Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Reitora
MARGARETH DE FTIMA FORMIGA MELO DINIZ
Vice-Reitor
EDUARDO RAMALHO RABENHORST
EDITORA DA UFPB
Diretora
IZABEL FRANA DE LIMA
Vice-Diretor
JOS LUIZ DA SILVA
Superviso de Editorao
ALMIR CORREIA DE VASCONCELLOS JNIOR
Superviso de Produo
JOS AUGUSTO DOS SANTOS FILHO
CONSELHO EDITORIAL
Prof Dr. Lucdio Cabral ..................................(UFPB)
Prof Dr. Danielle Rousy..................................(UFPB)
Prof. Ms. Eduardo de Santana Medeiros..........(UFPB)
Andrea Vanessa Rocha
Probabilidade e Estatstica
Editora da UFPB
Joo Pessoa
2014
Capa - Projeto grfico: Renato Arrais e Eduardo Santana
Editorao eletrnica: Eduardo de Santana Medeiros Alexandre
Catalogao na publicao
Universidade Federal da Paraba
Biblioteca Setorial do CCEN
154. : il.
ISBN: XXX-XX-XXX-XXXX-X (PENDENTE)
EDITORA DA UFPB
Caixa Postal 5081 Cidade Universitria
Joo Pessoa Paraba Brasil
CEP: 58.051 970
http://www.editora.ufpb.br
Impresso no Brasil
Printed in Brazil
Probabilidade e Estatstica
Probabilidade e Estatstica
i
Probabilidade e Estatstica
Sumrio
1 Estatstica Descritiva 1
1.1 Conceitos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Definies importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Tabelas Estatsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Srie Cronolgica ou Temporal . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Srie Geogrfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Srie Especfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Distribuio de Frequncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Construo de uma distribuio de frequncia . . . . . . . . . . . . . . . . . 4
1.4 Grficos Estatsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Polgono de Frequncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Grfico de Linhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.4 Grfico de Colunas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.5 Grfico em Barras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.6 Grfico de Setores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Medidas de Posio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.1 Mdia Aritmtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.2 Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.3 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6 Medidas de Disperso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6.1 Amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.2 Desvio Mdio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.4 Desvio Padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.5 Coeficiente de Variao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.7 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
ii
Probabilidade e Estatstica
3 Definies Bsicas 33
3.1 Fundamentos de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Noes de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Espaos Amostrais Finitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Resultados Equiprovveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.5.1 Teorema da Multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5.2 Teorema da Probabilidade Total . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5.3 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6 Eventos Independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.7 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
iii
Probabilidade e Estatstica
iv
Probabilidade e Estatstica
v
Probabilidade e Estatstica
vi
Probabilidade e Estatstica
Prefcio
Este livro foi desenvolvido para a introduo do tema Probabilidade e Estatstica, no tendo a ambio
de englobar toda esta vasta rea do conhecimento humano. Probabilidade e Estatstica so as reas
do conhecimento humano que lidam com a incerteza. Ambas lidam com experimentos em que existe
alguma varivel (ou variveis) que no temos controle, e portanto, mesmo mantendo as mesmas
condies, um experimento pode fornecer vrios resultados diferentes.
Probabilidade e Estatstica podem ser vistas como cincias inversas. Quando se estuda probabilidade,
conhecemos o modelo em estudo completamente, e estamos interessados em saber como os resul-
tados do experimento se comportam (por exemplo, saber qual a probabilidade de sair um resultado
especfico). J na estatstica, temos um conjunto de dados, mas no sabemos qual o modelo proba-
bilstico que gerou estes dados, e portanto, tenta-se descobrir, a partir destes dados, qual o modelo
probabilstico que gerou estes dados.
Fenmenos aleatrios esto cada vez mais presentes em nossas vidas, e cada vez mais estamos inte-
ressados em tentar entender estes fenmenos. Grficos estatsticos esto cada vez mais presentes em
notcias, e importante saber interpretar esses grficos corretamente. Quando vemos os resultados de
uma pesquisa eleitoral, bom sabermos interpretar o seu significado, etc.. Vale a pena citar tambm
que ferramentas estatsticas so utilizadas pelos bancos, para definir o rendimento em fundos de in-
vestimento ou poupana, tambm so utilizadas pelas seguradoras para definir qual o valor do seguro
que voc tem que pagar (na prtica eles calculam o seu risco), etc..
Para um aluno, probabilidade e estatstica podem ser teis da seguinte forma: i) so teis para realizar
pesquisa cientfica; ii) so teis caso o aluno queira trabalhar em banco, seguradora, montadoras,
instituies financeiras em geral, controle de qualidade da produo de algum item, etc..; iii) so teis
no dia-a-dia.
Finalizamos essa primeira parte do prefcio mostrando um exemplo de como a probabilidade pode
mostrar como a nossa intuio nos engana. Suponha que temos uma sala com 50 pessoas. Qual
a probabilidade de que pelo menos duas delas faam aniversrio no mesmo dia do ano? Quando
falamos dia do ano, estamos falando dia e ms, no apenas dia. Temos 365 dias (vamos desconsiderar
o ano bissexto) e 50 pessoas. A intuio nos diz que essa probabilidade no deve ser muito grande.
Entretanto, esta probabilidade de 97%!
Pblico alvo
1 Embora ele tenha sido feito para atender aos alunos da Universidade Federal da Paraba, o seu uso no se restringe
a esta universidade, podendo ser adotado por outras universidades do sistema UAB.
vii
Probabilidade e Estatstica
Tire dvidas e discuta sobre as atividades do livro com outros integrantes do curso
Leia materiais complementares eventualmente disponibilizados
Realize as atividades propostas pelo professor da disciplina
Caixas de dilogo
Nesta seo apresentamos as caixas de dilogo que podero ser utilizadas durante o texto. Confira os
significados delas.
Nota
Esta caixa utilizada para realizar alguma reflexo.
Dica
Esta caixa utilizada quando desejamos remeter a materiais complementares.
Importante
Esta caixa utilizada para chamar ateno sobre algo importante.
Cuidado
Esta caixa utilizada para alertar sobre algo que exige cautela.
Ateno
Esta caixa utilizada para alertar sobre algo potencialmente perigoso.
Os significados das caixas so apenas uma referncia, podendo ser adaptados conforme as intenes
dos autores.
viii
Probabilidade e Estatstica
Voc pode contribuir com a atualizao e correo deste livro. A tabela a seguir resume os mtodos
de contribuies disponveis:
Mtodo de
contribui- Habilidades necessrias Descrio
o
Importante
Quando for enviar sua contribuio lembre-se de informar qual a verso e pgina do livro que
est se referindo.
ix
Probabilidade e Estatstica
Atividades
No final de cada captulo h uma seo Atividades com exerccios para serem resolvidos.
O significado dos cones relativos aos exerccios so:
Resposta disponvel
a reposta do exerccio se encontra disponvel no Captulo 9 [128].
Nota
Voc pode contribuir enviando respostas ou solues dos exerccios.
Ns estamos constantemente atualizando o nosso material didtico. Todas as verses deste livro
encontram-se disponveis para download.
Dica
Acesse https://github.com/edusantana/estatistica-livro/releases para baixar a verso mais
nova deste livro.
x
Probabilidade e Estatstica
Captulo 1
Estatstica Descritiva
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
A Estatstica a cincia voltada para a construo de tcnicas e mtodos que permitem tomar decises
nos mais deferentes setores do conhecimento. O que hoje se conhece por Estatstica, justamente
esse conjunto de ferramentas de pesquisa que envolve, entre outros, o planejamento do experimento
a ser realizado, a coleta qualificada dos dados, os processos de inferncia estatstica, bem como a
anlise e o processamento das informaes coletadas.
Populao: Qualquer conjunto de informao que tenha entre si uma caracterstica comum que
delimite os elementos pertencentes a ela.
Varivel: Dados referntes a uma caracterstica de interesse, coletados a partir de uma amostra.
1 / 140
Probabilidade e Estatstica
Amostra
Populao
Varivel
Discreta :
nmero de filhos.
Quantitativa
Continua : altura, peso, salrio.
2 / 140
Probabilidade e Estatstica
Na estatstica fundamental aprendermos a representar os dados que sero analisados por meio de
tabelas.
Uma tabela deve apresentar a seguinte estrutura:
Cabealho;
Corpo;
Rodap.
Alm disso, a tabela um quadro que resume um conjunto de dados dispostos segundo linhas e
colunas de maneira sistemtica.
Um exemplo muito comum e muito til de tabela dado pelas sries temporais. Uma srie temporal
consiste em uma sequncia numrica cujos valores variam com o tempo.
Abaixo vemos como inserir os dados de uma srie temporal em uma tabela:
Vendas da Companhia Alfa: 2007-2009
Anos Vendas em R$ 1.000,00
2007 11.425
2008 18.258
2009 15.798
Fonte: Departamento de Marketing.
Muitas vezes o dado de interesse pode depender a posio geogrfica de onde foram coletados. As-
sim, uma srie geogrfica consiste em uma sequncia numrica obtidas em diferentes regies em um
determinado instante do tempo.
Empresas Fiscalizadas em 2008
Regies Nmero de Empresas
Norte 11.425
Nordeste 18.258
Sudeste 28.157
Sul 15.798
Centro-Oeste 9.236
Fonte: Mensrio Estatstico.
3 / 140
Probabilidade e Estatstica
Uma srie importante formada por dados agrupados por alguma espcie ou caracterstica comum.
Assim, uma srie especfica uma srie numrica agrupada por tipo. Temos o exemplo abaixo:
Matrculas na Ps-graduao da UFPB - 2008
Uma distribuio de frequncia uma tabela que contm um resumo dos dados obtido em uma amos-
tra.
A distribuio organizada em formato de tabela, e cada entrada da tabela contm a frequncia dos
dados em um determinado intervalo, ou em um grupo.
Abaixo vemos um exemplo simplificado de tabela de distribuio de frequncia:
Altura dos Alunos da UFPB - 2008
Alturas em metros Nmero dos Alunos
1,50 | 1,60 5
1,60 | 1,70 15
1,70 | 1,80 17
1,80 | 1,90 3
Fonte: Servio de Sade.
Na prxima subseo aprenderemos a construir uma distribuio de frequncia completa.
Para ilustrar como se constri uma distribuio de frequncia, ns vamos considerar um exemplo
especfico.
Assim, suponha que uma pesquisa foi feita, e o seguinte conjunto de dados foi obtido:
Dados Brutos:
24-23-22-28-35-21-23-33-34-24-21-25-36-26-22-30-32-25-26-33-34-21-31-25-31-26-25-35-33-31.
A primeira coisa que fazemos ordenar os dados do menor para o maior, formando o rol de dados:
Rol de dados:
21-21-21-22-22-23-23-24-25-25-25-25-26-26-26-28-30-31-31-31-32-33-33-33-34-34-34-35-35-36.
Em seguida, calculamos a amplitude total, ou seja, o maior valor obtido na amostra subtrado do
menor valor obtido na amostra:
4 / 140
Probabilidade e Estatstica
Amplitude Total R:
R = 36 21 = 15.
Vamos agora definir as variveis de interesse, ou seja, para cada valor distinto obtido na amostra,
atribuiremos uma varivel diferente:
Varivel Xi :
Frequncia Absoluta Fi
Tamanho Amostral n:
n = 30.
Queremos, agora, dividir a amostra em uma quantidade de grupos que formaro os intervalos. Cada
grupo chamado de classe, assim, queremos definir o nmero de classes a ser considerado na tabela
de distribuio de frequncia:
Nmero de Classes K:
K = 5 para n 25 e K n, para n > 25.
Frmula de Sturges K 1 + 3, 22 log n.
Logo, pela primeira regra temos K = 30 5, 48 6, e pela segunda regra K 1 + 3, 22 log 30
5, 75 6. Desta forma, em ambos os casos temos K = 6, que ser o valor considerado.
O prximo passo saber o comprimento de cada intervalo a ser considerado, ou seja, calcular a
amplitude de cada classe. Queremos que todas as classes tenham a mesma amplitude e portanto,
temos:
R
h= .
K
15
Da, para o nosso caso, h = 6 = 2, 5 3.
Vamos agora definir os limites das classes. Ou seja, definir os intervalos propriamente ditos. Para
tanto, comeamos com o menor valor obtido da amostra, ou equivalentemente, o primeiro valor do
rol de dados, e vamos somando a amplitude para definir cada limite de intervalo:
5 / 140
Probabilidade e Estatstica
21| 24
24| 27
27| 30
30| 33
33| 36
36| 39
Em seguida, calculamos os pontos mdios das classes, que nada mais que a mdia aritmtica entre
os limites das classes:
21 + 24 24 + 27
pm1 = = 22, 5, pm2 = = 25, 5, , etc.
2 2
Agora, calculamos as frequncias dos dados em cada intervalo e, chamada de frequncia absoluta, e
tambm a frequncia acumulada, chamada de frequncia absoluta acumulada, que considera a soma
das frequncias dos intervalos anteriores at o intervalo considerado:
Em seguida, inclui-se as frequncias relativas dos dados, ou seja, para cada intervalo calcula-se fi =
Fi /n. A frequncia relativa, nos informa a proporo dos dados que pertencem a um determinado
intervalo.
Frequncia Relativa fi :
Para finalizar, calculamos a frequncia acumulada relativa, ou seja, calculamos para cada intervalo
fac = Fac /n:
6 / 140
Probabilidade e Estatstica
1.4.1 Histograma
0 5 10 15 20 25 30 35
Classes
O polgono de frequncia uma representao grfica obtida aps ligar os pontos mdios de cada
classe entre si. Se j tivermos um histograma, basta ligar os pontos mdios das bases superiores dos
retngulos.
7 / 140
Probabilidade e Estatstica
8
6
Fi
4
2
0
5 10 15 20
Classes
6 8 10 12 14 16 18
Classes
Suponha que temos duas variveis, por exemplo, podemos ter os dados de uma srie temporal, donde
uma varivel seria o valor obtido, e a outra varivel seria a data em que o valor foi obtido. Outra
8 / 140
Probabilidade e Estatstica
possibilidade seria colocar dados de uma srie geogrfica, onde uma varivel seria formada pelos
dados e a outra seria a localizao geogrfica.
O grfico de linhas ento formado construindo pontos no plano (a partir das duas variveis) e, em
seguida, estes pontos so ligados por segmentos de retas.
Abaixo vemos um exemplo de grfico de linhas de uma srie temporal
100
60
Rendimento
0 20
40
Um grfico de colunas formado por uma coleo de colunas, com bases de mesmo comprimento, e
igualmente espaados. O eixo horizontal do grfico consiste das diferentes categorias consideradas, e
o eixo vertical proporcional ao valor do dado.
Abaixo vemos um exemplo de grfico de colunas:
9 / 140
Probabilidade e Estatstica
14
8 10
6
4
2
0
3 4 5
Categorias
O grfico em barras pode ser entendido como uma variao do grfico de colunas. De fato, o grfico
em barras formado por uma coleo de barras, de mesma altura e igualmente espaadas. Entre-
tanto, neste caso o eixo vertical representa as diferentes categorias consideradas e o eixo horizontal
proporcional ao valor dado.
Abaixo vemos um exemplo de grfico em barras:
0 2 4 6 8 10 12 14
10 / 140
Probabilidade e Estatstica
O grfico de setores, que tambm popularmente conhecido como grfico pizza, um grfico em
que um crculo dividido em setores (que podem ser pensados como as fatias da pizza), onde cada
setor representa uma categoria considerada pelo conjunto de dados, e os ngulos dos setores so
proporcionais aos valores dos dados em cada categoria. Assim, quanto maior o valor obtido, maior
ser o ngulo do setor (e assim, maior ser a fatia da pizza).
Abaixo vemos um exemplo de grfico de setores:
Sudeste
CentroOeste
Sul
Nordeste
Norte
As medidas de posio so valores que representam a tendncia de concentrao dos dados observa-
dos.
As mais importantes so as medidas de tendncia central. As trs medidas de tendncia central mais
utilizadas so: mdia aritmtica, moda e mediana.
um valor que representa uma caracterstica do conjunto de dados. Essa caracterstica tal que a
soma dos dados preservada. A mdia obtida a partir de todos os elementos da distribuio e do
tamanho da amostra n.
Notao: representamos a mdia de um conjunto de dados por X (l-se x barra).
Clculo da Mdia Aritmtica +
11 / 140
Probabilidade e Estatstica
No caso de uma lista de dados no-agrupados, calculamos a mdia aritmtica pela frmula:
n
Xi
X= .
i=1 n
No caso em que temos os dados agrupados, ou seja, sabemos a frequncia de cada observao, o
clculo da mdia aritmtica pode ser simplificado. Assim, a mdia aritmtica pode ser clculada pela
frmula:
n
Xi Fi
X= .
i=1 n
No caso em que temos os dados agrupados em intervalos, utilizamos a mdia aritmtica ponderada,
onde os pesos so dados pelo ponto mdio do intervalo. Assim, a mdia aritmtica calculada pela
frmula:
n
Xi pmi
X= ,
i=1 n
12 / 140
Probabilidade e Estatstica
1.5.2 Moda
Definimos a moda de um conjunto de dados como o valor mais frequente deste conjunto.
Notao: representamos a moda de um conjunto de dados por Mo.
2, 2, 3, 7 e 8 - Mo = 2 (Unimodal).
1, 1, 10, 5, 5, 8, 7, 2 - Mo = 1 e 5 (Bimodal).
Dados agrupados - Neste caso, a moda definida como classe modal, isto , a classe com a
maior frequencia.
h a amplitude intervalar,
13 / 140
Probabilidade e Estatstica
1.5.3 Mediana
Definimos a mediana de um conjunto de dados como o valor que divide um conjunto de dados (orde-
nados) em duas partes com a mesma quantidade de dados.
Notao: representamos a mediana de um conjunto de dados por Md.
O elemento mediano (EMd ) aponta o local (nos dados) onde a mediana est localizada. A mediana
ser o valor assumido na posio EMd .
No caso de dados brutos, se o tamanho amostral (n) mpar, temos que EMd = (n + 1)/2.
Note que no caso tamanho amostral par, teremos dois valores possveis para o elemento medi-
ano: n/2 e n/2 + 1. Neste caso a mediana ser a mdia dos valores assumidos nestas posies.
Dados agrupados
Caso 1: n mpar.
14 / 140
Probabilidade e Estatstica
Exemplo 1.8 Exemplo de clculo de mediana com dados agrupados para n mpar
Considere a seguinte tabela:\vfill
Faltas (Xi ) Fi Fac
2 1 1
3 7 8
4 3 11
Total 11 -
Como n = 11, temos que EMd = (11 + 1)/2 = 6. Da Md = 3. Note que a frequncia acumulada
indica que nas posies de 2 at 8 temos o valor 3.
Caso 2: n par.
Exemplo 1.9 Exemplo de clculo de mediana com dados agrupados para n par
Considere a seguinte tabela:
Neste caso n = 18, da temos EMd,1 = 18/2 = 9 e EMd,2 = 18/2 + 1 = 10. Portanto Md = (8 + 8)/2 =
8. Note, novamente, que a frequncia acumulada indica que nas posies de 9 at 18 temos o valor 8.
onde,
h a amplitude do intervalo,
15 / 140
Probabilidade e Estatstica
Amplitude,
Desvio Mdio,
Varincia,
Desvio Padro,
Coeficiente de Variao.
16 / 140
Probabilidade e Estatstica
1.6.1 Amplitude
A amplitude nos fornece uma idia do campo de variao dos elementos. Mais precisamente, ela
fornece a maior variao possvel dos dados.
A amplitude dada pela frmula
A = Xmax Xmin .
Nota
A amplitude no mede bem a disperso dos dados porque, usam-se apenas os valores
extremos, ao invs de utilizar todos os elementos da distribuio.
Desejando-se medir a disperso dos dados em relao a mdia, parece interessante a anlise dos
desvios em torno da mdia. Isto , anlise dos desvios:
di = (Xi X).
Logo, ser preciso encontrar uma maneira de se trabalhar com os desvios sem que a soma d zero.
Dessa forma, define-se o desvio mdio.
Nota
Veja que os desvios foram considerados em mdulo, evitando-se assim que a soma fosse
nula.
Dados agrupados:
17 / 140
Probabilidade e Estatstica
n n
|di | Fi |Xi X| Fi
DM = = .
i=1 n i=1 n
Nota
Xi representa um valor individual, no caso de uma distribuio de frequncia simples, ou o
ponto mdio da classe ( pmi ), no caso de uma distribuio de frequncia em classes.
Importante
O desvio mdio mais vantajoso que a amplitude, visto que leva em considerao todos
os valores da distribuio.
1.6.3 Varincia
A varincia a medida de disperso mais utilizada. o quociente entre a soma dos quadrados dos
desvios e o nmero de elementos. Assim, temos a seguinte definio de varincia populacional:
Dados agrupados:
Nota
2 indica a varincia populacional e l-se sigma ao quadrado ou sigma dois. Neste caso,
X e N da formla representam a mdia populacional e o tamanho populacional, respectiva-
mente.
18 / 140
Probabilidade e Estatstica
Dados agrupados:
Nota
Xi representa um valor individual, no caso de uma distribuio de frequncia simples, ou o
ponto mdio da classe ( pmi ), no caso de uma distribuio de frequncia em classes.
Importante
Frmulas prticas para os clculos das varincias so dadas a seguir:
1h N 2
2 (N
i=1 Xi Fi )
2i
= Xi Fi
N i=1 N
ou
2 1 h n 2 (ni=1 Xi Fi )2 i
S = Xi Fi
n 1 i=1 n
que foram obtidas por transformaes nas respecitivas frmulas originais.
Temos tambm outra medida de disperso, que a raiz quadrada da varincia, chamada de desvio
padro. Assim,
= 2 o desvio desvio padro populacional
e
S= S2 o desvio desvio padro amostral.
Nota
Para o clculo do desvio padro deve-se primeiramente determinar o valor da varincia e,
em seguida, extrair a raiz quadrada desse resultado.
Xi Fi
5 2
7 3
8 5
9 4
11 2
Total 16
19 / 140
Probabilidade e Estatstica
Clculo da amplitude:
A = Xmax Xmin = 11 5 = 6.
Clculo do desvio mdio:
Primeiramente preciso do valor da mdia. Assim,
Xi Fi Xi Fi
5 2 10
7 3 21
8 5 40
9 4 36
11 2 22
Total 16 129
n
Xi Fi 129
X= = = 8, 06.
i=1 n 16
Para o clculo do DM so abertas novas colunas:
Xi Fi Xi Fi |Xi X| = |di | |di | Fi
5 2 10 |5 8, 06| = 3, 06 6,12
7 3 21 |7 8, 06| = 1, 06 3,18
8 5 40 |8 8, 06| = 0, 06 0,30
9 4 36 |9 8, 06| = 0, 94 3,76
11 2 22 |11 8, 06| = 2, 94 5,88
Total 16 129 - 19,24
Portanto,
n
|di | 19, 24
DM = = = 1, 20.
i=1 n 16
Clculo do varincia amostral:
Observe que o clculo ser facilitado, pois sabe-se que: n = 16; Xi Fi = 129. Resta encontrar
Xi2 Fi . Para tanto, uma nova coluna considerada na tabela.
Xi Fi Xi Fi Xi2 Fi
5 2 10 50
7 3 21 147
8 5 40 320
9 4 36 324
11 2 22 242
Total 16 129 1083
Portanto,
1 h n 2 (ni=1 Xi Fi )2 i
S2 = Xi Fi
n 1 i=1 n
1 h (129) 2 i 1h 16641 i
= 1083 = 1083
16 h 1 16i 15 16
1 17328 16641 687
= = = 2, 86.
15 16 15 16
Logo, a varincia amostral S2 = 2, 86.
20 / 140
Probabilidade e Estatstica
Trata-se de uma medida relativa de disperso til para a comparao em termos relativos do grau de
concentrao em torno da mdia de sries distintas. dado por
S
CV = 100.
X
onde, S o desvio padro amostral e X a mdia amostral.
O coeficiente de variao expresso em porcentagens.
Para os homens:
1.500
CV = 100 = 37, 5%.
4.000
Para as mulheres:
1.200
CV = 100 = 40%.
3.000
Logo, podemos concluir que os salrios da mulheres apresenta maior disperso relativa do que o dos
homens.
Diz-se que a distribuio possui pequena variabilidade, ou disperso, quando o coeficiente der at
10%; mdia disperso quando estiver acima de 10% at 20%; e grande disperso quando superar
20%. Alguns analistas consideram:
1.7 Atividades
21 / 140
Probabilidade e Estatstica
22 / 140
Probabilidade e Estatstica
Captulo 2
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
Entender o que um conjunto, um elemento de um conjunto
Entender as relaes entre conjuntos
Conhecer os principais mtodos de contagem
Saber a diferena entre combinao e arranjo e como aplicar essas definies em pro-
blemas prticos
Conhecer o binmio de Newton
Conjunto uma coleo de objetos. A natureza desses objetos arbitrria, ou seja, podemos ter
conjunto de qualquer coisa. Por exemplo, podemos ter conjuntos de pessoas; conjuntos de nmeros;
conjuntos de letras; podemos ter at conjuntos de conjuntos!
Ns representaremos conjuntos por letras maisculas A, B,C, . . ..
Chamamos os objetos que formam o conjunto de elementos. Assim, para descrever um conjunto,
basta listar seus elementos. Existem trs maneiras de descrever os elementos de um conjunto A:
Nota
importante observar a notao. Sempre escreveremos os elementos que formam um con-
junto entre chaves. O ponto-e-vrgula, quando estiver entre chaves deve ser lido como tal
que. Por exemplo, no conjunto A = {x; x nmero real e 0 x 1}, lemos, A o conjunto
dos nmeros reais tais que 0 x 1.
23 / 140
Probabilidade e Estatstica
Importante
muito importante notar que o conjunto vazio 0/ no possui nenhum elemento, portanto no
h chaves na sua notao. O conjunto {0}/ NO o conjunto vazio, e sim um conjunto com
um elemento, e esse elemento o conjunto vazio.
Exerccio
Mostre que para todo conjunto A, o conjunto vazio subconjunto de A, ou seja, que 0/ A.
Soluo
Suponha que 0/ 6 A, ento por definio, isso significa que existe x 0/ tal que x 6 A. Como 0/
no possui nenhum elemento, impossvel encontrar o tal elemento x.
Portanto, a afirmao 0/ 6 A falsa. Isso mostra que 0/ A.
Suponha que temos dois conjuntos A e B. Podemos definir um terceiro conjunto, chamado de conjunto
unio de A e B, formado pelos elementos de A e pelos elementos de B. Matematicamente, escrevemos
A B = {x; x A ou x B}.
24 / 140
Probabilidade e Estatstica
Nota
Se A B, ento todo elemento de A j elemento de B, e portanto A B = B.
De maneira geral, dados conjuntos A1 , A2 , A3 , . . ., definimos o conjunto formado pela unio dos con-
juntos A1 , A2 , . . ., como o conjunto que contm todos os elementos de A1 , de A2 , etc.. Matematica-
mente, temos:
[
Ai = {x; existe i tal que x Ai }.
i=1
Exerccio
Fornea a definio da unio de n conjuntos A1 , A2 , . . . , An .
Soluo
Definimos a unio de n conjuntos A1 , . . . , An , como o conjunto formado pelos elementos de
A1 , . . . , An , ou seja, o conjunto
n
[
Ai = {x; x A1 ou x A2 , . . . , ou x An }.
i=1
Suponha que temos dois conjuntos A e B. Considere agora o conjunto formado pelos objetos que so
elementos de A e tambm so elementos de B. Este conjunto chamado de conjunto interseo de A
e B. Escrevemos este conjunto, matematicamente, como
A B = {x; x A e x B}.
Nota
Se A B, ento todo elemento de A elemento de B, assim os elementos que esto em A
e B, so os elementos de A. Ou seja, A B = A.
25 / 140
Probabilidade e Estatstica
Exerccio
Fornea a definio da interseo de n conjuntos A1 , A2 , . . . , An .
Soluo
Definimos a interseo de n conjuntos A1 , . . . , An , como o conjunto formado pelos elementos
que esto simultaneamente A1 , . . . , An , ou seja, o conjunto
n
\
Ai = {x; x A1 e x A2 , . . . , e x An }.
i=1
Suponha que temos dois conjuntos A e B. Considere agora o conjunto formado por objetos que so
elementos de B, mas no so elementos de A. Esse conjunto chamado de B menos A, e denotado
por B \ A. Matematicamente, temos
B \ A = {x; x B e x
/ A}.
Ateno
Quando est claro no contexto quem o conjunto de referncia, o conjunto Ac referido
apenas como complementar de A.
O complementar de A descrito como o conjunto dos elementos que no pertencem a A. Fica claro
que o conjunto dos elementos que no pertencem a A, mas pertencem ao conjunto de referncia M.
26 / 140
Probabilidade e Estatstica
A (B C) = (A B) (A C);
A (B C) = (A B) (A C);
A 0/ = 0;
/
A 0/ = A;
(A B)c = Ac Bc ;
(A B)c = Ac Bc ;
(Ac )c = A.
2.2 Contagem
A primeira tcnica conhecida como regra da multiplicao. Para ilustrar a tcnica, considere o
seguinte exemplo:
Vamos comear colocando rtulos nos sapatos: sapato 1, sapato 2 e sapato 3. O sapato 1 pode ser
usado com 10 pares de meias; o sapato 2 tambm pode ser usado com 10 pares de meias; e o sapato
3 tambm pode ser usado com 10 pares de meias. Portanto, como Fernando pode utilizar o sapato 1,
o sapato 2 e o sapato 3, ele poder fazer 10+10+10 = 30 combinaes diferentes entre pares de meias
e sapatos.
Resumindo, cada sapato pode ser associado a 10 pares de meias, e como temos 3 sapatos, o total de
combinaes 30 = 3 10. Por isso o nome regra da multiplicao. Pois multiplicamos o nmero de
sapatos pelo nmero de pares de meias.
Regra da multiplicao
Suponha que temos 2 tipos de objetos: tipo 1 e tipo 2. Suponha que cada objeto do tipo 1 pode
ser combinado com todos os objetos do tipo 2. Assim, se temos n objetos de tipo 1 e m objetos
de tipo 2, teremos n m combinaes possveis entre objetos de tipo 1 e objetos de tipo 2.
27 / 140
Probabilidade e Estatstica
Vamos agora ilustrar outra tcnica de contagem, que conhecida como a regra da adio. Para
motivar, considere o seguinte exemplo:
Como Paulo s possui uma cala, o que determina a quantidade de formas de se vestir a quantidade
de blusas. Como Paulo possui 25 = 10+15 blusas, segue que Paulo pode se vestir de 25 formas
diferentes.
Assim, como Paulo no pode usar uma blusa de manga comprida e outra de manga curta ao mesmo
tempo, segue que temos que escolher uma nica blusa entre o total de blusas que dada pela soma
entre a quantidades de blusas de manga comprida e blusas de manga curta.
Regra da adio
Suponha que temos objetos de dois tipos, digamos tipo 1 e tipo 2. Suponha que temos n objetos
do tipo 1 e m objetos do tipo 2. Temos ento n + m formas de escolher um objeto (de qualquer
tipo) entre os objetos disponveis.
Outra forma de escrever essa regra a seguinte: suponha que temos n formas de executar
uma tarefa usando o procedimento 1, e m formas de executar essa mesma tarefa usando o
procedimento 2. Sabendo que no podemos usar os dois procedimentos conjuntamente, esta
tarefa pode ser realizada de n + m formas diferentes.
2.2.3 Permutao
Suponha que temos k objetos organizados em uma determinada ordem. Se mudarmos a ordem em
que estes objetos esto colocados, dizemos que fizemos uma permutao entre esses objetos. Uma
pergunta importante saber qual o nmero de permutaes possveis entre estes k objetos. Para
ilustrarmos a ideia considere o seguinte exemplo:
Tambm poderamos escrever a pergunta como: Qual o nmero de permutaes possveis entre
quatro pessoas?
Vamos enumerar as posies: primeira, segunda, terceira e quarta. Para a primeira posio temos
4 escolhas possveis. Agora, supondo que j escolhemos a primeira posio, qualquer que seja a
primeira pessoa escolhida, temos possibilidades para a segunda posio. Analogamente, temos 2
possibilidades para a terceira posio e apenas uma para a quarta.
28 / 140
Probabilidade e Estatstica
Notao
O nmero n! chamado de fatorial de n e dado por
n! = n (n 1) (n 2) 3 2 1.
Permutaes
Suponha que temos n objetos, ento o nmero de permutaes desses n objetos n!.
2.2.4 Arranjos
Suponha que temos n objetos, de quantas formas podemos escolher k objetos entre esses n objetos,
sabendo que a ordem em que esses objetos so escolhidos importa?
O nmero de formas chamado de nmero de arranjos. Considere o seguinte exemplo:
Um pdio consiste de trs pessoas, ordenadas pelo campeo, vice-campeo e terceiro lugar. Assim,
temos 1000 formas de escolher o campeo, 999 formas de escolher o vice-campeo e 998 formas de
escolher o terceiro lugar. Portanto, temos 1000 999 998 pdios possveis.
1000!
Note que 1000 999 998 = 997! .
Arranjo
Suponha que temos n objetos disponveis. Ento, o nmero de formas de escolher k objetos,
onde a ordem em que os objetos foram escolhidos importa, dada por
n!
An,k = .
(n k)!
No exemplo anterior, podemos pensar nas pessoas como 1000 objetos, e queramos escolher 3 objetos,
onde a ordem importa (a ordem determina o campeo, vice-campeo e terceiro lugar), e portanto o
nmero de formas A1000,3 = 1000!
997! .
2.2.5 Combinaes
Suponha que estamos no mesmo cenrio dos arranjos, ou seja, temos n objetos e queremos escolher
k objetos. Entretanto, suponha que a ordem no importa mais. Assim, s estamos interessados no
nmero de formas de escolher os k objetos, mas a ordem em particular pela qual os objetos foram
escolhidos no importa. O nmero de tais formas dado pelo nmero de combinaes possveis.
Considere o seguinte exemplo:
29 / 140
Probabilidade e Estatstica
Note que este exemplo muito parecido com o dos arranjos, inclusive temos 1000 objetos e
queremos escolher 3. Entretanto o fato da ordem no importar muda tudo.
Como em uma equipe a ordem das pessoas no importa, devemos levar essa informao em
considerao.
Vamos ento fingir que a ordem importa, ento a quantidade de formas seria A1000,3 = 1000!
997! . Observe
agora que para cada equipe de formada por 3 pessoas, temos 3! pdios possveis a se formar. Desta
forma, se C o nmero de equipes de 3 pessoas que podemos formar com 1000 funcionrios, ento
3! C o nmero de pdios que podemos formar com 1000 pessoas, pois cada equipe fornece 3!
pdios (aqui utilizamos a regra da multiplicao).
Combinao
Suponha que temos n objetos e queremos escolher k objetos, onde a ordem em que os objetos
n!
foram escolhidos no importa. Ento temos Cn,k = k!(nk)! formas de escolher esses k objetos.
Cn,k chamado o nmero de combinaes de n, k-a-k.
Nota
Este nmero de combinaes possui uma notao especial, a saber, nk = k!(nk)!
n!
, e so
chamados de coeficientes binomiais.
Cuidado
Observe que em geral o nmero de arranjos bem maior que o nmero de combinaes.
De fato, temos que
An,k = k!Cn,k .
Portanto, importante no confundir arranjos com combinaes porque os resultados podem
ser muito diferentes.
(a + b)n = (a + b)(a + b) (a + b) .
| {z }
n termos
30 / 140
Probabilidade e Estatstica
fcil saber, pela distributividade, que o resultado da multiplicao ser uma soma da forma:
2.3 Atividades
1. Verdadeiro ou Falso?
i. 0/ {0};
/
j. 0/ = {0};
/
k. 0/ {0};
/
l. {0}
/ {{0}};
/
m. {0}
/ {{0}};
/
n. {0}
/ = {{0}}.
/
2. Sejam A = {1, 2, 3, 4, {5}, {6, 7}}, B = {4, {5}, 6, 7} e C = {5, 6, 7}. Determine os seguintes con-
juntos:
a. A \ 0;
/
b. A \ A;
31 / 140
Probabilidade e Estatstica
c. A \C;
d. C \ A;
e. A \ B;
f. B \ A;
g. B \C.
3. Seja M = {1, 2, 3, 4, {1}, {2}, {3}, {4}}. Sejam A = {1, {2}, 3, {4}} e B = {{1}, 2, {3}, 4}.
b. Determine os conjuntos: Ac , Bc , A Bc , Ac B, Ac Bc , A B, A Ac e B Bc .
c. Determine os conjuntos: A B, Ac B, Ac Bc , A Bc , A Ac e B Bc .
4. Quantas palavras contendo 3 letras diferentes podem ser formadas com um alfabeto de 26 letras?
5. Para fazer uma viagem Joo Pessoa-Salvador-Joo Pessoa, posso ir de carro, nibus ou avio. De
quantos modos posso escolher os transportes se no desejo usar na volta o mesmo meio de transporte
da da?
6. Quantos so os gabaritos possveis de um teste de 10 questes de mltipla escolha, com cinco
alternativas por questo?
7. De quantos modos 3 pessoas podem sentar-se em 5 cadeiras em fila?
8. O departamento de computao cientfica de uma universidade possui 20 professores. De
quantos modos podem ser escolhidos um chefe de departamento, um coordenador da graduo e um
coordenador de ps-graduao?
9. Quantos so os anagramas da palavra CAPTULO?
10. Quantos so os anagramas da palavra CAPTULO que tm a letra C no primeiro lugar E a letra
A no segundo lugar E a letra P no terceiro lugar?
11. Joo tem 10 frutas diferentes e deseja fazer vrios tipos de saladas de frutas, onde cada salada
contm exatamente 4 frutas. Quantos tipos de saladas de frutas ele pode fazer?
12. Em uma prova, o estudante deve escolher exatamente 7 questes entre 10 disponveis. Quantas
escolhas ele tem?
13. De quantos modos podemos escolher 6 pessoas, incluindo pelo menos duas mulheres, em um
grupo de 7 homens e 4 mulheres?
32 / 140
Probabilidade e Estatstica
Captulo 3
Definies Bsicas
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
Modelos Matemticos
Modelo Probabilstico: Modelos nos quais, mesmo mantendo as mesmas condies, o re-
sultado do experimento pode variar. Isso se deve a um fator aleatrio o qual no podemos
controlar.
Experimento aleatrio
Consiste em um experimento em que, mesmo mantendo as mesmas condies, o resultado do
experimento pode variar.
2. Jogar trs moedas e contar o nmero de vezes que o resultado foi cara.
33 / 140
Probabilidade e Estatstica
1. = {1, 2, 3, 4, 5, 6};
2. = {0, 1, 2, 3};
Nota
Observe que no ltimo exemplo tivemos mais de uma opo de espao amostral. Isto no
contradiz a definio de espao amostral. De fato, podemos ter mais de uma opo de es-
paos amostrais, o importante que cada uma dessas opes contenha todos os resultados
possveis.
Definio: Evento
Seja o espao amostral de um experimento. Todo conjunto A tal que podemos calcular
a probabilidade de A chamado de evento.
Nota
O conjunto de todos os eventos possui uma estrutura chamada de -lgebra. Apesar da
definio de -lgebra ser muito simples, no h necessidade de estudarmos -lgebras,
pois todos os conjuntos que utilizaremos ao longo do livro sero eventos. Alm disso, as
aplicaes onde realmente necessrio o uso de -lgebras fogem do escopo deste livro.
Como cada evento um conjunto, vale a pena descrever os eventos obtidos aps realizarmos as
operaes clssicas de conjuntos entre eventos.
34 / 140
Probabilidade e Estatstica
A B: o evento A ou B;
A B: o evento A e B;
Ac : o evento no ocorrncia de A;
A B = 0:
/ significa que A e B so eventos mutuamente excludentes, ou seja, a ocorrncia de A
implica que B no ocorre, e a ocorrncia de B implica que A no ocorre.
Definio: Partio
Dado um espao amostral , uma partio P = {A , I} de uma coleo de eventos,
A , indexados por , tais que:
Para todo 6= , A A = 0;
/
S
I A = .
Portanto, temos que os eventos de uma partio so dois-a-dois mutuamente excludentes e sua unio
todo o espao amostral.
0 P(A) 1;
P() = 1;
(Aditividade finita) Se A e B forem eventos mutuamente excludentes, temos que P(A B) =
P(A) + P(B);
(Aditividade contvel) Se Ai , i = 1, 2, 3, . . . forem eventos dois-a-dois mutuamente excluden-
tes, ento,
[
P Ai = P(Ai ).
i=1 i=1
Teorema
/ = 0.
Seja 0/ o conjunto vazio, ento P(0)
35 / 140
Probabilidade e Estatstica
Demonstrao
Para qualquer evento A, podemos escrever A = A 0.
/ Como A e 0/ so mutuamente excludentes,
decorre da aditividade finita que P(A) = P(A 0)
/ = P(A) + P(0).
/ Desta forma, P(0)/ = 0.
Teorema
Seja Ac o evento complementar de A. Ento P(Ac ) = 1 P(A).
Demonstrao
Podemos escrever = A Ac . Alm disso, A e Ac so mutuamente excludentes. Portanto, pela
aditividade finita, temos que 1 = P() = P(A Ac ) = P(A) + P(Ac ). Desta forma, segue que
P(Ac ) = 1 P(A).
Teorema
Sejam A e B dois eventos quaisquer. Ento P(A B) = P(A) + P(B) P(A B).
Demonstrao
Temos que A B = A (B Ac ) (faa um desenho) e B = (A B) (B Ac ). Desta forma,
temos que como A e B Ac so mutuamente excludentes, vale P(A B) = P(A) + P(B Ac ).
Por outro lado, temos que A B e B Ac tambm so mutuamente excludentes. Portanto, segue
que P(B) = P(A B) + P(B Ac ) P(B Ac ) = P(B) P(A B).
Juntando as duas equaes, obtemos que
Teorema
Sejam A e B dois eventos. Suponha que A B, ento P(A) P(B).
Demonstrao
Temos que B = A (B Ac ), com A e B Ac sendo mutuamente excludentes.
Desta forma,P(B) = P(A) + P(B Ac ). Por outro lado, P(B Ac ) 0.
Portanto, temos que P(B) P(A).
Exerccio
Mostre que a coleo de intervalos {(n, n + 1] : n R} uma partio do conjunto dos nmeros
reais R.
Soluo
Denote por [x] a parte inteira do nmero real x. Temos que para todo x real, vale
36 / 140
Probabilidade e Estatstica
[ [
Portanto, vale x (n, n + 1], ou seja, R (n, n + 1].
nZ nZ
[
Por outro lado, n Z, (n, n + 1] R. Da (n, n + 1] R. Portanto, conclumos que
nZ
[
R= (n, n + 1].
nZ
Seja um espao amostral associado a um experimento aleatrio E com um nmero finito de resul-
tados possveis. Ento pode ser escrito da seguinte forma: = {1 , . . . , n }, para algum nmero
natural n.
A cada evento simples {i }, i = 1, . . . , n, associamos um nmero pi , i = 1, . . . , n de tal forma que duas
condies sejam satisfeitas:
1. pi 0 para todo i = 1, . . . , n;
2. p1 + + pn = 1.
Exerccio
Suponha que somente trs resultados sejam possveis em um experimento, a saber, a1 , a2 e a3 .
Alm disso, suponha que a1 seja duas vezes mais provvel de ocorrer do que a2 , o qual, por
sua vez, duas vezes mais provvel de ocorrer do que a3 . Determine as probabilidades de
ocorrncia de a1 , a2 e a3 .
Soluo
Sejam p1 , p2 e p3 as probabilidades de ocorrncias de a1 , a2 e a3 , respectivamente. Ento,
temos do enunciado que p1 = 2p2 e que p2 = 2p3 . Como sabemos que p1 + p2 + p + 3 = 1,
temos que 4p3 + 2p3 + p3 = 1, ou seja, p3 = 1/7.
Isto fornece p1 = 4/7, p2 = 2/7 e p3 = 1/7.
Suponha que temos um experimento com n resultados possveis e que todos esses resultados sejam
equiprovveis, isto , todos os resultados possuem a mesma probabilidade de ocorrncia. Neste caso,
dizemos que o experimento possui resultados equiprovveis. Digamos que os resultados possveis do
experimento so a1 , . . . , an .
37 / 140
Probabilidade e Estatstica
Exerccio
Um dado lanado e todos os resultados so igualmente provveis. O evento A ocorrer se, e
somente se, um nmero maior do que 4 aparecer, isto , A = {5, 6}. Calcule P(A).
Soluo
Como temos 6 resultados possveis e 2 resultados favorveis, temos que P(A) = 2/6 = 1/3.
Suponha que temos a seguinte situao: Um lote formado por 100 monitores de computador. Foi
verificado que neste lote, temos 80 monitores em perfeito estado e 20 monitores defeituosos. Suponha
que dois monitores so retirados do lote ao acaso. Considere ento os eventos:
A = O primeiro monitor defeituoso e B = O segundo monitor defeituoso.
Suponha que a retirada dos monitores seja com reposio. Isto , o primeiro monitor retirado,
verifica-se se defeituoso ou no, e colocado de volta ao lote. Neste cenrio, temos 20 casos
favorveis ao evento A, entre 100 casos possveis, e 20 casos favorveis ao evento B, tambm entre
100 casos possveis. Desta forma, no cenrio com reposio, temos que P(A) = P(B) = 1/5.
Entretanto temos um segundo cenrio possvel: que a retirada dos monitores seja feita sem reposio,
isto , o primeiro monitor retirado, verifica-se se este defeituoso, e em seguida um segundo monitor
retirado (sem que o primeiro seja devolvido ao lote), donde aps a retirada, verifica-se se o segundo
monitor defeituoso ou no.
Neste cenrio, ainda temos 20 casos favorveis ao evento A e 100 casos possveis. No entanto, para
o evento B o problema no se torna fcil, pois no sabemos se no momento da retirada do segundo
monitor teremos 19 casos favorveis ou 20 casos favorveis. Isto depender se o evento A ocorreu ou
no. A nica coisa certa que temos 99 casos possveis para o evento B.
A fim de resolver este problema vamos introduzir um novo conceito, o de probabilidade condicional.
Assim que tivermos desenvolvido a teoria o suficiente para resolver o problema acima, terminaremos
a soluo dele.
38 / 140
Probabilidade e Estatstica
Cuidado
Vale a pena relembrar que na probabilidade condicional P(B|A) estamos supondo que
P(A) > 0.
Importante
Sempre que calculamos a probabilidade condicional P(B|A), o que estamos fazendo na pr-
tica reduzir o espao amostral original para um espao amostral de eventos favorveis
ocorrncia do evento A. Esse espao amostral chamado de espao amostral reduzido.
Exerccio
Dois dados equilibrados (onde todos os resultados so equiprovveis) so lanados. Os resul-
tados so registrados como o par ordenado (x1 , x2 ), onde x1 representa o resultado obtido no
lanamento do primeiro dado, e x2 representa o resultado do lanamento do segundo dado. Con-
sideremos os eventos: A = {(x1 , x2 ); x1 + x2 = 10} e B = {(x1 , x2 ); x1 > x2 }. Calcule P(A|B) e
P(B|A).
Soluo
Escrevendo os eventos A, B e A B explicitamente, temos que
B = {(2, 1), (3, 1), (4, 1), (5, 1), (6, 1), (3, 2),
(4, 2), (5, 2), (6, 2), (4, 3), (5, 3), (6, 3), (5, 4), (6, 4), (6, 5)}
e
A B = {(6, 4)}.
O nmero de casos totais 36, pois temos 6 casos possveis para o primeiro lanamento e 6
casos possveis para o segundo lanamento.
Assim, como os resultados so todos equiprovveis, temos que
3 1 15 5 1
P(A) = 36 = 12 , P(B) = 36 = 12 e P(A B) = 36 .
Assim, segue que
P(AB) 1/36 1 P(AB) 1/36
P(A|B) = P(B) = 5/12 = 15 e P(B|A) = P(A) = 1/12 = 31 .
39 / 140
Probabilidade e Estatstica
Exerccio
Uma caixa contm 4 lmpadas boas e 2 queimadas. Retira-se ao acaso 3 lmpadas sem reposi-
o. Calcule a probabilidade dessas 3 lmpadas serem boas.
Soluo
Sejam os eventos Ai = {A i-sima lmpada boa}, para i = 1, 2, 3. Queremos calcular a proba-
bilidade do evento A1 A2 A3 . Sabemos, pelo teorema da multiplicao, que
A = (A B1 ) (A B2 ) (A Bk ).
Agora j temos teoria suficiente para resolver o problema dos monitores apresentado no incio da
seo:
Exerccio
Consideremos o exemplo do lote com 20 monitores defeituosos e 80 monitores em perfeito
estado, no qual extramos duas peas sem reposio, e queremos calcular a probabilidade do
evento B = {O segundo monitor defeituoso}.
40 / 140
Probabilidade e Estatstica
Soluo
Relembre a definio do evento A: A ={O primeiro monitor defeituoso}.
Pelo teorema da probabilidade total, segue que
P(B) = P(B|A)P(A) + P(B|Ac )P(Ac ).
J sabemos que P(A) = 15 . Isto fornece tambm, pela propriedade do complementar P(Ac ) =
1 P(A) = 45 .
Vamos calcular agora P(B|A) e P(B|Ac ) separadamente.
Dado que o evento A ocorreu, e sabendo que estamos sem reposio, para o segundo monitor,
teremos 99 monitores disponveis e entre eles, apenas 19 so defeituosos. Assim, P(B|A) = 19
99 .
Analogamente, temos que se Ac ocorreu, ento o primeiro monitor escolhido estava em per-
feito estado. Assim, neste cenrio, para a escolha do segundo monitor, teremos 20 monitores
defeituosos disponveis entre o total de 99 monitores. Assim P(B|Ac ) = 20
99 .
Juntando todas as informaes, temos que
19 1 20 4 80 + 19 1
P(B) = + = = .
99 5 99 5 99 5 5
Ento, curiosamente, apesar das contas serem completamente diferentes, e de estarmos sem
reposio, neste caso, as probabilidades tambm so iguais. Note que isso uma coincidncia
e no ocorre em geral.
Cuidado
Note que embora no exemplo acima as probabilidades com reposio e sem reposio coin-
cidiram, isto no ocorre sempre!
Assim como no teorema da probabilidade total, seja um espao amostral associado a um experi-
mento E, e seja B1 , B2 , . . . , Bk uma partio de .
Temos ento, pela definio da probabilidade condicional que
P(A Bi )
P(Bi |A) = , i = 1, 2, . . . , k.
P(A)
Usando o teorema da multiplicao, temos que P(A Bi ) = P(A|Bi )P(Bi ). Alm disso, pelo teorema
da probabilidade total, temos que P(A) = kj=1 P(A|B j )P(B j ).
Portanto, juntando essas frmulas com a definio da probabilidade condicional, obtemos:
P(A|Bi )P(Bi )
P(Bi |A) = , i = 1, . . . , k.
j=1 P(A|B j )P(B j )
Esta frmula conhecida como Teorema de Bayes.
Exerccio
Numa turma de cincias da computao da UFPB, 1% dos homens e 4% das mulheres possuem
menos de 1,60m de altura. Alm disso, 60% dos estudantes so homens. Se um estudante
selecionado ao acaso e verificado que tem menos de 1,60m de altura. Qual a probabilidade
desse estudante ser homem?
41 / 140
Probabilidade e Estatstica
Soluo
Defina os eventos
A = {Estudantes com menos de 1,60m}, M = {Estudantes do sexo feminino} e H = {Estudan-
tes do sexo masculino}.
Pelo enunciado, sabemos que P(A|H) = 0, 01, P(A|M) = 0, 04, P(H) = 0, 6 e P(M) = 1
P(H) = 0, 4.
Alm disso, pelo teorema de Bayes, segue que
P(A|H)P(H) 0, 01 0, 6 3
P(H|A) = = = .
P(A|H)P(H) + P(A|M)P(M) 0, 01 0, 6 + 0, 04 0, 4 11
Nota
Observe que se vale a recproca dessa ltima afirmao, ou seja, se vale a identidade acima,
ento os eventos so independentes.
Exerccio
Suponha que um dado equilibrado seja jogado duas vezes. Sejam os eventos: A = {o primeiro
dado mostra um nmero par} e B = {o segundo dado mostra o nmero 5 ou 6}. Calcule
P(A), P(B), P(A B), P(A|B) e P(B|A).
Soluo
Escrevendo explicitamente, temos que
= {(1, 1), (1, 2), (1, 3), . . . , (6, 6)}, onde possui 36 elementos,
A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (4, 1), (4, 2), (4, 3),
(4, 4), (4, 5), (4, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)},
onde A possui 18 elementos,
B = {(1, 5), (2, 5), (3, 5), (4, 5), (5, 5), (6, 5), (1, 6), (2, 6), (3, 6), (4, 6), (5, 6), (6, 6)},
onde B possui 12 elementos, e A B = {(2, 5), (2, 6), (4, 5), (4, 6), (6, 5), (6, 6)}, onde A B
possui 6 elementos.
Portanto, temos que
18
P(A) = 36 = 12 , P(B) = 12
36 = 1
3 e P(A B) = 6
36 = 16 .
Observemos que P(A B) = = 12 13 = P(A)P(B). Logo, pelo que vimos acima, os eventos so
1
6
independentes e desta forma, P(A|B) = P(A) = 12 , e P(B|A) = P(B) = 13 .
Podemos tambm verificar diretamente:
P(AB) 1/6 1 P(AB) 1/6
P(A|B) = P(B) = 1/3 = 2 e P(B|A) = P(A) = 1/2 = 13 .
42 / 140
Probabilidade e Estatstica
Podemos generalizar este resultado para n eventos. Isto fornece a seguinte definio:
Nota
Neste caso, temos 2n n 1 relaes a serem verificadas.
Exerccio
Suponha que um par de moedas honestas sejam lanadas. Considere os eventos: A = {cara
na primeira moeda}, B = {cara na segunda moeda} e C = {cara em exatamente uma moeda}.
Mostre que os eventos A, B e C so dois-a-dois independentes, mas no so independentes.
Soluo
Observe que = {(cara,cara),(cara,coroa),(coroa,cara),(coroa,coroa)}. Note que possui 4
elementos.
Temos que A = {(cara,cara),(cara,coroa)}, B = {(cara,cara), (coroa,cara)}, C =
{(cara,coroa),(coroa,cara)}. Alm disso, segue que A B = {(cara,cara)}, A C =
{(cara,coroa)}, B C = {(coroa,cara)}.
Portanto, temos que P(A) = 42 = 21 , P(B) = 24 = 12 , P(C) = 24 = 12 . Por outro lado, temos que
latexmath:[P(A B) = 41 = 12 12 = P(A)P(B), P(A C) = 14 = 12 21 = P(A)P(C) e P(B C) =
1 1 1
4 = 2 2 = P(B)P(C).
Isso mostra que os eventos A, B e C so dois-a-dois independentes. Entretanto, temos que
A B C = 0,
/ e desta forma,
1
P(A B C) = 0 6= 8 = P(A)P(B)P(C).
Logo, os eventos A, B e C no so independentes.
3.7 Atividades
43 / 140
Probabilidade e Estatstica
e
B = {A soma das faces obtidas nos dois primeiros lanamentos pelo menos 7}.
44 / 140
Probabilidade e Estatstica
A e B so independentes?
10. Dois estudantes, Pedro e Paulo, esto matriculados na turma de Probabilidade e Estatstica. Pedro
comparece a 80% das aulas e Paulo comparece a 60%. Suas presenas nas aulas so independentes.
Calcule a probabilidade de que, em determinado dia:
a) pelo menos um dos estudantes comparea a aula.
b) apenas um deles esteja presente.
45 / 140
Probabilidade e Estatstica
Captulo 4
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
Imaginemos que existe a definio de que a temperatura de Joo Pessoa considerada quente se
maior do que 27 graus Celsius, considerada confortvel se est entre 20 e 27 graus Celsius, e
considerada fria se menor do que 20 graus Celsius. Suponha que nosso espao amostral para o
experimento medir a temperatura de Joo Pessoa pela manh. Suponha que nosso espao amostral,
que contm todos os resultados possveis para a temperatura, = R. Se queremos determinar se a
temperatura fria, confortvel ou quente, a melhor ferramenta para isso definir uma funo X :
{fria,confortvel,quente}. Ou seja, uma funo que associa a cada valor de temperatura, a quantidade
fria, confortvel ou quente. Por exemplo, X(10) = frio; X(34) = quente, e X(22) = confortvel.
Neste exemplo, foram medidas temperaturas, 10, 34 e 22, respectivamente.
Essa funo X que utilizamos o que chamamos de uma varivel aleatria. Ou seja, um rtulo que
damos para os valores possveis no espao amostral.
Na prtica, o mais comum utilizar variveis aleatrias, onde associamos cada valor do espao amos-
tral a um nmero real, ao invs de um conjunto arbitrario. Isso se deve ao fato, de que existem muitas
46 / 140
Probabilidade e Estatstica
distribuies de probabilidade conhecidas tomando como valores nmeros reais. Portanto, ao consi-
derar uma varivel aleatria que toma valores reais, estamos pegando um problema de probabilidade
genrico, e transformando num problema de probabilidade de nmeros reais, e assim podemos utilizar
toda a teoria de distribuies discretas e contnuas para resolver o problema.
Desta forma, mais precisamente, temos a
A partir da imagem inversa de X 1 (B) podemos construir uma nova medida de probabilidade induzida
pela varivel aleatria X.
47 / 140
Probabilidade e Estatstica
Como falamos anteriormente, nosso objetivo em considerar variveis aleatrias tomando como va-
lores nmeros reais, se deve ao fato de haver uma teoria bem completa em torno dessas variveis
aleatrias. Dentre as variveis aleatrias reais, existem dois grandes grupos: as variveis aleatrias
discretas e as variveis aleatrias contnuas. Nosso objetivo nesta seo consiste em definir, e apre-
sentar vrios exemplos de variveis aleatrias discretas.
Nota
Note que apesar da sequncia a1 , a2 , a3 , . . . ser uma sequncia infinita, o conjunto de valores
possveis para a varivel aleatria X pode ser finito ou infinito enumervel. Por infinito enu-
mervel, ns queremos dizer um conjunto infinito que pode ser indexado pelo conjunto dos
nmeros naturais, ou seja, pelo qual podemos escrever uma sequncia numrica cobrindo
todos os nmeros.
Nota
Pelo que j vimos, uma funo de probabilidade satisfaz as seguintes propriedades: . para
todo i, p(xi ) 0; .
i=1 p(xi ) = 1.
48 / 140
Probabilidade e Estatstica
Exerccio
Suponha que uma urna contm 6 bolas azuis e 4 bolas vermelhas. Quatro bolas so tiradas
aleatoriamente da urna, com reposio, e observada a cor da bola, antes da bola ser devolvida
urna. Seja X a varivel aleatria que indica o nmero de bolas vermelhas que foram retiradas
da urna. Obtenha a funo de probabilidade de X.
Soluo
Denote por V a bola vermelha e por A, a bola azul. Pelas informaes do problema, temos que
4 6
a probabilidade de se retirar uma bola vermelha 10 e a de se retirar uma bola azul 10 .
4 6
Assim, P(V ) = 10 = 0, 4 e P(A) = 10 = 0, 6.
O espao amostral do problema dado por
= {VVVV,VVVA,VVAV,VAVV, AVVV,VVAA,VAVA,
VAAV, AVAV, AAVV, AVVA,VAAA, AVAA, AAVA, AAAV, AAAA}.
fcil ver que o conjunto de valores possveis para a varivel aleatria X {0, 1, 2, 3, 4}.
Assim:
p(0) = P(X = 0) = P(AAAA) = (0, 6)4 ;
p(1) = P(X = 1) = P(AAAV, AAVA, AVAA,VAAA)
= P(AAAV ) + P(AAVA) + P(AVAA) + P(VAAA)
= (0, 6)3 0, 4 + (0, 6)3 0, 4 + (0, 6)3 0, 4 + (0, 6)3 0, 4 = 4(0, 6)3 0, 4;
p(2) = P(X = 2) = P(VVAA,VAVA,VAAV, AVAV, AAVV, AVVA)
= P(VVAA) + P(VAVA) + P(VAAV ) + P(AVAV ) + P(AAVV ) + P(AVVA)
= (0, 6)2 (0, 4)2 + (0, 6)2 (0, 4)2 + (0, 6)2 (0, 4)2
+ (0, 6)2 (0, 4)2 + (0, 6)2 (0, 4)2 + (0, 6)2 (0, 4)2
= 6(0, 6)2 (0, 4)2 ;
p(3) = P(X = 3) = P(VVVA,VVAV,VAVV, AVVV )
= P(VVVA) + P(VVAV ) + P(VAVV ) + P(AVVV )
= (0, 4)3 0, 6 + (0, 4)3 0, 6 + (0, 4)3 0, 6 + (0, 4)3 0, 6
= 4(0, 4)3 0, 6;
finalmente, p(4) = P(X = 4) = P(VVVV ) = (0, 4)4 .
As variveis contnuas so aquelas na qual a varivel aleatria pode assumir uma quantidade no-
enumervel de valores. Isto faz com que a probabilidade de assumir um valor especfico seja 0. Ou
seja, se X uma varivel aleatria contnua, para todo nmero real a, temos que P(X = a) = 0. A
intuio para este fato inusitado, que temos tantos valores possveis para X, que faz com que a
probabilidade de assumir um valor em particular seja 0. Neste caso, a probabilidade de X assumir um
valor trocada pela probabilidade de X pertencer a um intervalo da reta. Alm disso, no clculo da
probabilidade, a soma trocada por uma integral, conforme veremos na prxima definio.
49 / 140
Probabilidade e Estatstica
Nota
Note portanto, que pela definio, para checar se uma funo f (x) uma funo de densi-
dade suficiente verificar duas coisas:
Importante
Como mencionamos anteriormente, a definio de varivel aleatria contnua implica que
para todo a real, P(X = a) = 0. De fato, como X possui uma funo de densidade f , temos
que Z a
P(X = a) = f (x)dx = 0.
a
Uma consequncia deste fato que P(a X b) = P(a < x < b) = P(a < x b) = P(a X < b).
Exerccio
Suponha que X seja uma varivel aleatria contnua com a funo de densidade
(
2x, 0 < x < 1;
f (x) = .
0, caso contrrio.
Soluo
a.
R
Temos da definio de f (x) que para todo x real, f (x) 0. Basta verificar agora que
f (x)dx = 1. Note que f (x) = 0 fora do intervalo [0, 1], e portanto
Z Z 1 1
f (x)dx = 2xdx = x2 0 = 1.
0
50 / 140
Probabilidade e Estatstica
c.
P(1/3X1/2)
P(X 1/2|1/3 X 2/3) = P(1/3X1/2)
R 1/2
1/3
2xdx
= R 2/3
1/3
2xdx
1/2
x2
1/3 5/36
= 2/3 = 3/9
2
x
1/3
5
= 12 .
Na teoria matemtica da probabilidade possvel mostrar que, dada uma varivel aleatria X, a pro-
babilidade de qualquer evento pode ser obtida a partir das probabilidades P(X a), onde a nmero
real. Ou seja, conhecendo P(X a) para todo a real, significa dizer que conhecemos P(X A) para
qualquer evento A. Este resultado um importante resultado de Teoria da Medida, e mostra o quo
rica a funo F(a) = P(X a). Por conta disso, ela recebe um nome:
FX (a) = p(a j ),
j;a j a
Exerccio
Seja X uma varivel aleatria discreta tomando valores 0,1 e 2. Suponha que sua funo de
probabilidade dada por p(0) = 1/2, p(1) = 1/3 e p(2) = 1/6. Obtenha FX .
Soluo
Se a < 0, ento FX (a) = P(X < a) P(X < 0) = 0. Como FX (a) = P(X a) 0, segue que
para todo a < 0, FX (a) = 0.
Suponha agora, 0 a < 1, ento FX (a) = P(X a) = P(X = 0) = p(0) = 1/2.
Seja agora, 1 a < 2. Ento, FX (a) = P(X a) = P(X = 0) + P(X = 1) = p(0) + p(1) =
1/2 + 1/3 = 5/6.
Finalmente, se a 2, ento FX (a) = P(X a) = P(X 2) = 1.
51 / 140
Probabilidade e Estatstica
Assim,
0, a<0
1/2, 0 a < 1,
FX (a) = .
5/6, 1 a < 2,
a 2.
1,
Exerccio
Seja X uma varivel aleatria contnua com funo de densidade
(
2x, 0 < x < 1;
f (x) = .
0, caso contrrio.
J sabemos que f funo de densidade por um exerccio anterior. Obtenha sua funo de
distribuio FX .
Soluo
Temos que se a < 0, ento P(X a) P(X < 0) = 0. Assim, para a < 0, temos FX (a) = 0.
Para 0 a 1, temos Z a a
P(X a) = 2xdx = x2 0 = a2 .
0
Assim, para 0 a 1, vale FX (a) = a2 .
Finalmente, se a > 1, ento P(X a) = P(X 1) = 1.
Portanto, para a > 1, segue FX (a) = 1.
Desta forma,
0, 0 a < 0,
FX (a) = a2 , 0 a 1, .
1, a 1.
Nota
Observe que se a b, ento sempre que X() a, teremos X() a b, o que implica,
X() b. Assim, vale a incluso de conjuntos { ; X() a} { ; X() b}.
Logo, P(X a) P(X b).
Portanto, temos que se a b, ento FX (a) FX (b), ou seja, FX uma funo no-
decrescente.
Nota
possvel mostrar que para qualquer varivel aleatria X , vale lima FX (a) = 0 e
lima FX (a) = 1.
Importante
Note ainda que se X uma varivel aleatria discreta com conjunto de valores possveis
dado por {a1 , a2 , a3 , . . .}, ordenados de tal forma que a1 < a2 < a3 < a4 < . . ., ento temos
que
p(ai ) = P(X = ai ) = P(X ai ) P(X ai1 ) = FX (ai ) FX (ai1 ).
Ou seja, podemos obter a funo de probabilidade de X a partir da funo de distribuio de
X desta forma.
52 / 140
Probabilidade e Estatstica
Nota
Note que esta ltima observao nos diz que se temos uma funo de distribuio de uma
varivel aleatria discreta, ento o conjunto de valores que a varivel aleatria X pode as-
sumir exatamente o conjunto dos pontos de descontinuidade da funo de distribuio FX .
Assim, se a1 o menor ponto de descontinuidade de X , ento P(X = a1 ) = FX (a1 ), e depois
disso, se FX descontnua no ponto ai , ento teremos que P(X = ai ) = FX (ai ) FX (ai1 ).
Exerccio
Suponha que X uma varivel aleatria discreta com funo de distribuio FX dada por
0, a < 0,
1/4, 0 a < 1,
FX (a) =
1/2, 1 a < 2,
a 2.
1,
Soluo
Os pontos de descontinuidade da funo de distribuio FX so 0, 1 e 2. Portanto, pelo que
vimos, temos que p(0) = FX (0) = 1/4, p(1) = FX (1) FX (0) = 1/2 1/4 = 1/4, e finalmente,
p(2) = FX (2) FX (1) = 1 1/2 = 1/2.
Importante
Seja agora X uma varivel aleatria contnua. Ento, vale que
Z x
FX (x) = f (t)dt.
Ou seja, estamos dizendo que FX uma primitiva para a funo de densidade f . Desta
forma, podemos recuperar a funo de densidade, a partir da funo de distribuio, por
simples derivao em todos os pontos em que FX for derivvel:
dFX (a)
f (a) = = FX0 (a).
da
Exerccio
Suponha que X uma varivel aleatria contnua com funo de distribuio FX dada por
(
0, a < 0,
FX (a) = a
.
1 e , a 0.
53 / 140
Probabilidade e Estatstica
Soluo
Sabemos que a funo de densidade f (x) dada pela derivada da funo de distribuio em
todos os pontos em que esta for derivvel.
Assim, se x < 0, temos que f (x) = FX0 (x) = 0. Se x > 0, ento f (x) = FX0 (x) = ex . Em x = 0,
FX no derivvel, ento podemos supor f (x) = 0, j que o valor de uma funo em um nico
ponto no altera o valor da integral.
Portanto, a funo de densidade f da varivel aleatria X dada por
(
0, 0 x 0,
f (x) = x .
e , x > 0.
Podemos ter tambm um terceiro tipo de varivel aleatria: a varivel aleatria mista. Ela consiste
em uma varivel aleatria cuja probabilidade uma mistura entre as variveis aleatrias contnuas e
discretas. Assim, se X uma varivel aleatria mista, ento existem nmeros reais a1 , a2 , a3 , . . . , tais
que para algum i, P(X = ai ) > 0, e tais que
P(X = ai) = p < 1,
i=1
ou seja, isso garante que ela tem esse comportamento da varivel aleatria discreta, mas no uma
varivel aleatria discreta, pois a soma no igual a 1.
Assim, seja FX a funo de distribuio da varivel aleatria X. Definimos a parte discreta da funo
de distribuio de X como FXd (x) = i;ai x P(X = ai ). Defina p(ai ) = P(X = ai ), ento dizemos que
a funo p a funo de probabilidade da parte discreta da varivel aleatria X.
Nota
Note que se X fosse uma varivel aleatria discreta, teramos FX = FXd .
Agora, defina FXc (x) = FX (x) FXd (x), a parte contnua da funo de distribuio da varivel
Z aleatria
x
X. Assim, se X uma varivel aleatria mista, existe uma funo f (t) 0, tal que FXc (x) = f (t)dt,
Z
e f (t)dt = 1 p. Dizemos que a funo f a funo de densidade da parte contnua de X.
Nota
Observe ento que se X uma varivel aleatria discreta, ento FXc (x) = 0, para todo x; e
se X uma varivel aleatria contnua, ento FXd (x) = 0, donde temos FX (x) = FXc (x).
Portanto, podemos concluir que FX (x) = FXc (x) + FXd (x), ou seja, vale:
Z x
FX (x) = P(X x) = f (t)dt + P(X = ai ).
i;ai x
54 / 140
Probabilidade e Estatstica
Assim, suponha que dada uma funo de distribuio FX de uma varivel aleatria mista X, e que
queremos encontrar a funo de probabilidade da parte discreta de X, e a funo de densidade da
parte contnua de X.
Para tanto, comeamos procurando por pontos de descontinuidade de FX . Suponha que temos os
pontos a1 , a2 , . . ., ento, para encontrar a funo de probabilidade da parte discreta de X, basta calcular
para cada i, o nmero p(ai ) = P(X = ai ) = P(X ai ) P(X < ai ).
Uma vez, encontrada a funo de probabilidade da parte discreta de X, definimos FXc (x) = FX (x)
FXd (x), e obtemos a funo de densidade da parte contnua de X por derivao: f (x) = FXc 0 (x), ou seja,
derivamos a parte contnua da funo de distribuio FX .
Exerccio
Seja X uma varivel aleatria mista com funo de distribuio
0,
x 0,
FX (x) = x, 0 < x < 1/2,
1, x 1/2.
Soluo
Observe que FX s possui apenas um ponto de descontinuidade no ponto x = 1/2. Assim, temos
que a funo de probabilidade da parte discreta dada por p(1/2) = P(X 1/2) P(X <
1/2) = FX (1/2) P(X < 1/2) = 1 1/2 = 1/2. Pois, como para x < 1/2, vale, P(X < x) = x,
temos, P(X < 1/2) = 1/2.
Portanto, temos que se x < 1/2, ento FXd (x) = 0, e se x 1/2, ento FXd (x) = 1/2. Da, se x <
1/2, FXc (x) = FX (x) FXd (x) = x, e se x 1/2, temos FXc (x) = FX (x) FXd (x) = 1 1/2 = 1/2.
Desta forma, temos que
0,
x 0,
c
FX (x) = x, 0 < x < 1/2, .
1/2, x 1/2.
Assim, derivando, obtemos que a funo de densidade da parte contnua de X dada por
(
0, x 0 ou x 1/2,
f (x) = .
1, 0 < x < 1/2.
55 / 140
Probabilidade e Estatstica
Relembre a definio de imagem inversa: para um subconjunto dos reais A R a imagem inversa de
A pela funo g o conjunto g1 (A) = {x Im(X); g(x) A}.
Assim, temos que para todo evento A R, vale P(Y A) = P(g(X) A) = P(X g1 (A)). Por-
tanto, podemos calcular probabilidades com relao varivel aleatria Y a partir diretamente de
probabilidades envolvendo apenas a varivel aleatria X.
Exerccio
Considere X varivel aleatria contnua com a densidade do exemplo anterior. Seja g(x) = ex .
Obtenha a funo de densidade de Y = g(X) = eX , fY (y).
Soluo
Como Im(X) = (0, 1), temos que Im(Y ) = (1/e, 1). Assim, se y < 1/e, ento FY (y) = P(Y
y) = 0, e se y > 1, ento FY (y) = P(Y y) = 1. Isto implica que se y < 1/e, fY (y) = FY0 (y) = 0,
e se y > 1, temos fY (y) = FY0 (y) = 0.
Falta considerarmos y (1/e, 1). Assim, temos que Y y se, e somente se, eX y, que por
sua vez, vale se, e somente se, X ln(y). Portanto, FY (y) = P(Y y) = P(X ln(y)) =
1 FX ( ln(y)). Onde temos que
P(X ln(y)) = 1 P(X < ln(y)) = 1 P(X ln(y)) = 1 FX ( ln(y)),
56 / 140
Probabilidade e Estatstica
1 2 ln(y)
fY (y) = FY0 (y) = (1 FX ( ln(y))0 = fX ( ln(y)) = .
y y
Exerccio
Seja X uma varivel aleatria contnua com funo de densidade f . Seja Y = X 2 . Encontre a
funo de densidade da varivel aleatria Y , fY .
Soluo
Observe que X 2 0. Da, se y < 0, segue que FY (y) = P(Y y) = 0, e portanto, para y < 0,
vale fY (y) = 0.
Suponha agora que y 0, e note que Y y se, e somente se, X 2 y. Esta ltima desigualdade
vale se, e somente se, X 2 y 0. Resolvendo essa inequao, obtemos que X 2 y 0 se,
e somente se, X y e X y. Assim, vale a igualdade entre os conjuntos {Y y} =
{ y X y}.
Portanto, como X varivel aleatria contnua, segue que,
FY (y) = P(Y y) = P( y X y) = P(X y) P(X < y) = FX ( y) FX ( y).
4.6 Atividades
1. Seja X uma varivel aleatria discreta com funo de probabilidade dada por
p(x) = cx, x = 1, . . . , 6.
Encontre:
a) o valor de c;
b) a probabilidade de X ser um nmero mpar.
2. Seja X uma varivel aleatria discreta com funo de probabilidade dada por
c
p(x) = , x = 0, 1, . . . .
4x
Obtenha:
a) o valor de x.
b) a probabilidade de X ser um nmero par.
57 / 140
Probabilidade e Estatstica
3. Seja X uma varivel aleatria discreta com funo de distribuio dada por
0, se x < 0,
1/2, se 0 x < 1,
3/5, se 1 x < 2,
F(x) =
4/5,
se 2 x < 3,
9/10, se 3 x < 4,
1, se x 4.
Calcule:
a) a funo de probabilidade de X.
b) P(X = 0|X par).
4. Uma urna contm cinco bolas numeradas de 1 a 5. Duas bolas so retiradas simultaneamente.
Obtenha a funo de probabilidade das seguintes variveis aleatrias:
a) o maior nmero sorteado;
b) a soma dos nmeros retirados.
5. Verifique que as seguintes funes so densidades:
a)
1/8, se 0 x 2,
f (x) = 3/4, se 4 x 5,
0, caso contrrio.
Obtenha a densidade de Y = X 2 .
58 / 140
Probabilidade e Estatstica
59 / 140
Probabilidade e Estatstica
Captulo 5
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
Entender o que a esperana de variveis aleatrias
Conhecer as propriedades da esperana
Saber calcular a esperana
Entender o que a varincia de variveis aleatrias
Conhecer as propriedades da varincia
Saber calcular a varincia
Vamos comear introduzindo uma notao que ser til ao estudar o conceito de esperana matem-
tica: variveis aleatrias independentes.
Nota
Sejam X e Y so duas variveis aleatrias discretas. Suponha que X toma valores no con-
junto {a1 , a2 , a3 , . . .} e que Y toma valores no conjunto {b1 , b2 , b3 , . . .}. Ento, possvel
mostrar que X e Y so independentes se, e somente se, para cada ai e b j , temos
60 / 140
Probabilidade e Estatstica
Vamos comear motivando a definio de esperana. A esperana pode ser pensada como uma ge-
neralizao da mdia. De fato, suponha que temos 10 pesos. O primeiro possui 1 quilo, o segundo
2 quilos, . . . , o dcimo 10 quilos. Suponha que uma pessoa escolhe um peso aleatoriamente, onde
todos os pesos possuem a mesma probabilidade de serem escolhidos. Qual o peso mdio?
Temos 1 quilo com probabilidade 1/10, 2 quilos com probabilidade 1/10, . . . , 10 quilos com probabi-
lidade 1/10. Assim, o peso mdio m = 1/10 + 2/10 + + 10/10 = 5, 5.
Mais geralmente temos a
claro que se X toma apenas uma quantidade finita de valores, digamos a1 , . . . , an , ento a esperana
de X dada por
n
E(X) = ai p(ai ).
i=1
Nota
Observe que como a soma p(a1 ) + + p(an ) = 1, podemos pensar nesta esperana como
uma mdia ponderada, entre os valores a1 , . . . , an , com os pesos p(a1 ), . . . , p(an ). Note
ainda que se todos os valores forem igualmente possveis, ou seja, se para cada i, p(ai ) =
1/n, ento a esperana ser dada simplesmente pela mdia aritmtica entre os valores
possveis:
1 n
E(X) = ai.
n i=1
61 / 140
Probabilidade e Estatstica
se Z
|x| f (x)dx < .
No caso da integral imprpria acima divergir, dizemos que a esperana de X no existe.
Portanto,
x2 b
Z b
x 1
E(X) = dx =
a ba ba 2 a
b2 a2 (b+a)(ba)
= 2(ba) = 2(ba)
= a+b
2 .
Se X for uma varivel aleatria discreta tomando valores em {a1 , a2 , . . .}, e se p a funo
de probabilidade de X, temos que
E(Y ) = E(H(X)) = H(ai )P(X = ai ) = H(ai )p(ai ).
i=1 i=1
Se X for uma varivel aleatria contnua com funo de densidade f , ento temos que
Z
E(Y ) = E(H(X)) = H(x) f (x)dx.
62 / 140
Probabilidade e Estatstica
Desta forma, usando diretamente a definio de esperana de variveis aleatrias discretas, temos:
Importante
Como vimos no exemplo anterior, na hora de calcular a esperana de funes de variveis
aleatrias discretas, temos duas opes:
63 / 140
Probabilidade e Estatstica
Importante
Como vimos no exemplo anterior, e no caso de funes de variveis aleatrias discretas,
na hora de calcular a esperana de funes de variveis aleatrias contnuas, temos duas
opes:
64 / 140
Probabilidade e Estatstica
Nessa seo vamos apresentar vrias propriedades da esperana matemtica e demonstrar algumas
delas.
Propriedades da esperana
E(XY ) = E(X)E(Y ).
Demonstrao
(Esperana da constante): Note que X uma varivel aleatria discreta que toma apenas o
valor c, e portanto
E(X) = cP(X = c) = c.
Seja X varivel aleatria discreta, X 0, tomando valores no conjunto {a1 , a2 , . . .}. Como
X 0, segue que para todo i, temos ai 0. Alm disso, P(X = ai ) 0. Logo,
n
E(X) = ai P(X = ai ) 0.
i=1
Seja, agora, X varivel aleatria contnua, X 0, com funo de densidade f (x). Ento, como
X 0, vale f (x) = 0 se x < 0. Da
Z Z
E(X) = x f (x)dx = x f (x)dx 0.
0
(Multiplicao por contante): Vamos demonstrar para variveis aleatrias discretas e para
variveis aleatrias contnuas. O caso de variveis aleatrias mistas fica como exerccio para
o leitor.
65 / 140
Probabilidade e Estatstica
Seja, ento, X varivel aleatria discreta, e suponha que X toma valores no conjunto
{a1 , a2 , . . .}. Ento, cX funo da varivel aleatria discreta, da
E(cX) = cai P(X = ai ) = c ai P(X = ai ) = cE(X).
i=1 i=1
Suponha agora que X varivel aleatria contnua com funo de densidade f (x). Ento, cX
funo de uma varivel aleatria contnua, e segue que
Z Z
E(X) = cx f (x)dx = c f (x)dx = cE(X).
Vamos agora utilizar a esperana para definir uma noo de variabilidade da varivel aleatria: a
varincia.
A varincia de uma varivel aleatria mede o quanto a varivel aleatria flutua em torno da esperana.
Ou seja, mede quanto os valores da varivel aleatria X podem se afastar da esperana.
Vale observar tambm que se a varincia de X for igual a zero, ento X no varia nada, com relao
esperana, e portanto a varivel aleatria X constante igual esperana de X.
Var(X) = E (X E(X))2 .
Nota
Observe que como (X E(X))2 0, temos pela propriedade do sinal da esperana que
E (X E(X))2 0, e portanto Var(X) 0.
Uma noo muito til em estatstica dada pela raiz quadrada da varincia (pois a varincia
p maior
ou igual a zero). Mais precisamente, seja X uma varivel aleatria, ento o nmero Var(X)
chamado de desvio padro de X, e denotado por X .
O seguinte resultado fornece uma simplificao do clculo da varincia:
66 / 140
Probabilidade e Estatstica
Proposio
Seja X uma varivel aleatria, ento Var(X) = E(X 2 ) (E(X))2 .
Demonstrao
Temos que como E(X) um nmero real constante, podemos utilizar as propriedades: espe-
rana da multiplicao por constante; esperana da constante; e esperana da soma, para obter:
i
Var(X) = E (X E(X))2
i
= E X 2 2XE(X) + E(X)2
Importante
possvel mostrar que se Var(X) = 0, ento P(X = E(X)) = 1. Ou seja, X uma vari-
vel aleatria constante. Quanto maior o valor da varincia, mais a varivel aleatria pode
se afastar da esperana, ou seja, maior a oscilao da varivel aleatria em torno da espe-
rana.
67 / 140
Probabilidade e Estatstica
Alm disso, Z 0 Z 1
2
E(X 2 ) = x (1 + x)dx + x2 (1 x)dx
Z1
0 Z 1 0
2 3
= x + x dx + x2 x3 dx
13 0 0 3 4 1
x x4 x
= 3 + 4 1 + 3 x4
0
= 1/3 1/4 + 1/3 1/4
= 1/6.
Logo, Var(X) = E(X 2 ) = 1/6.
Nesta seo vamos apresentar algumas propriedades da varincia e provar algumas delas.
Propriedades da varincia
Demonstrao
68 / 140
Probabilidade e Estatstica
(Varincia de uma funo afim de X): Usando a varincia da soma por constante, temos
que Var(aX + b) = Var(aX), e usando a varincia da multiplicao por constante obtemos
Var(aX) = a2Var(X). Combinando as duas igualdades obtemos Var(aX + b) = a2Var(X).
Exerccio
Seja X uma varivel aleatria contnua com funo de densidade
(
1
, a < x < b,
f (x) = ba
0, caso contrrio.
Encontre Var(X).
Soluo
J vimos no exemplo de esperana de varivel aleatria contnua que E(X) = a+b
2 . Temos agora
que
Z b
2 2 1 1 b
E(X ) = x dx =
ba ba a
a
1 b3 a3
=
ba 3 3
3
b a 3
= .
3(b a)
Mas observe agora que temos o produto notvel:
b3 a3 (b a)(a2 + ab + b2 ) a2 + ab + b2
E(X 2 ) = = = .
3(b a) 3(b a) 3
Finalmente, temos
5.7 Atividades
1. Duas bolas so escolhidas aleatoriamente de uma urna contendo 4 bolas azuis, 3 vermelhas e 2
laranjas. Suponha que ganhamos 10 reais para cada bola azul selecionada, ganhamos 1 real para cada
bola laranja, porm perdemos 8 reais para cada bola vermelha. Seja X o nosso lucro.
a) Determine a funo de probabilidade de X;
b) Calcule a esperana e varincia de X.
2. Exatamente uma entre 6 chaves parecidas abre uma determinada porta. Tenta-se uma chave
aps a outra. Qual o nmero mdio de tentativas necessrias para se conseguir abrir a porta?
3. Cinquenta pessoas lanam uma moeda honesta dez vezes. Obtenha a mdia e a varincia do
nmero de pessoas que obtm exatamente 5 caras.
69 / 140
Probabilidade e Estatstica
70 / 140
Probabilidade e Estatstica
Captulo 6
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
71 / 140
Probabilidade e Estatstica
Esperana
Seja X Ber(p), ento
E(X) = 0 P(X = 0) + 1 P(X = 1) = p.
Dica
Observe que como X s assume valor 0 ou 1, temos que X = X 2 , e portanto, E(X) =
E(X 2 ).
Varincia
Seja X Ber(p), ento
Var(X) = E(X 2 ) (E(X))2 = E(X) (E(X))2 = p p2 = p(1 p).
Importante
Olhando para o exemplo anterior possvel observar que podemos pensar numa distribuio
binomial como uma distribuio que surge de n distribuies de Bernoulli. De fato, se Xi
a varivel aleatria que igual a 1 se a i-sima bola retirada foi azul, e zero caso contrrio,
temos que Xi Ber(p). Observe que como as retiradas das bolas so independentes, as
variveis aleatrias Xi so independentes.
n
Desta forma, fcil ver que o valor de X dado pela soma Xi. Pois teremos retirado k
i=1
bolas azuis se, e somente se, tiver k variveis aleatrias Xi sendo iguais a 1.
Desta forma, podemos (e devemos) interpretar uma varivel aleatria seguindo distribui-
o binomial como soma de n variveis aleatrias independentes seguindo distribuio Ber-
noulli.
72 / 140
Probabilidade e Estatstica
Esta a funo de probabilidade de uma distribuio binomial. Portanto, podemos fornecer a seguinte
importante verificar que a nossa conta est correta, e que, de fato, a funo de probabilidade dada
acima tem soma total igual a 1. Isto segue diretamente do binmio de Newton:
n n
n
P(X = k) = k pk (1 p)nk = (p + 1 p)n = 1.
k=0 k=0
Esperana
n
n k
E(X) = k p (1 p)nk
k=0 k
n
n!
= k pk (1 p)nk
k=1 k!(n k)!
n
n!
= pk (1 p)nk .
k=1 (k 1)!(n k)!
73 / 140
Probabilidade e Estatstica
Importante
Temos outra forma de calcular a esperana usando ensaios de Bernoulli.
Como mencionamos, se Xi Ber(p) so independentes para i = 1, . . . , n, ento,
n n
Xi Bin(n, p). Fazendo X = Xi, temos que X Bin(n, p), e usando a pro-
i=1 i=1
priedade de soma de esperana, segue que
n n n
E(X) = E i i p = np,
X = E(X ) =
i=1 i=1 i=1
Varincia
Vamos comear calculando E(X 2 ):
n
2 n
2
E(X ) = k pk (1 p)nk
k=0 k
n
n k
= k(k 1 + 1) p (1 p)nk
k=1 k
n n
n k nk n k
= k(k 1) p (1 p) + k p (1 p)nk
k=2 k k=1 k
n
n k
= k(k 1) p (1 p)nk + E(X)
k=2 k
n
n k
= k(k 1) p (1 p)nk + np.
k=2 k
74 / 140
Probabilidade e Estatstica
Finalmente, obtemos
Exerccio
Um servidor de um jogo online possui 20 slots disponveis, ou seja, aceita at 20 jogadores
simultaneamente. A probabilidade, em qualquer hora do dia, de que um desses slots esteja
disponvel de 40%, e que a disponibilidade dos slots so independentes. Qual a probabilidade
de um par de amigos encontrarem dois slots disponveis?
Soluo
Seja X o nmero de slots disponveis no jogo. Sabemos, pela definio do problema que X
Bin(20, 0.4). Queremos calcular P(X 2).
Note que P(X 2) = 1 P(X = 1) P(X = 0). Da,
20
P(X = 0) = (0.4)0 (0.6)20 = (0.6)20 ;
0
e
20
P(X = 1) = 0.4(0.6)19 = 20 0.4(0.6)19 = 8 (0.6)19 .
1
Desta forma,
P(X 2) = 1 (0.6)20 8(0.6)19 .
Nota
Observe que a hiptese de independncia no exemplo acima no realista, porm neces-
sria para ser possvel trabalhar matematicamente. Caso contrrio seria muito complicado.
Suposies desta natureza para facilitar a resoluo prtica de problemas so muito co-
muns.
75 / 140
Probabilidade e Estatstica
Suponha que uma pessoa tem uma moeda que pode ser desonesta, ou seja, assume cara com probabi-
lidade p, e coroa com probabilidade 1 p. Vamos agora considerar o experimento aleatrio: lanar
esta moeda sucessivamente at obter cara.
Qual a probabilidade da cara ser obtida no lanamento nmero k? Ou colocando numa forma mais
matemtica, se X a varivel aleatria dada pelo nmero do lanamento no qual a cara foi obtida,
qual a probabilidade P(X = k)?
A resposta simples. Para obtermos cara no lanamento nmero k, esta pessoa ter que ter obtido
coroa em todos os k 1 lanamentos anteriores e ter obtido cara exatamente no k-simo lanamento.
Como os lanamentos das moedas so independentes, temos que esta probabilidade
Essa varivel aleatria X uma varivel aleatria que segue distribuio geomtrica. Mais precisa-
mente,
Primeiro vamos observar que a nossa conta est correta e, de fato, a funo descrita acima uma
funo de probabilidade. Temos claramente que p(1 p)k1 0, e pela soma dos termos de uma
progresso geomtrica, temos
1 p
p(1 p)k1 = p (1 p)k1 = p 1 (1 p) = p = 1.
k=1 k=1
1
f (r) = rk = 1 r ;
k=0
Temos que para todo 0 r < 1, f infinitamente diferencivel, e sua derivada, para 0 r < 1
dada por
1
f 0 (r) = krk1 = (1 r)2 ;
k=1
76 / 140
Probabilidade e Estatstica
2
f 00 (r) = k(k 1)rk2 = (1 r)3 .
k=2
Esperana
Temos que
E(X) = kp(1 p)k1
k=1
= p k(1 p)k1
k=1
1
= p
(1 (1 p))2
1
= p 2
p
1
= .
p
Varincia
Para encontrar E(X 2 ) vamos calcular primeiro E[X(X 1)], usando a frmula da segunda de-
rivada da srie geomtrica:
E[X(X 1)] = k(k 1)p(1 p)k1
k=2
= p(1 p) k(k 1)(1 p)k2
k=2
2
= p(1 p)
(1 (1 p))3
2
= p(1 p) 3
p
2(1 p)
= .
p2
Assim, segue que:
1
E[X(X 1)] = E(X 2 X) = E(X 2 ) E(X) = E(X 2 ) .
p
Ou seja,
1 2(1 p) 1 2 2p p 2 p
E(X 2 ) = E(X 2 ) + = 2
+ = 2
+ 2= 2 .
p p p p p p
Finalmente,
2 p 1 1 p
Var(X) = E(X 2 ) (E(X))2 = = .
p2 p2 p2
77 / 140
Probabilidade e Estatstica
A resposta no. No importa o quanto tempo Joo tenha esperado, a probabilidade do prximo
lanamento sempre ser 1/2. Esta propriedade da distribuio geomtrica chamada de perda de
memria.
Mais precisamente, seja X uma varivel aleatria seguindo distribuio Geomtrica com parmetro
p. Ento, temos que para todo par de inteiros positivos, m, n, vale
Antes de definirmos esta distribuio, vamos rever rapidamente um pouco de teoria matemtica pre-
sente em cursos de clculo.
Existe uma classe de funes reais, tais que a seguinte frmula, conhecida como expanso em srie
de Taylor, verdade
0 f 00 (a) 2
f (k) (a)
f (x) = f (a) + f (a)(x a) + (x a) + = (x a)k ,
2 k=0 k!
Importante
Conhecemos vrias funes analticas: a funo exponencial; seno; co-seno; logaritmo;
polinimos e fraes de polinmios.
78 / 140
Probabilidade e Estatstica
Um caso particular importante dado pelas funes do tipo f (x) = (1 x)r1 = (1x)
1
r+1 , onde r
um nmero natural. Como f frao de polinmios, temos que f analtica. Assim, considerando o
ponto a = 0, temos
e em geral, temos
podemos escrever
r 1
f (k)
(x) = (1) k! k
(1 x)rk1 .
k
Aplicando no ponto a = 0, temos
(k) r 1
k
f (0) = (1) k! ,
k
f (k) (0) k
r1 k r 1 k r 1
(1 x) = f (x) = x = (1) x = (x)k .
k=0 k! k=0 k k=0 k
A distribuio de Pascal (ou Binomial Negativa) uma generalizao natural da distribuio geom-
trica. Para entendermos melhor esta distribuio, voltemos ao exemplo do lanamento de moedas.
79 / 140
Probabilidade e Estatstica
Se uma pessoa tem uma moeda que pode ser desonesta, ou seja, assume cara com probabilidade p,
e coroa com probabilidade 1 p. Suponha que temos o seguinte experimento aleatrio: lanar uma
moeda sucessivamente at obter r caras.
Qual a probabilidade da r-sima cara ser obtida no lanamento k? Ou, escrevendo de uma maneira
matematicamente mais precisa, se X denota a varivel aleatria dada pelo nmero do lanamento pelo
qual a r-sima cara foi obtida, qual a probabilidade P(X = k)?
Vamos calcular essa probabilidade por partes. Comece notando que X = k, se e somente se, no k-
simo lanamento o resultado foi cara e nos k 1 lanamentos anteriores, obtemos r 1 caras. O
nmero de formas de isso acontecer simples: escolher r 1 resultados para sair cara, entre k 1
k1
resultados possveis, ou seja, temos r1 possibilidades.
Finalmente, como em um total de k lanamentos, saram r caras e k r coroas, e temos k1
r1 possi-
bilidades, a probabilidade dada por
k1 r
P(X = k) = p (1 p)kr , k = r, r + 1, . . . ,
r1
onde k r, pois para obter r caras, temos que no mnimo ter k lanamentos.
Importante
Observe que se r = 1, temos que X segue uma distribuio geomtrica com parmetro p.
Mais precisamente,
Vamos comear mostrando que a funo acima , de fato, uma funo de probabilidade. Claramente,
k1 r
r1 p (1 p)kr 0, e, temos ainda que usando a mudana de varivel j = k r,
k1 r j+r1 r
r 1 p (1 p) = r 1 p (1 p) j
kr
k=r j=0
j + r 1
= pr (1 p) j
j=0 j
1
= pr
(1 (1 p))r
1
= pr r
p
= 1,
onde usamos o binmio de Newton generalizado e usamos que
j+r1 ( j + r 1)! j+r1
= = .
r1 (r 1)! j! j
80 / 140
Probabilidade e Estatstica
Nota
A distribuio de Pascal, ou Binomial Negativa, recebe o nome de binomial negativa, por utili-
zar o binmio de Newton generalizado (com expoente negativo) para calcular sua esperana
e varincia, assim como para mostrar que a soma das probabilidades igual a 1.
Importante
Existe uma caracterizao da distribuio Pascal em termos de soma de variveis aleatrias
seguindo distribuio geomtrica: sejam X1 , X2 , . . . , Xr variveis aleatrias independentes
seguindo distribuio Geomtrica com parmetro p. Assim, definindo X = rk=1 Xk , temos
que X segue distribuio Pascal com parmetros r e p.
A intuio que para termos a posio do r-simo sucesso, contabilizamos a posio
do primeiro sucesso com a varivel X1 , adicionamos a varivel X2 para obter a posio do
segundo sucesso, . . . ,, adicionamos a varivel Xr para obter a posio do r-simo sucesso.
Ou seja, cada varivel geomtrica Xi representa o tempo que temos que esperar entre os
sucessos, at a obteno de um sucesso.
Esperana
Temos que, fazendo a mudana j = k r,
k1 r
E(X) = k p (1 p)kr
k=r r 1
j+r1 r
= ( j + r) p (1 p) j
j=0 r 1
( j + r 1)!
= pr ( j + r) (1 p) j
j=0 (r 1)! j!
( j + r)!
= pr (1 p) j
j=0 (r 1)! j!
( j + r)!
= pr r (1 p) j
j=0 r! j!
j+r
= p r r (1 p) j
j=0 j
j+r
= rp r (1 p) j
j=0 j
1
= rpr
(1 (1 p))r+1
r
= .
p
81 / 140
Probabilidade e Estatstica
Importante
Vale a pena notar que utilizando a caracterizao de X como soma de variveis alea-
trias independentes seguindo distribuio geomtrica, temos que
r
X = Xi ,
i=1
Varincia
Vamos comear calculando E[X(X + 1)]:
k1 r
E[X(X + 1)] = k(k + 1) r 1 p (1 p)kr
k=r
j+r1 r
= ( j + r + 1)( j + r) r 1 p (1 p) j
j=0
( j + r 1)!
= r
p ( j + r + 1)( j + r) (1 p) j
j=0 (r 1)! j!
( j + r + 1)!
= pr (1 p) j
j=0 (r 1)! j!
( j + r + 1)!
= pr r(r + 1) (1 p) j
j=0 (r + 1)! j!
j+r+1
= r
p r(r + 1) (1 p) j
j=0 j
j+r+1
= r(r + 1)p r (1 p) j
j=0 j
1
= r(r + 1)pr
(1 (1 p))r+2
r(r + 1)
= .
p2
Portanto, temos que E[X(X + 1)] = E(X 2 + X) = E(X 2 ) + E(X). Como E(X) = r/p e E[X(X +
1)] = r(r + 1)/p2 , temos que
r(r + 1) r r2 + r rp
E(X 2 ) = = .
p2 p p2
Finalmente, a varincia dada por
r2 + r rp r2 r rp r(1 p)
Var(X) = E(X 2 ) (E(X))2 = 2
2= = .
p p p2 p2
Assim como na distribuio binomial, vamos ilustrar a distribuio hipergeomtrica com um exemplo:
82 / 140
Probabilidade e Estatstica
n Nn
k mk
P(X = k) = N
.
m
Temos ento a
(nk)(Nm
mk )
Vamos mostrar que a funo acima uma funo de probabilidade. Claramente, N 0. Para
(m )
mostrar que a soma sobre todos os valores de k igual a 1, vamos obter uma identidade de coeficientes
binomiais.
Considere ocoeficiente de xm na expanso de (1 + x)N em binmio de Newton. Este coeficiente
dado por Nm .
Por outro lado, sabemos que (1 + x)N = (1 + x)n (1 + x)Nn . Vamos olhar ento o coeficiente de xm
na expanso de (1 + x)n (1 + x)Nn , que igual a Nm .
Mas, observe que
n
Nn
n Nn
n i N n j
(1 + x) (1 + x) = x j x
i=0 i j=0
N i
n N n i
= x.
i=0 j=0 j i j
83 / 140
Probabilidade e Estatstica
m n Nn
k mk
N
= 1.
k=0 m
(nk)(Nn
mk )
Isto o que queramos provar, pois P(X = k) = .
(Nm)
Esperana
Temos que
m n Nn
E(X) = k k Nmk
k=0 m
m n Nn
= k k Nmk
k=1 m
m Nn
n mk
= k N
k=1 k m
m Nn
n! mk
= k N
k=1 k!(n k)! m
m Nn
n! mk
= N
k=1 (k 1)!(n k)! m
m Nn
(n 1)! mk
= n N
k=1 (k 1)!(n k)!
m Nn m
n 1 mk
= n N
k=1 k 1 m
m n1 Nn
k1 mk
= n N
k=1 m
m n1 Nn
k1 mk
= n N1
k=1 N/m m1
n1 Nn
nm m k1 mk
= N1
N k=1 m1
nm
= ,
N
onde na ltima igualdade utilizamos a identidade de Chu-Vandermonte com a terna (N 1, n
1, m 1).
84 / 140
Probabilidade e Estatstica
Nota
Podemos tambm utilizar a caracterizao de X como a soma
m
X = Xi ,
i=1
onde Xi denota a varivel aleatria que assume valor 1 se a i-sima seleo foi boa, e
assume valor 0 se a i-sima seleo foi ruim.
Observe que temos n selees boas, entre um total de N possibilidades, ou seja, para
cada i, as variveis Xi possuem a mesma funo de probabilidade:
n
P(Xi = 1) = ,
N
da, E(Xi ) = n/N , e portanto,
m m m
n nm
E(X) = E Xi = E(Xi ) = = .
i=1 i=1 i=1 N N
Varincia
Utilizando a mesma tcnica da esperana possvel mostrar que
mn(N n)(N m)
Var(X) = .
N 2 (N 1)
Vamos comear motivando a definio da distribuio de Poisson por meio da aproximao conhecida
como lei dos eventos raros. Tambm conhecida como aproximao da distribuio binomial pela
distribuio Poisson.
Para tanto, considere o seguinte exemplo:
85 / 140
Probabilidade e Estatstica
Assim, temos aproximadamente uma probabilidade 500/n de termos uma ligao em cada intervalo.
Como temos n intervalos, a probabilidade de termos k ligaes no total dada pela probabilidade
n
de escolhermos k intervalos entre os n intervalos disponveis: temos k formas de escolher esses k
k nk
intervalos, e cada escolha dessas tem probabilidade 500 n 1 500
n . Resumindo, se X denota
a varivel aleatria cujo valor o nmero de ligaes recebidas hoje durante as 4 horas, temos que
P(X = k), ou seja, a probabilidade de termos k ligaes aproximadamente
n 500 k 500 nk
P(X = k) 1 .
k n n
Em outras palavras, X segue aproximadamente distribuio binomial (n, 500/n). Observe que o valor
esperado dessa aproximao binomial dado por 500, o que mostra que a aproximao est consis-
tente com o problema em questo.
Finalmente, para sabermos a probabilidade exata, temos que calcular o limite do lado direito quando
n tende a infinito. Faremos isso na prxima subseo.
Nota
Vale a pena observar que calcular a probabilidade do exemplo anterior usando a aproxima-
o acima sem calcular o limite uma tarefa computacionalmente complicada, pois envolve
clculo de fatoriais de nmeros muito grandes.
Por este motivo tambm, muito comum usar uma aproximao inversa: se temos uma
varivel aleatria X seguindo distribuio binomial com parmetros n e p, onde n muito
grande, mais fcil calcular uma aproximao desta probabilidade usando a distribuio
Poisson.
Baseado no exemplo da seo anterior, suponha que temos uma taxa mdia > 0, e considere a
sequncia de variveis aleatrias X1 , X2 , . . . , onde cada Xn segue distribuio Bin(n, /n). Observe
que precisamos que n seja grande para que /n < 1 e portanto seja uma probabilidade.
Nosso objetivo nesta seo calcular o limite
n k nk
lim P(Xn = k) = lim 1 .
n n k n n
86 / 140
Probabilidade e Estatstica
Nota
Para calcular o limite em questo, precisaremos relembrar alguns fatos bsicos de clculo
em uma varivel. Relembre que o nmero de Euler, e, definido como
1 n
e = lim 1 + .
n n
Utilizando a regra de LHopital, podemos mostrar que para todo x R
x n
ex = lim 1 + .
n n
Desta forma, se tomarmos x = na expresso acima, obtemos,
n
e = lim 1 .
n n
Finalmente, para cada k natural fixado (constante, no muda com n), temos que limn 1
k
n = 1, e portanto
n
nk
1 n
lim 1 = lim k = e .
n n n
1 n
87 / 140
Probabilidade e Estatstica
Este o valor do limite procurado no final do exemplo, e assim, voltando ao exemplo: .Motivao
para a definio da distribuio Poisson
Relembremos que se X denota a varivel aleatria cujo valor o nmero de ligaes recebidas hoje
durante as 4 horas, temos que P(X = k), ou seja, a probabilidade de termos k ligaes aproximada-
mente
n 500 k 500 nk
P(X = k) 1 .
k n n
Em outras palavras, X segue aproximadamente distribuio binomial (n, 500/n).
O valor exato da probabilidade ento dado por
500 nk 500k 500
n 500 k
P(X = k) = lim 1 = e .
n k n n k!
Importante
Este resultado de aproximao tambm pode ser usado para calcular aproximaes de pro-
babilidades de distribuies binomiais quando n muito grande.
Mais precisamente, se temos uma varivel aleatria X seguindo distribuio binomial com
parmetros n e p, e n muito grande, podemos aproximar esta probabilidade por
(np)k np
P(X = k) e .
k!
88 / 140
Probabilidade e Estatstica
Em particular, obtemos
1
e = k! k .
k=0
Vamos ento mostrar que as probabilidades da Poisson formam, de fato, uma funo de probabilidade:
k
P(X = k) = e
k=0 k=0 k!
k
= e
k=0 k!
= e e
= 1.
Esperana
Temos que
E(X) =
k=0 kP(X = k)
k
=
k=0 k k! e
k
=
k=1 k k! e
k1
=
k=1 (k1)! e
k1
= .
k=1 (k1)! e
Fazendo j = k 1, temos que
k1
E(X) = e
k=1 (k 1)!
j
= e
j=0 j!
= e e
= .
Varincia
Vamos comear calculando E[X(X 1)]. Da,
E[X(X 1)] = k(k 1)P(X = k)
k=0
k
= k(k 1)
k!
e
k=0
k
= k(k 1) e
k=2 k!
k
= e
k=2 (k 2)!
k2
= 2 e .
k=2 (k 2)!
Fazendo a mudana de varivel j = k 2, temos que
k2
2
E[X(X 1)] = e
k=2 (k 2)!
2
j
= e
j=0 j!
= 2 e e
= 2.
89 / 140
Probabilidade e Estatstica
Porm, como temos que E[X(X 1)] = E(X 2 ) E(X), e portanto E(X 2 ) = E[X(X 1)] +
E(X) = 2 + . Portanto, temos que
Desta forma, uma varivel aleatria com distribuio Poisson com parmetro possui espe-
rana e varincia iguais a .
6.7 Atividades
90 / 140
Probabilidade e Estatstica
a) o parmetro da distribuio;
b) a probabilidade de que ocorra um acidente em uma semana e tambm um na semana seguinte,
sabendo que acidentes em semanas diferentes so independentes;
7. Se uma varivel aleatria tem distribuio Poisson e P(X = 0) = 1/2, quanto vale a varincia
de X?
8. Suponha que 1% das lmpadas de enfeite de natal de certa marca apresentem defeito. Estime
a probabilidade de que uma caixa com 30 lmpadas contenha no mximo uma lmpada com defeito.
(Dica: Aproxime essa probabilidade pela distribuio Poisson)
9. Sabe-se que 0,6% dos parafusos produzidos em uma fbrica so defeituosos. Usando a aproxima-
o da Binomial pela Poisson, estime a probabilidade de que, em um pacote com 1000 parafusos:
a) tenhamos exatamente 4 parafusos defeituosos;
b) no tenhamos mais do que 4 parafusos defeituosos;
c) encontrem-se pelo menos 3 parafusos defeituosos.
91 / 140
Probabilidade e Estatstica
Captulo 7
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
Aqui apresentaremos algumas das principais distribuies contnuas. Para tanto, apresentaremos suas
funes de densidade.
Alm disso, apresentaremos algumas propriedades destas distribuies, tais como esperana e vari-
ncia.
dizemos que X uniformemente distribuda sobre o intervalo [a, b], e denotamos X U[a, b].
Uma varivel aleatria uniformemente distribuda representa o anlogo contnuo dos resultados equi-
provveis no seguinte sentido: Para qualquer subintervalo [c, d], onde a c < d b, P(c X d)
a mesma para todos os subintervalos que tenham o mesmo comprimento. Ou seja,
Z d
d c
P(c X d) = f (x)dx = ,
c ba
e, por isso, depende unicamente do comprimento do intervalo.
92 / 140
Probabilidade e Estatstica
Esperana
Temos que
x2 b b2 a2
Z b
ba a+b
E(X) = x x= = = .
a d 2(b a) a 2(b a) 2
Varincia
Temos que
Z b 2
2 x x3 b b3 a3 a2 + ab + b2
E(X ) = dx = = = .
a ba 3(b a) a 3(b a) 3
2 a2 + ab + b2 (a + b)2 (b a)2
2
Var(X) = E(X ) (E(X)) = = .
3 4 12
1 (x)2
f (x) = e 2 2 , < x < ,
2
Na figura abaixo apresentamos grficos das funes de densidade da distribuio normal para alguns
valores de e 2 :
93 / 140
Probabilidade e Estatstica
0.8
(0;0.2)
0.6
f(x)
0.4
(2;0.5)
(0;1)
0.2
(0;5)
0.0
4 2 0 2 4
x
Figura 7.1: Exemplo de funes de densidade da distribuio normal para valores de e 2 descritos
no par ordenado (; 2 )
Esperana e Varincia
Temos que se X N(, 2 ), ento
E(X) = e Var(X) = 2 .
Nota
Observe que na padronizao dividimos por , que o desvio padro da varivel aleatria
normal. No dividimos pela varincia.
94 / 140
Probabilidade e Estatstica
Importante
A identidade de simetria acima nos diz que podermos calcular as probabilidades P(Z
x) a partir das probabilidades P(Z x). Assim, como a tabela da normal apresentada
no apndice no contm valores negativos de x, para calcularmos estas probabilidades,
utilizamos a frmula acima.
95 / 140
Probabilidade e Estatstica
b) Mais de 1,75m;
Queremos calcular P(X 1, 75).
Temos ento que:
P(X 1, 75) = P(X 1, 60 1, 75 1, 60) = P(X 1, 60 0, 15)
= P((X 1, 60)/0, 30 0, 15/0, 3) = P(Z 1/2)
= 1 P(Z 1/2)
= 1 (0, 5)
= 1 0, 6915
= 0, 3085.
c) Menos de 1,48m;
Queremos calcular P(X 1, 48).
Temos ento que:
P(X 1, 48) = P(X 1, 60 1, 48 1, 60) = P(X 1, 60 0, 12)
= P((X 1, 60)/0, 30 0, 12/0, 3) = P(Z 4/10)
= (0, 4)
= 1 (0, 4)
= 0, 3446.
d) Qual deve ser a altura mnima para escolhermos 10% dos alunos mais altos?
Queremos encontrar um valor c, tal que P(X > c) = 0, 10.
Assim, temos que
P(X > c) = P(X 1, 60 > c 1, 60)
= P((X 1, 60)/0, 30 > (c 1, 60)/0, 3) = P(Z > (c 1, 60)/0, 3)
= 1 ((c 1, 60)/0, 3).
Assim, queremos encontrar c, tal que 0, 1 = 1((c1, 60)/0, 3), ou seja, ((c1, 60)/0, 3) = 0, 9.
Seja z = (c 1, 60)/0, 3, temos que (z) = 0, 9. Olhando para a tabela, vemos que z = 1,28.
Logo, (c 1, 60)/0, 3 = 1, 28, o que implica que c = 1, 6 + 0, 384 = 1, 984. Desta forma, a altura em
questo 1,98m.
Vimos no captulo de variveis aleatrias discretas que podemos aproximar a distribuio binomial
pela distribuio Poisson.
A aproximao da distribuio binomial pela Poisson boa quando o parmetro p da distribuio
binomial pequeno. Se este valor for grande, a aproximao pela distribuio Poisson pobre. Neste
caso, devemos aproximar pela distribuio normal.
Proposio: Aproximao da distribuio binomial pela normal
Suponha que Xn uma sequncia de variveis aleatrias tais que Xn Bin(n, p). Ento, vale o
seguinte resultado:
X np
n
lim P p z = (z),
n np(1 p)
onde (z) a funo de distribuio da normal padro.
Desta forma, vale a aproximao para n grande:
x np
P(Xn x) p .
np(1 p)
96 / 140
Probabilidade e Estatstica
Nota
No exemplo anterior:
A probabilidade obtida pela aproximao de Poisson dada por 0,7065. Vemos que a
aproximao , de fato, muito pobre neste caso.
O motivo da aproximao ser ruim que a aproximao da binomial pela Poisson supe que
a probabilidade p da binomial tende a zero quando n tende a infinito, o que no acontece no
exemplo anterior.
A distribuio exponencial uma distribuio muito utilizada na prtica para modelar tempo de falha
de objetos. Por exemplo, pode ser usada para modelar o tempo que demora at uma lmpada falhar.
Ela possui um parmetro, , que pode ser interpretado da seguinte forma: 1/ o tempo de vida
mdio do objeto.
Mais precisamente, temos a
Denotamos X Exp( ).
97 / 140
Probabilidade e Estatstica
Observe que f (x) , de fato, uma funo de densidade, pois f (x) 0 para todo x, e, alm disso,
Z Z
f (x)dx = e x dx
0
e x 1
= =
0
= 1.
Na figura abaixo apresentamos grficos das funes de densidade da distribuio exponencial para
alguns valores de : 1.5
1.0
(1.5)
f(x)
0.5
(0.5)
0.0
0 1 2 3 4 5
x
Figura 7.2: Exemplo de funes de densidade da distribuio exponencial para valores de descritos
no parntese ( )
Podemos tambm calcular a funo de distribuio de uma varivel aleatria seguindo distribuio
exponencial explicitamente:
x
R x x e x
F(x) = P(X x) = 0 e dx =
h x i 0
= e 1
= 1 e x ,
para x 0, e F(x) = 0, se x < 0.
Em particular, obtemos P(X > x) = e x .
Esperana
Temos que Z
E(X) = x e x dx.
0
Integrando por partes com dv = e x dx
e u = x, temos que v = e x e du = dx, e portanto,
Z
x
E(X) = xe e x dx
0 0
e x
= 0 +
0
1
= .
98 / 140
Probabilidade e Estatstica
Varincia
Integrando por partes duas vezes, obtemos que
2
E(X 2 ) = .
2
Portanto,
2 1 1
Var(X) = E(X 2 ) (E(X))2 = 2
2 = 2.
Exerccio
O tempo mdio de falha das lmpadas produzidas em uma certa fbrica de 17500 horas.
Sabendo que o tempo de falha destas lmpadas segue distribuio exponencial, qual a proba-
bilidade de uma lmpada falhar no primeiro ano de uso?
Soluo
Primeiro, observe que como o tempo mdio de falha de 17500 horas, o parmetro da expo-
nencial dado por
1
.
= 17500
Como um ano tem 365 dias (em geral no considera-se anos bissextos), temos 24 365 = 8760
horas em um ano. Assim, queremos calcular
1
P(X 8760) = 1 e 17500 8760 1 e0,5 0, 39.
Assim, temos uma probabilidade de aproximadamente 39% de que a lmpada venha a falhar no
primeiro ano de uso.
Assim como a distribuio Geomtrica a nica distribuio discreta que possui perda de memria,
a distribuio exponencial a nica distribuio contnua que possui perda de memria.
Mais precisamente, considere o seguinte exemplo:
99 / 140
Probabilidade e Estatstica
Mais precisamente, seja X uma varivel aleatria seguindo distribuio exponencial com parmetro
. Ento, temos que para todo par de nmeros reais positivos, t, s, vale
Realizando a integral por partes na funo gama, fazendo u = x p1 e dv = ex dx, temos que
Z
x p1
ex (p 1)x p2 dx
(p) = e x
0Z
0
x p2
= 0 + (p 1) e x dx
0
= (p 1)(p 1).
100 / 140
Probabilidade e Estatstica
A distribuio gama mais flexvel que a distribuio exponencial, isto , as densidades podem
assumir as mesmas formas das densidades da distribuio exponencial, mas tambm podem assumir
formas diferentes. Isso se deve incluso do segundo parmetro.
Na figura abaixo apresentamos grficos das funes de densidade da distribuio gama para alguns
valores de r e :
0.0 0.1 0.2 0.3 0.4 0.5
(1;0,5)
f(x)
(2;0,5) (9;2)
(3;0,5)
0 5 10 15 20
x
Figura 7.3: Exemplo de funes de densidade da distribuio gama para valores de r e descritos no
par ordenado (r, )
Nota
Observe que se X Gama(1, ), ento na realidade X Exp(). Assim, a distribuio
exponencial caso particular da distribuio gama.
Alm disso, por este fato, o parmetro da distribuio gama chamado de taxa, e o
parmetro r chamado de parmetro de forma.
Esperana e Varincia
possvel mostrar que se X Gama(r, ), ento
r r
E(X) = e Var(X) = 2 .
101 / 140
Probabilidade e Estatstica
Exerccio
Suponha que o tempo de vida til, em anos, de uma mquina de lavar uma varivel aleatria
X com funo de densidade dada por
xex/2
f (x) = , x 0.
4
Determine a distribuio de X.
Alm disso, se o fabricante fornece seis meses de garantia para o produto, qual a proporo de
aparelhos que devemos esperar que usem essa garantia?
Soluo
Olhando a funo de densidade, observamos que no se trata de uma distribuio exponencial,
mas que se parece com uma distribuio gama.
Comparando a densidade acima com a densidade geral da distribuio gama, vemos que X
segue distribuio gama com parmetros r = 2 e = 1/2.
Como o tempo de vida est sendo dado em anos, queremos calcular a probabilidade
Z 1/2 x/2 Z 1/2
xe 1
P(X 1/2) = dx = xex/2 dx.
0 4 4 0
Para calcular a probabilidade acima, vamos integrar por partes. Fazendo u = x e dv = ex/2 dx,
obtemos que du = dx e v = 2ex/2 . Desta forma,
1/2 R 1/2
P(X 1/2) = 12 xex/2 14 0 (2ex/2 )dx
0R
1/4 1/2 x/2
= e 2 + 12 0 e dx
1/4 1/2
= e ex/2
2 0
e1/4 1/4
= 2 (e 1)
0, 0265.
Desta forma, esperado que aproximadamente 2,65% das mquinas de lavar utilizaro o servio
de garantia.
7.5 Atividades
1. Se Y tem distribuio uniforme em (0, 5), qual a probabilidade de que as razes da equao
2
4x + 4xY +Y + 2 = 0 sejam ambas reais?
2. Numa populao, o nvel srico de colesterol em adultos (medido em mg/dl) uma varivel
aleatria com distribuio normal com parmetros = 225 e = 75. Calcule:
a) a proporo 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 populao que tem os nveis
mais elevados.
3. Seja X N(5, 16). Obtenha:
a) P(X 13);
b) P(X 1);
102 / 140
Probabilidade e Estatstica
c) P(4 X 9);
d) o valor de a tal que P(X a) = 0, 04;
e) o valor de b tal que P(X b) = 0, 01;
f) o intervalo que contm 95% dos valores centrais (intervalo simtrico em torno de ) de X.
4. Em uma fbrica de refrigerante, uma mquina usada para encher garrafas de 600ml. O contedo
lquido (em ml) por garrafa varia segundo a distribuio normal com parmetros = 600 e = 4.
Calcule:
a) a porcentagem de garrafas produzidas com contedo inferior a 592ml ou superior a 612ml;
b) o contedo mnimo encontrado em 96% das garrafas fabricadas.
5. O peso em gramas de recm-nascidos em uma maternidade tem distribuio normal com parmetro
= 3000g. Sabe-se que 98% dos bebs nascem com um peso compreendido entre 2,5kg e 3,5kg.
Determine:
a) o parmetro ;
b) o peso abaixo do qual nascem 0,4% dos bebs dessa maternidade.
6. Se 55% da populao de uma cidade a favor de um projeto proposto pelo prefeito, estime
(usando a aproximao da binomial pela normal) de que, em uma amostra aleatria de 176 pessoas,
no mximo 93 sejam favorveis ao projeto.
7. Seja U uma varivel aleatria uniforme no intervalo (a, b). Calcule, para todo n 1, E(U n ).
8. Seja X uma varivel aleatria seguindo distribuio Exponencial com parmetro . Calcule
E(X n ).
9. Obtenha a esperana da rea de um tringulo retngulo issceles cuja hipotenusa tem compri-
mento uniformemente distribudo no intervalo (2, 8).
10. Um computador foi usado para gerar sete nmeros aleatrios independentes uniformemente dis-
tribudos no intervalo (0, 1). Calcule a probabilidade de que:
a) exatamente de trs nmeros estejam entre 1/2 e 1;
b) menos do que trs sejam maiores que 3/4.
11. (Distribuio Log-Normal): Seja Y = eX , onde X N(0, 1). Encontre a densidade de Y .
12. Seja X N(0, 1). Seja Y = X 2 . Obtenha a densidade
de Y , mostre que Y segue distribuio
Gama e determine os parmetros. (Dica: Use que (1/2) = .)
103 / 140
Probabilidade e Estatstica
Captulo 8
O BJETIVOS DO CAPTULO
Ao final deste captulo voc dever ser capaz de:
Vamos comear relembrando dois conceitos bsicos importantes de estatstica, a saber, populao e
amostra.
De uma maneira mais precisa, temos a seguinte definio:
Definio: Populao
O conjunto de todos os elementos, ou resultados, sob investigao chamado de populao.
104 / 140
Probabilidade e Estatstica
Importante
O objetivo da inferncia estatstica produzir afirmaes sobre dada caracterstica da popu-
lao na qual estamos interessados, a partir de informaes colhidas de uma parte dessa
populao. Esta caracterstica na populao pode ser representada por uma varivel aleat-
ria.
Nota
8.2 Amostragem
105 / 140
Probabilidade e Estatstica
Amostragem Probabilstica: O mecanismo de escolha dos elementos da amostra tal que existe
uma probabilidade conhecida de cada elemento da populao vir a participar da amostra.
Amostragem Sistemtica:
Amostragem Estratificada:
106 / 140
Probabilidade e Estatstica
Interesse
Uma medida que descreva certa caracterstica da populao. Normalmente temos interesse em
um parmetro desconhecido da populao, seja mdia, varincia, ou outro parmetro.
Soluo
A partir da amostra, podemos construir uma funo, utilizando apenas os valores obtidos nesta
amostra, para descrever tal caracterstica. Esta funo chamada de estatstica.
Nota
Como os valores da amostra so aleatrios, qualquer quantidade calculada em funo dos
elementos da amostra tambm ser uma varivel aleatria. Assim, as estatsticas, sendo
variveis aleatrias, tero alguma distribuio de probabilidade.
Formalizao do Problema
Seja X1 , . . . , Xn uma amostra aleatria simples (AAS) de uma populao de tamanho n. Para realizar-
mos uma afirmao sobre algum parmetro da populao (mdia, varincia, etc.), utilizaremos uma
estatstica T que, como sabemos, uma funo da amostra, isto , T = f (X1 , . . . , Xn ), para alguma
funo f .
Nota
Quando conhecemos melhor o comportamento da estatstica T , ou seja, se conhecemos
sua distribuio amostral, que nada mais que a distribuio de probabilidade da varivel
aleatria T , poderemos realizar afirmaes sobre o parmetro .
A distribuio amostral relata o comportamento da estatstica T , caso retirssemos todas as
possveis amostras de tamanho n.
Consideremos uma populao identificada pela varivel aleatria X, cujos parmetros mdia popula-
cional = E(X) e varincia populacional 2 = Var(X) so supostos conhecidos. Vamos tirar todas
as possveis amostras de tamanho n dessa populao e, para ccada uma, calcular a mdia amostral X
dada por
1 n
X = Xi ,
n i=1
e em seguida vamos obter algumas propriedades de X.
Considere a populao {1, 3, 5, 7}. Sabemos que a mdia populacional = 4, 2 e a varincia popu-
lacional 2 = 4, 16. Se retiramos uma amostra de tamanho n = 2, segundo amostragem aleatria
simples (ento todos os elementos possuem a mesma probabilidade de serem retirados), a distribuio
amostral de
X1 + X2
X=
2
ser dada por
107 / 140
Probabilidade e Estatstica
x 1 2 3 4 5 6 7 Total
P(X = x) 1/25 2/25 5/25 6/25 6/25 4/25 1/25 1
Assim,
7
E(X) = xi P(X = xi ) = 4, 2,
i=1
e
Var(X) = 2, 08.
Temos ento a seguinte proposio:
Proposio
Seja X uma varivel aleatria com mdia e varincia 2 , e seja (X1 , . . . , Xn ) uma AAS de X.
Ento,
2
E(X) = e Var(X) = .
n
Demonstrao
Temos que
1 n
E(X) = E Xi
n i=1
n
E(Xi )
= n
i=1
1 n
=
n i=1
n
=
n
= .
e, usando que a varincia de soma de variveis independentes dada pela soma das varincias,
e as propriedades da varincia, temos:
1 n
Var(X) = Var Xi
n i=1
n X
i
= Var
i=1 n
1 n 2
=
n2 i=1
n 2
=
n2
2
= .
n
Vamos agora enunciar um dos principais resultados da probabilidade moderna: o teorema central do
limite. A demonstrao deste teorema pode ser encontrada em livros mais avanados de probabili-
dade.
108 / 140
Probabilidade e Estatstica
Nota
No caso em que a distribuio de X normal, a distribuio de X ser normal, mesmo para
valores pequenos de n.
Seja X uma varivel aleatria com distribuio Bernoulli com parmetro p, isto , P(X = 1) = p e
P(X = 0) = 1 p. Temos que E(X) = p e Var(X) = p(1 p). Considere uma AAS de tamanho n
dessa populao. Seja
n
Sn = Xi ,
i=1
o nmero de indivduos com a caracterstica de interesse da amostra. Sabemos que Sn Bin(n, p).
Pelo teorema central do limite temos que X tem distribuio aproximadamente normal, para n sufici-
entemente grande. Seja pb = X, a proporo amostral. Ento, temos que
aprox.
p(1 p)
pb N p, ,
n
ou equivalentemente,
pb p aprox.
Z=p N(0, 1),
p(1 p)/n
pois, temos que
S 1 p
n
E( pb) = E = E(Sn ) = n = p,
n n n
e S
n 1 np(1 p) p(1 p)
Var( pb) = Var = 2 Var(Sn ) = = .
n n n2 n
possvel mostrar, na realidade, que vale o seguinte resultado:
pb p aprox.
p N(0, 1),
pb(1 pb)/n
ou seja, se trocarmos p(1 p)/n por pb(1 pb)/n, o resultado ainda vale. Este resultado ser til na
construo de intervalos de confiana.
109 / 140
Probabilidade e Estatstica
Em vrios problemas prticos, deseja-se comparar duas populaes de interesse. Por exemplo, pode-
mos estar interessados em avaliar a diferena de desempenho entre duas linhas de produo.
Suponha que duas populaes de interesse, X1 e X2 , com mdias 1 e 2 , e varincias 12 e 22 ,
respectivamente.
Considere duas AAS independentes de tamanhos n1 e n2 das duas populaes. Pelo teorema central
do limite, a distribuio amostral da diferena (X 1 X 2 ), para n1 e n2 suficientemente grandes, ser
dada por
aprox.
2 2
(X 1 X 2 ) N 1 2 , 1 + 2 ,
n1 n2
ou equivalentemente,
(X 1 X 2 ) (1 2 ) aprox.
Z= q N(0, 1),
2 2
1 /n1 + 2 /n2
pois,
E(X 1 X 2 ) = E(X 1 ) E(X 2 ) = 1 2 ,
e
12 22
Var(X 1 X 2 ) = Var(X 1 ) +Var(X 2 ) = + .
n1 n2
Neste caso, supomos que as duas populaes de interesse apresentam distribuio binomial com pro-
pores p1 e p2 . Considere que so feitas duas AAS independentes de tamanhos n1 e n2 . A distri-
buio amostral da diferena entre propores ( pb1 pb2 ), para n1 e n2 suficientemente grandes, pelo
teorema central do limite temos
aprox.
p1 (1 p1 ) p2 (1 p2 )
( pb1 pb2 ) N p1 p2 , + ,
n1 n2
ou equivalentemente,
( pb1 pb2 ) (p1 p2 ) aprox.
Z=p N(0, 1).
p1 (1 p1 )/n1 + p2 (1 p2 )/n2
Suponha que alguma caracterstica da populao possa ser representada por uma varivel aleatria
X, com funo de distribuio FX (x; ). Suponha que os valores x1 , . . . , xn de uma AAS X1 , . . . , Xn
de FX (x; ) possam ser observados. Com base nos valores amostrais, desejamos estimar o parmetro
desconhecido , ou alguma funo deste parmetro. Neste caso, a estimao poder ser feita de duas
maneiras:
110 / 140
Probabilidade e Estatstica
Definio: Estimador
Um estimador uma estatstica, isto , uma funo da amostra, que usada para representar
um valor plausvel para o parmetro desconhecido de interesse.
Definio: Estimativa
valor numrico particular assumido por um estimador. Ou seja, o valor do estimador apli-
cado em uma realizao da amostra.
Importante
importante frisar que podem existir vrios estimadores para um mesmo parmetro popula-
cional. Logo, a escolha do melhor estimador ser feita com base em alguns critrios.
E(T ) = .
Consistncia: Dizemos que um estimador T para o parmetro consistente se, alm de ser
no-viesado, sua varincia tende a zero quando o tamanho amostral tende a infinito:
lim Var(T ) = 0.
n
111 / 140
Probabilidade e Estatstica
1
fX (x) = , 0 < x < ,
e fX (x) = 0 caso contrrio. Assim, se FM a funo de distribuio de M, ento, como as variveis
X1 , . . . , Xn so independentes, temos que
e portanto,
fM (m) = FM0 (m) = n[FX (m)]n1 fX (m).
Alm disso, temos que Z x
1 x
FX (x) = dt = , 0 < x < .
0
Logo, temos que
h m in1 1 nmn1
fM (m) = n = , 0 < m < .
n
nmn1 n n
Z Z
E(M) = m dm = m dm
0 n n 0
n mn+1
=
n n+1 0
n n+1
=
n n+1
n
= .
n+1
Assim, temos que M um estimador viesado. Podemos obter um outro estimador, a partir de M, que
seja no-viesado, dado por
Me = n + 1 M.
n
1 n
b=X =
Xi.
n i=1
112 / 140
Probabilidade e Estatstica
Quando a mdia populacional conhecida, um estimador para a varincia populacional dado por
1 n
b2 =
(Xi )2.
n i=1
Caso a mdia populacional seja desconhecida, que a situao mais comum na prtica, a varincia
populacional pode ser estimada por
1 n
S2 = (Xi X)2.
n 1 i=1
Suponha que temos um estimador para um certo parmetro dado por b. Alm disso, suponha que
temos a seguinte aproximao:
b aprox.
N(0, 1).
Queremos ento utilizar b e a aproximao acima para construir um intervalo de confiana para , ou
seja, queremos utilizar b para construir um intervalo aleatrio, do tipo [T1 , T2 ], onde T1 e T2 dependem
de b tal que
P(T1 < T2 )) 1 ,
onde um nvel de significncia determinado previamente. Normalmente costuma-se escolher
= 0, 01, = 0, 05 ou = 0, 10, isto , estamos afirmando que em apenas em 1%, ou 5%, ou 10%,
das amostras possveis (de mesmo tamanho) da populao, o intervalo de confiana no contm o
parmetro . Nestes casos, dizemos que estamos construindo intervalos de confiana de nveis de
confiana de 99%, 95% ou 90%, respectivamente.
Observe que a aproximao acima obtida para b nos fornece:
P C < C = P b
C P b
C
b
(C) (C)
= (C) 1 + (C)
= 2(C) 1.
Por outro lado,
b
P C < C = P C < b C
= P C < C
b b
= P C + b < C + b .
113 / 140
Probabilidade e Estatstica
Seja X1 , . . . , Xn uma AAS de uma varivel aleatria comum X satisfazendo E(Xi ) = e Var(Xi ) = 2 .
Ento, seja X a mdia dessa AAS:
1 n
X = Xi .
n i=1
Vimos que a distribuio amostral da mdia , pelo Teorema Central do Limite, aproximadamente:
X
N(0, 1).
/ n
Pelo que vimos na subseo anterior, isto nos diz que um intervalo de confiana de nvel 1 para a
mdia dado por h i
C + X;C + X ,
n n
onde C dado por C = 1 1 2 .
114 / 140
Probabilidade e Estatstica
Seja X1 , . . . , Xn uma AAS de uma varivel aleatria Bernoulli X com parmetro p, isto , as variveis
Xi assumem o valor 1 com probabilidade p, e 0 com probabilidade 1 p. Seja pb a proporo da
amostra que assume valor 1 (ou em exemplos prticos a proporo da amostra que satisfaz uma
determinada condio), ento, temos que pb dado por
1 n
pb = X = Xi.
n i=1
Considere duas AAS independentes de tamanhos n1 e n2 das duas populaes. Vimos que a distribui-
o amostral da diferena (X 1 X 2 ), para n1 e n2 suficientemente grandes, satisfaz
(X 1 X 2 ) (1 2 ) aprox.
q N(0, 1).
12 /n1 + 22 /n2
115 / 140
Probabilidade e Estatstica
Desta forma, utilizando o que vimos na construo de intervalos de confiana, um intervalo de confi-
ana de nvel 1 para a diferena de mdias dado por
h q q i
C 1 /n1 + 2 /n2 + X 1 X 2 ;C 12 /n1 + 22 /n2 + X 1 X 2 ,
2 2
onde C dado por C = 1
1 2 .
8.4.1 Correlao
Relao Funcional e Relao Estatstica Como sabemos, o permetro e o lado de um quadrado esto
relacionados. A relao que os liga perfeitamente definida e pode ser expressa matematicamente
por
permetro = 4l,
onde l o lado do quadrado. Atribuindo-se, ento, um valor qualquer a l, possvel determinar
exatamente o valor do permetro.
Consideremos agora a relao entre o peso e a altura de um grupo de pessoas. evidente que esta
relao no do mesmo tipo da anterior. Assim, podemos ter duas pessoas com a mesma altura
e pesos diferentes, assim como pessoas com mesmo peso e alturas diferentes. Porm, existe uma
tendncia clara de que, quanto maior a altura, maior o peso.
As relaes do tipo permetro-lado so chamadas de relaes funcionais e as relaes do tipo peso-
altura so chamadas de relaes estatstica.
Quando duas variveis esto ligadas por uma relao estatstica, dizemos que existe correlao entre
elas.
116 / 140
Probabilidade e Estatstica
O diagrama de disperso apresenta os pares ordenados (xi , yi ) de uma amostra aleatria bidimensional
em um plano cartesiano. Esse diagrama nos fornece uma ideia grosseira, porm til, da correlao
existente.
2
1
0
y
1
2
2 1 0 1 2
x
Correlao Linear
Se os pontos do diagrama apresentam uma tendncia linear ascendente, temos correlao linear
positiva:
30
20
y
10
5
0
0 5 10 15 20 25 30
x
117 / 140
Probabilidade e Estatstica
Se os pontos apresentam uma tendncia linear descendente, temos correlao linear negativa
0
10
y
20
30
0 5 10 15 20 25 30
x
0 5 10 15 20 25 30
x
118 / 140
Probabilidade e Estatstica
1
0
y
1
2
2 1 0 1 2
x
usado para indicar o grau de intensidade da correlao linear entre duas variveis e, ainda, o sentido
dessa correlao: se positivo ou negativo. O coeficiente de correlao de Pearson entre duas amostras
(x1 , . . . , xn ) e (y1 , . . . , yn ) dado por
xi yi xi yi xi2 y2i
4 12 48 16 144
6 10 60 36 100
8 8 64 64 64
10 12 120 100 144
12 14 168 144 196
119 / 140
Probabilidade e Estatstica
xi yi xi yi xi2 y2i
40 56 460 360 648
8.4.2 Regresso
Podemos dizer que a anlise de regresso tem como objetivo descrever, atravs de um modelo mate-
mtico, a relao entre duas variveis.
A varivel sobre a qual desejamos fazer uma estimativa recebe o nome de varivel dependente e a
outra varivel recebe o nome de varivel independente.
Assim, supondo que X a varivel independente e Y a varivel dependente, procuramos determinar
atravs de ajuste de uma reta a relao entre essas variveis, ou seja, vamos obter a funo definida
por
Y = a + bX,
onde a e b so os parmetros da regresso. Entretanto, sabemos que essa frmula no exata, assim,
existe a presena de um erro aleatrio:
Yi = a + bXi + ei , i = 1, . . . , n,
ni=1 e2i n
= 2 (Yi a bXi ),
a i=1
e
ni=1 e2i n
= 2 (Yi a bXi )Xi .
b i=1
Assim, como os nossos estimadores ab e b b so os valores que minimizam a soma de quadrados dos
erros, temos que ab e b so tais que as derivadas parciais calculadas acima se anulam.
b
Logo, temos que:
n n n
1 n 1 n
2 (Yi ab b
bXi ) = 0 Yi nb
ab
b Xi = 0 i Y = a
b + b
b Xi,
i=1 i=1 i=1 n i=1 n i=1
120 / 140
Probabilidade e Estatstica
e portanto
ab = Y b
bX.
Por outro lado, temos tambm que
n n n n
2 (Yi ab b b Xi2 = 0,
bXi )Xi = 0 Yi Xi ab Xi b
i=1 i=1 i=1 i=1
da,
n n n
YiXi = ab Xi + bb Xi2.
i=1 i=1 i=1
Substituindo o valor de ab na equao acima, obtemos
n n n
YiXi = (Y bbX) Xi + bb Xi2.
i=1 i=1 i=1
Isolando b
b, obtemos
n n
2 n n
n
2 i=1 Xi i=1 Yi i=1 Xi
b Xi
b = Yi Xi .
i=1 n i=1 n
ni=1 Yi ni=1 Xi
n
SY X = Yi Xi ,
i=1 n
e 2
n
ni=1 Xi
SXX = Xi2 .
i=1 n
Importante
Como estamos fazendo uso de uma amostra para obtermos os valores dos parmetros, o
resultado, na realidade, um estimador para a verdadeira equao de regresso, e portanto,
temos
Ybi = ab + b
bXi ,
onde Y
bi um estimador para Yi .
Exemplo 8.6 Exemplo de clculo das estimativas dos parmetros em um modelo de regresso
Abaixo apresentamos os valores de uma amostra de 10 observaes de duas variveis aleatrias X e
Y:
121 / 140
Probabilidade e Estatstica
yi xi yi xi xi2
6 5 30 25
9 8 72 64
8 7 56 49
10 10 100 100
5 6 30 36
7 7 49 49
8 9 72 81
4 3 12 9
6 8 48 64
2 2 4 4
xi yi xi yi xi2
65 65 473 481
Da,
652
SY X = 473 = 473 422, 5 = 50, 5,
10
e
652
SXX = 481 = 481 422, 5 = 58, 5,
10
assim
50, 5 65 65
b=
b = 0, 86 e ab = 0, 86 = 0, 91.
58, 5 10 10
Logo, temos a equao
Ybi = 0, 91 + 0, 86Xi .
Na figura abaixo apresentamos o diagrama de disperso juntamente com a reta de regresso estimada
no exemplo anterior:
10
8
6
y
4
2
2 4 6 8 10
x
122 / 140
Probabilidade e Estatstica
Existe uma medida utilizada para avaliar a qualidade do ajuste. Esta medida conhecida como
coeficiente de determinao ou poder explicativo da regresso. Seu valor fornece a proporo da
variao total da varivel Y explicada pela varivel X atravs da funo ajustada.
O coeficiente de determinao denotado por R2 e pode ser expresso por
b2 SXX
b bSY X
b
R2 = ou R2 = ,
SYY SYY
onde 2
n
ni=1 Xi
SXX = Xi2 ,
i=1 n
n n
2
i=1 Yi
SYY = Yi2 ,
i=1 n
e
ni=1 Yi ni=1 Xi
n
SY X = Yi Xi .
i=1 n
O coeficiente de determinao pode assumir valores no intervalo [0, 1], isto , 0 R2 1.
Quando R2 = 0, a variao explicada de Y zero, ou seja, a reta ajustada paralela ao eixo da varivel
X. Se R2 = 1, a reta ajustada explicar toda a variao de Y . Assim, quanto mais prximo de 1 estiver
o valor de R2 , melhor ser a qualidade do ajuste da regresso aos pontos do diagrama de disperso
e quanto mais prximo de zero, pior ser a qualidade do ajuste.
Se o poder explicativo for, por exemplo, 98%, isto significa que 98% das variaes de Y so explicadas
por X atravs da funo escolhida para relacionar as duas variveis e 2% so atribudas a causas
aleatrias.
Na figura abaixo vemos um exemplo no qual R2 = 1:
2
1
y
0
1
1 0 1 2
x
Figura 8.8: Exemplo contendo diagrama de disperso e reta de regresso ajustada para R2 = 1
123 / 140
Probabilidade e Estatstica
2
1
y
0
1
1 0 1 2
x
Figura 8.9: Exemplo contendo diagrama de disperso e reta de regresso ajustada para R2 = 0, 93
2 1 0 1 2
x
Figura 8.10: Exemplo contendo diagrama de disperso e reta de regresso ajustada para R2 = 0, 32
124 / 140
Probabilidade e Estatstica
2
1
y
0
1
2 1 0 1 2
x
Figura 8.11: Exemplo contendo diagrama de disperso e reta de regresso ajustada para R2 = 0
yi xi yi xi xi2 y2i
6 5 30 25 36
9 8 72 64 81
8 7 56 49 64
10 10 100 100 100
5 6 30 36 25
7 7 49 49 49
8 9 72 81 64
4 3 12 9 16
6 8 48 64 36
2 2 4 4 4
xi yi xi yi xi2 y2i
65 65 473 481 475
Da,
652
SYY = 475 = 475 422, 5 = 52, 5,
10
e
652
SXX = 481 = 481 422, 5 = 58, 5.
10
b = 0, 86 e, portanto,
Como calculado anteriormente, temos que b
58, 5
R2 = (0, 86)2 0, 83.
52, 5
125 / 140
Probabilidade e Estatstica
8.5 Atividades
1. Suponha que as alturas dos alunos da UFPB tenham distribuio normal com = 15cm. Foi
retirada uma amostra aleatria de 100 alunos obtendo-se X = 175cm. Construa um intervalo de 90%
de confiana para a verdadeira altura mdia dos alunos, e outro de nvel 99%.
2. Foram retiradas 25 peas da produo diria de uma mquina, encontrando-se para uma me-
dida uma mdia de 5,2mm. Sabendo-se que as medidas tm distribuio normal com desvio-padro
populacional de 1,2mm, construa intervalos de confiana para a mdia com confianas de 90%, 95%
e 99%.
3. Suponha uma populao com 2 = 9 e considere uma amostra aleatria de tamanho n = 36
dessa populao, com X = 110. Determine os intervalos de confiana para , com confiana de 90%
e 95%.
4. Uma amostra de 300 habitantes de uma cidade mostrou que 180 desejavam a gua fluorada.
Encontre os intervalos de confiana de 90% e 99% para a populao favorvel a fluorao.
5. Em 50 lances de uma moeda foram obtidas 30 caras. A partir de um intervalo de confiana de
96%, pode-se dizer que a moeda honesta?
6. Numa amostra de 400 casas, 100 dessas casas so alugadas. Construa um intervalo de confiana
para a proporo de casas alugadas, com uma confiana de 96% e, supondo a mesma confiana,
construa tambm um intervalo de confiana para o nmero de casas alugadas na cidade, uma vez que
a cidade possui 20.000 casas.
7. Um teste psicolgico destinado a medir a preciso com que uma pessoa julga outras pessoas, foi
realizado. As notas possveis do teste variam de 0 a 41. Durante sua elaborao o teste foi aplicado
a vrios grupos com diferentes de pessoas. De acordo com os resultados observados, construa um
intervalo de confiana para a diferena entre as mdias dos grupos de homens e de mulheres, com
90% de confiana.
Homens: n = 133, X = 25, 34 e = 5, 05.
Mulheres: n = 162, X = 24, 94 e = 5, 44.
8. Suponha duas populaes normalmente distribudas de forma que a populao I corresponde
a varivel aleatria X N(1 , 25) e a populao II corresponde a varivel aleatria Y N(2 , 40).
Com base nas amostras obtidas abaixo construa um intervalo de confiana para 1 2 com 95% de
confiana.
Amostra da Populao I - 12, 14, 15, 14, 13, 17, 14, 13.
Amostra da Populao II - 13, 17, 14, 13, 16, 17, 18, 16.
9. Uma pesquisa revelou que das 500 donas de casa consultadas, 300 preferiram o detergente
A. Um funcionrio da companhia afirmou que 50% das donas de casa preferem o detergente A. A
companhia, tem evidncia, ao nvel de 95% para confiar no funcionrio?
10. Sabe-se por experincia que 5% da produo de um determinado artigo defeituosa. Um novo
empregado contratado. Ele produz 600 peas do artigo com 82 defeituosas. Podemos afirmar, ao
nvel de 90% de confiana, que o novo empregado produz peas com maior ndice de defeitos que o
existente?
126 / 140
Probabilidade e Estatstica
127 / 140
Probabilidade e Estatstica
Captulo 9
9.1 Captulo 1
3. 41,8
4. 13,8
5. 41
6. 9
7. 41
8. 14
9. 6,33
10. 5,52
11. Varincia amostral = 67,75. Varincia populacional = 65,81.
12. Varincia amostral = 76,83. Varincia populacional = 73,76.
13. 19,69%.
14. 63,52%.
9.2 Captulo 2
1. Respostas:
a. V;
b. F;
c. V;
d. V;
e. V;
f. F;
128 / 140
Probabilidade e Estatstica
g. V;
h. F;
i. V;
j. F;
k. V;
l. F;
m. V;
n. F.
2. Respostas:
b. 0;
/
d. {5, 6, 7};
f. {6, 7};
g. {{5}}.
3. Seja M = {1, 2, 3, 4, {1}, {2}, {3}, {4}}. Sejam A = {1, {2}, 3, {4}} e B = {{1}, 2, {3}, 4}.
a. Justifique!;
b. Ac = B, Bc = A, A Bc = A, Ac B = B, Ac Bc = M, A B = M, A Ac = M, B Bc = M.
/ Ac Bc = 0,
c. A B = 0, / A Ac = 0/ e B Bc = 0.
/
4. 26 25 24 = 15600.
5. 6.
6. 51 0 = 9765625.
7. 60.
8. 6840.
9. 8! = 40320.
10. 5! = 120.
11. 210.
12. 120.
13. 371.
129 / 140
Probabilidade e Estatstica
9.3 Captulo 3
1. Respostas:
a) A Bc Cc
b) A B Cc
c) A B C
d) A B C
e) (A B C)c
f) (A Bc Cc ) (Ac B Cc ) (Ac Bc C)
(26)(26)
2. 2 52 2 .
(4)
12!
3. 1212
.
4. Respostas:
7
a)
(104)
b) 1/210
c) 2/5
d) 2/3
e) 1/42
5. Respostas:
a) 1/2
b) 3/4
c) 11/20
d) 1/20
e) 3/10
f) 7/20
g) 9/20
h) 4/5
6. 14/15
7. Respostas:
a) 319/324
b) 203/23328
c) 7/792
8. Respostas:
a) 2/15
b) 1/2
9. Sim
10. Respostas:
a) 0,92
b) 0,44
130 / 140
Probabilidade e Estatstica
9.4 Captulo 4
1. Respostas:
a) 1/21
b) 3/7
2. Respostas:
a) 3/4
b) 4/5
3. Respostas:
a) P(X = 0) = 1/2, P(X = 1) = P(X = 3) = P(X = 4) = 1/10, P(X = 2) = 1/5.
b) 5/8
4. Respostas:
a) p(2) = 1/10, p(3) = 1/5, p(4) = 3/10, p(5) = 2/5.
b) p(x) = 1/10 se x {3, 4, 8, 9} e p(x) = 1/5 se x {5, 6, 7}.
6. Respostas:
a) 2
b) 1/4
(
1 x2 , se x 1,
c) F(x) =
0, se x < 1.
1
7. fY (y) = 2 y,
0 < y < 1.
8. fY (y) = (2/)1/2 exp{y2 /2}, y > 0.
9.
1
1 + e y , se 0 y < 1,
4 y
fY (y) = 4y e y ,
1
se y 1,
0, caso contrrio.
9.5 Captulo 5
1. Respostas:
a) p(16) = 1/12, p(7) = 1/6, p(2) = 13/36, p(11) = 2/9, p(20) = 1/6.
b) E(X) = 4,Var(X) = 108, 5.
2. 7/2.
3. mdia = 12,3; varincia = 9,3.
4. Resposta:
b) E(X) =
5. Respostas:
a) E(X) = 0;
b) E(|X|) = 1.
c) Var(X) = 2.
131 / 140
Probabilidade e Estatstica
9.6 Captulo 6
1. Respostas:
a) Binomial com n = 15, p = 0, 8.
b) 0,035
c) 0,83
2. Respostas:
a) Hipergeomtrica com parmetros 6, 9 e 12.
b) 1/2.
3. Respostas:
a) Binomial com n = 10 e p = 1/5.
b) 4, 2 106 .
c) 0, 62.
4. Respostas:
a) Geomtrica com p = 0, 3.
b) 7
5. Respostas:
a) Binomial negativa n = 2 e p = 2/5.
b) 0,7667
6. Respostas:
a) 1/3
b) 0,057
7. log(2).
8. 0,9631
9. Respostas:
a) 0,1339
b) 0,2851
c) 0,9380
9.7 Captulo 7
1. 3/5
2. Respostas:
a) 58,2%
b) 321
3. Respostas:
132 / 140
Probabilidade e Estatstica
a) 0,9772
b) 0,8413
c) 0,44
d) -2
e) 14,32
f) [2, 84, 12, 84].
4. Respostas:
a) 2,41%
b) 593ml
5. Respostas:
a) 214,6
b) 2431g
6. 0,281.
bn+1 an+1
7. (n+1)(ba)
8. n!/ n .
9. 7
10. Respostas:
a) 35/128
b) 12393/16384.
11. fY (y) = y1 (2)1/2 exp{(log(y))2 /2}, y > 0.
12. Y segue distribuio Gama (1/2, 1/2).
9.8 Captulo 8
1. Intervalo de 90% [1, 73; 1, 77]. Intervalo de 99% [1, 71; 1, 79].
2. Intervalo de 90% [4, 80; 5, 59]. Intervalo de 95% [4, 73; 5, 67]. Intervalo de 99% [4, 58; 5, 82].
3. Intervalo de 90% [109, 18; 110, 82]. Intervalo de 95% [109, 02; 110, 98].
4. Intervalo de 90% [0, 55; 0, 65]. Intervalo de 99% [0, 53; 0, 67].
5. Intervalo de 96% [0, 46; 0, 74]. Como o valor p = 0, 5 pertence ao intervalo de confiana de 96%,
podemos afirmar, com 96% de confiana que, sim, a moeda honesta.
6. Intervalo de 96% [0, 20; 0, 29]. Baseado no intervalo de confiana, temos que se Xi uma vari-
vel aleatria indicando que a i-sima casa alugada, ento, Xi segue distribuio Bernoulli com o
parmetro p pertencente a este intervalo. O nmero de casas alugadas ento dado por
20.000
N= Xi .
i=1
Portanto, N Bin(n, p), onde p pertence a este intervalo. Como o nmero esperado de casas alugadas
dado por
E(N) = 20.000p.
133 / 140
Probabilidade e Estatstica
[4000, 5800].
134 / 140
Probabilidade e Estatstica
Apndice A
Z x
1 2
P(X x) = (x) = ey /2 dy
2
(x) = 1 (x).
FUNO DE DISTRIBUIO DA NORMAL N(0,1)
x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
135 / 140
Probabilidade e Estatstica
136 / 140
Probabilidade e Estatstica
Captulo 10
ndice Remissivo
A de Determinao, 123
AAS, 107 Coeficiente Binomial Generalizado, 79
Absoluta Coeficiente de Variao, 21
Acumulada, 6 Coeficientes Binomiais, 30
Acumulada, 6 Combinaes, 29
Aditividade Complementar, 26, 36
Contvel, 35 Condicional, 38
Finita, 35 Conjunto, 23
Aleatria Simples, 106 Complementar, 26
Amostra, 1, 104 Diferena, 26
Tamanho, 104 Elemento, 24
Amostragem, 105 Igualdade, 24
Aleatria Simples, 106 Interseo, 25
Estratificada, 106 Subconjunto, 24
No-Probabilstica, 105 Unio, 24
por Conglomerado, 106 Vazio, 24
Probabilstica, 105 Consistncia, 111
Sistemtica, 106 Consistente, 111
Amostral, 18, 34 Contvel, 35
Amplitude, 17 Contnua, 2, 49
Amplitude Total, 4 Contagem
Analtica, 78 Regra da adio, 28
Aproximao da Binomial, 86 Regra da multiplicao, 27
Arranjos, 29 Correlao, 116
de Pearson, 119
B Correlao Linear
Bayes, 41 Negativa, 117
Bernoulli, 71 Positiva, 117
Binmio de Newton, 30 Correlao No-Linear, 117
Generalizado, 79 Cronolgica, 3
Binomial, 72
Binomial Negativa, 78 D
de Colunas, 9
C de Determinao, 123
Censo, 1 de Disperso, 16
Central do Limite, 108 de Linhas, 8
Certo, 34 de Pearson, 119
Coeficiente de Setores, 11
137 / 140
Probabilidade e Estatstica
138 / 140
Probabilidade e Estatstica
G Mista, 54
Gama, 100 Moda, 11, 13
Generalizado, 79 Modelos Matemticos, 33
Geogrfica, 3 Multiplicao, 39
Geomtrica, 76 Mutuamente excludentes, 34
Perda de memria, 77
Grfico N
de Colunas, 9 No-Probabilstica, 105
de Linhas, 8 No-tendencioso, 111
de Setores, 11 No-viciado, 111
em Barras, 10 No-viesado, 111
Pizza, 11 Negativa, 117
Nominal, 2
H Normal, 93
Hipergeomtrica, 83 Padronizao, 94
Histograma, 7 Tabulao, 94
I O
Identidade de Chu-Vandermonte, 84 Ordinal, 2
Igualdade, 24
P
Imagem inversa, 47
Padro, 19
Impossvel, 34
Padronizao, 94
Incluso e Excluso, 36
Parmetros Populacionais, 104
Independente, 120
para a Diferena de Mdias, 115
Independentes, 42, 60
para a Mdia, 114
Induzida por uma varivel aleatria, 47
para a Proporo, 115
Interseo, 25
Parte contnua, 54
Intervalar, 110
Parte discreta, 54
Intervalo de Confiana, 113
Partio, 35
para a Diferena de Mdias, 115
Pascal, 78
para a Mdia, 114
Perda de Memria, 99
para a Proporo, 115
Perda de memria, 77
L Permutao, 28
Lei dos eventos raros, 85 Pizza, 11
Poisson, 85
M Aproximao da Binomial, 86
Mdia, 11 Polgono de Frequncia, 7
Mdia Amostral, 107 Ponderada, 12
Mdia Aritmtica, 11 Pontual, 110
Ponderada, 12 Populao, 1, 104
Mdio, 17 Populacional, 18
Mtodo por Conglomerado, 106
Mnimos Quadrados, 120 Positiva, 117
Mnimos Quadrados, 120 Princpio
Mediana, 11, 14 Incluso e Excluso, 36
Medida Probabilstica, 105
Probabilidade, 35 Probabilidade, 35
Medidas Condicional, 38
de Disperso, 16 Funo de, 48
de Tendncia Central, 11 Induzida por uma varivel aleatria, 47
139 / 140
Probabilidade e Estatstica
140 / 140