Probabilidade e Estatista

Calculo de
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
Nosso mundo, nossa vida, nosso destino, sao

dominados pela incerteza. Esta e talvez a
u
nica declaracao que podemos afirmar sem
incerteza.
de Finetti
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
agina 6 de 114
M
etodos de contagem
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
Exemplo 1.2. Consideremos 3 cidades: X, Y e Z. Suponhamos 4 rodovias que ligam X `

aY
e 5 que ligam Y `
a Z. Partindo de X e passando por Y , de quantas formas podemos chegar ate
Z?
Solu
c
ao:
oa
qu
i
r/j
.b
.u
fjf
_n
et
o
Sejam A = {a1 , a2 , a3 , a4 } o conjunto das rodovias que ligam X `

a Y e B = {b1 , b2 , b3 , b4 , b5 } o
conjunto das rodovias que ligam Y `
a Z. Cada modo de viajar de X ate Z pode ser associado a
um par (a, b), com a A e b B. Logo n
umero de modos de viajar de X ate Z e 4 5 (n
umero
de pares ordenados).
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
Princpio fundamental da contagem
Resultado 1.2 (Primeira parte do princpio fundamental da contagem). Consideremos

os conjuntos A1 , A2 , ..., An . O n
umero de n-uplas ordenadas (sequencias de n elementos) do
tipo (a1 , a2 , ..., an ) tais que ai Ai i {1, 2, ..., n} e
#A1 #A2 #An .
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
, ,
p
agina 8 de 114
Logo, aplicando a primeira parte do princpio fundamental da contagem, o n

umero de modos
que esta equipe pode ser escolhida e
#A1 #A2 #A3 = 20 18 25 = 9000.
Resultado 1.3 (Segunda parte do princpio fundamental da contagem). Sejam A =

{a1 , a2 , ..., an } e p n. O n
umero de sequencias (vetores) do tipo (b1 , b2 , ..., bp ) tais que bi A
i {1, ..., p} e bi 6= bj para i 6= j e
n!
= n (n 1) (n 2) (n p + 1) .
{z
}
(n p)! |
p fatores
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
, , ,

Exemplo 1.5. Em um campeonato de futebol participam 20 times. Quantos resultados s

ao
possveis para os 3 primeiros lugares?
Solu
c
ao: Seja A o conjunto dos times que participam do campeonato. Os resultados possveis
para os 3 primeiros lugares podem ser associados a sequencias-vetores (b1 , b2 , b3 ) de elementos
distintos dois a dois escolhidos em A.
.u
fjf
.b
r/j
oa
qu
i
_n
et
o
, ,

Logo, aplicando a segunda parte do princpio fundamental da contagem, o n

umero de resultados
possveis para os 3 primeiros lugares e
20!
= 20 19 18 = 6840.
(20 3)!
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.
Arranjo sem repetio
et
Arranjo
.u
fjf
.
br
/jo
aq
ui
_n
, , , . . . ,
...
w
w
, , , ,
Obs: Para formar um arranjo, n

ao e preciso usar todos os elementos do conjunto.
Resultado 1.4. Pelo princpio fundamental da contagem, temos que
An,p = np
e
ASn,p =
Joaquim Neto
n!
(np)! ,
para p n.
p
agina 10 de 114
Exemplo 1.7. As placas dos autom

oveis s
ao formadas por 3 letras (26 letras no alfabeto)
seguidas de 4 algarismos (n
umeros de 0 a 9). Quantas placas podem ser formadas?
Solu
c
ao: Seja A um conjuntos de sequencias de 3 letras e B um conjunto de sequencias
de 4 algarismos. Pelo princpio fundamental da contagem, temos que #A = A26,3 = 263 e
#B = A10,4 = 104 . Assim, cada placa pode ser associada a um par (a, b) tal que a A e b B.
Aplicando novamente o princpio fundamental da contagem, o n
umero de placas que podem ser
formadas e
#A #B = 263 104 = 175760000.
Exemplo 1.8. Uma linha ferrovi

aria tem 16 estac
oes. Quantos tipos de bilhetes devem ser
impressos, se cada tipo deve assinalar a estac
ao de partida e a de chegada.
Solu
c
ao: Seja A o conjunto de estac
oes da linha ferrovi
aria. Cada bilhete pode ser associado
a um par (a1 , a2 ), tal que a1 A, a2 A e a1 6= a2 . Logo, pelo princpio fundamental da
contagem, o n
umero de bilhetes e
AS16,2 = 16 15.
Exemplo 1.9. Os caracteres em c

odigo MORSE s
ao formados por sequencias de tracos (-) e
pontos (.), sendo permitidas repetic
oes. Por exemplo: - . - - . ..
a) Quantos caracteres podem ser representados usando 3 smbolos?
b) Quantos caracteres podem ser representados usando no m
aximo 8 smbolos?
Solu
c
ao: a) Seja A = {, .}. Cada caracter de 3 smbolos pode ser associado a um vetor
(a1 , a2 , a3 ), tal que a1 , a2 , a3 A. Pelo princpio fundamental da contagem, temos que o n
umero
de caracteres de 3 smbolos e A2,3 = 23 = 8.
b) O n
umero de caracteres usando p smbolos e A2,p e, consequentemente, o n
umero de
caracteres com no m
aximo 8 smbolos e a soma do n
umero de caracteres obtidos com p = 1, 2, ..., 8
smbolos, ou seja,
A2,1 + A2,2 + ... + A2,8 = 2 + 22 + ... + 28 = 510.
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
p
agina 11 de 114
Obs: Para formar uma permutac

ao, todos os elementos do conjunto devem ser utilizados.
Resultado 1.5. Pelo princpio fundamental da contagem, temos
Pn = ASn,n = n!
Exemplo 1.10. Quantos anagramas possui a palavra Joaquim?

Solu
c
ao: Seja A o conjunto das letras da palavra Joaquim. Como cada anagrama e uma
permutac
ao dos elementos de A, temos que a quantidade procurada e
P7 = 7! = 5040.
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
Pnn1 ,n2 ,...,nr =
, )
w
w
.u
(, , , , ,
Joaquim Neto
w
w
.u
fjf
.b
r/j
oa
qu
im
_n
et
Exemplo 1.11. Um bairro e formado por 12 quarteir

oes dispostos segundo a figura abaixo. Uma
pessoa sai do ponto P e caminha ate o ponto Q, sempre usando o caminho mais curto (movendose sempre da esquerda para direita ou de baixo para cima no gr
afico). Nestas condic
oes, quantos
caminhos diferentes ela poder
a fazer?
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
, , . . . ,
...

Obs: Uma outra notac

ao para Cn,p e
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!
Exemplo 1.12. Dentre 10 homens e 8 mulheres, quantas comiss

oes de 5 pessoas podem ser
formadas, sendo que em cada uma deve haver 3 homens e 2 mulheres?
Solu
c
ao: Seja A o conjunto dos subconjuntos de 3 homens e B o conjunto dos subconjuntos
de 2 mulheres. Pelo resultado 1.7, temos que #A = C10,3 = 120 e #B = C8,2 = 28. Alem disso,
cada comiss
ao pode ser associada a um par (a, b), com a A e b B. Logo, pela primeira parte
do princpio fundamental da contagem, o n
umero de comiss
oes e
#A #B = 120 28 = 3360.
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
valores de n e p, conforme indica a figura abaixo.
A seguir, veremos alguns resultados relacionados à combinacoes e, consequentemente, ao

Triangulo de Pascal.
Henrique Neto
29
Resultado 1.8. Para todo n N, temos que

n
0

= 1.
Prova:

n
0
n!
n!
=
= 1.
(n 0)!0!
n!
Resultado 1.9. Para todo n N, temos que

n
n

= 1.
Prova:

n
n
n!
n!
=
= 1.
(n n)!n!
n!
Resultado 1.10 (Rela

c
ao de Stiefel). Se n, p N e n > p 0 ent
ao

Joaquim Neto
n
p

+
n
p+1

=
n+1
p+1

.
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)!
Obs: Podemos usar este resultado para fazer o c

alculo das combinac
oes do tri
angulo de
pascal. Note que:

n
= 1 n N, todos os elementos da coluna 0 s
ao iguais a 1.
Como
0

n
= 1 n N, o u
ltimo elemento de cada linha e igual a 1.
Como
n
Cada elemento do tri
angulo que n
ao seja da coluna 0 nem o u
ltimo de cada linha e igual
`
a soma daquele que est
a na mesma coluna e linha anterior com o elemento que se situa `
a
esquerda deste u
ltimo (Relac
ao de Stifel).
.u
fjf
.b
r/j
o
aq
ui
_n
et
A figura abaixo ilustra passo-a-passo como a relac

ao de Stiefel pode ser usada para construir
o tri
angulo de Pascal.
Resultado 1.11. Se n, p N e p n, ent

ao

n
n
=
.
p
np
Prova:

n
np
Henrique Neto
n!
n!
=
=
=
(n p)! [n (n p)!]
(n p)!p!
n
p
29

.
Obs: Este resultado afirma que os elementos de uma linha do tri

angulo de Pascal equidistantes dos extremos s
ao iguais. Veja a figura abaixo.
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
Prova: Seja A um conjunto com n elementos. Como

e o n
umero de subconjuntos

n
n
n
n
com p elementos do conjunto A, temos que
+
+
+ ... +
e o n
umero
0
1
2
n
total de subconjuntos de A. Pensando de outra forma, para formar um subconjunto, temos duas
opc
oes de escolha para cada elemento de A: ou o elemento est
a no subconjunto ou n
ao est
a.
n
Como A tem n elementos, ter
a 2 subconjuntos.
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
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
p
agina 18 de 114
1.9
Respostas dos exerccios
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
p
agina 19 de 114
Joaquim Neto
p
agina 20 de 114
Introdu
c
ao `
a probabilidade
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)}.
Exemplo 2.2. Considere um experimento que consiste em selecionar ao acaso a altura de um

habitante do estado de Minas Gerais. Quais os resultados possveis deste experimento? Supondo
que n
ao exista uma altura m
axima, talvez seja razo
avel assumir = (0, ). Evidentemente,
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
Quando se realiza um experimento, h

a certos eventos que ocorrem ou nao. Por exemplo, ao
jogar um dado e observar o resultado, alguns eventos sao:
observar um n
umero par,
observar o n
umero 2 e
observar um n
umero maior ou igual a 4.
Todo evento associado `

a um experimento pode ser identificado a um subconjunto do espaco
amostral . Reciprocamente, todo subconjunto A de pode ser associado a um evento. Assim,
podemos associar
o conjunto {2, 4, 6} ao evento observar um n
umero par e
o conjunto {4, 5, 6} ao evento observar um n
umero maior ou igual a 4.
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
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
Nmero de sucessos / nmero de realizaes
Obs: A grande dificuldade da definic

ao frequentista e que os experimentos nunca s
ao realizados
infinitas vezes, logo n
ao h
a como avaliar a probabilidade de forma estrita.
1000
2000
3000
4000
5000
Nmero de realizaes
Figura 1: N
umero de arremessos de uma moeda honesta versos proporcoes de coroas obtidas.
1
Mais adiante vamos formalizar o conceito de independencia.
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
p
agina 24 de 114
o geomtrica e a resoluo
a, que consiste em considerar
D
quadrados EFGH e ABCD,
ui
m
_n
et
ucesso, enquanto que ABCD
aq
FGH representa o conjunto de

jf.
b
r/j
o
.u
f
esse ponto P.
(b-2r)
vo de contagem N para iniciar
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
a figura que foi proposta nesta
n(b 2r)2
(b 2r)2
=
.
nb2
b2
quando o resultado do Para

tipoexplorar um aplicativo deste jogo, acesse
http://www.ufjf.br/joaquim_neto/aplicativos.
po fracasso. Estes resultados
eridos para 2.3.4

a planilha
Excel,subjetiva
na
Probabilidade
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
Teoria dos conjuntos: revis

ao de conceitos
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
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}.
Exemplo 2.7. Se A = {3, 5, 7}, ent

ao
P(A) = {{3}, {5}, {7}, {3, 5}, {3, 7}, {5, 7}, {3, 5, 7}, }.
2.5
Axiomas de probabilidade e espaco de probabilidade
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 .
Geralmente usamos A = P(). Para saber mais sobre condico

es que A deve satisfazer, consulte James
(1981).
2
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
Resultado 2.2. Se A1 , A2 , ..., An A s

ao eventos aleat
orios disjuntos 2 a 2 ent
ao
!
n
n
[
X
P
Ai =
P (Ai ).
i=1
i=1
Prova: Fazendo Ai = i {n + 1, n + 2, ...}, temos que

!
!
n
[
[
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
P () = (pelo resultado anterior) =
0=
i=n+1
n
X
P (Ai ).
i=1
Probabilidade do evento complementar
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
Probabilidade de eventos aninhados
Resultado 2.4. A, B A ,
A B P (A) P (B).
Joaquim Neto
p
agina 27 de 114
Prova: Pelo axioma 1, temos que P (B Ac ) 0. Assim,

P (B Ac ) 0
P (B Ac ) + P (A) P (A) (pelo axioma 3)
P ((B Ac ) A) P (A)
P (B) P (A).
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
Resultado 2.7. Supondo que A1 , A2 , A3 , ... s

ao eventos aleat
orios,
!
[
X
P
Ai
P (Ai ).
i=1
i=1
Prova: Consideremos a seguinte sequencia de eventos

B 1 = A1
B2 = A2 Ac1
B3 = A3 (A1 A2 )c
..
.
Bi = Ai (A1 ... Ai1 )c
..
.
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
Resultado 2.8. Supondo que A1 , A2 , ..., An s

ao eventos aleat
orios, temos que
!
n
n
[
X
P
Ai
P (Ai ),
i=1
i=1
Prova: An
aloga `
a prova do resultado anterior.
2.6.8
ao de 2 eventos
Resultado 2.9. Se A e B forem eventos quaisquer, ent

ao
im
_n
+P
-P
w
w
.u
fjf
.b
r/j
oa
=P
qu
et
P (A B) = P (A) + P (B) P (A B).
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
ao de 3 eventos
Resultado 2.10. Se A, B e C forem eventos quaisquer, ent

ao
P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C).
Prova:
P (A B C) = (pelo resultado 2.9) = P (A B) + P (C) P ((A B) C)
= (pelo resultado 2.9) =
= P (A) + P (B) + P (C) P (A B) P ((A B) C)
= P (A) + P (B) + P (C) P (A B) P ((A C) (B C))
= (pelo resultado 2.9) =
= P (A) + P (B) + P (C) P (A B)
P (A C) P (B C) + P (A B C) .
Joaquim Neto
p
agina 29 de 114
2.6.10
ao finita
Resultado 2.11. Supondo uma sequencia A1 , A2 , ..., An de eventos aleat

orios, temos que
P (A1 A2 ... An ) =
+
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
Resultado 2.12. Sejam A, B A .

Se P (B) = 1 ent
ao P (A) = P (A B).
Prova: Como B (A B), pelo resultado 2.4, P (B) P (A B), o que implica 1
P (A B) 1, ou seja, P (A B) = 1. Pelo resultado 2.9, temos ainda que
P (A B) = P (A) + P (B) P (A B)
1 = P (A) + 1 P (A B)
P (A B) = P (A).
2.7
2.7.1
Probabilidade condicional e principais teoremas

Probabilidade condicional
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!).
Exemplo 2.8. Suponhamos que uma f

abrica possui 310 m
aquinas de soldar. Algumas destas
m
aquinas s
ao eletricas (E), enquanto outras s
ao manuais (M). Por outro lado, temos tambem
que algumas s
ao novas (N) e outras s
ao usadas (U). A tabela abaixo informa o n
umero de
m
aquinas de cada categoria.
Joaquim Neto
p
agina 30 de 114
El
etricas
10
200
210
Novas
Usadas
Totais
Manuais
60
40
100
Totais
70
240
310
a) Sabendo que uma determinada peca foi soldada usando uma m

aquina nova, qual e a
probabilidade (cl
assica) de ter sido soldada por uma m
aquina eletrica?
b) Sabendo que uma determinada peca foi soldada usando uma m
aquina eletrica, qual e a
probabilidade (cl
assica) de ter sido soldada por uma m
aquina nova?
Solu
c
ao:
a)
P (E N )
#(E N )
10
P (E | N ) =
=
=
= 0, 1428571.
P (N )
#N
70
b)
P (N | E) =
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
Vamos verificar ent

ao as condico
es acima.
Como P (A | B) = P P(AB)
(B) , com P (A B) 0 e P (B) > 0, temos que P (A | B) 0 e a
1 condic
ao foi satisfeita.
Temos tambem que P ( | B) =
P (B)
P (B)
P (B)
P (B)
= 1 e a segunda condic
ao foi satisfeita.
Por fim, temos
! 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
i=1
p
agina 31 de 114
2.7.2
Teorema da multiplicac
ao
Teorema 2.1 (teorema da multiplica

c
ao). Seja (, A , P ) um espaco de probabilidade com
A1 , A2 , ..., An A . Ent
ao
P (A1 A2 ... An ) = P (An |A1 ... An1 )
P (An1 |A1 ... An2 )
...
P (A2 |A1 ) P (A1 )
ao finita.
Prova: Por induc
Obs: Especificamente, para n = 2, temos
P (A1 A2 ) = P (A2 | A1 )P (A1 ) = P (A1 | A2 )P (A2 ).
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
Teorema da probabilidade total
Teorema 2.2 (teorema da probabilidade total). Seja (, A , P ) um espaco de probabilidade.

Se a sequencia (finita ou enumer
avel) A1 , A2 , ... A formar uma partic
ao de , ent
ao
P (B) =
P (B|Ai ) P (Ai ).
qu
_n
et
im
.u
fjf
.b
r/j
oa
Joaquim Neto
p
agina 32 de 114
Prova:
!
[
P (B) = P
(B Ai )
= (pelo axioma 3) =
P (B Ai ) =
P (B|Ai ) P (Ai ).
Exemplo 2.9. Uma empresa produz circuitos em tres f

abricas, denotadas por I, II e III. A
f
abrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As probabilidades de que um circuito produzido por essas f
abricas n
ao funcione s
ao 0, 01, 0, 04 e 0, 03
respectivamente. Escolhido ao acaso um circuito da produc
ao conjunta das tres f
abricas, qual e
a probabilidade do circuito n
ao funcionar?
Solu
c
ao: Consideremos os eventos
A1 =o circuito foi produzido pela f
abrica I,
abrica II,
abrica IIIe
B =o circuito n
ao funciona.
Primeiro repare que os conjuntos A1 , A2 e A3 formam uma partic

ao do espaco amostral.
Assim, aplicando o teorema da probabilidade total, temos que
P (B) = P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 )
= 0, 01 0, 4 + 0, 04 0, 3 + 0, 03 0, 3 = 0, 025.
2.7.5
Teorema de Bayes
Teorema 2.3 (teorema de Bayes). Seja (, A , P ) um espaco de probabilidade. Se a sequencia

(finita ou enumer
avel) A1 , A2 , ..., A formar uma partic
ao de , ent
ao
P (B|Ai ) P (Ai )
.
P (Ai |B) = P
P (B|Aj ) P (Aj )
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
p
agina 33 de 114
Exemplo 2.10. Uma empresa produz circuitos em tres f

abricas, denotadas por I, II e III.
A f
abrica I produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As
probabilidades de que um circuito produzido por essas f
abricas n
ao funcione s
ao 0, 01, 0, 04 e
0, 03 respectivamente. Um circuito e escolhido ao acaso da produc
ao conjunta das tres f
abricas.
Dado que o circuito escolhido n
ao funciona, qual e a probabilidade do circuito ter sido produzido
pela f
abrica I?
Solu
c
abrica I,
abrica II,
abrica IIIe
B =o circuito n
ao funciona.
Primeiro repare que os conjuntos A1 , A2 e A3 formam uma partic

ao do espaco amostral.
Assim, aplicando o teorema de Bayes, temos que
P (B|A1 ) P (A1 )
P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 )
0, 01 0, 4
=
= 0, 16
0, 025
P (A1 |B) =
Exemplo 2.11. O problema de Monty Hall e um problema matem

atico que surgiu a partir
de um concurso televisivo dos Estados Unidos da America chamado Lets Make a Deal, exibido
na decada de 1970.
O jogo consiste no seguinte: Monty Hall (o apresentador) apresentava 3 portas aos concorrentes, sabendo que atr
as de uma delas est
a um carro (premio bom) e que as outras tem premios
de pouco valor.
1. Na 1 etapa o concorrente escolhe uma porta (que ainda n
ao e aberta).
2. Em seguida, Monty abre uma das outras duas portas que o concorrente n
ao escolheu,
sabendo que o carro n
ao se encontra nela.
3. Agora, com duas portas apenas para escolher e sabendo que o carro est
a atr
as de uma
delas, o concorrente tem que se decidir se permanece com a porta que escolheu no incio
do jogo ou se muda para a outra porta que ainda est
a fechada.
.u
fjf
.b
r/j
oa
q
ui
m
_n
et
Qual e a estrategia mais l

ogica? Ficar com a porta escolhida inicialmente ou mudar de porta?
Com qual das duas portas ainda fechadas o concorrente tem mais probabilidades de ganhar? Por
que?
Para explorar jogos e aplicativos sobre o problema de Monty Hall, acesse

Joaquim Neto
p
agina 34 de 114
Para assistir a videos sobre o problema de Monty Hall, acesse

http://www.ufjf.br/joaquim_neto/videos.
Para obter um c
odigo R que simula o problema de Monty Hall, acesse
http://www.ufjf.br/joaquim_neto/codigos.
Solu
c
A1 = Carro est
a na primeira porta,
A2 = Carro est
a na segunda porta,
A3 = Carro est
a na terceira porta e
B = O apresentador abre a terceira porta.
Naturalmente, iremos assumir P (B | A1 ) = 0, 5, P (B | A2 ) = 1 e P (B | A3 ) = 0. Assim,

pelo teorema da probabilidade total, temos
P (B) = P (B|A1 ) P (A1 ) + P (B|A2 ) P (A2 ) + P (B|A3 ) P (A3 ) =
1 1
1
1
1
= + 1 + 0 = = 0, 5
2 3
3
3
2
Agora, usando o teorema de Bayes, temos
1
2
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.
Portanto, escolhendo trocar de porta a chance de ganhar o carro e maior.
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
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
(sensibilidade: exame acusar com a doenca) e
.
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
Logo, a probabilidade dela ter a doenca e de aproximadamente 7,8%.

Obs: Ao apresentar este problema a v
arias pessoas, inclusive estudantes de medicina, observase uma tendencia a superestimar a probabilidade a posteriori da doenca. Isto revela que o raciocnio bayesiano n
ao e intuitivo. Parece haver uma tendencia geral a ignorar o fato de que a probabilidade a priori de doenca e pequena, fen
omeno denominado fal
acia da probabilidade de base
pelo psic
ologo norte-americano (de origem israelense) Daniel Kahneman, premiado com o Nobel de Economia em 2002 por estudos sobre o comportamento de investidores. Num sentido
especfico: as pessoas n
ao s
ao racionais.
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).
Assim, se dois eventos forem independentes, a ocorrencia de um deles n

ao afeta a probabilidade
de ocorrencia do outro.
Exemplo 2.14. Consideremos novamente o experimento que consiste em escolher um ponto
aleatoriamente no crculo de raio unit
ario (centrado na origem do sistema cartesiano de coordenadas). Sejam A um evento formado pelos pontos que est
ao a menos de meia unidade de
dist
ancia da origem e B um evento formado pelos pontos que possuem primeira coordenada
maior que a segunda. Mostre que os eventos A e B s
ao independentes.
Solu
c
ao: Como
1
11
1
P (A B) =
e P (A)P (B) =
= ,
8
42
8
temos que P (A B) = P (A)P (B) e, consequentemente, os eventos s
ao independentes.
Agora, vejamos dois modos de definir independencia para 2 ou mais eventos: a independencia
2 a 2 e a independencia m
utua.
Defini
c
ao 2.16 (independ
encia 2 a 2). Seja {Ai : i I} uma colec
ao de eventos aleat
orios indexada por um conjunto (de ndices) I. Os eventos desta colec
ao s
ao ditos independentes 2 a 2
se
P (Ai Aj ) = P (Ai )P (Aj ) i, j I tais que i 6= j.
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
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).
Primeiro, note que

P (A) =
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).
No item (a), verificamos que as 3 primeiras condic

oes s
ao verdadeiras e, portanto, falta
apenas avaliar se P (A B C) = P (A)P (B)P (C). Pelo item (a), temos ainda que P (A) =
P (B) = P (C) = 0, 5 e, consequentemente, P (A)P (B)P (C) = 0, 53 = 0, 125. Por outro lado,
A B C = e, consequentemente, P (A B C) = P () = 0. Assim,
P (A B C) = P () = 0 6= 0, 125 = P (A)P (B)P (C).
Logo, os eventos n
ao s
ao mutuamente independentes.
Joaquim Neto
p
agina 38 de 114
Resultado 2.15. Se A e B forem acontecimentos independentes, tambem o ser

ao
c
a) A e B ,
b) Ac e B e
c) Ac e B c .
Solu
c
ao:
a)
P (A B c ) = P (A) P (A B) = P (A) P (A)P (B) = P (A)(1 P (B)) = P (A)P (B c ).
b)
P (Ac B) = P (B) P (A B) = P (B) P (A)P (B) = P (B)(1 P (A)) = P (B)P (Ac ).
c)
P (Ac B c ) = P ((A B)c ) = 1 P (A B)
= (pelo resultado 2.9) = 1 (P (A) + P (B) P (A B))
= 1 P (A) P (B) + P (A) P (B)
= (colocando P (B) em evidencia) =
= 1 P (A) P (B) (1 P (A))
= (colocando 1 P (A) em evidencia) =
= (1 P (A)) (1 P (B)) = P (Ac ) P (B c ) .
Joaquim Neto
p
agina 39 de 114
Joaquim Neto
Calcularprobabilidadesusandoasdefiniesdeindependncia.
Provaroufornecercontraexemplosparaproposiesde
probabilidaderelacionadasaoconceitodeprobabilidade
condicional.
D2.10
D2.11
D2.12
Prova,independncia
Prova,probabilidadecondicional
Independncia
Tabela 2.1: Descritores dos exerccios de introducao à probabilidade (matriz de referencia).
probabilidaderelacionadasaosconceitosdeindependncia.
Prova,proposies
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
Exerccio 2.1. (D2.2) Oleos

de cozinha s
ao produzidos em duas principais variedades: monoinsaturados e polinsaturados. Duas materias primas para
oleos de cozinha s
ao: milho e canola. A
tabela a seguir mostra o n
umero de garrafas destes
oleos em um supermercado.
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
p
agina 41 de 114
Intensidade
Satisfat
orio
Insatisfat
orio
Vida u
til
Satisfat
orio Insatisfat
orio
117
3
8
2
Qual e a probabilidade de uma l

ampada selecionada aleatoriamente ser insatisfat
oria sob pelo
menos um dos criterios?
Exerccio 2.12. (D2.2) Uma empresa efetuou um estudo sobre fraudes em cart
oes de credito,
com resultados resumidos no quadro abaixo.
Tipo de fraude
Cart
ao roubado
Cart
ao falsificado
Pedido por telefone
Outros
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
p
agina 42 de 114
Exerccio 2.15. (D2.5) Um empreiteiro apresentou orcamentos separados para a execuc

ao da
parte eletrica e da parte de encanamento de um edifcio. Ele acha que a probabilidade de ganhar
a concorrencia da parte eletrica e de 50%. Caso ele ganhe a parte eletrica, a chance de ganhar
a parte de encanamento e de 3/4, caso contr
ario esta probabilidade e de 1/3.
a) Qual a probabilidade do empreiteiro ganhar os dois contratos?
b) Qual a probabilidade do empreiteiro ganhar apenas um?
c) Qual a probabilidade do empreiteiro perder a parte eletrica e perder a parte de encanamento?
Exerccio 2.16. (D2.5) Um certo tipo de motor eletrico falha se ocorrer uma das seguintes
situac
oes: emperramento dos mancais, queima dos rolamentos ou desgaste das escovas. Suponha
que o emperramento seja duas vezes mais prov
avel do que a queima, esta sendo quatro vezes mais
prov
avel do que o desgaste das escovas. Qual e a probabilidade de que a falha seja devida a cada
uma dessas circunst
ancias?
Exerccio 2.17. (D2.5) Suponha que A e B sejam eventos tais que P (A) = x, P (B) = y e
P (A B) = z. Exprima cada uma das seguintes probabilidades em termos de x, y e z.
a) P (Ac B c ).
b) P (Ac B).
c) P (Ac B).
d) P (Ac B c ).
Exerccio 2.18. (D2.5) Suponha que A, B, C sejam eventos tais que P (A) = P (B) = P (C) =
1/4, P (A B) = P (B C) = 0 e P (A C) = 1/8. Calcule a probabilidade de que ao menos um
dos eventos (A, B ou C) ocorra.
Exerccio 2.19. (D2.6) Uma caixa contem 4 v
alvulas defeituosas e 6 perfeitas. Duas v
alvulas
s
ao extraidas juntas. Sabendo que uma delas e perfeita, qual e a probabilidade da outra v
alvula
tambem ser perfeita?
Exerccio 2.20. (D2.6 e D2.2) Em um lote de 100 chips semicondutores 20 s
ao defeituosos.
Dois deles s
ao selecionados ao acaso e sem reposic
ao.
a) (D2.2) Qual e a probabilidade do primeiro chip selecionado ser defeituoso?
b) (D2.6 e D2.2) Qual e a probabilidade do segundo chip selecionado ser defeituoso, dado que
o primeiro deles e defeituoso?
c) (D2.6 e D2.2) Como a resposta do item (b) mudaria se os chips selecionados fossem repostos
antes da pr
oxima selec
ao?
Exerccio 2.21. (D2.6 e D2.2) Amostras de uma peca de alumnio fundido s
ao classificadas em
duas categorias de acabamento: excelente e bom. Uma outra classificac
ao divide as pecas em
duas categorias de comprimento: excelente e bom. A tabela abaixo exibe o n
umero de pecas
por categoria de um determinado lote:
Acabamento
da superfcie
Excelente
Bom
Comprimento
Excelente Bom
75
7
10
8
Suponhamos que uma peca e selecionada aleatoriamente deste lote.

Joaquim Neto
p
agina 43 de 114
a) (D2.2) Qual e a probabilidade da peca ter um excelente acabamento na superfcie?

b) (D2.2) Qual e a probabilidade da peca ter um excelente comprimento?
c) (D2.6 e D2.2) Se a peca selecionada tiver excelente acabamento na superfcie, qual e a probabilidade do comprimento ser excelente?
d) (D2.6 e D2.2) Se a peca selecionada tiver bom comprimento, qual e a probabilidade do acabamento na superfcie ser excelente?
Exerccio 2.22. (D2.6 e D5) Um equipamento eletr
onico e formado por 2 componentes, I e II.
Suponha que
a chance do componente I falhar e 0,20;
a chance de apenas o componente II falhar e 0,15 e
a chance de I e II falharem simultaneamente e 0,15.
a) (D2.5) Calcule a probabilidade de apenas o componente I falhar.

b) (D2.6 e D2.5) Calcule a probabilidade do componente I falhar dado que o componente II
falhou.
Exerccio 2.23. (D2.6 e D2.5) Uma montagem eletr
onica e formada de dois subsistemas. Supondo que a probabilidade do primeiro sistema falhar e igual a 0.20, que a probabilidade ambos
falharem e 0,15 e que a probabilidade do segundo sitema falhar sozinho e 0,15.
a) (D2.6) Calcule a probabilidade do primeiro sistema ter falhado dado que o segundo sistema
falhou.
b) (D2.5) Calcule a probabilide de ocorrer falha apenas no primeiro sistema.
Exerccio 2.24. (D2.6 e D2.5) Suponha que A e B sejam eventos, tais que P (A) = 13 , P (B) =
1
2
c
c
5 e P (A | B) + P (B | A) = 3 . Calcule P (A B ).
Exerccio 2.25. (D2.8) Um operador de r
adio envia pontos e tracos com igual probabilidade,
mas devido a perturbac
oes atmosfericas, os pontos s
ao muitas vezes entendidos pelo receptor
1
como tracos e vice-versa. Seja 5 a probabilidade de um ponto ser recebido como traco e 41 a
probabilidade de um traco ser recebido como ponto. Supondo que o receptor interpreta todos os
pontos aparentes como pontos verdadeiros (o mesmo valendo para os tracos), qual e a probabilidade de haver um erro na transmiss
ao?
Exerccio 2.26. (D2.8) A urna I contem x bolas brancas e y bolas vermelhas. A urna II contem
z bolas brancas e v bolas vermelhas. Uma bola e escolhida ao acaso da urna I e posta na urna
II. Em seguida, uma bola e escolhida ao acaso da urna II. Qual e a probabilidade desta bola ser
branca?
Exerccio 2.27. (D2.9) Suponha que temos duas urnas I e II, cada uma com duas gavetas.
A urna I contem uma moeda de ouro em uma gaveta e uma moeda de prata na outra gaveta,
enquanto a urna II contem uma moeda de ouro em cada gaveta. Uma urna e escolhida ao acaso
e, em seguida, uma de suas gavetas e aberta ao acaso. Sabendo que a moeda encontrada nesta
gaveta e de ouro, qual e a probabilidade de que a moeda provenha da urna II?
Exerccio 2.28. (D2.9) Um software que detecta fraudes em cart
oes telef
onicos detecta o n
umero de
areas metropolitanas onde as chamadas s
ao originadas a cada dia. S
ao obtidos os
seguintes dados:
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
p
agina 45 de 114
Exerccio 2.35. (D2.10) Prove que

P [(A B c ) (B Ac )] = P (A) + P (B) 2P (A B) .
Exerccio 2.36. (D2.10) Sejam A e B dois eventos. Prove que
P (A B) P (A) P (A B) .
Exerccio 2.37. (D2.11 e D2.5) Um dado e lancado e, independentemente, uma carta e extrada
de um baralho completo (52 cartas).
a) (D2.11) Qual e a probabilidade de obter um n
umero par no dado e uma carta de naipe
vermelho?
b) (D2.5 e D2.11) Qual e a probabilidade de obter um n
umero par no dado ou uma carta de
naipe vermelho?
Exerccio 2.38. (D2.11 e D2.5) Suponha que A e B s
ao eventos independentes associados a
um experimento. Se a probabilidade de A ou B ocorrerem for igual a 0,6 e a probabilidade da
ocorrencia de A for igual a 0,4, determine a probabilidade da ocorrencia de B.
Exerccio 2.39. (D2.11 e D2.5) Suponha que a probabilidade de se ganhar um certo jogo e de
1
e jog
a-lo 50 vezes, independentemente, qual e a probabilidade de ganhar pelo uma vez?
50 . Se voc
Exerccio 2.40. (D2.12) Suponha que P (A | B) > P (A). Prove que P (B | A) > P (B) ou
forneca um contra-exemplo.
Exerccio 2.41. (N
ao classificado ainda) Duas v
alvulas defeituosas se misturam com duas v
alvulas perfeitas. As v
alvulas s
ao selecionadas, uma a uma e sem reposic
ao, ate que ambas as
defeituosas sejam encontradas.
a) Qual e a probabilidade de encontrar a u
ltima v
alvula defeituosa no segundo ensaio?
b) Qual e a probabilidade de encontrar a u
ltima v
alvula defeituosa no terceiro ensaio?
c) Qual e a probabilidade de encontrar a u
ltima v
alvula defeituosa no quarto ensaio?
d) Some os n
umeros obtidos em (a), (b) e (c) acima. O resultado surprende?
Exerccio 2.42. (N
ao classificado ainda) Vinte pecas, 12 das quais s
ao defeituosas e 8 perfeitas,
s
ao inspecionadas uma ap
os a outra. Se estas pecas forem extradas ao acaso e sem reposic
ao,
qual e probabilidade de que:
a) Qual e probabilidade das duas primeiras pecas serem defeituosas?
b) Qual e probabilidade das duas primeiras pecas serem perfeitas?
c) Dentre as duas primeiras pecas inspecionadas, qual e a probabilidade de uma ser perfeita e a
outra defeituosa?
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;
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
p
agina 48 de 114
2.42) a)
Joaquim Neto
33
95 ;
b)
14
95 ;
c)
48
95 .
p
agina 49 de 114
Joaquim Neto
p
agina 50 de 114
Vari
aveis aleat
orias
3.1
Introdu
c
ao
Informalmente, uma vari

avel aleat
oria (v.a.) e uma caracterstica numerica do resultado
de um experimento. Matematicamente, uma variavel aleatoria e uma funcao com domnio e
contradomnio R. Porem, nem toda funcao deste tipo e uma variavel aleatoria. Para saber sobre
as condic
oes que uma func
ao deve satisfazer para ser uma variavel aleatoria, consulte James
(1981).
im
.u
fjf
.b
r/j
oa
qu
_n
et
Exemplo 3.1. Em um experimento que consiste em lancar uma moeda n vezes, o n

umero de
caras observado e uma caracterstica numerica do experimento.
Exemplo 3.2. Suponhamos agora um experimento que consiste em escolher um n
umero ao
acaso em [0, 1]. Podemos definir uma v.a. X que associa o resultado do experimento ao seu
quadrado. Assim,
= [0, 1]
e
X() = 2 , .
Exemplo 3.3. Suponhamos um experimento que consiste em escolher um ponto ao acaso no

crculo de raio unit
ario. Podemos definir uma v.a. X que associa o resultado do experimento `
a
dist
ancia entre o ponto escolhido e a origem. Assim,
= {(x, y) : x2 + y 2 1}
e, com = (x, y),
X() =
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
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
umero finito ou enumer

avel
Defini
c
ao 3.1. Uma vari
avel aleat
oria X e discreta se toma um n
de valores, ou seja, se existe um conjunto finito ou enumer
avel {x1 , x2 , ...} R tal que P ([X
{x1 , x2 , ...}]) = 1.
Se X for uma v.a. discreta, a func
ao
p(x) = P ([X = x])
e chamada de fun
c
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
p
agina 52 de 114
Obs: Se X e uma v.a. discreta e A R entao

P (X A) = P ([X A] [X {x1 , x2 , ...}])
= P (X (A {x1 , x2 , ...}))
[
=P
[X = xi ]
i:xi A
P ([X = xi ]).
i:xi A
Resultado 3.1. Uma func

ao p(x) e func
ao de probabilidade de alguma vari
avel aleat
oria discreta
se, e somente se, existir um conjunto finito ou enumer
avel {x1 , x2 , ...} R tal que
p(x) > 0 para x {x1 , x2 , ...},
p(x) = 0 caso contr
ario e
P
p(xi ) = 1.
i
Exemplo 3.5. Considere a func

ao de probabilidade

kx2 , para x = 1, 2, 3
.
p (x) =
0, caso contr
ario
Calcule o valor de k.
Solu
c
ao: Temos que
n
X
p (xi ) = 1 k12 + k22 + k32 = 1 k =
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
Se X for contnua, f (x) e chamada de fun

c
ao densidade de probabilidade, ou simplesmente densidade.
Rb
Obs: Se A e um intervalo, A = (a, b), temos P (X (a, b)) = f (x) dx
/jo
aq
ui
_n
et
o
w
w
.u
fjf
.b
r
Joaquim Neto
p
agina 53 de 114
Resultado 3.2. Se X e uma v.a. contnua ent

ao P (X = x) = 0, x R.
ao, a, b R,
P (X a) = P (X < a),
P (X a) = P (X > a), e
P (a < X < b) = P (a X b)
= P (a < X b)
= P (a X < b).
ao, pois as demais possuem provas an
alogas.
Prova: Veremos apenas a prova da primeira equac
P (X a) = P ([X < a] [X = a]) = (pelo axioma 3) =
= P (X < a) + P (X = a)
= P (X < a) + 0
= P (X < a).
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
p
agina 54 de 114
f ) F (9) = P ([X 9])

= P () = 0.
Exemplo 3.7. Suponhamos um experimento que consiste em jogar dois dados. Suponhamos
ainda que os resultados s
ao equiprov
aveis, ou seja, que cada resultado possvel tem a mesma
probabilidade. Seja X uma vari
avel aleat
oria que associa cada resultado `
a soma dos n
umeros
obtidos em cada dado.
a) Faca o gr
afico da func
ao de probabilidade p de X.
b) Faca o gr
afico da acumulada F de X.
Solu
c
ao: Veja abaixo uma tabela com os valores de x, p(x) e F (x).
x
2
3
4
5
6
7
8
9
10
11
12
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
0.04 0.08 0.12 0.16
p(x)
A partir da tabela, podemos construir os gr

aficos.
Acumulada
Exemplo 3.8. Suponhamos um experimento que consiste em escolher um n

umero ao acaso
em = [1, 1]. Sejam X uma v.a. que associa o n
umero escolhido ao seu quadrado e F a
acumulada de X.
a) Calcule F (0, 25).
b) Determine F .
c) Construa o gr
afico de F .
Solu
c
ao:
a)
F (0, 25) = P ([X 0, 25]) = P ({ : X () 0, 25})

= P : 2 0, 25 = P ({ : 0, 5 0, 5})
= (pela definic
ao geometrica de probabilidade) =
0, 5 (0, 5)
=
= 0, 5.
1 (1)
Joaquim Neto
p
agina 55 de 114
b) Para x < 0, temos que

F (x) = P ([X x]) = P ({ : X () x})

= P : 2 x = (como x < 0) = P () = 0.
Para 0 x 1,
a) F (x) = P ([X x]) = P ({ : X () x})

= 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

ao sua acumulada e
Zx
F (x) =
x R.
f (t) dt,
_n
et
o
.u
fjf
.b
r/j
oa
q
ui
Joaquim Neto
p
agina 56 de 114
Resultado 3.5. Se X e uma v.a. contnua, ent

ao
P (a X b) = P (a < X < b) = F (b) F (a), a, b R.
Prova:
P (a X b) = P (a < X b) = P ([X b] [X a]c )
= P (X b) P (X a)
= F (b) F (a).
Exemplo 3.9. Seja X uma vari

avel aleat
oria com densidade

6(x x2 ), se 0 x 1
f (x) =
.
0, caso contr
ario
a) Determine a acumulada F de X.
b) Calcule P (0, 2 < X < 0, 7).
Solu
c
ao:
a)
Para x 0,
Zx
Zx
f (t) dt =
F (x) =
0dt = 0.
Para 0 < x < 1,
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.
b) Usando a acumulada encontrada no item anterior, temos

P (0, 2 < x < 0, 7) = F (0, 7) F (0, 2)
= 3 0, 72 2 0, 73 3 0, 22 2 0, 23
= 0, 68

ao f (x) e densidade de alguma vari
avel aleat
oria contnua se, e
somente se,
f (x) 0, x R e
f (x) dx = 1.
Joaquim Neto
p
agina 57 de 114
to
_n
e
w
w
.u
fjf
.b
r/j
oa
qu
i

ao F e uma acumulada se, e somente se, as condic
oes abaixo forem
satisfeitas:
x y implicar F (x) F (y), ou seja, F for uma func
ao n
ao decrescente.
lim F (x) = F (a), ou seja, F for contnua a direita.
xa+
lim F (x) = 0.
lim F (x) = 1.
x
Prova: Ver James (1981).

Resultado 3.8. Para os pontos x onde F (x) e deriv
avel, temos que f (x) = F 0 (x).
alculo
Prova: Teorema Fundamental do C
Obs: Este resultado estabelece que a densidade de uma v.a. contnua pode ser obtida derivando a acumulada.
Exemplo 3.10. Sejam k R e X uma v.a. com acumulada
k
x
2 (1 e ) , se x > 0 .
F (x) =
0, se x 0
a) Calcule o valor de k.
b) Determine a densidade f de X.
Solu
c
ao:
a) Lembre-se que o limite da acumulada quando x tende a infinito e igual a 1. Assim,
lim F (x) = 1
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
f (x) = F 0 (x) = (0)0 = 0.

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
Vamos estudar as vari

aveis aleatorias mistas atraves de um exemplo:
Exemplo 3.11. A acumulada de uma vari
avel aleat
oria X e dada por:
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.
P (1 < X < 3) = P (X < 3) P (X 1)

= P (X 3) P (X = 3) P (X 1)
11
2
= 1 (1 )
12
3
= 0, 25.
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
Exemplo 3.13. Seja X uma v.a. com densidade

2
9 (x + 1) , se 1 x 2 .
fX (x) =
0, caso contr
ario
a) Determine a acumulada FY de Y = X 2 .
b) Determine a densidade fY de Y = X 2 .
Solu
c
ao:
a) Primeiro, observe o gr
afico da densidade e o gr
afico da func
ao g(x) = x2 .
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
Sejam FX (x) e FY (y) as func

oes de distribuica
o acumulada de X e Y , respectivamente.
Vamos encontrar FY (y).
Para y 0, temos
FY (y) = P (Y y) = P (X 2 y) = P () = 0.
Para 0 < y 1, temos
FY (y) = P (Y y) = P (X g 1 ([Y y]))
= 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
=
Para 1 < y 4, temos

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
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
Exemplo 3.14 (Rela

c
ao da exponencial com a uniforme). Para exemplificar, vamos estabelecer uma relac
ao entre duas distribuic
oes que ser
ao chamadas mais adiante de distribuic
ao
uniforme e distribuic
ao exponencial. Seja X uma v.a. com densidade

1, se 0 < x < 1
.
fX (x) =
0, caso contr
ario
Determine a densidade fY de Y = g(X) = ln(X).
Solu
c
ao: Consideremos os conjuntos X = (0, 1) e Y = (0, ). Primeiro, observe que g
e decrescente em X (derive a func
ao g para uma verificac
ao formal deste fato). Alem disso,
g 1 (y) = ey e a acumulada de X e
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
p
agina 62 de 114
Resultado 3.10 (Densidade de uma transforma

c
ao). Sejam X uma v.a. e Y = g(X) uma
tranformac
ao de X, onde g e uma func
ao estritamente crescente ou estritamente decrescente.
Suponhamos ainda que fX (x) e contnua1 em X e que g 1 (y) e deriv
avel em Y. A densidade
de Y e dada por

(
d 1

1
fX g (y) dy g (y) , se y Y
fY (y) =
.
(3.1)
0, caso contr
ario
Prova: Usando o resultado anterior e a regra da cadeia,
(
d 1
fX g 1 (y) dy
g (y) , se g for crescente
d
d 1
FY (y) =
fY (y) =
,
1
fX g (y) dy g (y) , se g for decrescente
dy
que pode ser expressa de forma concisa como (3.1).
x
2 , se 0 < x < 2
.
fX (x) =
0, caso contr
ario
Determine a densidade fY de Y = X 2 .
Solu
c
ao: Consideremos os conjuntos X = (0, 2) e Y = (0, 4). Temos que Y = g(X), onde
2
g(x) = x e, como g e uma func
ao estritamente crescente em X , temos que

(
d 1

1
fX g (y) dy g (y) , se y Y
fY (y) =
0, caso contr
ario

1
(
1

fX y 2 12 y 2 , se 0 < y < 4
=
0, caso contr
ario
1
4 , se 0 < y < 4
.
=
0, caso contr
ario
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
A continuidade de f (x) garante a diferenciabilidade de FX (x)
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).

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
xi p (xi ) = x1 p (x1 ) + x2 p (x2 ) + ... + xn p (xn ) .
i=1
Seja X uma v.a. contnua, o valor esperado de X e
Z
x f (x) dx,
E (X) =
quando a integral est

a bem definida.
Joaquim Neto
p
agina 64 de 114
o
et
_n
aq
ui
m
/jo
w
.u
f
jf.
br
Obs: O valor esperado tambem e chamado de esperan

ca ou expectativa.
Exemplo 3.17. Uma empresa comercializa um produto que possui um determinado prazo de
validade. Para cada unidade vendida do produto, a empresa recebe R$8,00 reais e tem um custo
de R$2,00. Sabendo que a probabilidade de um produto ser vendido antes de vencer seu prazo
de validade 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
p
agina 65 de 114
3.9
Valor esperado da fun

c
ao de uma v.a.
Resultado 3.11. Sejam X e Y = g(X) duas vari

aveis aleat
orias.
Se X e discreta e assume valores em um conjunto {x1 , x2 , ...}, ent
ao
E (Y ) =
g (xi ) pX (xi ).
Se X e contnua, ent
ao
Z
E (Y ) =
g (x) fX (x) dx.
Exemplo 3.19. Seja X uma v.a. associada ao preco de comercializac

ao de um produto. Assuma
que X tem densidade

f (x) =
3x2 60x+300
,
1000
se 0 < x < 10
.
0, caso contr
ario
Assuma que a demanda Y desse produto depende do preco de comercializac

ao segundo a
relaca
o Y = X 2 + 100. Qual e a demanda esperada para este produto?
Solu
c
ao: Para resolver este exerccio, vamos assumir que Y = g(X) = X 2 + 100 e usar a
f
ormula do valor esperado da funca
o de uma vari
avel aleat
oria, ou seja,
Z
E (g (X)) =
g (x) fX (x).
Assim,

E (Y ) = E X 2 + 100
Z
=
g (x) fX (x)
Z10
x + 100
3x2 60x + 300

1000

dx
Z10
=
3x4 + 60x3 300x2 + 300x2 6000x + 30000

dx
1000
Z10
3x4 + 60x3 6000x + 30000

dx
1000
0
10
5
4

6000x2
3x5 + 60x
+
30000x

4
2
=
= 90.

1000
=
Logo, a demanda esperada e de 90 unidades.

Joaquim Neto
p
agina 66 de 114
3.10
Propriedades do valor esperado
Resultado 3.12. Se a, b R e X e uma v.a., temos que

a) E(a) = a,
b) E(aX + b) = aE(X) + b e
Prova:
a) E(a) = a 1 = a.
b) Vamos provar o resultado assumindo que X e discreta. A prova para X contnua e an
aloga
(basta trocar os somat
orios por integrais).
n
n
X
X
E (aX + b) =
(axi + b) P ([(aX + b) = (axi + b)]) =
(axi + b) P ([X = xi ])
i=1
n
X
=a
i=1
xi p (xi ) + b
i=1
n
X
p (xi ) = aE (X) + b.
|i=1 {z
1
Obs: Como consequencia imediata do resultado acima, temos que

E(aX) = aE(X), a R e
E(X E(X)) = 0.
Exemplo 3.20. Seja X uma v.a. associada ao preco de comercializac

ao de um produto. Assuma
que X tem densidade
3x2 60x+300
, se 0 < x < 10
1000
f (x) =
.
0, caso contr
ario
Assuma que a demanda Y desse produto depende do preco de comercializac
ao segundo a
relac
ao Y = 10X + 100. Qual e a demanda esperada para este produto?
Solu
c
ao: Como a relac
ao entre Y e X e linear, podemos primeiro calcular E(X), para em
seguida obter E(Y ) sem muito esforco.

Z10 2
3x 60x + 300
E (X) = x
dx =
1000
0

60x3
300x2 10
3x4
+
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
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) =
(xi E (X))2 p (xi ).
Se X e contnua,
Z
V ar (X) =
(x E (X))2 f (x) dx.
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
(xi E (X))2 p (xi )
i=1
= (2 5, 20)2 0, 2 + (7 5, 20)2 0, 8
= 12, 96.
c) Note que o valor esperado da unidade do produto nesta empresa 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
p
agina 68 de 114
Resultado 3.13 (Propriedades da vari

ancia). Sejam a, b R e X uma vari
avel aleat
oria.
As seguintes propriedades s
ao v
alidas:
a) V ar(a) = 0,
b) V ar(aX + b) = a2 V ar(X).
Prova:
a)
V ar(a) = (a E(a))2 1 = (a a)2 = 0.
b) Sem perda de generalidade, suponhamos que X e uma v.a. discreta. Assim,
V ar (aX) =
n
X
(axi E (aX))2 p (xi ) =
i=1
n
X
(axi aE (X))2 p (xi )
i=1
= a2
n
X
(xi E (X))2 p (xi )
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
(xi E (X))2 p (xi )
i=1
n
X

x2i 2xi E (X) + (E (X))2 p (xi )
i=1
n
X
x2i p (xi ) 2E (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
p
agina 69 de 114
Joaquim Neto
Mostrar que uma funo uma funo de probabilidade.
3.4
Determinar a acumulada a partir de uma densidade.
Calcular probabilidades a partir de uma acumulada.

Calcular a constante de proporcionalidade de uma acumulada
contnua.
Calcular quantis (quartil, decil, percentil, mediana) de uma varivel
aleatria contnua.
3.12
3.13
3.15
Quantis (contnua)
Acumulada (contnua)
Constante de proporcionalidade
(acumulada contnua)
Densidade e acumulada
(contnua)
Densidade e acumulada
Densidade (propriedades)
Densidade
Acumulada (discreta)
Tabela 3.1: Descritores dos exerccios de variaveis aleatorias (parte 1) (matriz de referencia).
Determinar a densidade a partir de uma acumulada.
3.11
3.14
Calcular a constante de proporcionalidade de uma densidade.
3.10
3.9
3.8
3.7
3.6
Descritores
Funo de probabilidade
(propriedades)
(discreta)
Funo de probabilidade e
acumulada
(sem acumulada)
3.13.1
3.5
3.3
Discreta
(sem acumulada)
Palavra chave
Exerccios
Calcular a constante de proporcionalidade de uma funo de

probabilidade.
Determinar uma funo de probabilidade (ou calcular o valor da
funo em um conjunto de pontos) a partir de uma acumulada.
Determinar a acumulada de uma varivel aleatria discreta ou
calcular o valor da funo em um conjunto de pontos.
Calcular probabilidades a partir de uma densidade.
Mostrar que uma funo (ou no) uma densidade. Determinar
condies para que uma funo seja (ou no) uma densidade.
Determinar evento definido por uma varivel aleatria discreta.

Determinar uma funo de probabilidade, sem usar uma
acumulada.
Calcular o valor de uma funo de probabilidade em um conjunto
de pontos ou realizar clculos de probabilidade a partir destes
valores, sem usar uma acumulada.
3.1
3.2
Descrio
Descritor
3.13
p
agina 70 de 114
Joaquim Neto
p
agina 71 de 114
Calcular a varincia de uma varivel aleatria discreta.

Calcular a varincia de uma varivel aleatria contnua.
Determinar acumulada da funo de uma varivel aleatria.
Determinar densidade da funo de uma varivel aleatria.
3.18
3.19
3.20
3.21
3.24
3.23
Varincia (contnua)
Funo de varivel aleatria
(acumulada)
(densidade)
(funo de probabilidade)
(no linear) (valor esperado)
(linear) (valor esperado)
Varincia (discreta)
Valor esperado (contnua)
Valor esperado (discreta)
Palavra chave
Tabela 3.2: Descritores dos exerccios de variaveis aleat

orias (continuac
ao).
Determinar a funo de probabilidade da funo de uma varivel

aleatria.
Calcular o valor esperado de uma funo no linear de uma varivel
aleatria.
Calcular o valor esperado de uma funo linear de uma varivel
aleatria.
Calcular o valor esperado de uma varivel aleatria contnua.
3.17
3.22
Calcular o valor esperado de uma varivel aleatria discreta.
Descrio
3.16
Descritor
3.13.2
Enunciados
Exerccio 3.1. (D3.3) Seja X uma vari

avel aleat
oria com func
ao de probabilidade
1 x
, para x = 1, 2, ...
2
.
p (x) =
0, caso contr
ario
a) (D3.3) Calcule P (X ser par).
b) (D3.3) Calcule P (X 5).
c) (D3.3) Calcule P (X ser divisvel por 3).
Exerccio 3.2. (D3.4) Considere a func
ao
k
x , x = 1, 2, . . . ,
p (x) =
0, caso contr
ario
Mostre que p n
ao e uma func
ao de probabilidade para todo k R.
Exerccio 3.3. (D3.4, D3.3 e D2.6) Seja 0 < a < 1. Considere a func
ao

(1 a) ax , se x = 0, 1, 2, ...
p (x) =
.
0, caso contr
ario
a) (D3.4) Mostre que p e uma func
b) (D3.3 e D2.6) Seja X uma vari
avel aleat
oria com func
ao de probabilidade p. Mostre que,
para quaisquer dois inteiros positivos s e t,
P (X > s + t | X > s) = P (X t) .
avel aleat
oria com func
ao de probabilidade

k (1 )x1 , para x = 1, 2, 3, ...
.
p (x) =
0, caso contr
ario
Determine a constante k em funca
o de .
Exerccio 3.5. (D3.7 e D3.3) Suponha um experimento com espaco amostral = {1 , 2 , ..., 5 }.
Observe a tabela abaixo.
i
i
P ({i })
1
0
0,1
2
1
0,2
3
2
0,3
4
3
0,3
5
4
0,1
Seja X uma vari

avel aleat
oria definida por

2i , i 2
X (i ) =
.
6i 8, i < 2
a) Determine a acumulada de X.
b) Calcule P (X < 0).
Exerccio 3.6. (D3.7, D3.4, D3.3 e D2.6) Considere a func
ao:
x2
14 , para x = 1, 2, 3 .
p (x) =
0, caso contr
ario
Joaquim Neto
p
agina 72 de 114
a) (D3.4) Mostre que p e uma func

b) (D3.7) Seja X uma vari
avel aleat
oria com funca
o de probabilidade p. Determine a acumulada
de X.
c) (D3.3 e D2.6) Seja X uma vari
avel aleat
oria com func
ao de probabilidade p. Calcule P (X = 1 | X 2).
avel aleat
oria contnua associada `
a durac
ao da vida de
uma v
alvula eletr
onica, com densidade
bx
be , para x 0
f (x) =
.
0, caso contr
ario

Mostre que P (a X < a + 1) = 1 eb eba , para a R+ .
avel aleat
oria com densidade
x
xe , para x 0
f (x) =
.
0, caso contr
ario
Calcule P (X > 2).
Exerccio 3.9. (D3.8 e D2.6) Seja X uma vari
avel aleat
oria contnua com densidade

3x2 , para 1 x 0
.
f (x) =
0, caso contr
ario

Calcule P X > b X < 2b em funca
o de b, para 1 < b < 0.
avel aleat
oria associada `
a durac
ao da vida (em
horas) de certa v
alvula. Suponha que X tem densidade
100
, para x > 100
x2
f (x) =
.
0, caso contr
ario
Sabendo que uma v
alvula est
a funcionando h
a 150 horas, qual e a probabilidade de que uma
v
alvula dure menos de 200 horas?
Exerccio 3.11. (D3.9) Sejam f e g func
oes densidade.
a) (D3.9) Mostre que f + g n
ao e uma densidade.
b) (D3.9) Mostre que f (x) + (1 ) g (x) e uma densidade para todo n
umero tal que 0 <
< 1.
avel aleat
oria com acumulada
0, para x < 0
x
, para 0 x 5 .
F (x) =
5
1, para x > 5
Determine a densidade de X.
avel aleat
oria com acumulada
0, para x <0
2
sen1 ( x) , para 0 x 5 .
F (x) =

1, para x > 1
Joaquim Neto
p
agina 73 de 114

avel aleat
oria com acumulada
3x
e , para < x 0
F (x) =
.
1, para x > 0
avel aleat
oria com acumulada
0, para x 0
1 2
x , para 0 < x 3 .
F (x) =
9
1, para x > 3
Encontre a densidade de X.
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
avel aleat
oria com densidade f . Determine a acumulada de X.
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.
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).
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
p
agina 74 de 114
Exerccio 3.21. (D3.15, D3.10 e D3.8) Seja X uma vari

avel aleat
oria com densidade

kx2 , para 1 x 1
f (x) =
.
0, caso contr
ario

b) (D3.8) Calcule P |X| > 21 .
c) (D3.15) Determine tal que F () = 14 , onde F e a acumulada de X. Em outras palavras,
calcule o primeiro quartil de X.
Exerccio 3.22. (D3.15, D3.12 e D3.10) Uma vari
avel aleat
oria X tem densidade
k x
2 e , se x 0
f (x) =
.
0, caso contr
ario
c) (D3.15) Calcule a mediana de X.
avel aleat
oria contnua com densidade

kx2 , para 0 x 1
.
f (x) =
0, caso contr
ario
c) (D3.15) Calcule o valor b tal que a probabilidade de X exceder b seja igual a 0,05.
avel aleat
oria associada ao di
ametro
de um cabo eletrico. Assuma que X tem densidade

k(2x x2 ), se 0 x 1
f (x) =
.
0, caso contr
ario
b) (D3.17) Calcule E(X).
c) (D3.8) Calcule P (0 X 1/2).
Exerccio 3.25. (D3.17, D3.15, D3.12 e D3.8) Seja X uma vari
avel aleat
oria associada `
a
concentraca
o (em ppm) de mon
oxido de carbono (CO) na atmosfera, numa determinada zona
urbana, no perodo das 8h `
as 10h. Suponha que X tem densidade

0, para x 0
f (x) =
.
3, 4e3,4x , para x > 0
a) (D3.12) Determine a acumulada de X.
b) (D3.8) Qual e a probabilidade da concentrac
ao de CO exceder 2 ppm?
c) (D3.17) Determine o valor esperado da concentrac
ao de CO.
Joaquim Neto
p
agina 75 de 114
d) (D3.15) Determine a mediana da concentrac

ao de CO.
avel aleat
oria com densidade

6(x x2 ), se 0 x 1
f (x) =
.
0, caso contr
ario
p
Calcule P ( 2 < x < + 2), onde = E(X) e = V ar(X).
Exerccio 3.27. (D3.19, D3.17, D3.15, D3.14, D3.13, D3.11 e D2.6) Seja X uma vari
avel
aleat
oria contnua com acumulada
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).
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
c) (D3.20) Determine a acumulada de Y = 10X .
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
p
agina 76 de 114
Exerccio 3.32. (D3.21, D3.17, D3.15, D3.12 e D3.9) Considere a func

ao

kxk1 , para x 1 e k > 0
f (x) =
.
0, caso contr
ario
a) (D3.9) Mostre que f e uma densidade.
avel aleat
oria com densidade f . Determine a acumulada de X.
c) (D3.17) Seja X uma vari
avel aleat
oria com densidade f . Calcule o valor esperado de X,
indicando em que condic
oes o valor esperado existe.
d) (D3.15) Seja X uma vari
avel aleat
oria com densidade f . Calcule a mediana de X, indicando
em que condic
oes a mediana existe.
e) (D3.21) Seja Y = ln X. Determine a densidade de Y .
avel
aleat
oria associada `
a proporca
o de determinada subst
ancia qumica em um produto. Suponha
que X tem densidade

kx3 + x, para 0 x 1
f (x) =
.
0, caso contr
ario
c) (D3.18 e D2.6) Sempre que a proporc
ao da referida subst
ancia e inferior a 0,5, o produto e de
qualidade inferior. Qual e a probabilidade de um produto que foi considerado de qualidade
inferior ter a proporc
ao maior que 0,25?
d) (D3.17) Calcule o valor esperado de X.
e) (D3.19) Calcule a vari
ancia de X.
f ) (D3.21 e D3.8) Seja Y o valor comercial (em euros) de cada unidade de volume de produto,
em funca
o da proporc
ao da subst
ancia, definido como Y = 2X.
i) (D3.21) Determine a densidade de Y .
ii) (D3.21 e D3.8) Qual e a probabilidade de uma unidade de volume daquele produto ser
vendida por mais de 1 euro?
avel
aleat
oria com densidade
f (x) = ke|x| , para x R
c) (D3.17) Calcule o valor esperado de X.
d) (D3.19) Calcule a vari
ancia de X.
e) (D3.15) Calcule a mediana de X.
Joaquim Neto
p
agina 77 de 114
f ) (D3.17 e D3.8) Calcule P (|X E (X)| < 1).

g) (D3.21) Seja Y = X 2 . Determine a densidade de Y .
avel aleat
oria com densidade
1
2 x, para 0 < x < 2 .
f (x) =
0, caso contr
ario
Suponha que Y = X (2 X).
a) (D3.20) Determine a acumulada de Y .
b) (D3.21) Determine a densidade de Y .
Exerccio 3.36. (D3.22, D3.18, D3.16 e D3.2) Seja X uma vari
avel aleat
oria com func
ao de
probabilidade apresentada na tabela abaixo.
xi
pX (xi )
1-2k
q
k-1
3q
k
q
2k
q
a) (D3.16 e D3.2) Sabendo que E (X) = 13 , determine o valor de q e k.

b) (D3.18) Calcule V ar (X).
c) (D3.22) Seja Y = X 2 . Determine a func
ao de probabilidade de Y .
Exerccio 3.37. (D3.22, D3.18, D3.16, D3.7, D3.3 e D2.6) Seja X uma vari
avel aleat
oria com
func
ao de probabilidade apresentada na tabela abaixo.
xi
pX (xi )
-2
0,1
-1
0,3
0
0,1
1
0,2
2
0,3
a) (D3.16) Calcule E (X).

b) (D3.18) Calcule V ar (X).
c) (D3.7) Determine a acumulada de X.
d) (D3.3 e D2.6) Calcule P (X 0|X < 2).
e) (D3.22) Seja Y = X 2 . Determine a func
ao de probabilidade de Y .
Exerccio 3.38. (D3.24, D3.15, D3.12 e D3.9) Em uma pesquisa concluiu-se que a raridade de
determinada especie animal era diretamente proporcional `
a dist
ancia observada, em percurso de
amostragem, ate que se avistasse um exemplar da especie. Seja X uma vari
avel aleat
oria que
representa a dist
ancia percorrida ate se avistar algum exemplar da especie. Suponhamos que X
tem densidade
b
, para 1 x b
kx2
f (x) =
.
0, caso contr
ario
a) (D3.9) Para quais valores de k e b, f (x) e uma densidade?
c) (D3.15) Calcule a mediana de X.
Joaquim Neto
p
agina 78 de 114
d) (D3.24) Considere a vari

avel aleat
oria Y = C0 + C1 X, que caracteriza o custo de amostragem, onde C0 representa o custo fixo e C1 o custo por unidade de percurso. Determine o
custo esperado para a pesquisa em func
ao de C0 , C1 e b.
Exerccio 3.39. (D3.24, D3.21, D3.17, D3.15, D3.12, D3.8 e D2.6) O fornecedor de um produto
de laborat
orio tem uma capacidade de armazenamento de 150 kg. No incio de cada mes e reposto
o estoque ate `
a capacidade m
axima de armazenamento. Seja X uma vari
avel aleat
oria associada
`
as vendas mensais deste produto em centenas de kg, com densidade
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
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
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
x3 , para 0 x < 1 ; c) b = 3 0, 95.

a) k = 3; b) F (x) =
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
, para 0 < y < 1 .

0, caso contr
ario
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
p
agina 81 de 114
(
f) i) f (y) =
3.34)
a) k = 12 ;

b) F (x) =
y 3 +2y
8 ,
para 0 < y < 2

; ii) P (Y > 1) =
0, caso contr
ario
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
p
agina 82 de 114
d) A mediana e 100 kg;

7
e) i) E (Y ) = 275
12 ; ii) P (Y 0) = 8 .
Joaquim Neto
p
agina 83 de 114
Joaquim Neto
p
agina 84 de 114
Famlias de distribui
co
es
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}.
Resultado 4.1 (Valor esperado e vari

ancia da uniforme discreta). Se X U ({1, 2, ..., n}),
ent
ao
n+1
n2 1
E(X) =
e V ar(X) =
.
2
12
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
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).
Resultado 4.2. Se X Ber() ent

ao sua func
ao de probabilidade e dada por
, se x = 1
1 , se x = 0
.
p(x) =
0, caso contr
ario
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

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
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
Solu
c
ao: Como X Bin(10; 0, 3), sua func

p (x) =
10
x
0, 3x (1 0, 3)10x .
Com esta func

ao, podemos construir a tabela abaixo.
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
A partir da tabela, podemos construir o gr

afico.
_n
et
oa
qu
im
0.10
jf.
br
/j
.u
f
0.00
p(x)
0.20
10
Exemplo 4.2. Um lote de componentes eletr

onicos e recebido por uma firma. Vinte componentes s
ao selecionados, aleatoriamente e com reposica
o, para teste e o lote e rejeitado se pelo menos
3 forem defeituosos. Sabendo que 5% destes componentes s
ao defeituosos, qual e a probabilidade
da firma rejeitar o lote.
Solu
c
ao: Seja X uma v.a. associada ao n
umero de componentes defeituosos dentre os
selecionados e p(x) sua func
ao de probabilidade. Como X Bin(20; 0, 05), temos que

20
0, 050 (1 0, 05)20 = 0, 3584859,
p (0) =
0

20
0, 051 (1 0, 05)19 = 0, 3773536 e
p (1) =
1

20
p (2) =
0, 052 (1 0, 05)18 = 0, 1886768.
2
Sabemos tambem que o lote e rejeitado se X 3 e, portanto, a probabilidade de rejeic
ao e
dada por
P ([X 3]) = 1 P ([X < 3]) = 1 P ([X 2])
= 1 (P ([X = 0]) + P ([X = 1]) + P ([X = 2]))
= 1 (p (0) + p (1) + P (2))
= 1 (0, 3584859 + 0, 3773536 + 0, 1886768)
= 7, 548367%.
ancia da binomial). Se X Bin(n; ), ent
ao
E(X) = n e V ar(X) = n(1 ).
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 à , dizemos que X tem
distribui
c
ao geom
etrica com par
ametro (0; 1).
Nota
c
ao: X Geom().
_n
et
o
0.20
Resultado 4.6. Se X Geom(), sua func


(1 )x , se x = 0, 1, 2, ...
p (x) =
.
0, caso contr
ario
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).
Exemplo 4.3. A probabilidade de se encontrar um determinado sem

aforo aberto e igual a 20%.
Qual e a probabilidade de passar pelo sem
aforo sucessivas vezes e encontr
a-lo aberto pela primeira
vez na quinta passagem?
Solu
c
ao: Sejam X o n
umero de passagens antes de encontrar o sem
aforo aberto pela primeira vez e p(x) a func
ao de probabilidade de X. Como X Geom(0, 2), temos
p(4) = (1 0, 2)4 0, 2 = 0, 08192.

ancia da geom
etrica). Se X Geom(), ent
ao
E(X) =
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 à , 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

x+r1
r (1 )x , se x {0, 1, 2, ...}
r1
p (x) =
.
0, caso contr
ario
Joaquim Neto
p
agina 88 de 114
o
_n
et
/jo
aq
ui
m
br
jf.
.u
f
p(x)
0.00 0.02 0.04 0.06
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

ancia da binomial negativa). Se X BN (r; ),
ent
ao
r
r
E(X) =
e V ar(X) =
.
1
(1 )2
4.1.6
Distribuic
ao hipergeom
etrica
Suponhamos que n elementos sao selecionados aleatoriamente e sem reposi

c
ao de uma
populacao finita com A elementos classificados como sucesso e B elementos classificados como
fracasso. Seja X uma v.a. associada ao n
umero de sucessos selecionados. Neste caso, dizemos
que X tem distribui
c
ao hipergeom
etrica com parametros A, B e n.
Nota
c
ao: X HG(A; B; n).
Resultado 4.10. Se X HG(A; B; n), ent
ao sua func

A B
x
nx
, se x {max (0; n B) , ..., min (n; A)} N

p (x) =
.
A
+
B
0, caso contr
ario
Joaquim Neto
p
agina 89 de 114
Exemplo 4.5. Uma firma compra l

ampadas por lotes de 30 unidades. Suponha que em um
determinado lote h
a 25 l
ampadas perfeitas. Sete l
ampadas deste lote s
ao selecionadas aleatoriamente e sem reposica
o.
a) Qual e a probabilidade de selecionar menos de 4 l
ampadas perfeitas?
b) Construa o gr
afico da func
Solu
c
ao:
a) Sejam X uma v.a. associada ao n
umero de l
ampadas perfeitas selecionadas e p(x) sua
func
ao de probabilidade. Como X HG(25, 5, 7), temos que

25 5
x
7x
, se x {max (0; 7 5) , ..., min (7; 25)} N

p (x) =
.
25
+
5
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)
0.0 0.1 0.2 0.3 0.4
b)
10
Func
ao de probabilidade de uma v.a. X, tal que X HG(25; 5; 7).

ancia da hipergeom
etrica). Se X HG(A; B; n),
ent
ao

B
nAB
A+Bn
E(X) = n
e V ar(X) =
.
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
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

ancia da Poisson). Se X P ois(), ent
ao
E(X) = e V ar(X) = .
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
p
agina 91 de 114
4.2.2
Normal
Defini
c
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
Densidade de uma N (0; 1).
to
_n
e
im
6
2 0
0.4
f(x)
aq
/jo
.u
fjf
.b
r
w 0.0 0.1 0.2

w
.u
fjf
.b
r/j
oa
qu
ui
0.3
_n
e
to
0.4
0.3
f(x)
0.0
2 0
0.1
f(x)
0.2
w 0.0 0.1 0.2

w
.u
fjf
.b
r/j
oa
qu
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 ).
Densidade de uma N (0; 1) em Densidade de uma N (0; 1) em

preto e densidade de uma
preto e densidade de uma
N(3;1) em azul.
N(0;4) em azul.
Figura 6: Densidades de distrinuicoes normais.

Obs: Repare que a densidade de uma normal e simetrica em relac
ao a reta vertical que passa
2
por (eixo de simetria da normal). J
a o par
ametro est
a relacionado `
a abertura da
densidade.
F(x)
F(x)
0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.2 0.4 0.6 0.8 1.0
2 0
et
_n
m
ui
q
oa
r/j
F(x)
.b
fjf
2 0
.u
et
_n
m
ui
q
oa
Acumulada de uma N (0; 1).
r/j
.b
fjf
et
_n
m
ui
q
oa
r/j
2 0
.u
.b
fjf
.u
w
6
0.0 0.2 0.4 0.6 0.8 1.0
Para explorar um aplicativo com a densidade da normal, acesse

Acumulada de uma N (0; 1)

Acumulada de uma N (0; 1)
em preto e acumulada de uma em preto e acumulada de uma
N(3;1) em azul.
N(0;4) em azul.
Figura 7: Acumuladas de distribuicoes normais.

Joaquim Neto
p
agina 92 de 114
Para explorar um aplicativo com a acumulada da normal, acesse


ancia da normal). Se X N (; 2 ), ent
ao E(X) =
2
e V ar(X) = .
Resultado 4.15 (Simetria da normal). A distribuic
ao normal e sim
etrica em torno de sua
media . Em outras palavras, se X N (, 2 ) e F e a acumulada de X, temos que
F ( k) = 1 F ( + k), k R.

= 1 +
www.ufjf.br/joaquim_neto

Resultado 4.16 (Transforma

c
ao linear de normal
e normal). Se uma v.a. X tem distribuic
ao normal, ent
ao Y = aX + b tambem tem distribuic
ao normal, a, b R.
Resultado 4.17. Se X N (; 2 ) ent
ao, aX + b N (a + b; a2 2 ) para todo a, b R.
Prova: Pelo resultado 4.16, aX + b tem distribuic
ao normal. Resta mostrar ent
ao que
E(aX + b) = a + b e V ar(aX + b) = a2 2 . De fato,
E(aX + b) = aE(X) + b = a + b
2
2 2
V ar(aX + b) = a V ar(X) = a .
Resultado 4.18 (Rela

c
ao com a normal padr
ao). Se X N (, 2 ) ent
ao X
N (0, 1).
Prova:
Primeiro, observe que X
= 1 X . Ou seja, podemos escrever X
na forma aX + b,
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
p
agina 93 de 114
A acumulada de uma vari

avel com distribuicao normal nao pode ser expressa na forma
fechada em termos de func
oes elementares (a integral para obter a acumulada nao possui solucao
analtica). Portanto, as probabilidades para distribuicoes normais so podem ser encontradas
por aproximacoes numericas (computacionais) ou usando uma tabela de valores. Nos proximos
exemplos, veremos como obter estas probabilidades de duas maneiras: usando a tabela da normal
padrao e utilizando o Excel.
.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:
Procurando 0, 53 na tabela da normal padr

ao, temos que P (X < 0, 53) = 0, 7019.
Exemplo 4.8 (C
alculo de probabilidade com uma normal qualquer). Seja X N (3; 4).
Calcule P (X < 2, 5).
Solu
c
ao:
Usando a tabela:
Neste caso, n
ao podemos procurar 2, 5 na tabela, pois a distribuica
o em quest
ao n
ao e a normal padr
ao. Porem, podemos usar a transformac
ao X
que,
pelo
resultado
,
tem
distribui
ca
o
N (0; 1). Assim,

X 3
2, 5 3
P (X < 2, 5) = P
<
2
2

X 3
=P
< 0, 25
2

como X3
N (0; 1) ,
2
=
=
basta procurar 0, 25 na tabela da normal padr
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
p
agina 94 de 114
o
et
_n
im
qu
oa
r/j
.b
fjf
w
.u
w
w
Procurando 0, 6700 no interior da tabela da normal padr

ao, temos que P (X < 0, 44) = 0, 67.
Assim, q(0, 67) = 0, 44.
Exemplo 4.10 (C
alculo de quantil com uma normal qualquer). Seja X N (5; 3).
Calcule o quantil 75% de X (terceiro quartil).
Solu
c
ao:
Usando a tabela:
Para usar a tabela, temos que usar a transformaca
o X
que, pelo resultado 4.18, tem
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
Agora, vamos definir uma func

ao que sera utilizada nas proximas distribuicoes de probabilidade.
Defini
c
ao 4.7 (Fun
c
ao gama). A fun
c
ao gama e definida por
Z
() =
x1 exp (x) dx.
Resultado 4.19. A func

ao gama satisfaz `
as propriedades
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
w 0.0 0.5 1.0

w
.u
fjf
.b
r/j
oa
qu
i
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
Figura 8: Densidades e acumuladas de uma Be(, ), para diferentes valores de e .

ancia da beta). Se X Be(, ), ent
ao
E(X) =
4.2.5
e V ar(X) =
.
+
( + )2 ( + + 1)
Gama
Defini
c
avel aleat
oria tem distribuic
ao gama com par
ametros
> 0 e > 0 se tem densidade dada por
(
1 exp (x) , se x > 0

() x
f (x) =
.
0, caso contr
ario
Nota
c
ao: X Ga(, ).
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
Figura 9: Densidades e acumuladas de uma Ga(, ), para diferentes valores de e .

ancia da gama). Se X Ga(, ), ent
ao
E(X) =
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
avel aleat
oria tem distribuic
ao exponencial com par
ametro > 0, se tem densidade dada por

f (x) =
exp (x) , se x > 0

.
0, caso contr
ario
Nota
c
ao: X Exp().
ancia da exponencial). Se X Exp(), ent
ao
E(X) =
1
1
e V ar(X) = 2 .
Exemplo 4.11. Seja X uma vari

avel aleat
oria associada a durac
ao de vida de um componente
eletr
onico, em centenas de horas. Suponha que X tem distribuic
ao exponencial com valor esperado 0,5.
a) Determine a distribuic
ao de X.
b) Calcule a probabilidade de que o componente eletr
onico tenha uma durac
ao de vida superior
a 150 horas, sabendo que j
a funcionou pelo menos durante 100 horas.
Solu
c
ao: a) Temos
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)
O resultado abaixo estabelece uma propriedade importante da exponencial: a falta de memoria.

Resultado 4.24 (Falta de mem
oria da exponencial). Se s > t 0 s
ao n
umeros reais e
X Exp(), ent
ao
P (X > s|X > t) = P (X > s t)
Prova:
P ([X > s] [X > t])
P (X > t)
P ([X > s])
=
P (X > t)
R
exp (x)
s
=
R
exp (x)
P (X > s|X > t) =
= 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
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).

ancia da 2 ). Se X 2n , ent
ao
E(X) = n + e V ar(X) = 2(n + 2).
4.2.8
t de Student
Defini
c
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 .
Figura 11: Densidades e acumuladas de uma tn , para diferentes valores de n.
Joaquim Neto
p
agina 99 de 114

ancia da t de Student). Se X tn , ent
ao
E(X) = 0 para n > 1 e indefinido caso contr
ario.
V ar(X) =
4.2.9
n
n2
para n > 2, V ar(X) = para 1 < n 2 e indefinida caso contr

ario.
F de Snedecor
Defini
c
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)
w 0.0 0.5 1.0

w
.u
fjf
.b
r/j
oa
qu
i
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
Figura 12: Densidades e acumuladas de uma Fn,m , para diferentes valores de n e m.

ancia da F de Snedecor). Se X Fn,m , ent
ao
E(X) =
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
() =
x1 exp (x) dx.
Nota
c
ao: X GI(, ).
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
Figura 13: Densidades e acumuladas de uma GI(, ), para diferentes valores de e .
4.2.11
Relac
oes entre distribuic
oes
Relac
ao entre as distribuic
oes exponencial e gama:
X Exp() se, e somente se, X Ga(1, ).

Assim, podemos dizer que a exponencial e um caso particular da gama.
Relac
ao entre a normal e a 2 :
Sejam X1 , X2 , ..., Xn vari

aveis aleatorias independentes, de modo que Xi N (0, 1) i
n
P
{1, 2, ..., n}. A vari
avel aleat
oria X =
Xi2 .
i=1
Assim, podemos dizer que a soma de normais ao quadrado tem distribuicao 2 .

Relac
oes gama e 2 :
X 2n se, e somente se, X Ga
n 1
2, 2
Assim, podemos dizer que a chi-quadrado e um caso particular da gama.

Relac
ao entre a distribuic
ao t de Student com a normal e a 2 :
Se Y N (0, 1) e Z 2n com Y e Z independentes, entao

Y
X=q
(4.1)
Z
n
tem distribuic
ao t de Student com n graus de liberdade.
Relac
oes 2 e F de Snedecor:
Se Y 2n e Z 2m com Y e Z independentes, entao

X=
Joaquim Neto
Y
n
Z
m
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
oes t e F :
Elevando ao quadrado a equac

ao (4.1), temos
2
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
oes gama e gama invertida:
X Ga(, ) se, e somente se,
Joaquim Neto
1
X
GI(, ).
p
agina 102 de 114
Joaquim Neto
Resolver problemas com distribuio de Bernoulli.
Resolver problemas com distribuio binomial.
Resolver problemas com distribuio geomtrica.
Resolver problemas com distribuio binomial negativa (Pascal).
Resolver problemas com distribuio hipergeomtrica.
Resolver problemas com distribuio de Poisson.
Resolver problemas com distribuio uniforme contnua.
Resolver problemas com distribuio normal.
Resolver problemas com distribuio Beta.
Resolver problemas com distribuio Gama.
Resolver problemas com distribuio Exponencial.
Resolver problemas com distribuio Chi-quadrado.
Resolver problemas com distribuio t de Student.
Resolver problemas com distribuio F de Snedecor.
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
4.10
4.11
4.12
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
Tabela 4.1: Descritores dos exerccios de famlias de distribuicoes (matriz de referencia).
Resolver problemas com distribuio uniforme discreta.
Descrio
4.1
Descritor
4.3
p
agina 103 de 114
4.3.2
Enunciados

avel aleat
oria associada ao n
umero de sucessos em
uma sucess
ao de 20 experimentos aleat
orios independentes que s
o podem resultar em sucesso ou
fracasso, sendo a probabilidade de sucesso igual a 0,9 em cada um destes experimentos. O custo
de uma experiencia que resulte em sucesso e de 5 reais e em fracasso de 10 reais. A experiencia
e repetida 20 vezes de forma independente.
a) Identifique a distribuic
ao de X.
b) Calcule P (X > 15).
c) Calcule a probabilidade de haver mais sucessos do que fracassos.
d) Seja C o custo total das 20 experiencias.
i) Mostre que C pode ser expresso como C = 200 5X.
ii) Calcule E (C).
iii) Calcule P (C < 125).
Exerccio 4.2. (D4.3) Em uma experiencia laboratorial injetaram uma determinada droga que
inibe a sntese de protenas em n cobaias. A probabilidade de uma cobaia morrer devido `
a droga
durante a experiencia e 0,2. Seja X a vari
avel aleat
oria associada ao n
umero de cobaias que
morreram durante a experiencia.
a) Identifique a distribuic
ao de X.
b) Supondo n = 15, qual e a probabilidade de:
i) Exatamente duas delas morrerem?
ii) Pelo menos oito delas sobreviverem?
c) Determine o n
umero mnimo de cobaias utilizadas para que a probabilidade de pelo menos
uma morrer seja superior a 0,95.
Exerccio 4.3. (D4.3) Um instrumento de medic
ao de umidade e constitudo por 3 componentes de funcionamento independente. Todos os componentes tem a mesma probabilidade de
desregular, igual a 0,1.
a) Seja X a vari
avel aleat
oria associada ao n
umero de componentes desregulados neste instrumento, identifique sua distribuic
ao.
b) Determine a probabilidade de dois ou mais componentes desregularem.
c) Se nenhum dos componentes est
a desregulado, o instrumento funciona sempre, se um u
nico
componente est
a desregulado, o instrumento tem probabilidade 0,6 de funcionar e se dois
ou mais componentes est
ao desregulados, n
ao funciona.
i) Qual e a probabilidade do instrumento funcionar.
ii) Qual e a probabilidade de um componente estar desregulado, sendo que o instrumento
est
a funcionando.
avel aleat
oria. Suponha que X Bin (8; 0, 7), calcule
P (X 5).
Joaquim Neto
p
agina 104 de 114
Exerccio 4.5. (D4.3) Quinze pessoas portadoras de determinada doenca s

ao selecionadas para
se submeter a um tratamento. Sabe-se que este tratamento e eficaz na cura da doenca em 80%
dos casos. Suponha que os indivduos submetidos ao tratamento curaram-se (ou n
ao) independentemente uns dos outros e considere X o n
umero de curados dentre os 15 pacientes submetidos
ao tratamento.
a) Qual e a distribuic
ao de X?
b) Qual e a probabilidade de que os 15 pacientes sejam curados?
c) Qual e a probabilidade de que pelo menos dois n
ao sejam curados?
Exerccio 4.6. (D4.3) Um estudante preenche por adivinhac
ao um exame de m
ultipla escolha
com 5 respostas possveis (das quais s
o uma e correta) para cada uma das 10 quest
oes.
ao do n
umero de respostas certas?
b) Qual e a probabilidade de que o estudante obtenha 9 ou mais respostas certas?
c) Qual e a probabilidade de que acerte pelo menos duas quest
oes?
Exerccio 4.7. (D4.3) Sabe-se que 0, 6% dos parafusos produzidos em uma f
abrica s
ao defeituosos. Estime a probabilidade de que, em um pacote com 1000 parafusos:
a) haja exatamente 4 parafusos defeituosos;
b) n
ao haja mais do que 4 parafusos defeituosos;
c) haja pelo menos 3 parafusos defeituosos.
Exerccio 4.8. (D4.3) Em uma ind
ustria, fabricam-se dispositivos eletricos, que s
ao vendidos
em caixas com 400 unidades. Suponha que cada dispositivo funciona adequadamente com probabilidade 0,98. A companhia deseja garantir aos revendedores que mais de k dispositivos por
caixa funcionam. Qual o maior valor de k tal que pelo menos 93% das caixas satisfacam essa
garantia?
Exerccio 4.9. (D4.3) Suponha que a probabilidade de uma peca, produzida por determinada
m
aquina, ser defeituosa e 0,2. Se 10 pecas produzidas por essa m
aquina forem escolhidas ao
acaso, qual e a probabilidade de que n
ao mais de uma defeituosa seja encontrada?
Exerccio 4.10. (D4.4) Em uma pizzaria com entrega em domiclio, 30% dos pedidos por telefone s
ao de mais de uma pizza. Certo dia, o dono decide mandar um brinde ao cliente que fizer
o primeiro pedido com mais de uma pizza. Seja X uma vari
avel aleat
oria associada ao n
umero
de pedidos recebidos ate o ganhador do brinde.
ao de X?
b) Determine o menor n
umero de pedidos necess
ario para garantir que o brinde saia com probabilidade maior que 0,9.
Exerccio 4.11. (D4.5) Um vendedor de porta em porta consegue realizar a venda em 40%
das visitas que faz. Ele planeja efetuar no mnimo duas vendas por dia. Seja X uma vari
avel
aleat
oria associada ao n
umero de visitas feitas sem sucesso (nas quais ele n
ao consegue realizar
a venda) ate que a segunda venda seja efetuada. Qual e a distribuic
ao de X?
Exerccio 4.12. (D4.6) Um aluno estuda 12 exerccios, dos quais o professor vai escolher 6
aleatoriamente para uma prova. O estudante sabe resolver 9 dos 12 problemas. Seja X uma
vari
avel aleat
oria associada ao n
umero de exerccios resolvidos por ele na prova.
Joaquim Neto
p
agina 105 de 114
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.
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.
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
p
agina 106 de 114
b) Calcule esta probabilidade dado que h

a pelo menos um erro nesta p
agina.
avel aleat
oria associada ao n
umero de partculas emitidas, por uma fonte radiotiva
em
cada
per
odo
de
10
segundos.
Suponha
que X tem

2
distribuic
ao de Poisson com E X = 6. Observada a emiss
ao durante 7 perodos consecutivos
de 10 segundos, qual e a probabilidade de, em pelo menos um desses perodos, serem emitidas 4
ou mais partculas?
avel aleat
oria associada ao n
umero de acidentes
de trabalho que ocorrem em uma f
abrica por semana, com distribuic
ao de Poisson. Sabendo que
a porcentagem de semanas em que ocorre um acidente e um terco da porcentagem de semanas
em que n
ao acontece nenhum.
a) Determine o par
ametro da distribuic
ao de X.
b) A partir de uma determinada data, a direc
ao da f
abrica vai registrar o n
umero Y de semanas
decorridas antes de observar uma semana com ao menos um acidente.
i) Qual e a distribuic
ao de Y ?
ii) Obtenha a probabilidade de que a semana com acidente seja a quarta na contagem.
avel aleat
oria. Suponha que X U (2; 8).
a) Determine a densidade de X.
b) Calcule P (0 < X < 7).
c) Determine a acumulada de X.
Exerccio 4.23. (D4.8) Se Y tem distribuic
ao uniforme em (0, 5), qual e a probabilidade de
2
que as razes da equac
ao 4x + 4xY + Y + 2 = 0 sejam ambas reais?
Exerccio 4.24. (D4.9) Uma empresa agro-qumica fabrica mensalmente 90 toneladas de um
dado produto. Seja X uma vari
avel aleat
a procura mensal (em toneladas) deste
oria associada `
produto. Suponha que X N 80; 102 , calcule:
a) Calcule a probabilidade de a procura mensal do produto ficar entre 68 e 90 toneladas.
b) Calcule a probabilidade de a procura em um mes ser excessiva.
c) Calcule a produc
ao necess
aria para a probabilidade de haver uma procura maior que a quantidade produzida ser 2,5%.
Exerccio 4.25. (D4.9) Uma f
abrica produz motores cujo tempo de vida e uma vari
avel aleat
oria
com distribuica
o normal com media de 10 anos e desvio padr
ao de 2 anos. A f
abrica quer criar
um perodo de garantia para os motores de forma que n
ao mais de 3% tenham de ser substitudos.
Qual dever
a ser o perodo de garantia m
aximo oferecido pela f
abrica?
Exerccio 4.26. (D4.9) Considere uma vari
avel aleat
oria contnua X cuja densidade e simetrica
em relac
ao a um valor esperado 10 e com um desvio padr
ao 5. Sendo uma outra vari
avel aleat
oria
Y definida por Y = X com , > 0, determine:
a) e de modo que o valor esperado de Y seja nulo e a vari
ancia seja unit
aria.
b) Supondo que X tem distribuic
ao normal, determine a distribuic
ao de Y .
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.
avel aleat
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?
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?
avel aleat
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?
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
p
agina 108 de 114
a) Em uma semana escolhida ao acaso, qual e a probabilidade de a produc

ao de bananas ser
inferior a 3 ton? E superior a 7 ton?
b) A plantaca
o tem despesas fixas semanais no valor de 2000 reais. O produtor vende as bananas
por 500 R$/ton. Qual e a probabilidade de, em uma dada semana, o valor da venda ser
inferior `
as despesas fixas?
c) Calcule a probabilidade de, em 8 semanas escolhidas ao acaso, haver no m
aximo uma em que
a produc
ao foi inferior a 3 ton.
avel aleat
oria associada ao conte
udo (em ml)
2
nos frascos de certo xarope. Suponha X N 200; 2 .
a) Qual e a probabilidade de um frasco escolhido ao acaso ter menos de 195 ml de xarope?
b) Em um lote de 30 frascos, qual e a probabilidade, aproximada, de haver no m
aximo 5 com
menos de 195 ml?
oria associada ao comprimento de
avel aleat
2
uma barra de ferro, de modo que X N 10; 2 . Suponha que a barra e considerada perfeita
se 8 X 12 e defeituosa caso contr
ario.
a) Qual e a probabilidade de uma barra ser perfeita?
b) Em 10 barras escolhidas ao acaso e com reposica
o na fabricac
ao di
aria, qual e a probabilidade
de que pelo menos 2 sejam defeituosas?
c) Qual e o desvio padr
ao do n
umero de barras defeituosas nesta amostra?
Exerccio 4.37. (D4.9 e D4.3) O tempo de vida de um laser tem distribuic
ao normal com media
igual a 7000 horas e desvio padr
ao igual a 600 horas.
a) Qual e a probabilidade de um desses lasers falhar ate 5300 horas?
b) Qual e a durac
ao que e excedida por 90% desses lasers?
c) Um produto inclui tres lasers e falha se algum deles falhar. Se os tempos de vida dos tres
lasers forem independentes, qual e a probabilidade de esse produto durar mais do que 7000
horas?
avel aleat
oria associada ao n
umero de defeitos
por mes no comboio de uma certa linha ferrea que provocam a interrupc
ao da circulac
ao. O
n
umero de defeitos em um dado mes e independente dos outros meses. Por outro lado, considere
Y uma vari
avel aleat
oria associada ao tempo necess
ario, em horas, para restabelecer a circulac
ao
ferrovi
aria ap
os a parada e tambem aqui, os tempos de reparaca
o s
ao independentes. Suponha
que X P oisson (3, 5) e Y N (2, 5; 0, 75).
a) Qual e o n
umero esperado de defeitos em um dado mes?
b) Qual e a probabilidade de a interrupc
ao da circulac
ao ap
os um defeito exceder 4,5 horas?
avel aleat
oria associada a durac
ao de vida de um
componente eletr
onico, em centenas de horas. Suponha que X tem distribuic
ao exponencial com
valor esperado 0,5.
a) Determine a acumulada de X.
Joaquim Neto
p
agina 109 de 114
b) Calcule a probabilidade de que o componente eletr

onico tenha uma durac
ao de vida superior
a 150 horas, sabendo que j
a funcionou pelo menos durante 100 horas.
c) A distribuic
ao do dobro da durac
ao de um componente e ainda uma exponencial? Justifique.
d) De um lote contendo 2/3 dos componentes acima especificados e 1/3 de um outro tipo (mais
caro) de componentes eletr
onicos com durac
ao Exp(1) (em centenas de horas), extraiuse ao acaso um componente. Calcule o valor esperado e o desvio padr
ao da durac
ao do
componente selecionado.
Exerccio 4.40. (D4.12 e D4.3) Uma f
abrica utiliza dois metodos para a produc
ao de l
ampadas:
70% delas s
ao produzidas pelo metodo A e o resto pelo metodo B. Seja X e Y duas vari
aveis
aleat
orias associadas `
a dura
c
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
p
agina 110 de 114
4.3.3
Respostas
4.1) a) X Bin (20; 0, 9);

b) P (X > 15) = 0, 9568;
c) P (X > 10) = 0, 9999928;
d) i) -; ii) 110; iii) P (C < 125) = 0, 9568.
4.2) a) X Bin (n; 0, 2);
b) i) 0,2309; ii) 0,9958;
c) O n
umero mnimo de cobaias utilizadas na experiencia devera ser 14.
4.3) a) X Bin (3; 0, 1);
b) P (X 2) = 0, 028;
c) i) 0,8748 ii) 0,1667
4.4) 0,806.
4.5) a) X Bin (15; 0, 8);
b) P (X = 15) = 0, 0352;
c) P (X 13) = 0, 8329.
4.6) a) X Bin (10; 0, 2);
b) P (X 9) = 4, 2 106 ;
c) P (X 2) = 0, 6242.
4.7) a) P (X = 4) = 0, 1339;
b) P (X 4) = 0, 2843;
c) P (X 3) = 0, 9386.
4.8) k = 387
4.9) P (X 1) = 0, 3758096.
4.10) a) X Geom (0, 3);
b) 7 pedidos.
4.11) a) X BN (2; 0, 4);
4.12) a) X HG (9; 3; 6);
b) P (X 5) = 0,5

4
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
b) i) X Geom 1 e 3 ; ii) P (X = 3) = 0, 1042823.
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
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 collège, 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
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

Probabilidade e Estatista

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Probabilidade e Estatista

Caricato da

Copyright:

Formati disponibili

Calculo de

Nosso mundo, nossa vida, nosso destino, sao

Exemplo 1.2. Consideremos 3 cidades: X, Y e Z. Suponhamos 4 rodovias que ligam X `

Sejam A = {a1 , a2 , a3 , a4 } o conjunto das rodovias que ligam X `

Princpio fundamental da contagem

Resultado 1.2 (Primeira parte do princpio fundamental da contagem). Consideremos

Logo, aplicando a primeira parte do princpio fundamental da contagem, o n

Resultado 1.3 (Segunda parte do princpio fundamental da contagem). Sejam A =

Exemplo 1.5. Em um campeonato de futebol participam 20 times. Quantos resultados s

Logo, aplicando a segunda parte do princpio fundamental da contagem, o n

Arranjo sem repetio

Obs: Para formar um arranjo, n

Exemplo 1.7. As placas dos autom

Exemplo 1.8. Uma linha ferrovi

Exemplo 1.9. Os caracteres em c

Obs: Para formar uma permutac

Exemplo 1.10. Quantos anagramas possui a palavra Joaquim?

Pnn1 ,n2 ,...,nr =

Exemplo 1.11. Um bairro e formado por 12 quarteir

Obs: Uma outra notac

Exemplo 1.12. Dentre 10 homens e 8 mulheres, quantas comiss

valores de n e p, conforme indica a figura abaixo.

A seguir, veremos alguns resultados relacionados `a combinacoes e, consequentemente, ao

Resultado 1.8. Para todo n N, temos que

Resultado 1.9. Para todo n N, temos que

Resultado 1.10 (Rela

Obs: Podemos usar este resultado para fazer o c

A figura abaixo ilustra passo-a-passo como a relac

Resultado 1.11. Se n, p N e p n, ent

Obs: Este resultado afirma que os elementos de uma linha do tri

Prova: Seja A um conjunto com n elementos. Como

Respostas dos exerccios

Exemplo 2.2. Considere um experimento que consiste em selecionar ao acaso a altura de um

Quando se realiza um experimento, h

Todo evento associado `

Nmero de sucessos / nmero de realizaes

Obs: A grande dificuldade da definic

Mais adiante vamos formalizar o conceito de independencia.

quadrados EFGH e ABCD,

ucesso, enquanto que ABCD

FGH representa o conjunto de

vo de contagem N para iniciar

a figura que foi proposta nesta

quando o resultado do Para

po fracasso. Estes resultados

eridos para 2.3.4

Teoria dos conjuntos: revis

Exemplo 2.7. Se A = {3, 5, 7}, ent

Axiomas de probabilidade e espaco de probabilidade

Geralmente usamos A = P(). Para saber mais sobre condico

Resultado 2.2. Se A1 , A2 , ..., An A s

Prova: Fazendo Ai = i {n + 1, n + 2, ...}, temos que

P () = (pelo resultado anterior) =

Probabilidade do evento complementar

Probabilidade de eventos aninhados

Prova: Pelo axioma 1, temos que P (B Ac ) 0. Assim,

Resultado 2.7. Supondo que A1 , A2 , A3 , ... s

Prova: Consideremos a seguinte sequencia de eventos

Resultado 2.8. Supondo que A1 , A2 , ..., An s

Resultado 2.9. Se A e B forem eventos quaisquer, ent

P (A B) = P (A) + P (B) P (A B).

Resultado 2.10. Se A, B e C forem eventos quaisquer, ent

Resultado 2.11. Supondo uma sequencia A1 , A2 , ..., An de eventos aleat