doenca).
Imagine agora que voce encontra uma amiga de 40 e poucos anos aos prantos, desesperada,
porque fez uma mamografia de rotina e o exame acusou a doenca. Qual a probabilidade de ela
ter um c
ancer de mama?
Solu
c
ao: Temos que
P ( = 1 | X = 1) =
=
P (X = 1 | = 1)P ( = 1)
P (X = 1 | = 1)P ( = 1) + P (X = 1 | = 0)P ( = 0)
0, 80 0, 01
= 0, 07763975
0, 80 0, 01 + 0, 096 0, 99
www.ufjf.br/joaquim neto
p
agina 36 de 114
2.8
Independ
encia
Defini
c
ao 2.15 (independ
encia entre dois eventos). Dois eventos aleat
orios A e B s
ao
independentes quando
P (A B) = P (A)P (B).
Obs: Se os eventos A e B s
ao independentes, ent
ao
P (A | B) = P (A)
P (B | A) = P (B).
Defini
c
ao 2.17 (independ
encia m
utua). Seja B = {Ai : i I} uma colec
ao de eventos
aleat
orios indexada por um conjunto (de ndices) I. Os eventos desta colec
ao s
ao (mutuamente)
independentes se, para toda subfamlia finita {Ai1 , Ai2 , ..., Ain } de eventos em B, tivermos
P (Ai1 Ai2 ... Ain ) = P (Ai1 )P (Ai2 )...P (Ain )
As duas definic
oes de independencia formuladas acima sao parecidas, porem nao sao equivalentes. O resultado a seguir estabelece que uma colecao de eventos (mutuamente) independentes
e necessariamente uma colec
ao de eventos independentes 2 a 2. Porem, a recproca nao e verdadeira, conforme veremos no exemplo 2.15.
Resultado 2.14. Qualquer colec
ao B de eventos aleat
orios (mutuamente) independentes e uma
colec
ao de eventos independentes 2 a 2.
Prova: Como B e uma colec
ao de eventos (mutuamente) independentes, para toda subfamlia
finita {Ai1 , Ai2 , ..., Ain } de eventos em B, temos que
P (Ai1 Ai2 ... Ain ) = P (Ai1 )P (Ai2 )...P (Ain ).
Em particular, para todas as subfamlias {Ai , Aj } com i 6= j, temos que
P (Ai Aj ) = P (Ai )P (Aj ).
Logo, B e uma coleca
o de eventos independentes 2 a 2.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 37 de 114
Exemplo 2.15. Suponhamos um experimento que consiste em jogar dois dados. Considere os
eventos:
A = {o primeiro dado mostra um n
umero par},
B = {o segundo dado mostra um n
umero mpar},
C = {ambos os dados mostram n
umeros mpares ou ambos mostram n
umeros pares}.
a) Os eventos acima s
ao independentes 2 a 2?
b) Os eventos acima s
ao mutuamente independentes?
Solu
c
ao:
a) Para mostrar que os eventos s
ao independentes 2 a 2, devemos verificar se
P (A B) = P (A)P (B),
P (A C) = P (A)P (C)
P (B C) = P (B)P (C).
36
66
= 0, 5,
P (B) =
63
66
= 0, 5,
P (C) =
33
66
33
66
= 0, 5,
P (A B) =
33
66
= 0, 25,
P (A C) =
33
66
= 0, 25 e
P (B C) =
33
66
= 0, 25.
Consequentemente,
P (A B) = 0, 25 = 0, 5 0, 5 = P (A)P (B),
P (A C) = 0, 25 = 0, 5 0, 5 = P (A)P (C) e
P (B C) = 0, 25 = 0, 5 0, 5 = P (B)P (C).
Logo os eventos s
ao independentes 2 a 2.
b) Para mostrar que os eventos s
ao (mutuamente) independentes, devemos verificar se
P (A B) = P (A)P (B),
P (A C) = P (A)P (C),
P (B C) = P (B)P (C) e
P (A B C) = P (A)P (B)P (C).
www.ufjf.br/joaquim neto
p
agina 38 de 114
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 39 de 114
Joaquim Neto
www.ufjf.br/joaquim neto
Calcularprobabilidadesusandoasdefiniesdeindependncia.
Provaroufornecercontraexemplosparaproposiesde
probabilidaderelacionadasaoconceitodeprobabilidade
condicional.
D2.10
D2.11
D2.12
Prova,independncia
Prova,probabilidadecondicional
Independncia
Provaroufornecercontraexemplosparaproposiesde
probabilidaderelacionadasaosconceitosdeindependncia.
Prova,proposies
Provaroufornecercontraexemplosparaproposiesde
probabilidadenorelacionadasaosconceitosdeprobabilidade
condicionalouindependncia.
D2.13
TeoremadeBayes
UsaroTeoremadeBayes paracalcularprobabilidades.
D2.9
TeoremadaProbabilidadeTotal
TeoremadaMultiplicao
Probabilidadecondicional
Axiomas,resultadoseteoremas
UsaroTeoremadaProbabilidadeTotalparacalcular
probabilidades.
D2.5
D2.8
Calcularprobabilidadesusandoteoriadosconjuntos,axiomas,
resultadoseteoremasnorelacionadosaoconceitode
probabilidadecondicional.
Eventosdisjuntos2a2
UsaroTeoremadaMultiplicaoparacalcularprobabilidades.
Identificarumasequnciadeeventosdisjuntos2a2.
D2.4
DefinioGeomtrica
Descritores
D2.7
Usaradefiniogeomtricaparacalcularprobabilidades.
D2.3
Definioclssica
2.9.1
Usaradefiniodeprobabilidadecondicionalparacalcular
probabilidades.
Usaradefinioclssicaparacalcularprobabilidades.
D2.2
Espaoamostral
Palavrachave
Exerccios
D2.6
Definiroespaoamostraldeumexperimento.
Descrio
D2.1
Descritor
2.9
p
agina 40 de 114
2.9.2
Enunciados
Tipo de
insatura
c
ao
mono
poly
Tipo de
oleo
Canola Milho
7
13
93
77
a) Se uma garrafa de
oleo e selecionada aleatoriamente, qual a probabilidade (cl
assica) de ser
um
oleo polinsaturado?
b) Se uma garrafa de
oleo e selecionada aleatoriamente, qual a probabilidade (cl
assica) de ser
monoinsaturado de canola?
Exerccio 2.2. (D2.2) Qual e a probabilidade (cl
assica) de observar quatro n
umeros diferentes
ao lancar quatro dados?
Exerccio 2.3. (D2.2) Se 12 bolas s
ao colocadas aleatoriamente em 20 caixas, qual e a probabilidade (cl
assica) de nenhuma caixa receber mais do que uma bola?
Exerccio 2.4. (D2.2) Uma caixa contem 24 lampadas, das quais 4 s
ao defeituosas. Se uma
pessoa seleciona 4 lampadas aleatoriamente desta caixa, qual e a probabilidade (cl
assica) das
quatro lampadas serem defeituosas?
Exerccio 2.5. (D2.2) Suponhamos que n pessoas ir
ao se sentar aleatoriamente em n cadeiras
alinhadas em fila (de um teatro). Qual e a probabilidade (cl
assica) de duas pessoas em particular,
A e B, sentarem uma do lado da outra?
Exerccio 2.6. (D2.2) Suponhamos que k pessoas ir
ao se sentar aleatoriamente em n cadeiras
alinhadas em fila (de um teatro). Qual e a probabilidade (cl
assica) de k pessoas ocuparem cadeiras
adjacentes?
Exerccio 2.7. (D2.2) Suponha que um comite de 12 pessoas ser
a selecionado aleatoriamente
dentre 100 pessoas. Qual e a probabilidade (cl
assica) de duas pessoas em particular, A e B,
serem selecionadas.
Exerccio 2.8. (D2.2) Uma caixa contem 24 lampadas, das quais 4 s
ao defeituosas. Suponhamos que uma pessoa seleciona 10 lampadas aleatoriamente e, em seguida, uma outra pessoa
seleciona as 14 lampadas restantes. Qual e a probabilidade (cl
assica) das 4 lampadas defeituosas
serem selecionadas pela mesma pessoa?
Exerccio 2.9. (D2.2) Um baralho contem 52 cartas e 4 ases. Se as cartas forem embaralhadas
e distribudas de maneira aleat
oria para 4 pessoas, de modo que cada pessoa receba 13 cartas,
qual e a probabilidade (cl
assica) dos 4 ases ficarem com a mesma pessoa?
Exerccio 2.10. (D2.2)
a) Suponha que os tres dgitos do n
umero 123 sejam escritos em ordem aleat
oria. Qual e
a probabilidade de que ao menos um dgito ocupe seu lugar pr
oprio? b) Suponha que os quatro
dgitos do n
umero 1234 sejam escritos em ordem aleat
oria. Qual e a probabilidade de que ao
menos um dgito ocupe seu lugar pr
oprio?
Exerccio 2.11. (D2.2) Um fabricante de l
ampadas para far
ois automotivos testa as l
ampadas sob condic
oes de alta umidade e alta temperatura, usando a intensidade e vida u
til como
par
ametros de interesse. A tabela abaixo mostra a performance de 130 l
ampadas.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 41 de 114
Intensidade
Satisfat
orio
Insatisfat
orio
Vida u
til
Satisfat
orio Insatisfat
orio
117
3
8
2
Quantidade
243
85
52
46
Selecionando aleatoriamente um caso de fraude nos casos resumidos acima, qual e a probabilidade da fraude resultar de um cart
ao falsificado?
Exerccio 2.13. (D2.2) Uma m
ao de poker consiste na combinac
ao de 5 cartas aleat
orias de
um baralho comum de 52 cartas. Pesquise sobre o jogo de poker e responda:
a) Quantas m
aos de poker s
ao possveis?
b) Em uma m
ao de poker, qual e a probabilidade de se ter uma dupla (duas cartas com o
mesmo valor)?
c) Em uma m
ao de poker, qual e a probabilidade de se ter duas duplas?
d) Em uma m
ao de poker, qual e a probabilidade de se ter uma trinca (tres cartas com o
mesmo valor)?
e) Em uma m
ao de poker, qual e a probabilidade de se ter um straight(cinco cartas em
sequencia)?
f ) Em uma m
ao de poker, qual e a probabilidade de se ter um flush(cinco cartas do mesmo
naipe)?
g) Em uma m
ao de poker, qual e a probabilidade de se ter um full house(uma trinca e uma
dupla)?
h) Em uma m
ao de poker, qual e a probabilidade de se ter uma quadra (quatro cartas com o
mesmo valor)?
i) Em uma m
ao de poker, qual e a probabilidade de se ter um straight flush(cinco cartas
em sequencia do mesmo naipe)?
j) Em uma m
ao de poker, qual e a probabilidade de se ter um royal straight flush(10, J, Q,
todos do mesmo naipe)?
K e As,
Exerccio 2.14. (D2.5) Sejam A e B dois eventos. Se P (A) = 0, 3, P (B) = 0, 2 e P (A B) =
0, 1, ent
ao calcule:
a) P (Ac ),
b) P (A B),
c) P (Ac B),
d) P (A B c ),
e) P ((A B)c ) e
f ) P (Ac B).
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 42 de 114
Acabamento
da superfcie
Excelente
Bom
Comprimento
Excelente Bom
75
7
10
8
www.ufjf.br/joaquim neto
p
agina 43 de 114
www.ufjf.br/joaquim neto
p
agina 44 de 114
- 1% dos usu
arios legtimos chamam de duas ou mais
areas metropolitanas em um mesmo dia.
- 30% dos usu
arios fraudulentos chamam de duas ou mais
areas metropolitanas em um mesmo
dia.
- A proporc
ao de usu
arios fraudulentos e de 0,01%.
Se um mesmo usu
ario faz chamadas de duas ou mais
areas metropolitanas em um mesmo
dia, qual e a probabilidade de que o usu
ario seja fraudulento?
Exerccio 2.29. (D2.9) Em uma f
abrica de parafusos, as m
aquinas A, B e C produzem 25%,
35% e 40% do total, respectivamente. Da produc
ao de cada m
aquina, 5%, 4% e 2%, respectivamente, s
ao parafusos defeituosos. Escolhe-se ao acaso um parafuso e verifica-se que e defeituoso.
a) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na m
aquina A?
b) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na m
aquina B?
c) (D2.9) Qual a probabilidade de que o parafuso tenha sido produzido na m
aquina C?
Exerccio 2.30. (D2.9) Uma urna contem 4 bolas brancas e 6 bolas pretas. Duas bolas s
ao
retiradas da urna sucessivamente e sem reposic
ao. Determine a probabilidade da primeira bola
ser branca sabendo que a segunda bola e branca.
Exerccio 2.31. (D2.9) Suponha que 80% de todos os estatsticos sejam tmidos, enquanto
apenas 15% de todos os economistas sejam tmidos. Suponha tambem que 90% das pessoas em
um congresso sejam economistas e os outros 10% sejam estatsticos. Se voce estiver no congresso
e conhecer, ao acaso, uma pessoa tmida, qual e a probabilidade de que ela seja um estatstico?
Exerccio 2.32. (D2.9 e D2.8) No design preliminar de produtos s
ao utilizadas avaliac
oes de
clientes. No passado, 95% dos produtos de alto sucesso receberam boas avaliac
oes, 60% dos produtos de sucesso moderado receberam boas avaliac
oes, e 10% dos produtos de pobre desempenho
receberam boas avaliac
oes. Alem disso, 40% dos produtos tiveram alto sucesso, 35% tiveram
sucesso moderado e 25% tiveram desempenho pobre.
a) (D2.8) Qual e a probabilidade de que o produto consiga uma boa avaliac
ao?
b) (D2.9) Se um novo design obtem uma boa avaliac
ao, qual a probabilidade de que ele tenha
alto sucesso?
c) (D2.9) Se um produto n
ao recebe uma boa avaliac
ao, qual e a probabilidade de que ele tenha
alto sucesso?
Exerccio 2.33. (D2.9 e D2.8) Um inspetor trabalhando para uma companhia de manufatura
tem uma probabilidade de 99% de identificar corretamente um item com defeito e 0,5% de probabilidade de classificar incorretamente um produto bom como defeituoso. A companhia tem
evidencias de que sua linha produz 0,9% de tens defeituosos.
a) (D2.8) Qual e a probabilidade de um item selecionado para inspec
ao ser classificado como
defeituoso?
b) (D2.9) Se um item selecionado aleatoriamente e classificado como n
ao-defeituoso, qual e a
probabilidade dele ser realmente bom?
Exerccio 2.34. (D2.10) Se A, B e C s
ao eventos disjuntos dois a dois, e possvel ter P (A) =
0, 3, P (B) = 0, 4 e P (C) = 0, 5? Por que ou por que n
ao?
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 45 de 114
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 46 de 114
2.9.3
Respostas
93+77
170
7+13+93+77 = 190 =
6543
6666 = 0, 277777.
20!
= 0, 01473140.
8!2012
1 = 9, 410879
2.1) a)
2.2)
2.3)
2.4)
24
4
2.5)
2(n2)!(n1)
n!
n
k
= 0, 03684211.
10 5.
n1
ou
n
n2
2.8)
20
6
13
4
52
4
2.9)
20
10
= 0, 1139657.
24
10
= 0.01333333.
100
12
= 0, 01056423.
2!
2.10) a) 3 3!
3 3!1 + 3!1 = 0, 6666667; b) 4
1
.
2.11) 10
85
2.12) 243+85+52+46
= 0, 1995305.
2.13)
52
= 2598960;
a)
5
13
b)
4
2
13
2
52
5
13
d)
4
3
4
2
12
3
52
5
Joaquim Neto
2!
4!
+4
1
4!
1
4!
= 0, 625.
444
1098240
2598960
= 0, 422569;
4
2
44
123552
2598960
= 0, 04753902;
12
2
44
54912
2598960
= 0, 02112845;
1044444364
52
5
3!
4!
52
5
e)
7
190
98
10
c)
nk+1
2.7)
7
7+13+93+77
2.6)
0, 8947368; b)
10200
2598960
= 0, 003924647;
www.ufjf.br/joaquim neto
p
agina 47 de 114
f)
13
5
364
52
5
1312
4
3
5108
2598960
= 0, 001965402;
4
2
3744
= 2598960
= 0, 001440576;
52
5
624
1348
=
h)
2598960 = 0, 000240096;
52
5
36
i) 4104 = 2598960
= 1, 385169 105 ;
52
5
4
j) 4 = 2598960
= 1, 539077 106 .
52
5
2.14) a) 0.7; b) 0.4; c) 0.1; d) 0.2; e) 0.6; f) 0.8.
2.15) a) P (ELEN ) = P (EN |EL)P (EL) = 0.750.5 = 0.375; b) P (ELEN c )+P (EN
c
EL ) = P (EN c | EL)P (EL)+P (EN | ELc )P (ELc ) = 0.250.5+ 13 0.5 = 0.2916667; c) Temos
que P (EN ) = P (EN | EL)P (EL) + P (EN | ELc )P (ELc ) = 0.75 0.5 + 13 0.5 = 0.5416667.
Alem disso, P (EL EN ) = P (EL) + P (EN ) P (EL EN ) = 0.5 + 0.5416667 0.375 = 23 .
Portanto, P (ELc EN c ) = P ((EL EN )c ) = 1 P (EL EN ) = 1 32 = 13 .
1
4
8
2.16) 13
, 13
, 13
.
2.17) a) 1 z; b) y z; c) 1 x + z; d) 1 x y + z.
2.18) P (A B C) = 14 + 14 + 14 18 = 0.625.
2.19) 95 .
19
2.20) a) 0, 20; b) 100
= 0, 1919192; c) 0, 20.
2.21) a) 0, 82; b) 0, 85; c) 0.9146341; d) 0, 466666.
2.22) a) 0, 05; b) 0, 5;
2.23) a) 0,50; b) 0,05.
11
= 0, 9166667.
2.24) 12
9
2.25) 40
.
y
x
z+1
z
2.26) ( x+y )( z+v+1
) + ( x+y
)( z+v+1
).
2
2.27) 3 .
2.28) 0, 00299.
2.29) a) 0,36; b) 0,41; c) 0,23.
2.30) 31 .
2.31) 0, 372093.
2.32) a) 0, 615; b) 0, 618; c) 0, 052.
2.33) a) 0, 99 0, 009 + 0, 005 (1 0, 009) = 0, 013865; b) (10,005)(10,009)
= 0, 9999087.
10,013865
2.34) Nao e possvel, pois P (A B C) = P (A) + P (B) + P (C) = 0, 3 + 0, 4 + 0, 5 = 1, 2 > 1.
2.35) .
2.36) .
2.37) a) 41 ; b) 34 .
2.38) 31 .
50
.
2.39) 1 49
50
2.40) .
2.41) a) 61 ; b) 13 ; c) 12 ; d) O resultado nao surpreende, pois os eventos descritos nos itens
anteriores formam uma partic
ao do espaco amostral. Assim, a soma de suas probabilidades deve
ser 1.
g)
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 48 de 114
2.42) a)
Joaquim Neto
33
95 ;
b)
14
95 ;
c)
48
95 .
www.ufjf.br/joaquim neto
p
agina 49 de 114
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 50 de 114
Vari
aveis aleat
orias
www.ufjf.br/joaquim neto
3.1
Introdu
c
ao
im
.u
fjf
.b
r/j
oa
qu
_n
et
p
x2 + y 2 .
Nota
c
ao: Seja x R e A R. Consideremos os seguintes conjuntos:
[X x] = { : X() x}
[X = x] = { : X() = x}
[X < x] = { : X() < x}
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 51 de 114
[X x] = { : X() x}
[X > x] = { : X() > x}
[X A] = { : X() A}
3.2
Vari
avel aleat
oria discreta e func
ao de probabilidade
et
o
_n
aq
ui
m
0.10
r/j
o
w 0.00
w
.u
fjf
.b
p(x)
0.20
10
Exemplo 3.4. Suponhamos um experimento que consiste em arremessar um dado honesto. Seja
X a v.a. associada ao quadrado do n
umero observado na face voltada para cima ap
os o dado
parar. Faca o gr
afico da func
ao de probabilidade de X.
Solu
c
ao: Primeiro, vamos construir uma tabela. Em seguida, podemos usar os dados da
tabela para construir o gr
afico.
x
1
4
9
16
25
36
p(x)
1/6
1/6
1/6
1/6
1/6
1/6
ui
w
.u
0.00
fjf
.b
r/j
o
aq
0.10
p(x)
_n
et
0.20
Resultado
1
2
3
4
5
6
Joaquim Neto
5 10
20
30
www.ufjf.br/joaquim neto
p
agina 52 de 114
[
=P
[X = xi ]
i:xi A
P ([X = xi ]).
i:xi A
p(xi ) = 1.
i
i=1
3.3
1
.
14
Vari
avel aleat
oria contnua e densidade
ao integr
avel f (x) 0
Defini
c
ao 3.2. Uma vari
avel aleat
oria X e contnua se existe uma func
x R, tal que
Z
P (X A) = f (x) dx, para A R.
A
/jo
aq
ui
_n
et
o
w
w
.u
fjf
.b
r
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 53 de 114
3.4
Fun
c
ao de distribui
c
ao acumulada
Defini
c
ao 3.3. A fun
c
ao de distribui
c
ao acumulada (f.d.a.) de uma vari
avel aleat
oria
X, representada por F , e definida por
F (x) = P ([X x]),
x R.
ao de distribuic
ao acumulada tambem e chamada de simplesmente de acumulada
Obs: A func
ou fun
c
ao de distribui
c
ao.
Exemplo 3.6. Suponhamos um experimento que consiste em arremessar um dado honesto. Seja
X a v.a. associada ao n
umero observado na face voltada para cima ap
os o dado parar. Sejam
p(x) e F (x) a func
ao de probabilidade e a acumulada de X, respectivamente.
a) Calcule p(2).
b) Calcule p(3, 5).
c) Calcule F (2).
d) Calcule F (3, 7).
e) Calcule F (500).
f ) Calcule F (9).
Solu
c
ao: Temos que a) p(2) = P ([X = 2]) = 1/6.
b) p(3, 5) = P ([X = 3, 5]) = 0.
c) F (2) = P ([X 2])
= P ([X = 1]) + P ([X = 2])
= 1/6 + 1/6 = 2/6.
d) F (3, 7) = P ([X 3, 7])
= P ([X = 1]) + P ([X = 2]) + P ([X = 3])
= 1/6 + 1/6 + 1/6 = 3/6.
e) F (500) = P ([X 500])
= P ([X = 1]) + P ([X = 2]) + P ([X = 3]
+ P ([X = 4] + P ([X = 5] + P ([X = 6])
= 1.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 54 de 114
p(x)
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
p(x) (decimal)
0,028
0,056
0,083
0,111
0,139
0,167
0,139
0,111
0,083
0,056
0,028
F (x)
1/36
3/36
6/36
10/36
15/36
21/36
26/36
30/36
33/36
35/36
1
F (x) (decimal)
0,028
0,083
0,167
0,278
0,417
0,583
0,722
0,833
0,917
0,972
1
to
F(x)
0.4
0.8
_n
e
m
qu
i
oa
r/j
10
12
0.0
.b
.u
fjf
10 12
Func
ao de probabilidade
to
e
_n
im
qu
oa
/j
br
jf.
f
.u
p(x)
Acumulada
www.ufjf.br/joaquim neto
p
agina 55 de 114
= P : 2 x = P : x x
= (pela definic
ao geometrica de probabilidade) =
x ( x)
=
= x.
1 (1)
Finalmente, se x > 1,
F (x) = P ([X x]) = P ({ : X () x})
= P : 2 x
= (como x > 1) = P () = 1.
Logo,
se x < 0
0,
x, se 0 x 1 .
F (x) =
1 se x > 1
_n
m
qu
i
.b
r/j
oa
0.4
.u
fjf
0.0
F(x)
0.8
et
o
c)
0.2
0.2
0.6
1.0
x R.
f (t) dt,
_n
et
o
.u
fjf
.b
r/j
oa
q
ui
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 56 de 114
Zx
Zx
f (t) dt =
F (x) =
0dt = 0.
Zx
F (x) =
Zx
f (t) dt =
=6
t2
2
0
x
3
t
3 0
6 tt
Zx
dt = 6
t t2 dt
=6
x2
2
x3
= 3x2 2x3 .
Para x 1,
Z0
F (x) =
Z1
f (t) dt +
Zx
f (t) dt +
Z1
f (t) dt =
6 t t2 dt = 1.
= 0, 68
f (x) dx = 1.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 57 de 114
to
_n
e
w
w
.u
fjf
.b
r/j
oa
qu
i
lim F (x) = 0.
lim F (x) = 1.
x
x
lim k2 (1
x
k2 lim (1
x
k2
ex ) = 1
ex ) = 1
=1
k = 2.
b) Como a densidade e dada pela derivada da acumulada, temos que
Se x 0,
Joaquim Neto
p
agina 58 de 114
Se x > 0,
f (x) = F 0 (x) = 1 ex
0
= ex .
Logo
f (x) =
3.5
0, se x 0
.
ex , se x > 0
Vari
avel aleat
oria mista
0, se x < 0
x2 , se 0 x < 1
2
.
F (x) =
3 , se 1 x < 2
11
,
se
2
x
<
3
12
1, se x 3
.u
fjf
.b
r/j
oa
qu
im
_n
et
o
a) Faca o gr
afico de F (x).
b) Calcule P (X = 2).
c) Calcule P (X < 2).
d) Calcule P (X = 1).
e) Calcule P (X > 12 ).
f ) Calcule P (1 < X < 3).
Solu
c
ao:
a)
b)
c)
d)
e)
f)
P (X
P (X
P (X
P (X
2
3
1
= 2) = 11
12 3 = 12 = 4 = 0, 25.
< 2) = P (X 2) P (X = 2) =
= 1) = 32 12 = 67 = 0, 16666.
> 12 ) = 1 P (X 12 ) = 1 41 =
11
12
3
4
3
12
8
12
2
3
= 0, 66666.
= 0, 75.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 59 de 114
3.6
Fun
c
ao de uma vari
avel aleat
oria
ui
aq
()
fjf
.b
r
/jo
.u
= ()
_n
et
o
Se X e uma vari
avel aleat
oria, ent
ao qualquer funcao de X, digamos g(X), e tambem uma
variavel aleatoria. Assim, podemos considerar uma variavel Y = g(X), onde g e uma funcao
com domnio e contradomnio R.
Para cada subconjunto A de R, consideremos um novo conjunto, denotado por g 1 (A), e
definido por
g 1 (A) = {x R : g(x) A}.
( ())
( )
A partir da distribuic
ao de probabilidades da variavel X, podemos calcular chances para a
variavel Y . Este c
alculo pode ser feito com a equacao
P (Y A) = P (g(X) A)
= P (X g 1 (A)).
Exemplo 3.12. Seja X uma v.a. com func
ao de probabilidade
x2
15 , para x = 1, 1, 2, 3
pX (x) =
0, caso contr
ario
Determine a func
ao de probabilidade pY de Y = X 2 .
Solu
c
ao: A tabela abaixo exibe uma relac
ao entre valores e chances.
x
-1
1
2
3
y
1
1
4
9
pX (x)
1/15
1/15
4/15
9/15
Resumindo as informac
oes da tabela acima, podemos construir uma tabela que com a distribuica
o de chances de Y , a saber:
y
1
4
9
py (y)
2/15
4/15
9/15
www.ufjf.br/joaquim neto
p
agina 60 de 114
to
o
et
w
w
.u
_n
m
fjf
ui
.b
aq
r/j
/jo
oa
br
qu
im
.
fjf
.u
_n
e
w
w
FY (y) = P (Y y) = P (X 2 y) = P () = 0.
Para 0 < y 1, temos
= P ( y X y)
Zy
=
2
2
(t + 1) dt =
9
9
y !
t2
+ t
2
y
2 y
y
+ y + y
9 2
2
4 y
=
9
=
FY (y) = P (Y y) = P X g 1 ([Y y])
= P (1 < X y)
y !
2
Zy
2
2
t
=
(t + 1) dt =
+ t
9
9
2
1
1
2 y
1
=
+ y +1
9 2
2
y+2 y+1
=
.
9
Por fim, se y > 4,
FY (y) = P (Y y) = P X g 1 ([Y y])
= P (1 < X 2) = 1.
Resumindo, temos
0, se y 0
4y
, se 0 < y 1
9
FY (y) =
.
y+2 y+1
,
se
1
<
y
1, se y > 4
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 61 de 114
b) Agora, para encontrar a densidade de Y , basta derivar a acumulada obtida no item anterior, ou seja,
0, se y 0
2y0,5
9 , se 0 < y 1
fY (y) =
.
0,5
1+y
, se 1 < y 4
0, se y > 4
Defini
c
ao 3.4 (Suporte). Sejam X uma v.a. e Y = g(X) uma tranformac
ao de X. Consideremos os conjuntos
X = {x : fX (x) > 0} e
Y = {y : y = g(x) para algum x X }.
O conjunto X e chamado de suporte de X.
Resultado 3.9. Sejam X uma v.a. e Y = g(X) uma tranformac
ao de X.
Se g for uma func
ao crescente em X ,
FX g 1 (y) , se y Y
FY (y) =
.
0, caso contr
ario
Se g for uma func
ao decrescente em X e X for contnua,
1 FX g 1 (y) , se y Y
FY (y) =
.
0, caso contr
ario
0, se x 0
x, se 0 < x < 1 .
FX (x) =
1, se x 1
Pelo resultado 3.9, a acumulada de Y e dada por
1 FX g 1 (y) , se y Y
1 ey , se y (0, )
FY (y) =
=
.
0, caso contr
ario
0, caso contr
ario
Derivando, temos
fY (y) =
Joaquim Neto
ey , se y (0, )
.
0, caso contr
ario
www.ufjf.br/joaquim neto
p
agina 62 de 114
3.7
Quantil e mediana
Defini
c
ao 3.5. Seja r um n
umero real tal que 0 < r < 1. O quantil q(r) de uma v.a. contnua
X e um n
umero real tal que
.u
fjf
.b
r/j
oa
qu
im
_n
et
P (X q(r)) = r.
Obs:
1
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 63 de 114
Se a vari
avel e contnua, podemos obter q(r) a partir da densidade com a equacao
q(r)
Z
f (x) dx = r.
Se a vari
avel e contnua, podemos obter q(r) a partir da acumulada com a equacao
q(r) = F 1 (r).
Defini
c
ao 3.6. A mediana de uma v.a. contnua X e dada por q(0, 5).
Obs: Alguns quantis recebem nomes especiais. Por exemplo:
q 34 e o terceiro quartil.
4
q 10
e o quarto decil.
20
e o vigesimo percentil.
q 100
Deste modo, podemos dizer, por exemplo, que o 2 quartil, o 5 decil, o 50 percentil e a
mediana s
ao diferentes denominac
oes de q(0, 5).
Exemplo 3.16. Seja X uma v.a. com densidade
3x2 , se 0 < x < 1
f (x) =
.
0, caso contr
ario
Calcule a mediana de X.
Solu
c
ao: Primeiro, observe que 0 < q(0.5) < 1. Assim,
q(0,5)
R
f (x) dx = 0, 5
q(0,5)
R
3x2 dx = 0, 5
q(0, 5)3 = 0, 5
q(0, 5) = 3 0, 5.
3.8
Valor esperado
Defini
c
ao 3.7.
Se X e uma v.a. discreta que assume valores no conjunto {x1 , x2 , ..., xn },
o valor esperado de X e
E (X) =
n
X
i=1
Z
x f (x) dx,
E (X) =
www.ufjf.br/joaquim neto
p
agina 64 de 114
o
et
_n
aq
ui
m
/jo
w
.u
f
jf.
br
Exemplo 3.17. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$8,00 reais e tem um custo
de R$2,00. Sabendo que a probabilidade de um produto ser vendido antes de vencer seu prazo
de validade e de 90%, quanto a empresa espera lucrar em uma unidade do produto?
Solu
c
ao: Seja X o lucro da empresa em uma unidade do produto. Se o produto for vendido,
temos que X assume o valor R$8,00-R$2,00=R$6,00. Caso contr
ario, X assume o valor R$2,00. Assim,
E(X) = R$6, 00 0, 9 + (R$2, 00) 0, 1 = R$5, 20.
Logo, o lucro esperado em uma unidade do produto e de R$5,20 reais.
Exemplo 3.18. Sejam k R e X uma v.a. com densidade
f (x) =
x1
k ,
se 1 < x < 3
.
0, caso contr
ario
a) Calcule o valor de k.
b) Calcule o valor esperado de X.
Solu
c
ao:
a)
R
f (x) dx = 1
R3
1
1
k
x1
k dx
x2
2
=1
3
x = 1
1
k = 2.
b)
Z
Z3
x1
E (X) =
xf (x) dx = x
dx
2
1
3 !
3
2
1 x
x
1 27 9 1 1
=
=
+
2
3
2 1
2 3
2 3 2
=
Joaquim Neto
14
.
6
www.ufjf.br/joaquim neto
p
agina 65 de 114
3.9
E (Y ) =
g (xi ) pX (xi ).
Se X e contnua, ent
ao
Z
E (Y ) =
3x2 60x+300
,
1000
se 0 < x < 10
.
0, caso contr
ario
g (x) fX (x).
Assim,
E (Y ) = E X 2 + 100
Z
=
g (x) fX (x)
Z10
x + 100
dx
Z10
=
Z10
+
30000x
4
2
=
= 90.
1000
=
www.ufjf.br/joaquim neto
p
agina 66 de 114
3.10
=a
i=1
xi p (xi ) + b
i=1
n
X
p (xi ) = aE (X) + b.
|i=1 {z
1
+
3
2
= 4
= 2, 5.
1000
0
Assim,
E(Y ) = E(10X + 100) = 10E(X) + 100 = 10 2, 5 + 100 = 75.
Logo, a demanda esperada e de 75 unidades.
3.11
Momento
Defini
c
ao 3.8.
O k-
esimo momento da vari
avel aleat
oria X, e definido por
E(X k ).
Seja a R. O k-
esimo momento em torno de a da vari
avel aleat
oria X, e definido
por
E((X a)k ).
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 67 de 114
O k-
esimo momento central da vari
avel aleat
oria X, e definido por
E((X E(X))k ).
3.12
Vari
ancia
Defini
c
ao 3.9. A vari
ancia de uma vari
avel aleat
oria X e
V ar(X) = E((X E(X))2 ).
Obs:
Se X e discreta,
V ar (X) =
Se X e contnua,
Z
V ar (X) =
Exemplo 3.21. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$9,00 reais e tem um custo
de R$2,00. Nestas condic
oes a probabilidade de um produto ser vendido antes de vencer seu
prazo de validade e de 80%.
a) Quanto a empresa espera lucrar em uma unidade do produto?
b) Qual e a variabilidade do lucro da empresa em uma unidade do produto?
c) Faca uma comparac
ao entre esta empresa e a empresa apresentada no exerccio 3.17
(compare a expectativa de lucro por unidade do produto e a variabilidade do lucro/prejuzo por
unidade).
Solu
c
ao:
a) Seja X o lucro da empresa em uma unidade do produto. Se o produto for vendido, temos
que X assume o valor R$9,00-R$2,00=R$7,00. Caso contr
ario, X assume o valor R$2, 00.
Assim,
E(X) = R$7, 00 0, 8 + (R$2, 00) 0, 2 = R$5, 20.
Logo, o lucro esperado em um carro segurado e de R$5,20 reais.
b) A variabilidade do lucro da empresa em uma unidade do produto e dada por
V ar (X) =
n
X
i=1
= (2 5, 20)2 0, 2 + (7 5, 20)2 0, 8
= 12, 96.
c) Note que o valor esperado da unidade do produto nesta empresa e igual ao da empresa
apresentada no exemplo 3.17 (R$5, 20). Por outro lado, a variabilidade do lucro em uma unidade
do produto desta empresa e maior (aplicando os passos do item (b) no exemplo 3.17, temos
V ar(X) = 5, 76). Assim, podemos concluir que ambas as empresas possuem a mesma expectativa
de lucro por carro. Porem, a empresa deste exerccio possui uma variabilidade de lucro maior,
ou seja, est
a sujeita a perdas maiores mas, por outro lado, possui a possibilidade de lucrar mais
(mais agressiva).
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 68 de 114
n
X
i=1
n
X
i=1
= a2
n
X
i=1
2
= a V ar (X)
Resultado 3.14.
V ar(X) = E(X 2 ) (E(X))2 .
Prova:
Sem perda de generalidade, suponhamos que X e uma v.a. discreta. Assim,
V ar (X) =
n
X
i=1
n
X
x2i 2xi E (X) + (E (X))2 p (xi )
i=1
n
X
i=1
n
X
xi p (xi ) + (E (X))2
i=1
{z
E(X 2 )
n
X
p (xi )
i=1
{z
E(X)
{z
1
= E X 2 2 (E (X))2 + (E (X))2
= E X 2 (E (X))2 .
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 69 de 114
Joaquim Neto
3.4
www.ufjf.br/joaquim neto
3.12
3.13
3.15
Quantis (contnua)
Acumulada (contnua)
Constante de proporcionalidade
(acumulada contnua)
Densidade e acumulada
Constante de proporcionalidade
(contnua)
Densidade e acumulada
Densidade (propriedades)
Densidade
Acumulada (discreta)
Tabela 3.1: Descritores dos exerccios de variaveis aleatorias (parte 1) (matriz de referencia).
3.11
3.14
3.10
3.9
3.8
3.7
3.6
Descritores
Funo de probabilidade
(propriedades)
Constante de proporcionalidade
(discreta)
Funo de probabilidade e
acumulada
Funo de probabilidade
(sem acumulada)
3.13.1
3.5
3.3
Discreta
Funo de probabilidade
(sem acumulada)
Palavra chave
Exerccios
3.1
3.2
Descrio
Descritor
3.13
p
agina 70 de 114
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 71 de 114
3.18
3.19
3.20
3.21
3.24
3.23
Varincia (contnua)
Funo de varivel aleatria
(acumulada)
Funo de varivel aleatria
(densidade)
Funo de varivel aleatria
(funo de probabilidade)
Funo de varivel aleatria
(no linear) (valor esperado)
Funo de varivel aleatria
(linear) (valor esperado)
Varincia (discreta)
Palavra chave
3.17
3.22
Descrio
3.16
Descritor
3.13.2
Enunciados
1
0
0,1
2
1
0,2
3
2
0,3
4
3
0,3
5
4
0,1
www.ufjf.br/joaquim neto
p
agina 72 de 114
0, para x < 0
x
, para 0 x 5 .
F (x) =
5
1, para x > 5
Determine a densidade de X.
Exerccio 3.13. (D3.11) Seja X uma vari
avel aleat
oria com acumulada
0, para x <0
2
sen1 ( x) , para 0 x 5 .
F (x) =
1, para x > 1
Determine a densidade de X.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 73 de 114
0, para x 0
1 2
x , para 0 < x 3 .
F (x) =
9
1, para x > 3
Encontre a densidade de X.
Exerccio 3.16. (D3.12) Seja X uma vari
avel aleat
oria associada `
a porcentagem de
alcool em
certo composto. Suponha que X tem densidade
20x3 (1 x) , para 0 < x < 1
f (x) =
.
0, caso contr
ario
Determine a acumulada de X.
Exerccio 3.17. (D3.12 e D3.9) Considere a func
ao
6x (1 x) , para 0 x 1
f (x) =
.
0, caso contr
ario
a) (D3.9) Mostre que f e uma densidade
b) (D3.12) Seja X uma vari
avel aleat
oria com densidade f . Determine a acumulada de X.
Exerccio 3.18. (D3.12 e D3.10) Seja X uma vari
avel aleat
oria associada `
a diferenca da medida
das pecas produzidas por uma m
aquina em relac
ao ao padr
ao especificado pelo mercado. Suponha
que X tem densidade
1 + k + x, para 1 x < 0
1 + k x, para 0 x 1
f (x) =
.
0, caso contr
ario
a) (D3.10) Calcule o valor de k.
b) (D3.12) Determine a acumulada de X.
Exerccio 3.19. (D3.13) Seja X uma vari
avel aleat
oria com acumulada
0, para x < 0
1 43 ex , para 0 x < 1 .
F (x) =
1, para x 1
Calcule P (0 X < 1).
Exerccio 3.20. (D3.15) Seja X uma vari
avel aleat
oria com densidade
1
8 x, para 0 x 4 .
f (x) =
0, caso contr
ario
a) (D3.15) Calcule o primeiro quartil de X.
b) (D3.15) Calcule a mediana de X.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 74 de 114
www.ufjf.br/joaquim neto
p
agina 75 de 114
0, para x < 0
ax + b, para 0 x < .
F (x) =
1, para x
a) (D3.14) Calcule a e b.
b) (D3.11) Determine a densidade de X.
c) (D3.15) Calcule o primeiro quartil de X.
d) (D3.13 e D2.6) Calcule P X < 2 X 4 .
e) (D3.17) Calcule E (X).
f ) (D3.19) Calcule V ar (X).
Exerccio 3.28. (D3.20) Seja X uma vari
avel aleat
oria com densidade
(
1
, para x 0
(1+x)2
fX (x) =
.
0, para x < 0
Seja Y = max {X, k} , k > 0. Determine a acumulada de Y .
Exerccio 3.29. (D3.20, D3.7 e D3.5) Sejam k R e X uma vari
avel aleat
oria com func
ao de
probabilidade
kx, x = 1, 2, 3
.
p (x) =
0, caso contr
ario
a) (D3.5) Calcule o valor de k.
b) (D3.7) Determine a acumulada de X.
c) (D3.20) Determine a acumulada de Y = 10X .
Exerccio 3.30. (D3.21) Seja X uma vari
avel aleat
oria com densidade
3x2 , para 0 < x < 1
f (x) =
.
0, caso contr
ario
Suponha que Y = 1 X 2 . Determine a densidade de Y .
Exerccio 3.31. (D3.21) Sejam X uma vari
avel aleat
oria contnua com densidade f e Y =
aX + b, para a 6= 0. Prove que a densidade de Y e
(
yb
1
f
, para < y <
a
|a|
fY (y) =
.
0, caso contr
ario
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 76 de 114
www.ufjf.br/joaquim neto
p
agina 77 de 114
1-2k
q
k-1
3q
k
q
2k
q
-2
0,1
-1
0,3
0
0,1
1
0,2
2
0,3
www.ufjf.br/joaquim neto
p
agina 78 de 114
x, para 0 x 1
1, para 1 < x 1, 5 .
f (x) =
0, caso contr
ario
a) (D3.12) Determine a acumulada de X.
b) (D3.8 e D2.6) Se no incio do mes j
a venderam 50 kg do produto, qual a probabilidade de se
venderem mais de 100 kg no fim desse mes?
c) (D3.17) Calcule o valor esperado das vendas deste produto.
d) (D3.15) Calcule a mediana das vendas deste produto.
e) (D3.24, D3.21 e D3.8) Seja Y o lucro da venda deste produto. Considere a seguinte express
ao
(simplificada) do lucro em func
ao das vendas Y = 50X 25.
i) (D3.24) Qual o valor esperado do lucro mensal?
ii) (D3.21 e D3.8) Qual a probabilidade de, em um dado mes, n
ao haver prejuzo?
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 79 de 114
3.13.3
3.1)
3.2)
3.3)
3.4)
3.5)
Respostas
a) 31 ; b)
k = .
1
16 ;
c) 17 .
0, para x < 8
0, 1, para 8 x < 2
0, 3, para 2 x < 4
a) FX (x) =
;
0, 6, para 4 x < 6
0, 9, para 6 x < 8
1, para x 8
b) P (X < 0) = 0, 3.
3.6)
a) Primeiro, observe que p(x) 0, x R. Alem disso,
0, se x < 1
1/14, se 1 x < 2
b) F (x) =
;
5/14, se 2 x < 3
1, se x > 3
c) 0.2.
3.7) 3.8) 3e2 .
3
.
3.9) P X > b X < 2b = 7b
b3 +8
1
3.10) 4 .
3.11) 1
5 , para 0 < x < 5 .
3.12) f (x) =
0, caso contr
ario
(
1
1
2 /2 , para 0 < x < 1
3.13) f (x) =
.
xx
0, caso contr
ario
3x
3e , para x < 0
.
3.14) f (x) =
0, caso contr
ario
2x
9 , para 0 x 3 .
3.15) f (x) =
0, caso contr
ario
0, para x 0
5x4 4x5 , para 0 < x < 1 .
3.16) F (x) =
1, para x 1
0,
para x < 0
2
3x 2x3 , para 0 x 1 .
3.17) F (x) =
1, para x > 1
3.18)
a) k = 0;
0, para x < 1
x2 +2x+1
, para 1 x < 0
2
.
b) FX (x) =
2 +2x+1
x
, para 0 x < 1
1, para x 1
3 1
3.19) 1 4 e .
3.20) a) 2; b) 8.
1
3.21) a) 23 ; b) 78 ; c) 2 3 .
Joaquim Neto
www.ufjf.br/joaquim neto
3
P
x=1
x2
14
= 1;
p
agina 80 de 114
3.22) a) k = 2; b) FX (x) =
(1 ex ), se x 0
; c) 0.693147.
0, caso contrario
3.23)
0, para x < 0
1, para x 1
3
5
3.24) a) k = 2 ; b) E(X) = 58 ; c) P (0 X 1/2) = 16
.
3.25)
0, para x < 0
a) F (x) =
;
1 e3,4x , para x 0
b) P (X > 2) = 0, 00111;
c) E (X) = 0, 294;
d) q(0, 5) = 0, 204.
3
, = 0.22, P ( 2 < x < + 2) = 0.979264.
3.26) = E(X) = 12 , E(X 2 ) = 10
3.27)
a) b = 0 e a = 1 ;
1
, para 0 < x <
b) f (x) =
;
0, para x 0 ou x
c) x0.25 = 4 ;
d) P x < 2 X 4 = 13 ;
e) E (X) = 2 ;
2
f) V ar (X) = 12 .
y
1+y , para y k .
3.28) FY (y) =
0, caso contr
ario
3.29)
a) k = 61 ;
0, x < 1
1/6, 1 x < 2
b) FX (x) =
;
1/2, 2 x < 3
1, x 3
c) FY (y) = FX((log y) , y R.
1
3.30) fY (y) =
3(1y) 2
2
3.31) 3.32)
0, para x < 1
;
1 xk , para x 1
k
c) E (X) = k1
, para k > 1;
k
d) q(0, 5) = 2, para k > 0;
0, para y < 0
e) fY (y) =
.
keky , para y 0
3.33)
a) k = 2;
0, para x < 0
x4 +x2
b) F (x) =
, para 0 x < 1 ;
2
1, para x 1
F ( 1 )F ( 1 )
1
c) P X > 4 X < 12 = 2F 1 4 = 0, 7875;
(2)
d) E (X) = 0, 733;
e) V ar (X) = 0, 046;
b) F (x) =
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 81 de 114
(
f) i) f (y) =
3.34)
a) k = 12 ;
b) F (x) =
y 3 +2y
8 ,
1 x
2 e , para
1 21 ex ,
27
32 .
x<0
;
para x 0
c) E (X) = 0;
d) V ar (X) = 2;
e) q(0, 5) = 0;
f) 1 1e ; (
0, para y 0
g) fY (y) =
.
e y
2 y , para y > 0
3.35)
0, para y 0
1
a) FY (y) =
1 (1 y) 2 , para 0 < y < 1 ;
1, para y 1
(
1
1 , para 0 < y < 1
2(1y) 2
b) fY (y) =
.
0, caso contr
ario
3.36)
a) q = 16 e k = 1.
b) 98
yi
0 1 4
c)
pY (yi ) 36 26 16
3.37)
a) E (X) = 0, 3;
b) V ar (X)= 2, 01;
0, para x < 2
0, 1, para 2 x < 1
0, 4, para 1 x < 0
c) F (x) =
;
0, 5, para 0 x < 1
0, 7, para 1 x < 2
1, para x 2
3
d) 7 ;
0
1
4
y = xi
e) i
pY (yi ) 0,1 0,5 0,4
3.38)
a) Para os valores
que satisfazem a equacao k = b 1;
0,
para
x<
1
b
1
1 x , para 1 x < b ;
b) F (x) =
b1
1, para x b
2b
c) q(0, 5) = b+1
;
b
d) E (Y ) = C0 + C1 b1
ln b .
3.39)
0, para x < 0
x2
2 , para 0 x < 1
a) F (x) =
;
x
12 , para 1 x < 1, 5
1, para x 1, 5
b) P X > 1 X > 12 = 47 ;
c) O valor esperado e aproximadamente 95,93 kg;
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 82 de 114
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 83 de 114
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 84 de 114
Famlias de distribui
co
es
www.ufjf.br/joaquim neto
4.1
4.1.1
Famlias discretas
Distribuic
ao uniforme discreta
Defini
c
ao 4.1. Uma vari
avel X tem distribui
c
ao uniforme discreta no conjunto {1, 2, ..., n}
se sua func
ao de probabilidade for:
1
n,
se x {1, 2, ..., n}
.
0, caso contr
ario
p(x) =
_n
et
oa
qu
im
0.20
.u
f
jf.
br
/j
0.15
p(x)
0.25
Nota
c
ao: X U (1, 2, ..., n).
Figura 1: Func
ao de probabilidade de uma uniforme discreta em {1, 2, 3, 4, 5}.
4.1.2
Distribuic
ao de Bernoulli
Defini
c
ao 4.2. Suponhamos um experimento com resultados que assumem apenas duas classificac
oes (como sucesso-fracasso, masculino-feminino, cara-coroa, etc). Seja X uma v.a. que
assume apenas os valores 0 e 1, onde o 1 e associado a uma das classificac
oes e o 0 e associado
`
a outra classificac
ao. Dizemos ent
ao que X tem distribui
c
ao de Bernoulli com par
ametro
(0; 1), onde = P ([X = 1]).
Nota
c
ao: X Ber().
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 85 de 114
o
_n
et
0.8
/jo
aq
ui
m
0.4
p(x)
jf.
.u
f
0.0
br
0.0
1.0
1.0
2.0
Figura 2: Func
ao de probabilidade de uma v.a. X, tal que X Ber(0, 3).
, se x = 1
1 , se x = 0
.
p(x) =
0, caso contr
ario
Resultado 4.3 (Valor esperado e vari
ancia da Bernoulli). Se X Ber(), ent
ao
E(X) = e V ar(X) = (1 ).
4.1.3
Distribuic
ao binomial
Defini
c
ao 4.3. Suponhamos agora n realizac
oes independentes de um experimento com resultados que assumem apenas duas classificac
oes (como sucesso-fracasso, masculino-feminino,
cara-coroa, etc). Associando uma das classificac
oes ao n
umero 1 (sucesso) e a outra ao n
umero
0 (fracasso), seja X a vari
avel aleat
oria associada ao n
umero de sucessos (uns) obtidos nas
n realizac
oes do experimento. Se a probabilidade de sucesso em cada uma das realizac
oes e a
mesma e igual `
a , dizemos que X tem distribui
c
ao binomial com par
ametros n {1, 2, ...}
e (0; 1).
Nota
c
ao: X Bin(n; ).
Resultado 4.4. Se X Bin(n; ) ent
ao sua func
ao de probabilidade e dada por
n
x (1 )nx , se x = 0, 1, 2, ..., n
x
p(x) =
.
0, caso contr
ario
Para explorar um aplicativo da distribuicao binomial, acesse
http://www.ufjf.br/joaquim_neto/aplicativos.
Exemplo 4.1. Sabe-se que 30% dos animais submetidos a um certo tratamento n
ao sobrevivem. Suponhamos que 10 animais s
ao submetidos a este tratamento. Seja X o n
umero de n
ao
sobreviventes. Construa o gr
afico da func
ao de probabilidade de X.
Solu
c
ao: Como X Bin(10; 0, 3), sua func
ao de probabilidade e dada por
p (x) =
10
x
0, 3x (1 0, 3)10x .
www.ufjf.br/joaquim neto
p
agina 86 de 114
x
0
1
2
3
4
5
6
7
8
9
10
p(x)
0,028247
0,121060
0,233474
0,266827
0,200120
0,102919
0,036756
0,009001
0,001446
0,000137
0,000005
_n
et
oa
qu
im
0.10
jf.
br
/j
.u
f
0.00
p(x)
0.20
10
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 87 de 114
4.1.4
Distribuic
ao geom
etrica
Suponhamos que um experimento com resultados que assumem apenas duas classificacoes
(como sucesso-fracasso, masculino-feminino, cara-coroa, etc) e realizado sucessivas vezes. Seja
X a v.a. associada ao n
umero de fracassos at
e obter o primeiro sucesso. Se a probabilidade de sucesso em cada uma das realizacoes e constante e igual `a , dizemos que X tem
distribui
c
ao geom
etrica com par
ametro (0; 1).
Nota
c
ao: X Geom().
_n
et
o
0.20
im
qu
oa
p ( x)
0.10
r/j
fjf
.b
.u
0.00
10 15 20 25 30
x
Figura 3: Func
ao de probabilidade de uma v.a. X, tal que X Geom(0, 2).
4.1.5
1
1
e V ar(X) =
.
Distribuic
ao binomial negativa (Pascal)
Suponhamos que um experimento com resultados que assumem apenas duas classificacoes
(como sucesso-fracasso, masculino-feminino, cara-coroa, etc) e realizado sucessivas vezes. Seja
X a variavel aleat
oria associada ao n
umero de fracassos at
e observar r sucessos. Se a
probabilidade de sucesso em cada uma das realizacoes e a mesma e igual `a , dizemos que X
tem distribui
c
ao binomial negativa com parametros r {1, 2, 3, ...} e (0; 1).
Nota
c
ao: X BN (r; ).
Resultado 4.8. Se X BN (r; ) ent
ao sua func
ao de probabilidade e dada por
x+r1
r (1 )x , se x {0, 1, 2, ...}
r1
p (x) =
.
0, caso contr
ario
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 88 de 114
o
_n
et
/jo
aq
ui
m
br
jf.
.u
f
p(x)
10
20
30
40
Figura 4: Func
ao de probabilidade de uma v.a. X, tal que X BN (5; 0, 3).
Obs: Note que a distribuic
ao geometrica e um caso particular da distribuic
ao binomial negativa, para r = 1.
Exemplo 4.4. Em uma linha de produc
ao, a probabilidade de um determinado componente ser
defeituoso e de 10%. Qual e a probabilidade de se produzir 4 componentes defeituosos antes de
20 perfeitos.
Solu
c
ao: Sejam X uma v.a. associada ao n
umero de componentes defeituosos antes de 20
perfeitos e p(x) a func
ao de probabilidade de X. Como X BN (20; 0, 9), temos que
x + 20 1
0, 920 (1 0, 9)x , para x {0, 1, 2, ...}.
p (x) =
20 1
Logo, a probabilidade procurada e dada por
4 + 20 1
0, 920 (1 0, 9)4 , para x {0, 1, 2, ...} = 0, 1076561.
p (4) =
20 1
4.1.6
Distribuic
ao hipergeom
etrica
A B
x
nx
0, caso contr
ario
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 89 de 114
25 5
x
7x
0, caso contr
ario
Logo, a probabilidade de selecionar menos de 4 l
ampadas perfeitas e dada por
P [X < 4] = p(2) + p(3) = 0, 57962%.
et
_n
im
.u
fjf
.b
r/j
oa
qu
p ( x)
b)
10
Func
ao de probabilidade de uma v.a. X, tal que X HG(25; 5; 7).
.
2
A+B
(A + B) A + B 1
4.1.7
Distribuic
ao de Poisson
A distribuic
ao de Poisson e utilizada para explicar probabilisticamente o n
umero de ocorr
encias
em um experimento aleat
orio com taxa media de ocorrencia > 0.
Defini
c
ao 4.4. Uma v.a. X tem distribui
c
ao de Poisson com taxa media de ocorrencias
> 0, se sua func
ao de probabilidade for
exp()x
, se x = 0, 1, 2, ...
x!
p (x) =
.
0, caso contr
ario
Nota
c
ao: X P ois().
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 90 de 114
et
o
_n
0.20
im
oa
qu
0.10
p(x)
.b
r/j
w
.u
fjf
0.00
10
15
Figura 5: Func
ao de probabilidade de uma v.a. X, tal que X P ois(4).
Exemplo 4.6. Suponhamos que a chegada de navios a um porto segue uma distribuic
ao de
Poisson, com n
umero medio de chegadas por dia igual a 5.
a) Qual e a probabilidade de exatamente 7 navios chegarem em um dia.
b) Qual e a probabilidade de pelo menos 3 navios chegarem chegarem em um dia.
Solu
c
ao:
a) Seja X o n
umero de navios que chegam em um dia. Temos que X P ois(5) e
p(7) =
exp(5)57
= 10, 44%.
7!
b) Temos que
P ([X 3]) = 1 P (X < 3) = 1 P ([X = 0]) P ([X = 1]) P ([X = 2])
exp(5)50 exp(5)51 exp(5)52
0!
1!
2!
= 1 0, 124652 = 87, 5348%.
=1
4.2
4.2.1
Famlias contnuas
Uniforme
Defini
c
ao 4.5. Dizemos que uma vari
avel aleat
oria tem distribuic
ao uniforme no intervalo
(a, b) se tem densidade dada por
1
ba , se a < x < b .
f (x) =
0, caso contr
ario
Nota
c
ao: X U (a; b).
Resultado 4.13. (Valor esperado e vari
ancia da uniforme)
Se X U (a, b), ent
ao
E(X) =
Joaquim Neto
b+a
(b a)2
e V ar(X) =
.
2
12
www.ufjf.br/joaquim neto
p
agina 91 de 114
4.2.2
Normal
Defini
c
ao 4.6. Dizemos que uma vari
avel aleat
oria tem distribuic
ao normal, com par
ametros
e 2 > 0, se tem densidade dada por
!
1
1 (x )2
2 2
f (x) = 2
, com x R.
exp
2
2
2 0
to
_n
e
im
6
2 0
0.4
f(x)
aq
/jo
.u
fjf
.b
r
ui
0.3
_n
e
to
0.4
0.3
f(x)
0.0
2 0
0.1
f(x)
0.2
im
0.3
_n
e
to
0.4
A distribuic
ao normal com = 0 e 2 = 1 e chamada de normal padr
ao.
Nota
c
ao: X N (; 2 ).
F(x)
F(x)
2 0
et
_n
m
ui
q
oa
r/j
F(x)
.b
fjf
2 0
.u
et
_n
m
ui
q
oa
r/j
.b
fjf
et
_n
m
ui
q
oa
r/j
2 0
.u
.b
fjf
.u
w
6
www.ufjf.br/joaquim neto
p
agina 92 de 114
= 1 +
www.ufjf.br/joaquim_neto
2 2
V ar(aX + b) = a V ar(X) = a .
X
1
onde a = e b = . Assim, pelo resultado 4.16, tem distribuic
ao normal. Nos resta
ent
ao mostrar que o valor esperado e 0 e a vari
ancia e 1. De fato,
X
1
E
=E
X
= (linearidade do valor esperado)
= E(X)
=
=0 e
X
1
V ar
= V ar
X
2
1
= 2 V ar(X) = 2
= 1.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 93 de 114
.u
fjf
.
br
/jo
aq
u
im
_n
et
o
Exemplo 4.7 (C
alculo de probabilidade com a normal padr
ao). Seja X N (0; 1).
Calcule P (X < 0, 53).
Solu
c
ao:
w
w
.u
fjf
.b
r
/jo
aq
u
im
_n
et
= 0, 4013.
Usando o Excel:
Para calcular a probabilidade desejada no excel, basta escolher uma celula e digitar
=DIST.NORM.N(2,5;3;RA
IZ(4);VERDADEIRO)
Exemplo 4.9 (C
alculo de quantil com a normal padr
ao). Seja X N (0; 1). Calcule o
quantil 67% de X.
Solu
c
ao:
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 94 de 114
o
et
_n
im
qu
oa
r/j
.b
fjf
w
.u
w
w
distribuic
ao N (0; 1). Assim,
.u
fjf
.b
r/j
oa
qu
im
_n
et
P (X q (0, 75)) = 0, 75
X 5
q (0, 75) 5
= 0, 75
3
3
Procurando o n
umero mais pr
oximo de 0, 7500 no interior da tabela danormal padr
ao,
X5
encontramos 0, 7486 e o n
umero associado pela linha e coluna e 0,67. Assim, P
0, 67 =
3
0, 7486. Consequentemente,
q (0, 75) 5
= 0, 67
3
q (0, 75)
= 6, 160474.
Usando o Excel:
Para calcular a probabilidade desejada no excel, basta escolher uma celula e digitar
=INV.NORM.N(0,75;5;RA
IZ(3))
4.2.3
Func
ao gama
www.ufjf.br/joaquim neto
p
agina 95 de 114
(1) = 1 e
(k) = (k 1)(k 1) k > 1.
(n) = (n 1)!, para todo inteiro positivo n.
Prova: ...
4.2.4
Beta
Defini
c
ao 4.8. Dizemos que uma v.a. tem distribuic
ao beta de par
ametros > 0 e > 0 se
tem densidade dada por
B (, )1 x1 (1 x)1 , se 0 < x < 1
f (x) =
, onde
0, caso contr
ario
B (, ) =
() ()
( + )
0.4
0.6
x
0.8
1.0
et
0.0
0.2
0.4
Densidades
0.6
0.8
1.0
w
w
w
0.2
m
_n
1.5
jf.
br
.u
f
0.0
= 10 e = 10
= 0.1 e = 0.1
= 4 e = 0.1
=4e=2
F(x)
/jo
aq
ui
4
2
f(x)
_n
et
o
= 10 e = 10
= 0.1 e = 0.1
= 4 e = 0.1
=4e=2
2.0
Nota
c
ao: X Be(, ).
Acumuladas
4.2.5
e V ar(X) =
.
+
( + )2 ( + + 1)
Gama
Defini
c
ao 4.9. Dizemos que uma vari
avel aleat
oria tem distribuic
ao gama com par
ametros
> 0 e > 0 se tem densidade dada por
(
www.ufjf.br/joaquim neto
p
agina 96 de 114
o
r/j
fjf
.b
10
15
20
w
.u
0.0
w
w
w
w
=1e=2
=2e=2
=3e=2
=5e=1
= 9 e = 0.5
oa
0.4
F(x)
qu
im
_n
0.8
et
qu
im
_n
w
.u
0.0
fjf
.b
r/j
oa
0.2
f(x)
0.4
et
=1e=2
=2e=2
=3e=2
=5e=1
= 9 e = 0.5
Densidades
10
15
20
x
Acumuladas
e V ar(X) = 2 .
Resultado 4.22 (Propriedade da gama). Se X Ga(, ) e a R ent
ao aX Ga , a .
4.2.6
Exponencial
A distribuic
ao exponencial, que definiremos a seguir, pode ser utilizada para modelar modelar
o tempo ate a primeira ocorrencia de um evento (tempo de vida).
Defini
c
ao 4.10. Dizemos que uma vari
avel aleat
oria tem distribuic
ao exponencial com par
ametro > 0, se tem densidade dada por
f (x) =
Nota
c
ao: X Exp().
Resultado 4.23 (Valor esperado e vari
ancia da exponencial). Se X Exp(), ent
ao
E(X) =
1
1
e V ar(X) = 2 .
www.ufjf.br/joaquim neto
p
agina 97 de 114
E(X) =
1
1
0, 5 = = 2.
Assim, X Exp(2).
b)
P ([X > 1, 5])
P ([X > 1, 5] [X > 1])
=
P (X > 1)
P (X > 1)
R
2 exp (2x) dx
exp (2x)|
1,5
1,5
=
=
R
exp (2x)|
1
2 exp (2x) dx
P (X > 1, 5 | X > 1) =
exp (3)
= 0.3678794.
exp (2)
= exp ( (s t))
= P (X > s t) .
4.2.7
Chi-quadrado
Defini
c
ao 4.11. Uma v.a. X tem distribuic
ao chi-quadrado (2 ) com n > 0 graus de liberdade
se tem densidade f (x) dada por
n
( 21 ) 2 n 1
1
2
exp
x
, se x > 0
n x
2
( 2 )
.
f (x) =
0, caso contr
ario
Nota
c
ao: X 2n .
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 98 de 114
qu
im
_n
2.0
w
w
w
.u
0.0
fjf
.b
r/j
oa
1.0
F(x)
oa
r/j
.b
fjf
w
.u
0.0
w
w
et
n=1
n=2
n=3
n=4
n=5
et
qu
im
_n
0.8
0.4
f(x)
n=1
n=2
n=3
n=4
n=5
Densidades
Acumuladas
Figura 10: Densidades e acumuladas de uma 2n , para diferentes graus de liberdade (n).
4.2.8
t de Student
Defini
c
ao 4.12. Uma v.a. X tem distribuic
ao t de Student (ou simplesmente t) com n > 0
graus de liberdade se tem densidade dada por
p (x) =
n+1
2
1+
x2
n
(n+1)
2
n
2
, para x R
o
et
0.8
_n
0.4
oa
F(x)
qu
im
0.3
0.2
w
w
0.0
6
4 2
Densidades
Acumuladas
et
_n
im
.u
fjf
.b
qu
r/j
oa
4 2
n=1
n=2
n=5
n = 1000
r/j
0.1
.b
fjf
0.0
w
.u
n=1
n=2
n=5
n = 1000
f(x)
0.4
Nota
c
ao: X tn .
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 99 de 114
4.2.9
n
n2
F de Snedecor
Defini
c
ao 4.13. Uma v.a. X tem distribuic
ao F de Snedecor com n > 0 e m > 0 graus de
liberdade se tem densidade dada por
n
(n+m)
( n+m
1)
n 2 (n
n
2 )
2
2
x
x
, se x > 0
1
+
n
m
m
( 2 )( 2 ) m
p (x) =
.
0, caso contr
ario
et
m
_n
qu
i
oa
1.0
r/j
4
n1 = 1 e n2 = 1
n1 = 2 e n2 = 1
n1 = 5 e n2 = 2
n1 = 100 e n2 = 1
n1 = 100 e n2 = 100
w 0.0
w
.u
fjf
.b
F(x)
f(x)
1.5
m
_n
n1 = 1 e n2 = 1
n1 = 2 e n2 = 1
n1 = 5 e n2 = 2
n1 = 100 e n2 = 1
n1 = 100 e n2 = 100
2.0
et
2.0
Nota
c
ao: X Fn,m .
Densidades
x
Acumuladas
4.2.10
m
2m2 (n + m 2)
para m > 2 e V ar(X) =
para n > 4.
m2
n(m 4)(m 2)2
Gama invertida
Defini
c
ao 4.14. Uma vari
avel aleat
oria tem distribuic
ao Gama Invertida (ou Gama Inversa)
com par
ametros > 0 e > 0 se tem densidade dada por
(
1 +1
exp x1 , se x > 0
x
()
f (x) =
,
0, caso contr
ario
onde
Z
() =
Nota
c
ao: X GI(, ).
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 100 de 114
m
_n
qu
i
1.5
oa
1.0
2.0
3.0
0.0
w
w
1.0
w
.u
0.0
fjf
.b
r/j
0.5
F(x)
qu
i
oa
.b
r/j
fjf
w
.u
0.0
w
w
0.0
et
o
2.0
et
o
m
_n
2.0
1.0
f(x)
= 1 e = 0.5
=2e=1
=3e=1
=3e=5
=1e=1
=2e=1
=3e=1
=3e=5
1.0
2.0
3.0
Densidades
Acumuladas
4.2.11
Relac
oes entre distribuic
oes
Relac
ao entre as distribuic
oes exponencial e gama:
n 1
2, 2
(4.1)
Z
n
tem distribuic
ao t de Student com n graus de liberdade.
Relac
ao entre as distribuic
oes 2 e F de Snedecor:
Y
n
Z
m
www.ufjf.br/joaquim neto
p
agina 101 de 114
tem distribuic
ao F com n e m graus de liberdade.
Ou seja, a distribuic
ao F de Snedecor e dada pela razao de duas variaveis aleatorias independentes com distribuic
ao 2 central, ambas divididas pelos seus respectivos graus de
liberdade.
Relac
ao entre as distribuic
oes t e F :
T =
X2
1
Y
n
Como X 2 21 e Y 2n , ent
ao T 2 F1,n . Ou seja, o quadrado de uma v.a. com
distribuic
ao tn tem distribuic
ao F1,n .
Relac
ao entre as distribuic
oes gama e gama invertida:
Joaquim Neto
www.ufjf.br/joaquim neto
1
X
GI(, ).
p
agina 102 de 114
Joaquim Neto
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
4.10
4.11
4.12
www.ufjf.br/joaquim neto
4.13
4.14
4.15
F de Snedecor
t de Student
Chi-quadrado
Exponencial
Gama
Beta
Normal
Uniforme Contnua
Poisson
Hipergeomtrica
Binomial Negativa
Geomtrica
Descritores
Binomial
4.3.1
Bernoulli
Uniforme Discreta
Palavra chave
Exerccios
Descrio
4.1
Descritor
4.3
p
agina 103 de 114
4.3.2
Enunciados
www.ufjf.br/joaquim neto
p
agina 104 de 114
www.ufjf.br/joaquim neto
p
agina 105 de 114
a) Qual e a distribuic
ao de X?
b) Calcule a probabilidade de que o aluno resolva ao menos 5 exerccios da prova.
Exerccio 4.13. (D4.6 e D4.3) De um lote que contem 25 pecas, das quais 5 s
ao defeituosas, 4
s
ao escolhidas ao acaso. Seja X uma vari
avel aleat
oria associada ao n
umero de pecas defeituosas
encontradas. Estabeleca a func
ao de probabilidade de X, quando:
a) as pecas forem escolhidas com reposic
ao;
b) as pecas forem escolhidas sem reposic
ao.
Exerccio 4.14. (D4.7) Seja X uma vari
avel aleat
oria associada ao n
umero de petroleiros que
chegam por dia a uma certa refinaria. Suponha que X P oisson (2). As atuais instalac
oes
portu
arias da refinaria podem atender ate 3 petroleiros por dia. Se mais de 3 chegam em um
mesmo dia, os petroleiros em excesso s
ao enviados para outro porto.
a) Qual e a probabilidade de, num dado dia, a refinaria tenha que recusar petroleiros?
b) Qual dever
a ser a menor capacidade de atendimento da refinaria que permitiria, com mais
de 95% de chance, o acolhimento de todos os petroleiros em um dia?
c) Qual e o n
umero esperado de petroleiros que chegam por dia?
d) Qual e o n
umero mais prov
avel de petroleiros chegados num dia?
e) Qual e o n
umero esperado de petroleiros atendidos num dia?
f ) Qual e o n
umero esperado de petroleiros recusados num dia?
Exerccio 4.15. (D4.7) Uma empresa de aluguel de autom
oveis para excurs
oes de longa dist
ancia disp
oe de 5 veculos. Seja X uma vari
avel aleat
oria associada `
a procura semanal de veculos.
Suponha que X P oisson (4).
a) Calcule a probabilidade de, em certa semana, um dos veculos n
ao ser alugado.
b) Calcule o valor esperado do n
umero de clientes que, em certa semana, podem n
ao ser atendidos, por falta de veculos disponveis.
Exerccio 4.16. (D4.7) Seja X uma vari
avel aleat
oria associada ao n
umero de ovos postos por
segundo em certo avi
ario. Suponha que X P oisson (1).
Mostre que P (X = 0) = P (X = 1) e que para todo k > 1 se tem P (X = k) < P (X = k 1).
Exerccio 4.17. (D4.7) O n
umero de partculas emitidas por uma fonte radioativa, num dado
perodo de tempo, e uma vari
avel aleat
oria com distribuic
ao de Poisson. Sabendo que a probabilidade de n
ao ser emitida qualquer partcula nesse perodo de tempo e 1/3, calcule a probabilidade
de que nesse perodo de tempo a fonte emita pelo menos 2 partculas.
Exerccio 4.18. (D4.7) O n
umero de mensagens eletr
onicas recebidas em um dia por uma
pequena empresa de entregas r
apidas segue uma distribuic
ao de Poisson com taxa media igual
a 10 mensagens por dia. Calcule a probabilidade de em um dia a empresa n
ao receber mais do
que 7 mensagens.
Exerccio 4.19. (D4.7) Seja X o n
umero de erros tipogr
aficos numa p
agina de determinado
livro, uma vari
avel aleat
oria com distribuic
ao de Poisson de par
ametro 12 .
a) Encontre a probabilidade de que haja tres ou mais erros tipogr
aficos nesta p
agina.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 106 de 114
www.ufjf.br/joaquim neto
p
agina 107 de 114
Exerccio 4.27. (D4.9) O comprimento (em mm) das pecas produzidas por uma m
aquina e
2
uma vari
avel aleat
oria normal com valor esperado e vari
ancia . Uma peca e defeituosa se o
seu comprimento diferir do valor esperado mais do que . Sabe-se que 50% das pecas produzidas
tem comprimento inferior a 2,5 mm e 47,5% tem comprimento entre 2,5 mm e 3,42 mm.
a) Calcule e .
b) Determine a probabilidade de que uma peca seja n
ao defeituosa.
Exerccio 4.28. (D4.9) Seja X uma vari
avel aleat
oria associada ao di
ametro de um cabo ele2
trico. Suponha que X N 0, 8; 0, 02 .
a) Qual e a probabilidade de que o di
ametro ultrapasse 0,81?
b) Suponha que esse cabo seja considerado defeituoso se o di
ametro diferir de sua media em
mais de 0,025. Qual e a probabilidade de se encontrar um cabo defeituoso?
Exerccio 4.29. (D4.9) Seja X uma vari
avel aleat
oria associada
ao nvel serico de colesterol
em adultos, em uma populaca
o. Suponha que X N 225, 752 . Calcule:
a) a proporc
ao de pessoas com nvel de colesterol entre 200 e 350;
b) o valor acima do qual se encontra o colesterol da parcela de 10% da populac
ao que tem os
nveis mais elevados.
Exerccio 4.30. (D4.9) Em uma f
abrica de refrigerantes, uma m
aquina e usada para encher
garrafas de 600ml. Seja X uma vari
a
vel
aleat
o
ria
associada
ao
conte
udo lquido (em ml) por
2
garrafa com distribuic
ao N 600, 4 . Calcule:
a) a porcentagem de garrafas produzidas com conte
udo inferior a 592 ml ou superior a 612 ml;
b) o valor do conte
udo excedido por 96% das garrafas fabricadas.
Exerccio 4.31. (D4.9) Suponha que o tempo em horas que um estudante precisa para aprender
uma materia de Geografia e uma vari
avel aleat
oria X com distribuic
ao normal. Se 84, 13% dos
alunos usam mais de 3 horas e somente 2, 28% levam mais de 9 horas para aprender a materia,
quais s
ao os par
ametros da distribuica
o?
Exerccio 4.32. (D4.9) Seja X uma vari
avel aleat
oria associada ao di
ametro, em centmetros,
das bolinhas de gude em um lote. Suponha que X tenha distribuic
ao normal com valor esperado
igual a 1. Sabendo que um terco das bolinhas tem di
ametro maior que 1,1 cm.
a) Determine o desvio padr
ao de X.
b) Calcule a proporc
ao de bolinhas cujo di
ametro est
a entre 0,8 e 1,2 cm.
c) Calcule o valor do di
ametro superado por 80% das bolinhas do lote.
Exerccio 4.33. (D4.9) Seja X e Y duas vari
aveis aleat
orias associadas ao s
al
ario mensal, em
reais, de um trabalhador
da
empresa
A
e
B,
respectivamente.
Suponha
que
X
N 1800, 3002
e Y N 2000, 2002 . Sabendo que a empresa A tem o triplo de funcion
arios da empresa
B. Se uma pessoa e escolhida aleatoriamente entre os trabalhadores das duas empresas, qual a
probabilidade de que ela receba mais de 2200 reais por mes?
Exerccio 4.34. (D4.9 e D4.3) Seja X uma vari
avel aleat
oria associada`
a produc
ao semanal
(em toneladas) de uma plantac
ao de bananas. Suponha que X N 5; 22 e que a produc
ao e
independente de semana para semana.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 108 de 114
www.ufjf.br/joaquim neto
p
agina 109 de 114
a
o
em
horas
dessas
l
a
mpadas,
pelo
m
e
todo
A
e
B,
respectivamente.
1
1
Suponha que X Exp 80
e Y Exp 100
. Em um grupo de 10 l
ampadas selecionadas ao
acaso, qual a probabilidade de que 6 delas durem pelo menos 90 horas?
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 110 de 114
4.3.3
Respostas
1 x 4 4x
, para x = 0, 1, 2, 3 e 4
5
5
x
4.13) a) p (x) =
;
0,
caso
contr
a
rio
5
20
x
4x
, para x = 0, 1, 2, 3 e 4
b) p (x) =
.
25
0, caso contr
ario
4.14) a) P (X > 3) = 0, 1429;
b) A capacidade de atendimento devera ser de 5 petroleiros por dia;
c) E (X) = 2;
d) 1 ou 2;
e) 1,781982;
f) 0,2180175.
4.15) a) P (X = 4) = 0, 1954; b) 0,4103042.
4.16) - .
4.17) X P oisson ln 31 ; P (X 2) = 0, 3004626.
4.18) P (X 7) = 0, 2202.
4.19) a)0,01438768; b) 0,0365662.
4.20) X P oisson (2); P (X 4) = 0, 6601372.
1
4.21) a) X P oisson
3 ;
1
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 111 de 114
1
10 ,
para 2 x 8
;
0, caso contr
ario
b) P (0 < X< 7) = 0, 7;
0, para x < 2
(x+2)
c) F (x) =
, para 2 x 8 .
10
1, para x > 8
4.23) P (Y > 2) = 0, 6.
4.24) a) P (68 < X < 90) = 0, 7262751;
b) P (X > 90) = 0, 1586553;
c) 99,6 ton.
4.25) 6,23 anos.
4.26) a) = 2; = 15 ;
b) Y N 10 ; 25 2 .
4.27) a) = 2, 5; = 0, 4694;
b) P (2, 0306 X 2, 9694) = 0, 6826895.
4.28) a) P (X > 0, 81) = 0, 3085375;
b) P (X < 0, 775 ou X > 0, 825) = 0, 2112995.
4.29) a) P (200 X 350) = 0, 5827683;
b) A parcela de 10% da populac
ao que tem os nveis mais elevados de colesterol e delimitada
pelo limiar de 321.
4.30) a) P (X < 592ouX > 612) = 2, 41%;
b) 593 ml.
4.31) = 5 e = 2.
4.32) a) = 0, 2321655;
b) P (0, 8 X 1, 2) = 0, 6110123;
c) 0,8046046 cm.
4.33) 0,1080722
4.34) a) P (X > 7) = P (X < 3) = 0, 1586553;
b) P (500X < 2000) = 0, 3085375;
c) Seja Y a vari
avel aleat
oria que representa o n
umero de semanas , em 8 escolhidas ao
acaso, em que a produc
ao foi inferior a 3 ton. Y Bin (8; p), em que p = P (X < 3). Entao,
P (Y 1) = 0, 6298268.
4.35) a) P (X < 195) = 0, 006209665;
b) P (Y 5) 1.
4.36) a) P (8 X 12) = 0, 6826895;
b) P (Y 2) = 0, 8757996;
c) = 1, 471817.
4.37) a) P (X 5300) = 0, 002303266;
b) 6231,069 horas;
c) P (Y = 0) = 0, 125.
4.38) a) E (X) = 3, 5;
b) P (Y > 4, 5) = 0,003830381.
1 e2x , para 0 x <
4.39) a) FX (x) =
;
0, caso contr
ario
b) P (X > 1, 5 |X > 1 ) = 0, 3678794;
c) Sim, 2X Exp (1).
4.40) P (W = 6) = 0, 0683262.
Meyer (2000) Degroot and Schervish (2001) Ross (2010) Bussab and Morettin (2005)
4.22) a) f (x) =
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 112 de 114
Refer
encias Bibliogr
aficas
Badize, M., Jacques, A., Petitpas, M. and Pichard, J.-F. (1996). Le jeu du franc-carreau - une
activite probabiliste au coll`ege, Rouen: IREM de Rouen .
Bussab, W. d. O. and Morettin, P. A. (2005). Estatstica B
asica, 5 ed. edn, Saraiva, Sao Paulo.
Degroot, M. H. and Schervish, M. J. (2001). Probability and Statistics, 3rd Edition, 3 edn,
Addison Wesley.
James, B. R. (1981). Probabilidade: um curso em cvel intermedi
ario, Instituto de Matem
atica
Pura e Aplicada (Projeto Euclides), Rio de Janeiro.
Meyer, P. L. (2000). Probabilidade: Aplicac
oes `
a Estatstica, 2 ed. edn, LTC.
Ross, S. (2010). Probabilidade: um curso moderno com aplicac
oes., 8 edn, Bookman, Sao Paulo.
Joaquim Neto
www.ufjf.br/joaquim neto
p
agina 113 de 114
Indice Remissivo
Acumulada, 54
Arranjo, 10
Arranjo sem repetic
ao, 10
Axiomas de probabilidade, 26
k-esimo momento, 67
k-esimo momento central, 68
Bernoulli, 85
Beta, 96
Binomial, 86
Binomial Negativa, 88
Normal, 92
Normal padrao, 92
Combinacao, 13
Conjunto das partes, 26
Conjuntos disjuntos 2 a 2, 25
Densidade, 53
Diagrama de arvore, 7
Eixo de simetria da normal, 92
Espaco amostral, 21
Espaco de probabilidade, 26
Especificidade, 35
Esperanca, 65
Evento, 22
Evento aleatorio, 22
Evento certo, 22
Evento complementar, 22
Evento elementar, 22
Evento impossvel, 22
Evento simples, 22
Expectativa, 65
Exponencial, 97
Falacia da probabilidade de base, 36
Fatorial, 8
Funcao de probabilidade, 52
Funcao gama, 95
Mediana, 64
Particao de um conjunto, 32
Permutacao, 11
Permutacao com repeticao, 12
Poisson, 90
Princpio fundamental da contagem, 8
Probabilidade classica, 23
Probabilidade condicional, 30
Probabilidade frequentista, 23
Probabilidade geometrica, 24
Probabilidade subjetiva, 25
Quantil, 63
Sensibilidade, 35
Suporte, 62
Teorema da multiplicacao, 32
Teorema da probabilidade total, 32
Teorema de Bayes, 33
Triangulo de pascal, 14
Uniforme, 91
Uniforme discreta, 85
Valor esperado, 64
Variavel aleatoria, 51
Variavel aleatoria contnua, 53
Variavel aleatoria discreta, 52
Variancia, 68
Gama, 96
Gama invertida, 100
Geometrica, 88
Hipergeometrica, 89
Independencia 2 a 2, 37
Independencia entre dois eventos, 37
Independencia m
utua, 37
Jogo de franc-carreau, 24
114