PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL

FACULDADE DE MATEMÁTICA
DEPARTAMENTO DE ESTATÍSTICA
Prof. Hélio Radke Bittencourt

PROBABILIDADE – T. 490

Conteúdo

1. Análise Combinatória
1.1 Princípio da contagem seqüencial 02
1.2 Permutação, Arranjo e Combinação 02

2. Probabilidade
2.1 Experimentos, Espaço Amostral e Eventos 04
2.2 Operações com eventos 05
2.3 Conceitos de probabilidade 06
2.4 Probabilidade condicional e Independência 08
2.5 Teorema de Bayes 10

3. Variáveis Aleatórias Discretas

3.1 Definições básicas (função de probabilidade, esperança e variância) 11
3.2 Aplicações com árvores de decisão 14
3.3 Principais modelos discretos (Bernoulli, Binomial, Geométrica, Poisson, 16
etc.)

4. Variáveis Aleatórias Contínuas

4.1 Definições básicas
(função densidade, esperança e variância) 24
4.2 Principais modelos contínuos
(Uniforme, Exponencial, Normal, etc.) 27
4.3 Tópicos Especiais 37

5. Probabilidade Bivariada
5.1 Distribuições conjuntas de probabilidade 42
5.2 Covariância e Correlação 45

6. Aplicações
6.1 Noções de simulação (Monte Carlo) NC
6.2 Processos estocásticos NC
 Pág. 2

Cap. 1 – Análise Combinatória

1.1 – Princípio da Contagem seqüencial

Suponha duas ou mais ações que devam ser executadas em uma ordem definida. Se
existem m possibilidades na primeira ação, n na segunda e p na terceira, o número de
possibilidades conjuntas é dado por mpn.

Exemplos: Suponha uma empresa que vai adquirir uma máquina. Há 4 marcas disponíveis
no mercado (A,B,C,D) e 3 tipos de combustível (Gás, Diesel, EE). Desenhe uma árvore de
possibilidades.

1.2 Permutação, Arranjo e Combinação

Permutação: São agrupamentos com n elementos, de forma que os n elementos sejam

distintos entre si pela ordem.

Pn = n!

Exemplos: Três pessoas (Álvaro, Benito e Carlos)

Arranjo: é uma seqüência de k elementos distintos escolhidos de um total de n

elementos onde a ordem importa.
n!
Ank =
(n − k )!

Obs.: Quando n=k temos uma Permutação. Há livros que não diferenciam Arranjo e
Permutação.

Exemplo: Quatro pessoas para 3 medalhas.

Numa eleição temos 10 candidatos, todos podendo ser presidente ou vice.

Arranjo com repetição: neste caso o mesmo elemento pode aparecer mais de uma vez
na mesma seqüência. O arranjo com repetição é a aplicação direta do princípio da
contagem seqüencial.
An( k ) = n k

Exemplo: Placas de carro. Qual o número de combinações no Brasil e Argentina?

Sorteio de um prêmio com reposição
 Pág. 3

Combinação: uma combinação de k elementos em n elementos pode ser imaginada

como uma maneira de selecionar k objetos de uma coleção de n objetos sem que importe
a ordem. Não há reposição. O número de possíveis combinações é:

Exemplo: Formação de grupos na sala de aula.

Fornecedores selecionados numa amostra aleatória

Exercícios:

1) Seleção de comissões: uma CPI deve ser constituída de dois senadores e três
deputados. Sabe-se que, atualmente, há 81 senadores e 484 deputados. Qual o número
de diferentes possíveis comissões?

2) O alfabeto tem 26 letras. Suponha uma senha de cinco letras. Calcule o número de
senhas possíveis com e sem repetição de letras.

3) Calcule o número de diferentes resultados possíveis na: Mega Sena e Loteria Esportiva
(13 jogos).

4) Cinco operadores de máquina estão competindo para ver quem é o mais eficiente.
Quantos possíveis resultados diferentes poderemos ter?

5) O “Teclado Virtual” do Banco do Brasil tem teclas (de 0 a 9) que são dispostas
aleatoriamente. Quantas possíveis seqüências de apresentação do teclado existem?

6) Os oito primeiros colocados da Fórmula 1 pontuam. Numa corrida com 22 concorrentes,

quantas são as diferentes possibilidades na zona de pontuação?

7) Seis candidatos foram selecionados para uma vaga de Engenheiro de Produção. Todos
devem se apresentar entre 9h e 10h de um certo dia e o chamamento será por ordem de
chegada. De quantas maneiras diferentes pode ocorrer a fila?

8) (Humor) Scooby, Salsicha, Welma, Fred e Daphne formam uma equipe. Para resolver
um mistério eles se separam em dois grupos (um com dois e outro com três integrantes).
Qual a probabilidade da dupla Scooby/Salsicha ser formada?
 Pág. 4

Cap. 2 – Probabilidade
2.1 – Experimentos, Espaço Amostral e Eventos

Probabilidade é o ramo da matemática que trata de fenômenos aleatórios. A

observação de um fenômeno aleatório por parte do homem é chamada de experimento
aleatório.

Características de um experimento aleatório:

1ª) Não se conhece um particular valor do experimento antes dele ser executado, porém
podemos descrever todos os possíveis resultados - as possibilidades;

2ª) Quando o experimento é repetido algumas vezes, os resultados ocorrem de uma

forma aparentemente acidental. Mas quando o número de repetições aumenta, uma
regularidade aparecerá. E esta regularidade que torna possível construir um modelo
matemático útil para análise do experimento.

Exemplos de fenômenos aleatórios:

1) Condições meteorológicas
2) Produção de arroz anual numa cidade
3) Mercado Financeiro
4) Lançamento de uma moeda
5) Resultados de loterias

Exemplos de experimentos aleatórios:

E1: Jogue um dado e observe o n.º na face de cima.

E2: Jogue uma moeda 3 vezes e observe o número de caras obtido.
E3: Jogue uma moeda 3 vezes e observe a seqüência de caras e coroas obtida.
E4: O estado (conforme, não-conforme) de três peças produzidas é verificado.
E5: O número de peças produzidas até a obtenção de uma defeituosa é anotado.
E6: A temperatura de uma máquina é verificada por um supervisor.

Nos seis exemplos anteriores não somos capazes de precisar o resultado, entretanto
conseguimos listar os possíveis resultados.

Espaço amostral de um experimento aleatório é o conjunto de todos os resultados

possíveis do experimento. É denotado por S ou Ω. A cardinalidade do espaço amostra é
denotada por #.
 Pág. 5

Exemplos de espaços amostrais relacionados aos experimentos anteriores.

S1 =

S2 =

S3 =

S4 =

S5 =

S6 =

Um evento é um subconjunto de S. Em particular, S e ∅ (conjunto vazio) são eventos; S

é dito o evento certo e ∅ o evento impossível.

Exemplo de eventos no lançamento de um dado

S = {1,2,3,4,5,6}

A: ocorre um n.º par A = {2,4,6}

B: ocorre a face 6 B = {6}
C: ocorre um n.º maior que 6 C=∅
D: ocorre nº 6 ou nº par D = {2,4,6}
E: ocorre nº par ou nº ímpar E = {1,2,3,4,5,6} = S

2.2 Operações com eventos

É possível realizar operações com eventos que nada mais são do que as operações com
conjuntos já estudadas no Ensino Fundamental.

Operações com eventos

Sejam A e B dois eventos associados a um espaço amostral S.

1) União: A∪B → A ocorre ou B ocorre ou ambos ocorrem

2) Interseção: A∩B → A ocorre e B ocorre

3) Complementar: Ac ou A → não ocorre A

 Pág. 6

Duas definições importantes:

1) Dois eventos A e B são excludentes ou mutuamente exclusivos se a ocorrência de

um impedir a ocorrência de outro. Em outras palavras, não podem ocorrer
simultaneamentee, logo, P(A∩B)=0.

2) Eventos ou resultados equiprováveis têm a mesma probabilidade de ocorrência. Se A

e B são equiprováveis, então P(A)=P(B).

Exemplo – Lançamento de um dado e uma moeda, ambos honestos

Escreva o espaço amostral. Os resultados são todos equiprováveis? Qual a probabilidade

de um particular par (x,y) ser selecionado. Assinale os seguintes eventos:

2.3 Conceitos de probabilidade

Os conceitos de probabilidade podem ser enunciados de três formas distintas. O conceito

clássico - simples e antigo; o conceito frequentista - baseado na observação e o conceito
moderno ou axiomático introduzido pelo russo Andrei Kolmogorov em 1933.

Considere P(A) = probabilidade de ocorrência do evento A.

⇒ Conceito clássico

Esse conceito só é válido se todos resultados de S forem equiprováveis. Para casos

assim a probabilidade de ocorrência do evento A é obtida por:

n( A)
P ( A) = n(A) é o número de resultados favoráveis ao evento A
Total ( S )
Total (s) é o número total de resultados em S

Exemplos – Conceito clássico

Mega-sena, Lançamento de moedas e dados honestos.

 Pág. 7

⇒ Conceito freqüentista

Neste conceito a probabilidade é tratada como um limite. Aqui é possível fazer uma
relação entre probabilidade (teórica) e estatística (empírica). Para casos assim a
probabilidade de ocorrência do evento A é obtida por:

1º) O experimento é repetido n vezes.

2º) Observa-se a freqüência relativa de ocorrência de um certo resultado A:

n( A)
fr(A) = , onde n(A) é o nº de vezes em que ocorre o resultado A em n realizações do
n
experimento.

3º) Probabilidade como limite. A medida que n aumenta, a fr(A) converge para a real
probabilidade P(A).
lim n→∞ fr( A ) = P( A )

Exemplos – Conceito freqüentista

1) Verificando se um dado é honesto.

2) Encontrando a probabilidade de ocorrência de um acidente aéreo.

3) Qual a probabilidade de uma criança nascer com Síndrome de Down ?

TAREFA 1: Se virando no Excel...

Desenvolver um dado no EXCEL de forma que seja possível verificar o

funcionamento do Conceito Frequentista. Verifique se a fr(6) converge para 1/6
à medida que n aumenta.

Dica: Veja como podemos fazer uma moeda no Excel e como contar quantas
caras ocorreu:

=SE(ALEATÓRIO()<0,5;”Cara”;”Coroa”)

Se o número aleatório entre 0 e 1 gerado pelo Excel for inferior a 0,5,então escreva
“Cara”; caso contrário escreva “Coroa”. Depois, copie e cole esta fórmula para as células
A2 até A1000.

= CONT.SE(A2:A1000;”Cara”)

O Excel irá contar quantas vezes aparece a palavra “Cara” entre as células A1 e A1000.
 Pág. 8

⇒ Conceito Axiomático

Os Axiomas da Probabilidade devem-se ao russo Kolmogorov. Seja A um evento de S. A

probabilidade de ocorrência de A, denotada por P(A), deverá satisfazer os seguintes
axiomas (propriedades fundamentais).

Axioma 1: 0 ≤ P(A) ≤ 1
Axioma 2: P(S) = 1
Axioma 3: Para eventos Ai excludentes, P(A1 ∩ A2) = P(A1) + P(A2)

2.4 Probabilidade Condicional e Independência

A probabilidade de ocorrência de um evento pode ser influenciada pela ocorrência de um

evento paralelo. Considere que A e B são eventos de um mesmo espaço amostral S.
Chamaremos de P(A|B) a probabilidade de ocorrência do evento A dado que o evento B
já ocorreu.

Graficamente:

Olhando para o desenho podemos estabelecer as seguintes relações:

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

Exemplo – Escolhendo alguém na sala de aula

Suponha que um aluno da turma será sorteado. Após saber o resultado o professor faz
algumas perguntas utilizando probabilidade condicional.
 Pág. 9

Exemplo – Fornecedor X Devoluções

Devolução
Fornecedor Sim Não Total
A 30 50 80
B 60 40 100
C 50 50 100
Total 140 140 280

Resolver as seguintes probabilidades:

=> Independência

Dois eventos A e B são considerados independentes se a ocorrência de um não interfere

na probabilidade de ocorrência do outro:

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

Isolando a intersecção na expressão de probabilidade condicional obtemos:

P(A∩B) = P(A) x P(B)

Esse conceito é fundamental para aplicações em Estatística.

Exemplo – Lançamento de um dado e uma moeda, ambos honestos.

Exemplo – Três operadores diferentes realizam a mesma tarefa em máquinas distintas.

Eles produzem caixas com três peças, cada uma feita por um operado. A probabilidade do
operador A falhar é de 3/1000 ; do operador B 5/1000 e do operador C, 1/100.

Qual a probabilidade de haver pelo menos uma peça defeituosa nesta caixa?
 Pág. 10

2.5 Teorema de Bayes

Considere um espaço amostral formado por n eventos Ai excludentes de forma que

A1∩A2∩...∩An = S. Suponha que as probabilidades dos Ai´s sejam conhecidas bem como
todas as condicionais P(B|Ai). Será possível determinar a probabilidade P(Ai|B)?

Dedução da “Regra de Bayes”:

P( Ai ∩ B ) P( Ai ) × P( B | Ai )
P( Ai | B ) = = = ...
P( B ) P( B )

Exemplo – Máquinas e não-conformidade

Uma empresa possui três máquinas (A,B,C) com as seguintes probabilidades de produção
de uma peça não-conforme (NC): 1%, 2% e 5%. A máquina A é responsável por 40% da
produção; a máquina B por 50% e a máquina C é responsável pelo restante.

a) Se uma peça não-conforme é encontrada, qual a probabilidade dela ter sido produzida
pela máquina A? Encontre as probabilidades para as máquinas B e C também.

b) Qual a probabilidade de uma peça não-conforme ser encontrada na produção conjunta?

Exemplo – Bayes numa tabela cruzada

Suponha uma sala de aula com 60 alunos, sendo 30 das Ciências da Computação, 20 da
Engenharia Elétrica e 10 da Eng de Produção. Sabe-se que, nesta turma, 20 alunos estão
em G2, sendo 12 da CCO e seis da EEL. Sabendo que um aluno está em G2, qual a
probabilidade ele ser a Eng de Produção?
 Pág. 11

Cap. 3 – Variáveis aleatórias discretas

3.1 Definições Básicas

Uma variável aleatória discreta X é uma função que associa números aos resultados do
Espaço Amostral.

Exemplo – Prova
Para exemplificar vamos admitir uma prova composta de n=4 questões com cinco
alternativas cada onde apenas uma está correta.

Q1) a) b) c) d) e)
Q2) a) b) c) d) e)
Q3) a) b) c) d) e)
Q4) a) b) c) d) e)

Escreva o espaço amostral S considerando apenas questão certa (C) ou errada (E).

S = { EEEE; CEEE; CCEE; CCCE; CCCC } onde temos 24 = 16

ECEE; CECE; CCEC;
EECE; CEEC; CECC;
EEEC; ECCE; ECCC;
ECEC
EECC

Agora considere X=número de acertos em cada ponto amostral de S. Logo, os valores

possíveis para X são 0,1,2,3 ou 4. O resultado EEEE implica em X=0; os resultados CEEE,
ECEE, EECE, EEEC implicam num X=1, etc.

A função de probabilidade de X, denotada por P(X=x) ou f(x), indica o

comportamento probabilístico de X.

Neste caso:

x 0 1 2 3 4

P(X=x)

Características da função de probabilidade:

1a) 0 ≤ P( X = x) ≤ 1
2a) ∑ P( X
x
= x) = 1
 Pág. 12

A função de probabilidade pode ser representada graficamente.

A Função de probabilidade acumulada de X, denotada por F(X) ou P( X ≤ x ) ,

indica a probabilidade de ocorrerem valores menores ou iguais a x.

Características da F(X) ou P( X ≤ x ) :
1a) Ela é contínua à direita;
2a) F ( −∞ ) = 0 e F ( ∞ ) = 1
3a) F ( x ) é sempre não decrescente.

Graficamente:

3.1.1 Esperança e Variância de uma Variável Aleatória Discreta

O valor esperado ou esperança de uma variável discreta é o seu “centro de equilíbrio”.

É uma média da variável X, mas do ponto de vista teórica, sem coleta de dados empíricos.
A esperança de uma variável discreta é calculada por:

E( X ) = ∑ x × P( X = x )
x

Exemplo – Prova

Calcular o número esperado de acertos no caso da prova.

A variância de uma variável aleatória discreta indica a variabilidade em torno de sua

média. A expressão da variância pode ser melhor entendida se comparada a expressão da
variância que aprendemos em Estatística Descritiva:
 Pág. 13

[ ] ( )
Var ( X ) = E ( X − E( X )) = K = E X 2 − [E( X )]
2 2

O desvio-padrão, conseqüentemente é encontrado extraindo-se a raiz quadrada positiva

da variância:

DP( X ) = Var( X )

Exemplo - Prova

Encontrar a variância e o desvio-padrão para o número de acertos na prova.

Exemplo – Dados

Criar a variável X=soma das faces no lançamento de dois dados e construir a sua função
de probabilidade.

Exercício completo – Para a função de probabilidade a segui, encontre o valor de k,

construa a distribuição acumulada, encontre a Esperança e a Variância de X.

x 0 1 2 3 4
P(X=x) 0,35 0,30 0,20 k 0,05
 Pág. 14

3.2 Árvores de decisão

Há RISCO quando são conhecidos os estados futuros que possam ocorrer e suas
respectivas probabilidades de ocorrência.

Há INCERTEZA quando não são conhecidos os estados futuros e/ou suas probabilidades
de ocorrência.

O
O que
que as
as técnicas
técnicas de
de tomada
tomada O
O que
que as
as técnicas
técnicas de
de tomada
tomada
de
de decisão
decisão podem
podem fazer
fazer de
de decisão
decisão NÃO
NÃO podem
podem fazer
fazer
•• Ajudam
Ajudam aa lidar
lidar com
com situações
situações •• Não
Não consideram
consideram todos
todos os
os fatores
fatores
complexas
complexas ee aa tomar
tomar decisões
decisões envolvidos,
envolvidos, pela
pela simples
simples
difíceis
difíceis impossibilidade
impossibilidade de de modelar
modelar aa
realidade
realidade de
de forma
forma perfeita
perfeita
•• Ampliam
Ampliam aa sua
sua compreensão
compreensão dos
dos •• Não
Não tornam
tornam osos fatores
fatores mais
mais
fatores
fatores que afetam a situação em
que afetam a situação em controláveis
controláveis pelo
pelo simples
simples fato
fato de
de
que
que você
você se
se encontra
encontra que
que você
você os
os compreende
compreende
•• Não
Não oo impedem
impedem de de tomar
tomar
•• Melhoram
Melhoram oo seu
seu desempenho
desempenho decisões
decisões que possam “dar
que possam “dar
como
como tomador
tomador de
de boas
boas decisões
decisões errado”.
errado”. Sorte
Sorte && Azar
Azar

Uma ÁRVORE DE DECISÃO é uma ferramenta que auxilia na modelagem e análise de

problemas, pois:

• Facilita a visualização de alternativas.

• Identifica pontos de tomada de decisão.
• Mostra claramente todas alternativas e possibilidades

Simbologia das árvores de decisão:

FINAL DA ÁRVORE

EVENTO ALEATÓRIO Event 3 0,5

Decision 1

Event 4

1 Observação:
O Σ DAS PROBABILIDADES DEVE
SER IGUAL A “1” EM CADA RAMO
DA ÁRVORE.
Decision 2

TOMADA
DE DECISÃO TEXTO DESCRITIVO DA DECISÃO
(dentro do quadrado temos a melhor decisão)
 Pág. 15

Exercícios de Árvore de Decisão

Questão 1 - Uma carga de petróleo (no valor de R$ 1 milhão) está sendo transportada do
RJ com destino a Tramandaí-RS.

A probabilidade de um pequeno acidente no percurso é calculada em 5%. A pena para

este tipo de acidente (que compromete 5% da carga) é de R$ 200.000,00. A
probabilidade de um grande acidente - que comprometa toda carga - é de 0,5% e a pena
para este tipo de acidente é estimada em R$ 2 milhões.

Sabe-se que um seguro para este trecho, que cobre todo o tipo de perda e multas, custa
R$ 30.000,00.

a) Qual a melhor decisão: fazer ou não o seguro? Apresente a decisão mais sábia do
ponto de vista financeiro Através do cálculo da esperança e variância. Admita que nenhum
outro tipo de perda é possível.

Questão 2 – Você vai sair à noite e deve decidir onde estacionar o carro. A opção por um
estacionamento pago (R$10,00) garante que nada acontecerá com o carro. A opção por
estacionar na rua te dá 5% de chance de ter o rádio furtado (R$ 350,00) e 0,1% de furto
total (R$ 1.200,00, franquia do seguro paga em caso de roubo). Ainda existe a
possibilidade de deixar o carro em casa e ir e voltar de táxi, o que lhe custaria R$15,00 a
mais do que o seu gasto com gasolina. No caso de ir de taxi existe 0,5% de chance de ser
assaltado e perder os R$ 70,00 que tem na carteira.

a) Qual a melhor decisão do ponto de vista financeiro?

Questão 3 - Existe três possibilidades de aplicação financeira para o seu capital (R$100
mil)
1a) Poupança com rendimento certo de 0,8%.
2a) Fundo fixo com 0,8 de possibilidade de render 1,2%; 0,15 de render 0,8% e 0,05 de
probabilidade de ter rendimento zero.
3a) Ações com um terço de probabilidade de valorizar 35%; um terço de não valorizar e o
restante de probabilidade de recuar 5%.

a) Qual a melhor decisão para aplicar o seu dinheiro?

 Pág. 16

3.3 Principais modelos discretos

A partir de agora veremos modelo (fórmulas, expressões) que retratam o comportamento

probabilístico de variáveis discretas. Veremos cinco modelos: Binomial, Poisson,
Hipergeométrica, Geométrica e Binomial Negativa.

3.3.1 Distribuição Binomial

Um caso como o da prova de quatro questões pode ser resolvido pela Distribuição
Binomial. Sempre que um experimento que assume apenas dois possíveis resultados em
cada repetição for repetido n vezes e que a probabilidade de sucesso for constante em
cada repetição, podemos modelar o número de sucessos pela distribuição Binomial.

X = número de sucessos, variando de 1 até n

p = probabilidade de sucesso em cada repetição
1-p = probabilidade de fracasso em cada repetição
n = número de repetições

X ~ Binomial (n ; p)

x=0,1,...,n

n!
P( X = x) = × p x × (1 − p) n− x
x!(n − x )!

Exemplo – Prova

No exemplo da prova, encontre os parâmetros da Binomial e calcule P(X=2).

Exemplo – Peças defeituosas

Numa fábrica peças são produzidas em larga escala (podemos considerar produção
infinita). Sabe-se que 5% das peças são defeituosas (D) e o restante perfeitas (P).

a) Qual a probabilidade de obtermos 2 peças defeituosas?

Exemplo – Loteria Esportiva

Numa loteria com 13 jogos de futebol, qual a probabilidade de um “desentendido de

futebol” acertar 11 ou mais jogos?
 Pág. 17

Esperança e Variância na Binomial

O número esperado ou esperança de sucessos na distribuição Binomial é facilmente

encontrado. Intuitivamente, responda as perguntas a seguir:

1) Se lançarmos uma moeda honesta 100 vezes, qual o número esperado de caras?

2) Se lançarmos um dado 600 vezes, qual o número esperado de faces “5”.

3) No exemplo da prole de 6 filhos, qual o número esperado de meninos?

n n
E(X) = ∑ P( X = x ) =∑ C nx p x ( 1 − p )n− x = np
x =0 x =0
Var(X) = np(1-p)

Exemplos – Nos exemplos anteriores encontre a esperança

Prova: E(X)
Var(X)

Peças: E(X)
Var(X)

Loteria: E(X)
Var(X)

3.3.2 A distribuição de Poisson

A distribuição de Poisson é conhecida com a distribuição de um só parâmetro. Uma

variável aleatória discreta X segue uma distribuição de Poisson se a sua função de
probabilidade é dada por:

X ~ Poisson (λ)

e −λ λ x
P( X = x ) = , x = 0,1,2,... λ>0
x!

Geralmente X representa o número de ocorrências num determinado espaço de tempo e o

parâmetro λ é a média de ocorrências neste intervalo. Conhecidamente, o número de
chamadas telefônicas recebidas numa central, a chegada de navios a um porto, pode ser
modelada pela distribuição de Poisson.

Atenção: o parâmetro λ deve estar em sintonia com a variável X.

 Pág. 18

Provando que P(X=x) é função de probabilidade:

∞
e −λ λ x
∑
x =0 x!
=1

Esperança e Variância na Poisson

∞ ∞
e −λ λx
E(X) = ∑ xP( X = x ) =∑ x
x =0 x =0 x!
=λ

Var(X) = λ

Exemplo – Navios

A taxa de chegadas de navios a uma porto segue a média de 1 por dia e pode ser
modelada pela distribuição de Poisson.

a) Qual a probabilidade de chegarem três navios em um mesmo dia?

b) Qual a probabilidade de chegar ao menos um navio em três dias?

c) Qual o número esperado de navios em uma semana?

Exemplo – Erros em um livro

Um revisor aponta que encontrou 100 erros em um livro de 200 páginas. Considere
X=número de erros por página, podendo ser modelada pela distribuição de Poisson.

a) Qual a probabilidade de encontrar, em uma página escolhida ao acaso, dois erros?

b) Qual a probabilidade de encontrar, em uma página escolhida ao acaso, ao menos um

erro?
 Pág. 19

Aproximação entre Binomial e Poisson

A medida que n→infinito e p→0 a distribuição Binomial pode ser aproximada pela
Poisson.

⎛ n⎞ e − np (np )
x
P( X = x ) = ⎜⎜ ⎟⎟ p x ( 1 − p ) n − x =
⎝ x⎠ n → ∞ p →0 x!

Para np ≤ 7 já temos uma boa aproximação.

Exemplo – X ~ Binomial (n=30 ; p=1/20)

Comparar a probabilidade P(X=0) e P(X=1) pela Binomial e Poisson.

Binomial Poisson
0,4000 0,4000
0,3500 0,3500
0,3000 0,3000
0,2500 0,2500
0,2000 0,2000
0,1500 0,1500
0,1000 0,1000
0,0500 0,0500
- -
0 3 6 9 12 15 18 21 24 27 30 0 3 6 9 12 15 18 21 24 27 30
 Pág. 20

3.3.3 A distribuição Hipergeométrica

Suponha a extração de peças de um lote formado por 4 peças boas e 1 defeituosa. Se

extrairmos uma amostra de 2 peças COM reposição, o modelo que descreve o
comportamento probabilístico de X=número de peças defeituosas é o Binomial.

4 Boa
1 Def ___ ___

Agora façamos a extração SEM reposição. O modelo Binomial funciona? Perceba que até
mesmo o espaço amostral é diferente.

Na Binomial COM reposição: X = 0,1,2

Na Hipergeométrica SEM reposição: X = 0,1

A distribuição hipergeométrico modela a variável X= número de objetos do tipo r extraídos

numa amostra de n elementos de uma população formada por N elementos.

X ~ Hipergeométrica (r ; n ; N)

x=0,1,..., mínimo(r;n)

⎛r⎞ ⎛N − r⎞
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ x n− x

P( X = x ) = ⎝ ⎠
x ⎝ n − x ⎠ = C r C N −r
⎛N⎞ n
CN
⎜⎜ ⎟⎟
⎝n⎠

Exercício – Problema do lote de 5 peças com a distribuição Hipergeométrica

Para populações grandes, o resultado da Hipergeométrica pode ser aproximado pela

Binomial sem maiores problemas. Meyer sugere que n/N < 0,10.

Se X ~ Hipergeométrica (r ; n ; N), quando N → ∞ , X ~ Binomial (n ; r/N)

 Pág. 21

Exemplo – Amostra em uma empresa

Uma empresa tem 16 funcionários, sendo 4 sindicalizados. Uma amostra de n=5

funcionários é selecionada.

Construa a função de probabilidade para X=número de funcionários sindicalizados na

amostra e compare com os resultados supondo que tivéssemos uma distribuição Binomial.

Esperança e Variância na Hipergeométrica

E( X ) = np
N −n
Var( X ) = np( 1 − p )
N −1

N −n
Obs.: A expressão é conhecida como fator de correção para população finita.
N −1

Exemplo – Calcule E(X) e Var(X) no exemplo acima

3.3.4 A distribuição Geométrica

A distribuição Geométrica modela o número de tentativas até a obtenção do primeiro

sucesso. Considere um experimento do tipo sucesso ou fracasso que será repetido de
maneira independente até a obtenção do primeiro sucesso. Em cada repetição a
probabilidade de sucesso é constante e igual a p.

X = número de tentativas até o primeiro sucesso X ~ Geométrica (p)

x=1,2,3,...

P( X = x ) = ( 1 − p ) x −1 p

Prove que:

∑ P( X = x ) = 1
x

Esperança e Variância na Geométrica

1 1− p
E( X ) = Var( X ) =
p p2
 Pág. 22

Exemplo – Lançando um dado

Você vai realizar lançamentos com um dado e só vai parar quando obtiver um “6”. Modele
o número de tentativas necessárias para obtenção do primeiro “6”. Esboce graficamente a
função.

Exemplo – Palito premiado

Numa promoção de picolés há uma taxa de premiação de 5%. Apresente o modelo

geométrico, calcule a esperança e a variância de X= número de tentativas para se ganhar
o primeiro picolé premiado.

Pergunta: Por que a probabilidade P(X=x) na Geométrica vai decaindo a medida que x
cresce?

0,06
P(X=x)

0,05

0,04

0,03

0,02

0,01

0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
x
 Pág. 23

3.3.5 A distribuição Binomial Negativa ou Pascal

Agora considere uma extensão da Geométrica onde X=número de sucessos até a

obtenção do r-ésimo sucesso. Cada repetição do experimento deve ser independente e
com probabilidade de sucesso constante e igual a p.

Exemplo – Lançamento do dado até obter duas faces “6”

Escreva o espaço amostral S={

P(X=0) = ∃/
P(X=1) = ∃/
P(X=2) = (1/6)2
P(X=3) = 2x(1/6)2x(5/6)
…

X ~ Bin. Negativa ( r ; p)
x=r, r+1, ...

⎛ x − 1⎞ r
P( X = x ) = ⎜⎜ ⎟⎟ p ( 1 − p ) x − r
⎝ r − 1⎠

Esperança e Variância na Binomial Negativa

A esperança e a variância na Binomial Negativa podem ser obtidas fazendo analogia à

Geométrica.

r r (1 − p )
E( X ) = Var ( X ) =
p p2

Exercício – Recebendo um lote

Um fornecedor de peças tem taxa de falha conhecida e igual a 2%. Você vai retirando
peças deste lote aleatoriamente para inspeção. Qual o modelo para X=número de
tentativas até encontrar TRÊS peças com falha?
 Pág. 24

4 Variáveis aleatórias contínuas

4.1 Definições Básicas

As variáveis contínuas podem, ao menos teoricamente, assumir qualquer valor num

intervalo numérico. Sendo assim fica impossível representarmos variáveis contínuas da
mesma forma que as variáveis discretas. Diferenciando um caso discreto de um contínuo:

Caso discreto Caso contínuo

0,30
P(X=x)

P(X=x)
0,25 0,30

0,20 0,25
0,20
0,15
0,15
0,10
0,10
0,05 0,05
- -
0 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 13

Uma variável aleatória contínua é uma função X: SÆ ℜ que associa ao resultado do

experimento aleatório um número real.

Importante

As variáveis contínuas são representadas por curvas, chamadas de função densidade

de probabilidade, e a área sob essa função representa a probabilidade de ocorrência.
Nas variáveis contínuas não existe a probabilidade de ocorrência de um valor exato, mas
sim de intervalos.

A função densidade de probabilidade, denotada por fx(x), é a função que indica o

comportamento probabilístico da variável aleatória contínua X. A função densidade de
probabilidade deverá satisfazer as seguintes condições:

a) f(x) ≥ 0, para todo x ∈ R.

b) ∫ f ( x )dx = 1
A área sob a curva fx(x) nos informa a probabilidade de ocorrência de valores da variável
X.
 Pág. 25

Supondo que o gráfico acima represente a função de probabilidade de uma variável

aleatória X. Como sabermos a probabilidade de ocorrência de valores entre a e b ?

b
P( a ≤ X ≤ b ) = ∫ f ( x )dx
a

A função de distribuição acumulada de X, denotada por F(x), indica a a

probabilidade acumulada até o valor x.

x
F ( x ) = P( X ≤ x ) = ∫ f ( x )dx
−∞

Propriedades da F(x):

1o) F(x) é contínua e não decrescente

2o) F(- ∞ )=0 F( ∞ ) = 1

3o) P(a < X < b) = F(b) – F(a)

d
4o) f ( x ) = F( x )
dx

Exercício – Fixação do conteúdo

Esboce graficamente a f(x). Verifique se f(x) é função densidade, encontre a F(x) e calcule
P(X<0,5).

⎧2 x;0 ≤ x < 1
f(x)= ⎨
⎩0; c.c.
 Pág. 26

Exercício – Fixação do conteúdo II

Esboce graficamente a f(x). Verifique se f(x) é função densidade, encontre a F(x) e calcule
a P(1/4<X<3/4).

⎧4 x ; 0 ≤ x < 1/2
⎪
f ( x ) = ⎨4 - 4x ; 1/2 ≤ x < 1
⎪0
⎩ ; caso contrário

4.1.1 Esperança e Variância de uma variável aleatória contínua

O cálculo da esperança e da variância no caso contínuo pode ser feito de forma análoga
ao caso discreto. Agora o Σ será substituído pela : ∫
E( X ) = ∫ xf ( x )dx

Var ( X ) = E( X 2 ) − [E( X )] ∫
onde E( X 2 ) = x 2 f ( x )dx
2

Em geral:

E( g ( x )) = ∫ g ( x ) f ( x )dx

Exemplo – Encontrar E(X) e Var(X) nos exercícios de fixação I e II

 Pág. 27

4.2 Principais Modelos Contínuos

Existe uma gama de modelos contínuos bastante utilizados. Eles já se encontram descritos
na literatura e suas principais características são conhecidas.

4.2.1 Distribuição Uniforme ou Retangular

Uma v.a.c X tem distribuição Uniforme se a sua função densidade f(x) descreve um
retângulo que dá sempre a mesma probabilidade de ocorrência para intervalos de mesmo
tamanho.

X ~ Uniforme [a , b]
a≤ x≤b

⎧ 1
⎪ ; a≤x≤b
f ( x) = ⎨ b − a
⎪⎩ 0 ; caso contrário

f(x)

1/(b-a)

a b
x

x−a
Provar que F ( x ) = para a ≤ x ≤ b .
b−a

Esperança e Variância na Uniforme

b−a (b − a) 2
E( X ) = Var ( X ) =
2 12
 Pág. 28

Exemplo - Tempo de produção (Distribuição Uniforme)

O tempo para produzir uma peça é igualmente provável de estar entre 60s e 70s.

a) Esboce graficamente a função densidade de probabilidade para X = tempo (s).

b) Calcular a probabilidade do tempo na exceder 66s.

Exemplo - O gerador de números pseudo-aleatórios do EXCEL

O gerador de números pseudo-aleatórios do Excel deveria seguir uma Uniforme [0;1].

a) Calcule a esperança e a variância de X e a probabilidade P(X>0,7).

b) Realize uma simulação com 1000 números no Excel e verifique se os resultados

coincidem.
 Pág. 29

4.2.2 Distribuição Exponencial

A distribuição Exponencial pode ser utilizada na modelagem do tempo entre ocorrência de

acidentes, tempo de ocorrência entre chamadas telefônicas. Na distribuição Exponencial
consideramos que a probabilidade de ocorrência de um evento é constante em intervalos
de amplitude λ.

Uma v.a.c. X tem distribuição Exponencial se a sua função densidade de probabilidade é

dada por:

X ~ Exponencial (λ)

⎧λe − λx ; x > 0
f ( x) = ⎨ λ >0
⎩0 ; c.c.

Vejamos a forma da função densidade f(x) para diferentes valores de λ:

1,8

1,6 Lambda=0,5
Lambda=1
1,4
Lambda=2
1,2

0,8

0,6

0,4

0,2

0
0 1 2 3 4 5 6

Provando que f(x) é função densidade:

∫ λe
− λx
dx = 1
0

Função de distribuição acumulada F(x):

∫ λe
− λx
dx = 1 − e −λx
0
 Pág. 30

Esperança e Variância na Exponencial

Relembrando Integral por partes:

∫ vu' = vu − ∫ uv' neste caso, escolher u ' = e − λx

∞
1
E ( X ) = ∫ xf ( x)dx = ∫ xλe −λx dx =
0
λ
1
Var ( X ) =
λ2

Exemplo – O período de quebra entre componentes eletrônicos segue uma distribuição

Exponencial com média de 2 anos.

a) Qual a probabilidade de que haja uma quebra dentro de 4 anos?

b) Qual a probabilidade de que haja uma quebra entre 2 e 4 anos?

Exemplo – O tempo entre chamadas telefônicas segue uma distribuição Exponencial com
média de 15 minutos.

a) Qual a probabilidade de que chegue uma chamada dentro de 20 minutos?

b) Sabendo que já se passaram 20 minutos, qual a probabilidade de que chegue uma

ligação antes dos 40 minutos?

A letra b) do exercício anterior nos leva a perceber uma importante característica da

distribuição exponencial: a falta de memória (memorylessness).

P( X > s + t | X > t ) = P( X > s)

No exemplo:
P ( X < 20 + 20 | X > 20) = P ( X < 20)
 Pág. 31

4.2.3 Distribuição Normal, Gaussiana ou Curva de Gauss

A distribuição normal ou curva de Gauss é, sem dúvida, o principal modelo probabilístico

contínuo, pois serve de base para a principal área da Estatística: a Estatística Inferencial.

Uma v.a.c. X tem distribuição normal com parâmetros µ e σ se sua função densidade de
probabilidade é dada por:

X ∼ N(µ,σ)

( x −µ )2
−
f (x ) =
1
e 2σ 2
, x ∈ℜ
σ 2π

- ∞ < µ < +∞ ; σ > 0

Os parâmetros da Normal são a média e o desvio-padrão, que permitem infinitas curvas

normais com diferentes formatos (mas sempre simétricas). O gráfico da fX é apresentado
a seguir:

Características da Normal

• ∫ f ( x )dx = 1
• E( X ) = ∫ xf ( x )dx = µ

∫x f ( x )dx − µ 2 = σ
2
• DP(X) =
 Pág. 32

Outra característica importante da Normal é que, independentemente dos valores dos

parâmetros, a seguinte relação é sempre válida:

Entendendo os parâmetros da curva Normal:

µ (média) é uma parâmetro de locação

σ (desvio-padrão) é um parâmetro de forma

Vejamos exemplos:
f(x)

f(x)

f(x)

-10 -5 0 5 10 -10 0 10 -10 -5 0 5 10

Valores de X Valores de X Valores de X
 Pág. 33

Exemplo – Altura

Coletar a altura dos alunos em sala de aula e realizar alguns cálculos.

Os cálculos integrais envolvendo a distribuição Normal são bastante complicados.

Felizmente, veremos a seguir uma relação que facilita muito nossa vida.

Distribuição Normal-padrão ou Normal reduzida

Seja X uma variável aleatória normalmente distribuída com quaisquer parâmetros média µ
e desvio-padrão σ. Se realizarmos a seguinte transformação obteremos uma nova variável
Z com média 0 e desvio-padrão 1:

X −µ
X ∼ N(µ,σ) → Z= → Z (0,1)
σ
Qualquer variável com distribuição Normal pode ser padronizada para a
Normal. A distribuição Normal padronizada (Z) é tabelada.

Exemplo – Aprendendo a usar a tabela

1) Calcule:
a) P(Z ≤ 1,64) d) P(Z ≤ 0)
b) P(Z ≥ 0,38) e) P(-1,96 ≤ Z ≤ 1,96)
c) P(2,57 ≤ Z ≤ 2,57)

Exercício – O peso de sacos de arroz com valor nominal de 1kg segue uma distribuição
aproximadamente Normal com média de 1010g com desvio-padrão de 20g.
a) Qual a probabilidade de um saco ter peso inferior a 1040g?
b) Qual a probabilidade de um saco ter peso superior a 1050g?
c) Qual a probabilidade de um saco ter menos de 1kg?
d) Qual a probabilidade do peso estar entre 990g e 1030g?
 Pág. 34

4.2.4 Distribuição de Erlang

Relembrando o caso discreto:

Assim como a distribuição geométrica indica o número de tentativas até obter o primeiro
sucesso, a distribuição Binomial negativa indica o número de tentativas at´pe obtermos o
r-ésimo sucesso.

A distribuição de Erlang pode ser vista como uma generalização da Exponencial onde X=o
tempo até que ocorram r falhas.

Definição:

X ~ Erlang (λ , r)

λr x r −1e − λx
f ( x) = x>0 λ>0 r = 1,2,3,...
(r − 1)!
Graficamente:

r=1 λ=1 r=3 λ=1

1 0,3
f(x) f(x)
0,8 0,25
0,2
0,6
0,15
0,4
0,1
0,2 0,05
0 0
0 5 10 15 0 5 10 15
Valores de Valores de

Esperança: Variância
r r
E( X ) = Var ( X ) =
λ λ2

Obs.: Note que quando r=1 temos uma Exponencial.

 Pág. 35

4.2.5 Distribuição Gama

A distribuição de Erlang é um caso especial da Gama, quando o parâmetro r não é um

número inteiro.

Neste caso precisamos da função GAMA, visto como um extensão contínua do fatorial :

∞
Γ(r ) = ∫ x r −1e − x dx , para r > 0
0

Observe que:
Γ(1) = 1
Γ(n + 1) = n!
Γ(1 / 2) = π

Definição:

X ~ Gama (λ , r)

λr x r −1e − λx
f ( x) = x>0 λ>0 r>0
Γ(r )
Obs.: Se r for um inteiro, X terá distribuição de Erlang.

Esperança: Variância
r r
E( X ) = Var ( X ) =
λ λ2
 Pág. 36

4.2.6 A Distribuição de Weibull

A distribuição de Weibull é muito usada para modelar o tempo até uma falha de muitos
sistemas físicos diferentes. Os parâmetros da distribuição (β e δ) permitem uma
distribuição muito flexível, podendo assumir desde formas parecidas com a Exponencial,
Gamma ou Erlang, até a curva Normal.

Definição:

X ~ Weibull (β , δ)

β
β −1 ⎛x⎞
β ⎛x⎞ −⎜ ⎟
⎝δ ⎠
f ( x) = ⎜ ⎟ e x>0 β >0 δ >0
δ ⎝δ ⎠
Obs.: δ é um parâmetro de escala e β é um parâmetro de forma.

Função de distribuição acumulada:

β
⎛x⎞
−⎜ ⎟
⎝δ ⎠
F ( x) = 1 − e

O valor esperado de X utiliza a função Gama:

⎛ 1⎞
E ( X ) = δΓ⎜⎜1 + ⎟⎟
⎝ β⎠

Exercício

Variar os parâmetros (β , δ) da Weibull para verificar os diferentes formatos da curva e de

sua função acumulada.
 Pág. 37

4.3 Tópicos especiais de Probabilidade

1º) Desigualdade de Tchebyshev:

Você se lembra da distribuição e a sua relação entre média + k desvios-padrão (k =

1,2,3,...)? Vejamos a figura para recordar:

Agora, encontre as seguintes probabilidades:

P( X − µ ≥ σ ) = P( X ≥ µ + σ ) + P( X ≤ µ − σ ) =

P( X − µ ≥ 2σ ) = P( X ≥ µ + 2σ ) + P( X ≤ µ − 2σ ) =

P( X − µ ≥ 3σ ) = P( X ≥ µ + 3σ ) + P( X ≤ µ − 3σ ) =

Independentemente da distribuição, a desigualdade de Tchebyshev diz que:

1
P ( X − µ ≥ kσ ) ≤
k2

Exercícios:

1) Verifique se a desigualdade de Tchebyshev se verifica para a Normal.

2) Teste se a desigualdade de Tchebyshev funciona numa Uniforme [0;10].

 Pág. 38

2º) A distribuição Weibull e as distribuições Normal e Exponencial

A distribuição Weibull, ao menos aparentemente, é muito semelhante a Normal para

valores de Beta elevados. Vejamos se esta semelhança ocorre quando calculamos algumas
probabilidades.

0,35
0,4

0,35 0,3
WEIBULL (Beta=5; Delta=5)
Normal (Média=5; Desvio=1,3)
0,3 0,25

0,25
0,2

0,2
0,15
0,15
0,1
0,1

0,05
0,05

0 0
0 2 4 6 8 10 12 14 16 0,00 2,00 4,00 6,00 8,00 10,00 12,00 14,00 16,00

Compare a Weibull (5;5) com a Normal (5;1,3), calculando P (X>6).

Com β=1 temos uma Exponencial, desde que façamos λ = 1 / δ .

β
β −1 ⎛x⎞
β ⎛x⎞ −⎜ ⎟
⎝δ ⎠
f ( x) = ⎜ ⎟ e x>0 β >0 δ >0
δ ⎝δ ⎠

0,6

0,5 WEIBULL (Beta=1; Delta=2)

0,4

0,3

0,2

0,1

0
0 2 4 6 8 10 12 14 16
 Pág. 39

3º) Aproximação da Binomial pela Normal (Moivre-Laplace)

Considere X ~ Binomial (n ; p). Sabemos que E(X)=np e Var(X)=np(1-p). Padronizando X,

obtemos o seguinte resultado:

X − np
~ Z
np (1 − p) n→∞

Exercícios:

1) Verifique se o X=número de acertos ao acaso numa prova de vestibular que segue uma
distribuição Binomial (n=30;p=1/5) pode ser aproximado pela Normal. Calcule P(X > 25).

2) Verifique se a aproximação melhora para X ~ Binomial (n=120;p=1/5).

A aproximação pela Normal facilita muito os cálculos, pois uma única integral reúne o
resultado de uma grande quantidade de parcelas de um somatório.

4º) Aproximação da Poisson pela Normal

Utilizando a mesma idéia do tópico anterior, uma aproximação da Poisson pela Normal é
possível.
X −λ
~Z
λ

1) Verifique se o X=número de clientes que entra em uma loja num intervalo de 10min
que segue uma distribuição de Poisson (λ=5 clientes em 10 min.) pode ser aproximado
pela Normal. Calcule a probabilidade de entrar 6 ou mais clientes na loja em 10 minutos.
 Pág. 40

5º) Teorema do Limite Central (TLC)

Este item justifica a importância dada à distribuição Normal no capítulo de variáveis

aleatórias contínuas:

Seja x1 , ..., xn , n variáveis aleatórias independentes e identicamente distribuídas com

média µ e desvio-padrão σ.

X1 + X2 + ... + Xn = ∑x i ~ Normal(nµ ; nσ 2 )

Este resultado pode ser utilizado para comprender o comportamento probabilístico da

n

∑x i
média amostral X = i =1
.
n
n

∑x i
⎛ σ ⎞
X = i =1
~ Normal ⎜⎜ µ ; ⎟⎟
n ⎝ n⎠

6º) A distribuição t de Student

O matemático inglês Gosset fez estudos que colaboraram muito para a área de inferência
estatística. Ele estudou o comportamento probabilístico de X e propôs um nova
distribuição, denominada t.

X −µ
Já sabemos que se X ~ Normal (µ;σ), então Z = ~ Normal (0;1).
σ

Podemos utilizar este conhecimento para o caso da estatística X :

∑x i
⎛ σ ⎞ X −µ
Se X = i =1
~ Normal ⎜⎜ µ ; ⎟⎟ , então ~ Z . O empecilho para utilizar esta
n ⎝ n⎠ σ/ n
expressão em situações práticas está no desconhecimento de σ. Gosset propôs uma
modificação que depende apenas do conhecimento de uma estimativa de σ, criando a
distribuição t de Student que depende do tamanho da amostra selecionada (n).

X −µ
~ t n −1 (tabelada, com média 0)
s/ n
 Pág. 41

6º) A distribuição Qui-quadrado (χ2)

A distribuição Qui-quadrado também é muito importante na área da Inferência Estatística.

A soma de Normais-padrão ao quadrado converge para uma distribuição conhecida como
Qui-quadrado.

Z ~ Normal (0;1)

∑Z
i =1
i
2
~ χ n2 onde E(X)=n e Var(X)=2n

7º) A distribuição F de Snedecor

O quociente entre duas variáveis com distribuição Qui-quadrado, cada uma dividida pelos
seus graus de liberdade gera uma nova variável com distribuição F. Vejamos:

X
F = u ~ Fu ;v onde X ~ χ u2 e Y ~ χ v2
Y
v

Esta distribuição será utilizada em Inferência Estatística em Análise de Variância (Anova).

 Pág. 42

Cap 5. Probabilidade Bivariada

5.1 Distribuições Conjuntas de Probabilidade

É muito comum ter mais de uma variável associada a um experimento aleatório. Neste
capítulo nos restringiremos a duas variáveis (X e Y), apesar dos resultados poderem ser
estendidos para o caso p-variado.

5.1.1 Distribuições conjuntas – caso discreto

Considere X e Y duas variáveis aleatórias discretas e considere que fXY(x,y) a função de

probabilidade conjunta de X e Y que deverá satisfazer as seguintes condições:

1) f XY ( x, y ) ≥ 0

2) ∑∑ f
x y
XY ( x, y ) = 1

3) f XY ( x, y ) = P( X = x; Y = y )

Quando X e Y são independentes: f XY ( x, y ) = P( X = x) × P(Y = y )

Exemplo – Independência

X = número de caras no lançamento de duas moedas honestas

Y = número de caras no lançamento de duas moedas viciadas - P(Cara)=0,7

X ~ Binomial (n=2 ; p=0,5)

Y ~ Binomial (n=2 ; p=0,7)
 Pág. 43

Distribuições Marginais

Somando os valores em Y, obtemos a marginal de X:

P ( X = x) = ∑ P ( X = x; Y = y )
y

Somando os valores em X, obtemos a marginal de Y:

P(Y = y ) = ∑ P ( X = x; Y = y )
x

Exemplo –

P(X=1) =

P(Y=2) =

Exemplo – Encontrar as marginais f(x) e f(y), as esperanças E(X) e E(Y).

Y 0 2 4 f(x)
X
0 0,25 0,15 0

2 0,10 0,20 0,10

4 0 0,05 0,15

f(y)
 Pág. 44

Distribuições Condicionais

P( X = x; Y = y )
P( X = x | Y = y ) =
P(Y = y )

Exemplo – Duas Moedas

No caso de independência, as condicionais são iguais as marginais.

P(X=1 | Y=0) =

Exemplo – No exemplo da tabela cruzada

P(X=2 | Y=0) =

5.1.2 Distribuições conjuntas – caso contínuo

Por simplicidade trabalharemos com apenas duas variáveis contínuas X e Y. A função

densidade de probabilidade conjunta fXY(x,y) deverá satisfazer as seguintes condições:

1) f XY ( x, y ) ≥ 0

2) ∫∫ f
RR
XY ( x, y )dx dy = 1

A marginal de X é obtida integrando a conjunta em relação a Y. f ( x) = ∫f

R
XY ( x, y )dy .

A marginal de Y é obtida integrando a conjunta em relação a X. f ( y ) = ∫f

R
XY ( x, y )dx .
 Pág. 45

Exemplo – Exponencial Conjunta

Considere a seguinte função de probabilidade conjunta:

⎧exp− {x + y}, x > 0 y>0

f XY ( x, y )⎨
⎩0, caso contrário

a) Verifique se f XY ( x, y ) é função densidade de probabilidade.

b) Obtenha a marginal f(x).
c) Qual a probabilidade de encontrar valores de X e Y menores que 2?

1,00

0,80

0,60

0,40

0,20

-
0 5
1,5 3,75
3 2,5
1,25
4,5 0

5.2 - Covariância e Correlação entre X e Y

A covariância indica a variação conjunta de uma par de variáveis. Pode ser denotada por
COV(X,Y) ou por σXY. A covariância pode assumir qualquer valor real, onde o sinal indica
se a associação entre X e Y é direta ou inversa.

COV ( X , Y ) = E[( X − E ( X ) × (Y − E (Y ) )]

A covariância freqüentemente é substituída pelo coeficiente de correlação de Pearson (ρ)

que varia unicamente no intervalo de –1 até +1.

COV ( X , Y )
ρ XY =
Var ( X )Var (Y )
 Pág. 46

Exemplo – Calcular a covariância entre X e Y no caso discreto das duas moedas e no caso
da tabela cruzada

EXTRA – Distribuição Normal Bivariada

1 ⎧⎪ 1 ⎡ ( x − µ X )2 2 ρ ( x − µ X )( y − µ Y ) ( y − µ Y )2 ⎤ ⎫⎪
f XY ( x, y ) = × exp⎨− 2 ⎢
− + ⎥⎬
2πσ X σ Y 1− ρ 2 ⎪⎩ 2(1 − ρ ) ⎣ σ X
2
σ XσY σ Y2 ⎦ ⎪⎭

Distribuição Normal bivariada com ausência de correlação entre X e Y:

5
0,16
4,5

4
0,14 3,5

0,12 2,5

0,1 1,5

0,08 0,5

0,06 -0,5

-1

0,04 -1,5

-2
4
0,02 2,5 -2,5
1
-3
-0,5
0 -3,5
-2
-5

-4

-3

-3,5 -4
-2

-1

-4,5
2

-5
3

-5
-5 -4,5 -4 -3,5 -3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5

Curvas de Nível da Distribuição Normal bivariada com correlação POSITIVA e NEGATIVA

entre X e Y:
5
5
4,5
4,5
4
4
3,5
3,5
3
3
2,5
2,5
2
2
1,5
1,5
1
1
0,5 0,5
0 0
-0,5 -0,5
-1 -1
-1,5 -1,5
-2 -2

-2,5 -2,5

-3 -3

-3,5 -3,5
-4
-4
-4,5
-4,5
-5
-5
-5

-4

-3

-2

-1

5
-5
-4,5
-4
-3,5
-3
-2,5
-2
-1,5
-1

-0,5
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
 Pág. 47

LISTA DE EXERCÍCIOS

Cap. 1 – Análise Combinatória

Ver página 3

Cap 2 – Probabilidade

1. Seja P(A) = 4/8 P(B) = 3/8 P( A ∩ B ) = 2/8

a) Qual a probabilidade de ocorrer A ou ocorrer B? 5/8

b) Qual a probabilidade de ocorrer A, se B já ocorreu? 2/3
c) Os eventos A e B são mutuamente exclusivos? Não
d) Se C não possui intersecção com os eventos A e B e A ∪ B ∪ C = S, qual é a probabilidade de
C? 3/8

2. Seja P (A) = 0,3 e P( A ∪ B ) = 0,8. Qual o valor de P(B) se:

a) A e B são independentes? 0,7142
b) A e B são mutuamente exclusivos? 0,5

3. Uma urna contém 5 bolas brancas e 6 bolas pretas. Três bolas são retiradas sem reposição.
Calcular a probabilidade de:
a) Todas bolas serem pretas. 4/33
b) Ter exatamente uma bola branca. 5/11
c) Ao menos uma ser preta. 31/33

4. Numa bolsa temos 5 moedas de R$1,00 e 4 de R$0,50. Qual a probabilidade de, ao retirarmos
duas moedas da bolsa, obtermos R$1,50? 5/9

5. Seja um experimento lançar dois dados honestos e observar a face superior dos dados. Escreva
S e considere os seguintes eventos :
A = pares (x,y) tais que x + y = 8
B = pares (x,y) tais que x = y
C = pares (x,y) tais que x + y = 10
D = pares (x,y) tais que x > y

Calcular
a) P (A / B) = 1/6
b) P (C / D) = 1/15
c) P (B / C) = 1/3
d) P( B ∪ C ) = 8/36
P( A / B ∪ C ) = 1
 Pág. 48

6. Muitas escolas fornecem o acesso a Internet para seus estudantes hoje em dia. Desde 1996, o
acesso à Internet foi facilitado a 21.733 escolas elementares, 7.286 escolas do nível médio e
10.682 escolas de nível superior (Statistical Abstract of United States, 1997). Existe nos Estados
Unidos um total de 51.745 escolas elementares, 14.012 escolas do nível médio e 17.229 escolas do
nível superior.
Dica: construa uma tabela cruzada!

a) Se você escolher aleatoriamente uma escola elementar para visitar, qual é a probabilidade de
que ela tenha acesso à Internet?
b) Se você escolher aleatoriamente uma escola do nível médio para visitar, qual é a probabilidade
de que ela tenha acesso à Internet?
c) Se você escolher aleatoriamente uma escola para visitar, qual é a probabilidade de que ela seja
uma escola elementar?
a) Se você escolher aleatoriamente uma escola para visitar, qual é a probabilidade de que ela
tenha acesso à Internet?

7. A probabilidade de uma mulher estar viva daqui a 30 anos é 3/4 e de seu marido é 3/5. Calcular
a probabilidade de que daqui a 30 anos:
a) Apenas o homem esteja vivo. 3/20
b) Somente a mulher esteja viva. 3/10
c) Ambos estejam vivos. 9/20
d) Pelo menos um esteja vivo. 9/10

8. Há a seguinte promoção do chocolates TWIX e Snickers: se você encontrar a embalagem

premiada ganha outro chocolate. A chance de ganhar é de 1 em 10 para cada um dos tipos de
chocolates. Qual a probabilidade de você:
a) Comprando um chocolate TWIX e um SNICKERS ganhar duas outras barras?
b) Comprando um chocolate TWIX e um SNICKERS ganhar apenas uma barra?

9. A probabilidade de que uma nova lei seja aprovada no Congresso é de 0,30. A probabilidade de
que a mesma seja aprovada no Senado é de 0,40. A probabilidade de o presidente sancionar a lei é
de 50%.
a) Escreva o espaço amostral, mas cuidado: se a lei não for aprovada no Congresso não vai para o
Senado e se não for aprovada no Senado não vai para o Presidente.
b) Qual a probabilidade de que a lei seja aprovada em todas instâncias?
c) Qual a probabilidade de que a lei pare no Senado?

10. Uma máquina produz peças que, tipicamente, podem apresentar dois tipos de problemas: a
cada 100 peças, em média uma fica “mal-acabada” e a cada 50 peças uma fica maior que o
normal. Os dois problemas são independentes.
a) Escreva o espaço amostral considerando a ocorrência dos dois tipos de problemas.
b) Qual a probabilidade de uma peça apresentar os dois defeitos.
c) Qual a probabilidade de uma peça não possuir defeito algum?
 Pág. 49

11. Sabe-se que o Imposto de Renda Pessoa Física (IRPF) tem três faixas com alíquota de imposto
crescente (Alíquota 0%, Alíquota 15%, Alíquota 27,5%). De acordo com a Receita Federal (1996),
na Alíquota 0% situam-se 75,9% dos contribuintes e na alíquota 15% situam-se 18,7%. Sabe-se
que muitas declarações são fraudulentas, sendo que o percentual de fraude corresponde a metade
da alíquota de cada faixa.

a) Sabendo que um cidadão sonegou IRPF, qual a probabilidade dele ser da faixa de alíquota
27,5%?

12. Estima-se que haja 13 milhões de judeus no mundo, sendo que 5,7 milhões moram nos EUA,
5,1 milhões em Israel, 0,5 milhão na França e o restante em outros países. Sabe-se que, em Israel.
A razão entre ashkenazim (alemão, em hebraico) e sefaradim (espanhol)no mundo agora é de 70
por 30, mas em Israel é de meio-a-meio.

a) Você encontra um judeu num Congresso Internacional e ele se declara sefaradim, qual a
probabilidade de que ele viva em Israel?

Cap. 3 – Variáveis Aleatórias Discretas

13. O número de alunos matriculados na turma de Inglês Avançado de uma determinada Escola
possui a seguinte função de probabilidade:
x 0 1 2 3 4
P(X=x) 0,15 0,19 0,38 k 0,12

a) Defina quem é a variável aleatória X.

b) Qual o valor de k para seja esta uma funçao discreta de probabilidade?
c) Qual o número esperado de alunos matriculados nessa turma? E qual o desvio-padrão?

14. Durante 6 meses (180 dias), uma agência de turismo anotou quantos pacotes conseguia vender
por dia. Houveram 9 dias onde ela não conseguiu vender nenhum pacote. Em 22 desses 180 dias
ela vendeu 1 pacote por dia, e assim seguem as vendas na tabela abaixo:

x 0 1 2 3 4 5 6 Total
No. de Pacotes 9 22 45 41 27 22 14 180
Vendidos
P(X=x)

a) Com base nessas freqüências, preencha a tabela completando as probabilidade de se vender

nenhum pacote/dia, um, e assim por diante.
b) Quantos pacotes a agência espera vender, em média?

15. Qual a decisão mais sábia para tal situação:

Tenho um carro de R$12.500,00 numa cidade onde a probabilidade de ter o carro roubado é de
1/100 e a chance de um acidente com perda parcial (30%), considerando o período de um ano, é
de 1/50. A seguradora calcula apólice de seguro de R$1200,00 com franquia de R$800,00.

Qual a melhor decisão: fazer ou não fazer o seguro, dadas essas condições.
 Pág. 50

16. Um produto é composto por uma esfera e um cilindro. Cada componente custa R$5,00. Esses
componentes podem ser classificados como Bom (B), Longo (L) ou Curto (C). Se o produto final
apresentar algum componente C será irrecuperável e vendido como sucata, ao preço de R$ 5,00.
Cada componente L pode ser recuperável a um custo adicional de R$ 5,00.

Sabendo que o produtoi final é vendido a R$ 25,00 e desconsiderando qualquer outro custo,
contrua a função de probabilidade para X=lucro. As probabilidades são:

B L C
Esfera 0,70 0,20 0,10
Cilindro 0,80 0,10 0,10

3.3 Principais modelos discretos

17. A cada 1.000 decolagens de aviões, uma apresenta algum tipo de problema.

a) Suponha que os aviões da empresa Pluna realizem diariamente 10 decolagens. Qual a

probabilidade de não haver decolagem com problema num dia?

b) Sabendo que os aviões da Varig realizam 150 decolagens diariamente, qual o número esperado
de decolagens com problema por dia?

18. Se você jogar na Loteria Esportiva de forma completamente aleatória, calcule a probabilidade
de acertar os treze jogos, marcando apenas uma alternativa em cada jogo?

19. Num teste com 10 questões do tipo 'Verdadeiro' ou 'Falso', qual a probabilidade de um aluno,
respondendo todas questões ao acaso, acertar 60% das questões?

20. Um frentista de posto de gasolina é instruído pelo patrão para "empurrar" aos clientes aditivos
para combustível. O frentista realiza uma venda com probabilidade 0,15.

a) Em 15 abastecimentos, qual a probabilidade do frentista vender aditivos para 4 ou mais clientes?

b) Se durante o dia o frentista realiza 80 abastecimentos, qual o lucro esperado com a venda de
aditivos, sabendo que o lucro unitário é de R$ 2,00.

21. Uma locadora faz uma promoção onde os clientes colocam as suas notas fiscais após a locação.
Suponha que haja 100 cupons dentro da urna e que você tenha feito 8 locações (oito notinhas).
Suponha que a locadora sorteie três aparelhos de DVD dentre as notinhas da urna.

a) Qual a distribuição para modelar o número de notinhas premiadas que você teve?
b) Qual a probabilidade de que você ganhe 2 aparelhos DVD´s?
c) É possível utilizar a distribuição Binomial? Compare os resultados.

22. Uma máquina produz tecidos em rolos de 1m de largura. Suponha que a média de falhas seja
de 1 para cada metro quadrado.
a) Qual a probabilidade de que em 10m2 hajam 10 falhas?
b) Qual o número esperado de falhas em 100m2?
 Pág. 51

23. Em média dois navios atracam em um porto por dia, sendo que o número de navios que lá
atracam pode ser modelado pela distribuição de Poisson.
a) Qual a probabilidade de, num determinado dia, nenhum navio atracar no porto.
b) Qual a probabilidade de que ao menos três navios atraquem no porto em um dia.
c) Qual o número esperado de navios em um semana?

24. O processo de gravação de DVD´s ainda está sendo aprimorado. Suponha que, em média, uma
gravação resulte em sucesso a cada cinco tentativas.
a) Construa a função de probabilidade para X=número de tentativas até obter o primeiro
sucesso.
b) Qual o número esperado de tentativas até obter o primeiro sucesso?

25. Considere o exercício anterior, mas agora construa a distribuição para obtenção de dois
sucessos.

26. Um lote é composto de 20 peças, das quais 4 são defeituosas. Você, como comprador da
empresa, examina uma amostra de 5 peças antes de aceitar o lote.
a) Construa a função de probabilidade de X=número de peças defeituosas na amostra.
b) Qual o número esperado de peças defeituosas no lote.

27. Uma promoção de raspadinhas apresenta taxa de premiação de 1%.

a) Qual a probabilidade de você encontrar o prêmio na 10a, 20a e 30a raspadinha comprada?
b) Qual o número esperado de raspadinhas a ser comprado até encontrar o prêmio?

28. Uma promoção premia o primeiro integrante de uma fila que fizer aniversário no mesmo dia
que o vendedor de ingressos, a contar do primeiro da fila até o N-ésimo. Escreva a função de
probabilidade que descreve a posição na fila do ganhador, admitindo que a fila tenha N pessoas.

29. Você precisa que uma máquina seja operada por 2 pessoas canhotas. Você sabe que 10% da
população á canhota. Qual a probabilidade de serem necessárias até 5 tentativas para encontrar
um canhoto?

Cap. 4 Variáveis Aleatórias Contínuas

33) Considere uma variável aleatório contínua com a seguinte função densidade de probabilidade:

x 1
f ( x) = − + , 0 ≤ x ≤ 4
8 2
0, caso contrário

a) Esboce a f(x) e verifique se temos uma função densidade de probabilidade.

 Pág. 52

34) O comprimento de peças produzidas por uma máquina é igualmente provável de estar entre
10mm e 12mm.
a) Esboce a f(x).
b) Qual a probabilidade de uma peça ter comprimento superior a 11,8mm?
c) Qual o comprimento esperado e o desvio-padrão de X.

35) O tempo entre pousos de aviões num aeroporto segue distribuição Exponencial com média de
8minutos.

a) Qual a probabilidade do tempo entre pousos exceder 10min?

b) Qual a probabilidade do tempo ser inferior a 12 min.?
c) Qual a probabilidade do tempo estar entre 15 e 18minutos?

36) Mostre a propriedade de falta de memória da Exponencial considerando um caso Exponencial

(λ=0,4).

37) A altura de brasileiros do sexo masculino segue uma distribuição aproximadamente Normal com
média de 175cm e desvio-padrão de 6cm.
a) Qual a probabilidade de um brasileiro medir mais de 180cm?
b) Qual a probabilidade dele medir entre 169cm e 181cm?
c) Qual a probabilidade dele medir exatamente 190cm?

38) Os resultados de um exame revelaram nota distribuídas normalmente com média de 18 acertos
e desvio-padrão de 5 acertos.
a) Qual a probabilidade de um aluno ter mais de 30 acertos?
b) Qual a probabilidade de um aluno ter entre 20 e 25 acertos?

39) O tempo de vôo entre Rio-Paris é igualmente provável de estar entre 11e 12h.
a) Esboce a f(x).
b) Qual a probabilidade do tempo de vôo exceder 11,5h?
c) Qual o tempo esperado de vôo e o desvio-padrão.

40) O tempo entre falhas num processo industrial segue uma distribuição Exponencial. Sabendo
que o tempo médio entre falhas é e 45 minutos:
d) Qual a probabilidade do tempo entre falhas exceder 60minutos?
e) Qual a probabilidade do tempo ser inferior a 50 min.?

41) Cartuchos de impressão da marca Encre imprimem, em média 500 documentos com um
desvio-padrão de 50 documentos. Cartuchos da marca Ink imprimem uma média de 510
documentos, mas com desvio-padrão de 40 documentos.

a) Admitindo distribuição NORMAL para o número de documentos impressos nas duas marcas,
qual cartucho deve ser preferido para imprimir um mínimo de 520 folhas?

42) Considere uma distribuição Exponencial (λ=0,10) e uma Normal (µ=10; σ=2).
a) Calcule, nos dois casos, a probabilidade de um valor de X se afastar da média em 2 desvios-
padrão.

b) Verifique se os cálculos estão de acordo com Tchebychev.

 Pág. 53

Cap. 5 Probabilidade Bivariada

43) Considere a seguinte distribuição conjunta para as falhas de dois funcionários de uma empresa.
Os dados foram obtidos numa amostra de 2 anos de observações:

Falhas do operário Y
Falhas operário X 0 1 2 f(x)
0 0,30 0,03 0,00 0,33
1 0,10 0,40 0,00 0,50
2 0,10 0,03 0,05 0,18
f(Y) 0,50 0,40 0,10 1,00

a) Verifique se X e Y são independentes.

b) Encontre E(X) e E(Y).
c) Calcule a covariância entre X e Y e a correlação. Sabemos que Var(X)=0,4775 e Var(Y)=0,44.
d) Calcule P(X=0 | Y=1) e P(Y=0 | X=0).

44) Considere a seguinte distribuição conjunta de probabilidades:

fXY = 9x2y2 para 0<x<1 , 0<y<1

a) Verifique se fXY é função densidade de probabilidade conjunta.

b) Qual a probabilidade de ocorrer um valor de X inferior a 5 e um valor de Y superior a 5?

10
8
6
4
2
0,8
0
0 0,4 0
0,8

c) Encontre a função densidade de probabilidade de Y (marginal). Calcule o valor esperado de Y.

45) Verifique a COV(X,Y) na seguinte distribuição conjunta:

Falhas do operário Y
Falhas operário X 0 1 2 f(x)
0 0,00 0,00 0,50 0,50
1 0,00 0,40 0,00 0,40
2 0,10 0,00 0,00 0,10
f(Y) 0,10 0,40 0,50 1,00
Var(X) = Var(Y) = 0,44
 Pág. 54

LISTA EXTRA (para a P3)

46) O tempo de vida de um arranjo mecânico em un teste vibracional é distribuído

exponencialmente com uma média de 400h.
a) Qual a probabilidade de que um arranjo em teste falhe antes de 100h?
b) Qual a probabilidade de que o arranjo opere por mais de 500h?
c) Qual a probabilidade de que o arranjo falhe em menos de 200h?
d) De já houver passado 400h sem falhas qual a probabilidade de que o arranjo falhe antes das
600h?
e) Qual o tempo de vida esperado deste arranjo mecânico.

47) O consumo de luz mensal de uma residência é igualmente provável de estar entre 150 e
250kWh.
a) Escreva a função densidade para X=consumo e a acumulada.
b) Qual a probabilidade do consumo exceder 200kWh?
c) Qual o consumo esperado e a variância de X?

48) A máquina L1 produz lâminas com comprimento médio de 12mm e desvio-padrão de 1mm,. A
máquina L2, de outro fabricante, também produz lâminas com média de 13mm e desvio-padrão de
0,5mm.

a) Admitindo que a espessura das lâminas, nos dois casos, segue uma distribuição Normal e que o
objetivo é produzir lâminas com espessura entre 13 e 14mm, qual é a melhor máquina?

49) A distribuição de Weibull é bastante flexível. Considere que o tempo de vida de um mancal de
rolamento siga uma distribuição Weibull com parâmetro β= 0,2 e δ=10.000h.
a) Qual a probabilidade do tempo de vida exceder 8000h?
b) Qual o tempo de vida esperado?

50) Considere a seguinte função densidade de probabilidade contínua

⎧k (3 x 2 − x);2 < x < 10

f ( x)⎨
⎩0; c.c.
a) Determine o valor de k para f(x) ser uma função densidade.
b) Esboce o gráfico da função.
c) Encontre o valor esperado de X.
d) Qual a probabilidade de ocorrer X < 6.
 Pág. 55

TABELA Z

Tabela: Probabilidades acumuladas associadas aos valores críticos (z) da distribuição

normal reduzida
z 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 0,7704 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

2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936

2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986

3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
 Pág. 56

TABELA t

Alpha sobre 2
Graus de liberdade 5,0% 2,5% 0,5%
(n-1) 90% bilateral 95% bilateral 99% bilateral
1 6,314 12,706 63,656
2 2,920 4,303 9,925
3 2,353 3,182 5,841
4 2,132 2,776 4,604
5 2,015 2,571 4,032
6 1,943 2,447 3,707
7 1,895 2,365 3,499
8 1,860 2,306 3,355
9 1,833 2,262 3,250
10 1,812 2,228 3,169
11 1,796 2,201 3,106
12 1,782 2,179 3,055
13 1,771 2,160 3,012
14 1,761 2,145 2,977
15 1,753 2,131 2,947
16 1,746 2,120 2,921
17 1,740 2,110 2,898
18 1,734 2,101 2,878
19 1,729 2,093 2,861
20 1,725 2,086 2,845
21 1,721 2,080 2,831
22 1,717 2,074 2,819
23 1,714 2,069 2,807
24 1,711 2,064 2,797
25 1,708 2,060 2,787
26 1,706 2,056 2,779
27 1,703 2,052 2,771
28 1,701 2,048 2,763
29 1,699 2,045 2,756
30 1,697 2,042 2,750
40 1,684 2,021 2,704
50 1,676 2,009 2,678
60 1,671 2,000 2,660
70 1,667 1,994 2,648
80 1,664 1,990 2,639
90 1,662 1,987 2,632
100 1,660 1,984 2,626
110 1,659 1,982 2,621
120 1,658 1,980 2,617
Infinito 1,645 1,960 2,576