UNIVERSIDADE FEDERAL DA BAHIA

INSTITUTO DE MATEMTICA
DEPARTAMENTO DE ESTATSTICA







NOTAS DE AULA
MAT236 MTODOS ESTATSTICOS
1 UNIDADE







Elaborada pelos professores:
Giovana Silva, Lia Moraes,
Rosana Castro e Rosemeire Fiaccone


Revisada em 2011.1
Monitora: Tatiana Felix da Matta

Revisada em 2012.1
Gecynalda e Silvia Regina


1

1. INTRODUO

1.1. O que estatstica e suas divises

Para muitos a Estatstica no passa de conjuntos de tabelas de dados numricos. Mas ser
que a estatstica s isso?
A Estatstica originou-se com a coleta e construo de tabelas de dados para o governo. A
situao evoluiu e esta coleta de dados representa somente um dos aspectos da Estatstica. Hoje
em dia podemos adotar a seguinte definio para a Estatstica:
A Estatstica constitui-se num conjunto de tcnicas e mtodos cientficos que tratam da
coleta, anlise e interpretao de informaes numricas, cujo objetivo principal
auxiliar na tomada de decises ou tirar concluses em situaes de incerteza, a partir de
informaes numricas.
A Teoria Estatstica moderna se divide em dois grandes campos:
Estatstica Descritiva - consiste num conjunto de mtodos que ensinam a reduzir uma
quantidade de dados bastante numerosa por um nmero pequeno de medidas, substitutas e
representantes daquela massa de dados.
Estatstica Indutiva ou Inferncia Estatstica - consiste em inferir (deduzir ou tirar
concluses a respeito das) propriedades de um universo a partir de uma amostra. O processo de
generalizao, que caracterstico do mtodo indutivo, est associado a uma margem de
incerteza. A medida da incerteza tratada mediante tcnicas e mtodos que se fundamentam na
Teoria das Probabilidades.
A Estatstica Descritiva abrange mtodos grficos e numricos, utilizados para resumir
dados de maneira que caractersticas importantes da amostra possam ser expostas.
A disponibilidade de uma grande quantidade de dados e de mtodos computacionais muito
eficientes revigorou a rea da Estatstica denominada Estatstica Descritiva.
Na maioria das vezes no podemos investigar o fenmeno que estamos interessados em
estudar em todos os elementos da populao por ser o custo muito alto, por necessitar de muito
tempo para o levantamento dos dados. Para resolver o problema devemos trabalhar com um
subconjunto da populao, chamado de AMOSTRA.
Se selecionarmos os elementos da amostra de acordo com critrios estatsticos,
podemos conhecer as informaes relativas populao atravs da amostra.
2

A inferncia estatstica procura com base nos dados amostrais tirar concluses sobre a
populao. Considere o exemplo abaixo para ilustrar as definies dadas.

Exemplo: (Notas de Aula da Disciplina MAT116 - USP) Numa pesquisa eleitoral um Instituto
de Pesquisa procura com base nos resultados de um levantamento aplicado a uma amostra da
populao prever o resultado da eleio. Considere o candidato A:
a) Denomine por p a proporo de pessoas que votaro em A na eleio.
b) Denomine por p a proporo de pessoas no levantamento de opinio (amostra) que
expressam inteno de voto em A.
Podemos usar o valor de p para estimar a proporo p da populao.

O esquema a seguir resume as etapas de um trabalho estatstico:


















1.2. Por que precisamos aprender Estatstica?

Quase toda atividade e experincia humana envolvem coleta e anlise de algum tipo de
informao (dados). Na coleta de dados relativos ao comportamento ou outras caractersticas
de um grupo de indivduos, amostras aleatrias de um processo ou resultados de repetitivas
medies, sempre envolvem variao.
Mtodos estatsticos representam as ferramentas bsicas para compreender as variaes,
porque a anlise estatstica a nica base para tentar entender variabilidade.
Os mtodos estatsticos so consciente ou inconscientemente usados em vrias situaes,
especialmente na apresentao de informaes oriundas de dados numricos. Diversas vezes,
apresentaes so baseadas, principalmente, em algum tipo de tcnica utilizando teorias
Tcnicas de Amostragem
Populao
Amostra
Anlise
Descritiva
Concluses sobre as
caractersticas da
populao
Inferncia
Estatstica
Informaes contidas
nos dados
3

matemticas; porm durante a preparao e apresentao dos dados, mtodos estatsticos so
utilizados para definir a tcnica de coleta de dados e chegar a uma concluso atravs das
informaes coletadas. Os mtodos estatsticos tm aplicaes em:
Indstrias: coleta de dados na linha de produo, para manter e controlar o processo
produtivo, o que assegura o nvel de produo e os padres de qualidade; otimizao do
processo produtivo; deteco das variveis que realmente influenciam o processo,
viabilizando-se as experincias que possam levar a alteraes efetivas nesse processo;
planejamento de experimentos viveis, com vistas economia de observaes e, portanto,
de custo; planejamento de mtodos de coleta e anlise de dados para a explorao mineral;
Instituies pblicas: planejamento da coleta, do armazenamento e do processamento de
informaes; processamento de dados com o objetivo de sintetizar e divulgar resultados;
montagem de tecnologia adequada de gerao de indicadores econmicos; previso de
safras, projeo de demandas;
Hospitais e instituies de pesquisa mdica: prestao de assessoria estatstica no exame da
validade de testes clnicos; no estabelecimento de padres de referncia; na determinao
de fatores de risco de doenas; na comparao de resultados de diversos tratamentos
clnicos e no planejamento de experimentos clnicos controlados, de estudos de casos e de
estudos prospectivos;
Empresas de pesquisa de opinio e mercado: prestao de assessoria estatstica no
levantamento de audincias de programas de televiso, da popularidade de candidatos a
cargos polticos; na avaliao da aceitao de novos produtos; na realizao de pesquisas
para determinao do perfil do consumidor e no planejamento e execuo e pesquisa para
determinao das caractersticas scio-econmicas dos habitantes da regio;
Bancos e companhias de seguro: elaborao de previses a serem utilizadas como
instrumento gerencial; trabalho em associao com a aturia nos clculos das
probabilidades de morte, doena, roubo de carro, etc.; otimizao de procedimentos de
atendimento ao pblico
Centros de pesquisa: prestao de assessoria estatstica em todas as fases de um projeto de
pesquisa que envolva coleta, tratamento e anlise de dados.

Os empregados de uma empresa devem tornar-se mais familiarizados com estatstica. Eles
devem entender e conhecer as tcnicas estatsticas disponveis, e adaptao de dados de
experimentos para a anlise estatstica. Um profissional treinado em Estatstica ter maior
4

facilidade em identificar um problema em sua rea de atuao, determinar os tipos de dados
que iro contribuir para a sua anlise, coletar estes dados e a seguir estabelecer concluses e
determinar um plano de ao para a soluo do problema detectado. Qualquer um que derive
informaes a partir de dados est agindo como um estatstico.

2. PROBABILIDADE

2.1. Breve histrico.

Dizse geralmente que a teoria da probabilidade originou-se com Blaise Pascal (1623-
1662) e Pierre de Fermat (1601-1665), devido curiosidade de um cavalheiro Chevalier de
Mer, jogador apaixonado, que em cartas discutiu com Pascal problemas relativos
probabilidade de ganhar em jogos de cartas. Despertado pelo assunto Pascal discutiu com
Fermat sobre o que hoje chamaramos de probabilidades finitas. Mas em verdade a teoria
elementar das probabilidades j tinha sido objeto de ateno bem antes, uma vez que os jogos
de azar sempre exerceram fascnio sobre os homens.
A primeira obra conhecida em que se estudam as probabilidades o livro De Ludo Aleae
(Sobre os jogos de azar) de Girolamo Cardano (1501-1576), publicado em 1663. Tambm
Galileu (1564-1642) preocupou-se com as probabilidades, estudando os jogos de dados para
responder a pergunta de um amigo.
A teoria das probabilidades passou a desenvolver-se de maneira mais organizada a partir
do sculo XVII e importantes contribuies de ilustres matemticos devem ser registradas. No
famoso livro, Ars Cnjectandi de Jaime Bernoulli (1654-1705) encontramos um teorema de
importncia decisiva para a teoria das probabilidades, conhecido com a Lei dos Grandes
Nmeros, nome que lhe foi dado pelo matemtico francs Simon Poisson (1781-1840).
Poderamos citar muitos outros com importantes contribuies, mas certamente o matemtico
que mais contribuiu para a teoria das probabilidades foi Laplace (1749-1827). Seus inmeros
trabalhos sobre as probabilidades foram incorporados em seu monumental Tratado Analtico
das Probabilidades.
Atualmente as teorias das probabilidades tm extrema importncia nas mais diversas reas
desde a engenharia, medicina, epidemiologia, demografia, economia, administrao,
meteorologia, fotografias de satlites, marketing, predio de desastres naturais, cincias
sociais entre outras.
Alm das muitas aplicaes formais, o conceito de probabilidade est no nosso dia a dia.
Sempre ouvimos e falamos frases como: Provavelmente vai chover amanh, provvel que
5

o avio se atrase, H boas chances de que eu possa comparecer. Cada uma desta expresses
est baseada no conceito de probabilidade de que certo evento ocorra.

2.2. Conceitos bsicos

Fenmenos ou experimentos aleatrios (E): So aqueles em que o processo de
experimentao est sujeito a incertezas, logo, no possvel controlar todas as circunstncias
relevantes e, portanto, no possvel prever com exatido os resultados individuais.

Caractersticas de um experimento aleatrio:
a) Poder ser repetido um grande nmero de vezes sob as mesmas condies;
b) No podemos afirmar que um resultado particular ocorrer, porm, podemos descrever o
conjunto de todos os resultados possveis do experimento - as possibilidades de resultado;
c) Quando o experimento repetido um grande nmero de vezes, surgir uma regularidade
nos resultados. Esta regularidade, chamada de regularidade estatstica, que torna possvel
construir um modelo matemtico preciso com o qual se analisar o experimento.

A Teoria da Probabilidade utilizada para descrever matematicamente experimentos cujos
resultados no podem ser completamente pr-determinados, ou seja, visa definir um modelo
matemtico que seja adequado descrio e interpretao de fenmenos aleatrios.

Exemplo 1: Considere o experimento aleatrio de jogar uma moeda uma nica vez. Antes da
moeda ser jogada no se sabe o resultado. Conhecem-se apenas os possveis resultados: cara ou
coroa. Admitindo-se que a moeda honesta, cada resultado tem a mesma chance de ocorrer.
Neste exemplo, modelos podem ser estabelecidos para quantificar as incertezas das diversas
ocorrncias.
Fazendo-se algumas suposies adequadas, possvel escrever distribuies de probabilidades
(modelos probabilsticos) que representem muito bem as distribuies de freqncias, que s
so obtidas quando o fenmeno observado.

Modelo probabilstico definido por:
a) Um espao amostral ();
b) Uma probabilidade, P( ), para cada ponto amostral.

6

Espao amostral ( ): conjunto de todos os resultados possveis de um experimento aleatrio.
Exemplos de experimentos aleatrios e seus respectivos espaos amostrais:
E
1
: Jogar uma moeda e observar a face superior.

1
= { Cara, Coroa }
E
2
: Jogar um dado e observar a face superior.

2
= { 1, 2, 3, 4, 5, 6 }
E
3
: Determinar o tempo de vida til de uma lmpada.

3
= { t / t 0 }

Espaos amostrais podem ser finitos ou infinitos.

Evento: Qualquer subconjunto de um espao amostral. Representado pelas letras latinas
maisculas A, B, C,...

Exemplo 2: No lanamento de um dado consideremos o evento ocorrer um nmero par.
A: ocorrer um nmero par, em que = {1, 2, 3, 4, 5, 6}.
A = {2, 4, 6}

Exemplo 3: Vai chover no litoral baiano no fim de semana? = {chove, no chove}
Em geral, temos interesse em eventos particulares do experimento.
O evento A pode representar a ocorrncia de chuva
A = {chove}

Os conjuntos e tambm so eventos:
o evento certo
o evento impossvel

Exerccio: Descreva o espao amostral para cada um dos seguintes experimentos a seguir:
a) Numa linha de produo conta-se o nmero de peas defeituosas num perodo de 1 hora;
Resp.: ={0,1,2,...,N} em que N o nmero mximo de peas que podem ser produzidas no
perodo de 1 hora.
b) Mede-se a durao de lmpadas, deixando-as acesas at que queimem;
7

Resp.: ={t / 0 t t
0
} em que t
0
o tempo mximo de durao da lmpada acesa, at
que ela se queime ou ={t / t 0 }.
c) Lanar uma moeda trs vezes, sucessivamente, e anotar a seqncia de caras e coroas;
Resp.: ={ (ca, ca, ca); (ca, ca, co); (ca, co, ca); (co, ca, ca); (ca, co, co); (co, ca, co); (co, co,
ca); (co, co, co)}.
d) Escolher ao acaso um ponto do crculo de raio um centrado na origem.
Resp.: ={( )
2
, y x ; 1
2 2
+ y x }.

2.3. Operaes com eventos

Ao realizar um experimento aleatrio diz-se que o evento A ocorreu se o resultado
observado for um elemento do subconjunto A.
Dados dois eventos A e B de um mesmo espao amostral:
AB o evento em que A e B ocorrem simultaneamente;
AB o evento em que A ocorre ou B ocorre (ou ambos ocorrem);
A
c
A ou o evento em que A no ocorre.

Exemplo 4: E: Lanamento de um dado

=

{1, 2, 3, 4, 5, 6}
Evento B: representa sair face par => B = {2, 4, 6}

Evento C: representa sair uma face mpar => C = {1, 3, 5}
Evento D: representa sair uma face maior que 3 => D = {4, 5, 6}
Evento E: representa sair face 1 => E = {1}
Evento B D: representa sair uma face par e maior que 3 => {2, 4, 6} {4, 5, 6} = {4, 6}
Evento B C: representa sair uma face par e mpar => {2, 4, 6} {1, 3, 5} =
Evento B D: representa sair uma face par ou maior que 3 => {2, 4, 6} {4, 5, 6} = {2, 4, 5,
6}
Evento B C: representa sair uma face par ou mpar => {2, 4, 6} {1, 3, 5} = {1, 2, 3, 4, 5,
6}. O Evento B
c
= C e o Evento C
c
= B
Se dois eventos quaisquer tm interseco vazia, isto , eles no podem ocorrer
simultaneamente, dizemos que eles so mutuamente exclusivos ou disjuntos. No exemplo 4,
os eventos B e C so mutuamente exclusivos ou disjuntos, visto que B C = .

8

2.4. Como atribuir probabilidade a um evento?

Calcular uma probabilidade medir a incerteza ou associar um grau de confiana aos
resultados possveis de um experimento. Por exemplo, ao escolher, ao acaso, uma carta de um
baralho comum (bem embaralhado), o que mais provvel, sair uma figura ( K, Q, J ) ou sair o
dois de copas?
As probabilidades associam aos eventos um valor no intervalo [0,1]. Quanto maior o valor
associado ao evento, maior a certeza de sua possibilidade de ocorrncia.
Seja um espao amostral. Uma funo P definida para todos os subconjuntos de
(chamados eventos) chamada de probabilidade se:
1) 0 P(A) 1, para todo evento A
2) P() = 1
3) Se A
1
, A
2
,..., A
n
forem, dois a dois, eventos mutuamente exclusivos, isto , (A
i
A
j
) =
para todo i j, ento
( ) ) ( ... ) ( ) ( 2 1
1
n
n
i
i A P A P A P A P + + + =
=
U
=

=
n
i
i A P
1
) (

Existem vrias maneiras de atribuir probabilidade a um evento do espao amostral. Vamos
estudar duas formas. Uma das formas baseada em espaos amostrais finitos.
Um espao amostral equiprovvel quando todos os elementos tm a mesma
probabilidade de ocorrer, isto , todos os seus elementos so igualmente provveis.

Definio: Seja A um evento associado ao espao amostral finito , no qual todos os
resultados so igualmente possveis (ou equiprovveis). Vamos definir a probabilidade do
evento A, P(A) como o quociente entre o nmero de elementos em A e o nmero de elementos
em :

=
#
#
) (
A
A P ,
isto , a razo entre os casos favorveis ao evento e o total de casos possveis.
Limitaes:
Dificuldade em enumerar #A e # em alguns casos;
infinito;
9

Modelo adequado apenas para a classe de fenmenos cujo espao amostral
equiprovvel.

Exemplo 5: Qual a probabilidade de obter um nmero par no lanamento de um dado?
= {1,2,3,4,5,6}
A = nmero par = {2, 4, 6}
P(A) =
6
3

Para calcular probabilidade utilizando a definio clssica, em geral utilizam-se os mtodos de
enumerao: Combinaes, arranjos e permutaes.

Resumo de algumas tcnicas sistemticas de enumerao

1 Princpios bsicos da multiplicao
Dados dois eventos, o primeiro dos quais pode ocorrer de m maneiras distintas e o
segundo pode ocorrer de n maneiras distintas, ento os dois eventos conjuntamente podem
ocorrer de m.n maneiras distintas.

Exemplo 6: Uma bandeira formada por 7 listras que devem ser coloridas usando apenas as
cores verde, azul e cinza. Se cada listra deve ter apenas uma cor e no se pode usar cores iguais
em listras adjacentes, de quantos modos se pode colorir a bandeira?
Soluo: Colorir a bandeira equivale a escolher a cor de cada listra. H 3 modos de escolher a
cor da primeira listra e, a partir da, 2 modos de escolher a cor de cada uma das outras 6 listras.
A resposta 3x2
6
= 192.

2 Permutaes
Uma coleo de n objetos diferentes pode ser ordenada de n! maneiras distintas. Portanto,
o nmero de permutaes de n objetos diferentes dado por P
n
=n! (Essa regra de permutao,
traduz o fato de que o primeiro objeto pode ser escolhido de n maneiras diferentes, o segundo
objeto pode ser escolhido de n-1 maneiras distintas, e assim por diante).
Exemplo 7: De quantos modos podemos arrumar em fila 5 livros diferentes de Matemtica, 3
livros diferentes de Estatstica e 2 livros diferentes de Fsica, de modo que livros de uma
mesma matria permaneam juntos?
10

Soluo: Podemos escolher a ordem das matrias de 3! Modos. Feito isso, h 5! Modos de
colocar os livros de Matemtica nos lugares que lhe foram destinados, 3! Modos para os de
Estatsticas e 2! Modos para os de Fsica. A resposta : 3!5!3!2!= 6 x 120 x 6 x 2 = 8640.

3 - Arranjos
o nmero de maneiras de escolher p objetos dentre n objetos diferentes (sem repetio),
sendo a ordem importante, e permutar os escolhidos (0 p n). Portanto, o nmero de arranjos
dado por:
)! (
!
p n
n
A
p
n

=


Exemplo 8: No planejamento de um programa noturno da rede de televiso NBC, devem ser
escolhidos 6 shows dentre 30 disponveis. Quantas programaes diferentes so possveis?
Soluo: Devemos selecionar p=6 dentre n=30 programas disponveis. Aqui a ordem tem
importncia, por que os espectadores variam no decorrer do tempo. Logo devemos calcular o
nmero de arranjos 000 . 518 . 427
)! 6 30 (
! 30
)! (
!
=

=
p n
n
A
p
n
.

4 Combinao
o nmero de maneiras de selecionar p objetos distintos dentre n objetos distintos dados,
sem considerarmos a ordem. Cada seleo de p objetos chamada de uma combinao simples
de classe p dos n objetos. Representamos o nmero de combinaes simples de classe p de n
elementos por
p
n
C ou
|
|

\
|
p
n
. Assim o nmero de combinaes de p objetos extrados de um
conjunto de n objetos diferentes
)! ( !
!
p n p
n
C
p
n

= . ( Basta notar que selecionar p entre os n

objetos equivale a dividir os n objetos em um grupo de p objetos, que so selecionados, e um
grupo de n-p objetos, que so os no-selecionados.)

Exemplo 9: Com 5 homens e 4 mulheres, quantas comisses de 5 pessoas, com exatamente 3
homens, podem ser formadas?
Soluo: Para formar a comisso devemos escolher 3 dos 5 homens e 2 das 4 mulheres. H
60
! 2 ! 2
! 4
.
! 2 ! 3
! 5
2
4
.
3
5
.
2
4
3
5
= =
|
|

\
|
|
|

\
|
= C C

11

Exemplo 10: Um lote formado de 2 artigos perfeitos e 1 defeituoso. Dois artigos so
selecionados ao acaso:
a) Quantos lotes de 2 artigos diferentes podem ser formados sem considerarmos a ordem?
Soluo: Trata-se aqui do nmero de combinaes de p=2 artigos a serem selecionados dentre
3. Temos 3
! 1 ! 2
! 3
2
3
= = C , (P
1
P
2
, DP
1
, P
2
D)
b) Quantos lotes de 2 artigos diferentes podem ser formados considerando a ordem?
Soluo: Aqui, desejamos o nmero de seqncias (ou permutaes) de p=2 artigos a serem
escolhidos dentre os 3. Temos 6
! 1
! 3
2
3
= = A , (P
1
P
2
, P
2
P
1
, D
1
P
1
, P
1
D
1
, D
1
P
2
, P
2
D
1
).

Exerccios:
1) Trs garotos e 3 garotas sentam-se em fila. Encontre a probabilidade das 3 garotas sentarem
juntas. Resp.: 0,2.
2) Um lote formado de 10 artigos bons, 4 com defeitos menores e 2 com defeitos graves.
Dois artigos so escolhidos (sem reposio) ache a probabilidade de que:
a) Ambos tenham defeitos graves? Resp.: 0,00833.
b) Exatamente um seja perfeito? Resp.: 0,5.
3) Um produto montado em 3 estgios. No primeiro estgio, existem 5 linhas de montagem;
no segundo estgio, existem 4 linhas de montagem e no terceiro estgio, existem 6 linhas
de montagem. De quantas maneiras diferentes poder o produto se deslocar durante o
processo de montagem? Resp.: 120
4) Um inspetor visita 6 mquinas diferentes durante um dia. A fim de evitar que os operrios
saibam quando ele os ir inspecionar, o inspetor varia a ordenao de suas visitas. De
quantas maneiras isto poder ser feito? Resp.: 720
5) Um mecanismo complexo pode falhar em 15 estgios. De quantas maneiras poder falhar
em exatamente 3 desses estgios? Resp.: 455

6) Em uma sala, 10 pessoas esto usando emblemas numerados de 1 at 10. Trs pessoas so
escolhidas ao acaso e convidadas a sarem da sala simultaneamente. O nmero de seu
emblema anotado.
a) Qual a probabilidade de que o menor nmero de emblema seja cinco? Resp.: 0,0833
b) Qual a probabilidade de que o maior nmero de emblema seja cinco? Resp.: 0,05

12

As limitaes da definio clssica de probabilidade, que s se aplica a espaos amostrais
finitos e equiprovveis, levaram a considerar outra forma de calcular probabilidade de um
evento partindo da freqncia relativa do evento ao se repetir o experimento, n vezes, sob as
mesmas condies. Em linguagem matemtica, quando n cresce, o limite da freqncia relativa
de ocorrncia de A igual a P(A), isto ,

P(A)
n
ocorre A que repeties de #
lim ) ( lim = =
n
n
n
A f .

Exemplo 11: Suponha que vamos realizar um experimento de lanar 20 vezes uma moeda e
observar o nmero de caras. A cada lanamento vamos considerar o nmero de caras que at
ento ocorreram (n
a
) dividido pelo nmero de lanamentos (n), ou seja, a freqncia relativa de
caras. Os resultados referentes a esse experimento encontram-se na tabela abaixo:
n n
a
f
a
= n
a
/n n n
a
f
a
= n
a
/n
1 1 1 11 6 6/11
2 1 1/2 12 7 7/12
3 2 2/3 13 7 7/13
4 3 3/4 14 8 8/14
5 3 3/5 15 8 8/15
6 3 3/6 16 8 8/16
7 3 3/7 17 8 8/17
8 4 4/8 18 8 8/18
9 5 5/9 19 9 9/19
10 5 5/10 20 9 9/20

Vejamos o comportamento das freqncias relativas por meio do grfico a seguir:

A partir desta Figura vemos que a medida que aumenta o nmero de lanamentos, a
freqncia relativa se aproxima de 0,5. Em linguagem matemtica dizemos que a freqncia
Lanamentos sucessivos de uma moeda
Nmero de repeties versus freqncia relativa de caras
F
r
e
q

n
c
i
a
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
13

relativa converge para 0,5. Dificuldade do ponto de vista matemtico: o nmero do limite
real pode no existir.

Exerccio (TRIOLA): Em uma pesquisa entre estudantes de uma faculdade, 1162 afirmaram
que colavamnos exames, enquanto 2468 afirmaram no colar [com base em dados do
Josephson Institute of Ethics (Instituto Josephson de tica)]. Selecionando aleatoriamente um
desses estudantes, determine a probabilidade deste estudante ter colado em um exame. Resp.:
0,3201.

Teoremas:

1) P() = 0
2) Se A
c
o evento complementar de A, ento P(A
c
) = 1- P(A)
3) Sejam A e B dois eventos quaisquer, ento:
P (A B) = P(A) + P(B) - P(A B)
Demonstrao: AB = A[BA
c
]
B = (A B) (BA
c
)
P(AB) = P(A) + P (BA
c
)
-P(B) = -P(A B) - P (BA
c
)
P (AB) = P(A) + P(B) - P(A B)

4) Se A, B e C forem trs eventos quaisquer, ento:
P (A B C)=P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C)

Generalizao:
( ) ( ) ( ) ( ) ( )
n
n
n
r j i
r j i
n
j i
j i
n
i
i n
A A P A A A P A A P A P A A P + + + =

< < < =

K K K
1
1
1
1
1 ) (

Exemplo 12: Se P(AB
c
)=0,2 e P(B
c
)=0,7. Achar P(AB)? (Use diagrama de Veen)
P(AB
c
)= P(A) P(AB) 0,2 = P(A) - P(AB) P(A) = 0,2 + P(AB)
P(B
c
)= 1 P(B) 0,7 = 1 - P(B) P(B)= 0,3
P (A B) = 0,2 + 0,3 = 0,5

14

Exerccios:
1) Um lote formado por 10 peas boas, 4 com defeitos menores e 2 com defeitos graves.
Uma pea escolhida ao acaso. Calcule a probabilidade de que:
a) a pea no tenha defeito grave? Resp.:0,875.
b) a pea no tenha defeito? Resp.:0,625.
c) a pea seja boa ou tenha defeito grave? Resp.:0,75.
2) Dois processadores tipo A e B so colocados em teste por 50 mil horas. A probabilidade
que um erro de clculo acontea em um processador do tipo A de
30
1
, no tipo B,
80
1 e
em ambos,
1000
1 . Qual a probabilidade de que:
a) Pelo menos um dos processadores tenha apresentado erro? Resp.:0,045.
b) Nenhum processador tenha apresentado erro? Resp.:0,955.
c) Apenas o processador A tenha apresentado erro? Resp.:0,032
3) O seguinte grupo de pessoas est numa sala: 5 homens maiores de 21 anos; 4 homens com
menos de 21 anos de idade; 6 mulheres maiores de 21 anos e 3 mulheres menores de 21
anos. Uma pessoa escolhida ao acaso. Define-se os seguintes eventos: A: a pessoa
maior de 21 anos; B: a pessoa menor de 21 anos; C: a pessoa homem e D: a pessoa
mulher. Calcule:
a) P(B D)
b) P(
C A
)
c) P(A B)
Resp.: a)0,722; b)0,167; c)0
4) Uma remessa de 30 arruelas contm 5 peas defeituosas e 25 perfeitas. Dez arruelas so
escolhidas ao acaso (sem reposio) e classificadas.
a) Qual a probabilidade de que sejam encontradas exatamente 3 peas defeituosas?
Resp.:0,160
b) Qual a probabilidade de que se encontrem ao menos 2 peas defeituosas? Resp.: 0,5512


2.5. Probabilidade condicional

Considere o exemplo abaixo:
Dados do Censo Demogrfico de 91 publicado pelo IBGE relativos aos habitantes de Sergipe,
na faixa etria entre 20 e 24 anos com relao s variveis Sexo e Leitura.

15

Sexo L No l Total
Masculino 39.577 8.672 48.249
Feminino 46.304 7.297 53.601
Total 85.881 15.969 101.850

E: Um jovem entre 20 e 24 anos escolhido ao acaso em Sergipe.
: conjunto de jovens de Sergipe, com idade entre 20 e 24 anos. #=101.850.

Eventos de interesse:
M: jovem sorteado do sexo masculino
F: jovem sorteado do sexo feminino
L: jovem sorteado sabe ler
M L: jovem sorteado do sexo masculino e sabe ler
M L: jovem sorteado do sexo masculino ou sabe ler

Podemos obter algumas probabilidades:
843 , 0
850 . 101
881 . 85
de jovens de n
ler sabem que jovens de
) ( = =

=
n
L P
473 , 0
850 . 101
245 . 48
de jovens de n
masculino sexo do jovens de
) ( = =

=
n
M P
P(F) = P(M
c
) = 1 - P(M) = 1 - 0,473 = 0,527
850 . 101
557 . 39
jovens de n
ler sabem que e masculino sexo do jovens de
) ( =

=
n
L M P
P (M L) = P(M) + P(L) - P(M L)
= 0,473 + 0,843 - 0,388 = 0,928

No exemplo anterior, se soubermos que o jovem sorteado do sexo masculino, qual a
probabilidade de que saiba ler? Temos uma informao parcial: o jovem do sexo masculino.
Vamos designar a probabilidade de que o jovem sabe ler quando se sabe que o jovem do sexo
masculino por P (L M) e denomin-la probabilidade condicional de L dado M.
natural atribuirmos:
0,820
48.249
39.577
masculino sexo do jovens de total n
masculino sexo do aqueles dentre ler sabem que jovens de n
) M (L P = == = = == = = == =
16

Note que:




Por exemplo, a probabilidade de ser do sexo masculino dado que l dada por:
0,460
850 . 101
881 . 85
850 . 101
577 . 39
(L) P
L) (M P
) L (M P = =

=


Definio de probabilidade condicional: Sejam A e B eventos de um experimento aleatrio
qualquer, com P(B) > 0. A probabilidade condicional de A dado B(denota-se por P (A B)
definida como:
P(B)
B) P(A
B) P(A

=


2.6. Regra ou Teorema do produto

Como conseqncia da definio de probabilidade condicional, podemos calcular a
probabilidade da ocorrncia conjunta de dois eventos A e B.

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

=

Exemplo 13: Uma urna contm fichas numeradas de 1 a 4. Retira-se uma ficha da urna ao
acaso e anota-se o nmero. Esta ficha ento recolocada na urna, e retira-se novamente uma
ficha, ao acaso, da urna. Qual a probabilidade de ter sado a ficha com nmero 1, na primeira
retirada, e de ser 5 a soma dos nmeros das duas fichas retiradas?
Soluo: Evento A: sair o nmero 1 na primeira retirada =>P(A) =
4
1

Evento B: soma = 5

(M) P
L) (M P
) M (L P
jovens de total n
masculino sexo do jovens n
jovens de total n
ler sabem que e masculino sexo do jovens n
) M (L P

=
=
17


Evento B|A: {soma = 5 | a primeira ficha 1}, se queremos que a soma seja 5, ento preciso
que a segunda ficha seja o nmero 4 P(B|A) =
4
1


Pelo teorema do produto temos que,
( )
16
1
4
1
4
1
) ( | ) ( = = = A P A B P B A P

Exemplo 14: Duas vlvulas defeituosas se misturam com duas vlvulas perfeitas. As vlvulas
so ensaiadas, uma a uma, at que ambas defeituosas sejam encontradas. Qual a probabilidade
de que a ltima vlvula defeituosa seja encontrada no segundo ensaio?
Soluo: Evento A: sair uma vlvula defeituosa =>P(A) =2/4
Evento B: a ltima vlvula defeituosa
Evento B|A: sair a ltima vlvula defeituosa | saiu uma vlvula defeituosa P(B|A) =
3
1

Pelo teorema do produto temos que,

( )
12
2
3
1
4
2
) ( | ) ( = = = A P A B P B A P

De modo geral, considere 3 eventos A, B e C, tem-se que



Esta relao pode ser estendida para um nmero finito qualquer de eventos.

Exerccios:
1) As falhas na fundao de um grande edifcio podem ser de dois tipos: A (capacidade de
suportar) e B (fundao excessiva). Sabendo-se que P(A)=0,001, P(B)=0,008 e P(A|B)=0,1,
determinar a probabilidade:
a) De haver falha na fundao? Resp.:0,0082
b) De ocorrer A e no B? Resp.:0,0002
2) Um sistema eletrnico consta de dois sub-sistemas digamos A e B. De testes prvios sabe-
se que: P(A falhe)=0,20; P(A e B falhem)=0,15 e P(B falhe sozinho)=0,15. Calcule:
a) P(A falhe | B falhou); Respostas: 0,5
18

b) P(A falhe sozinho); Respostas: 0,05

3) Duas lmpadas queimadas foram acidentalmente misturadas com seis lmpadas boas. Se
vamos testando as lmpadas, uma por uma, at encontrar duas defeituosas, qual a
probabilidade de que a ltima defeituosa seja encontrada no quarto teste? Resp.: 3/28


2.7. Regra da Probabilidade Total

Sejam A e B dois eventos de um experimento qualquer. H duas maneiras de B ocorrer,
considerando a ocorrncia ou no do evento A: ou A e B ocorrem (A B) ou A
c
e B ocorrem
(A
c
B).
Deste modo, B = (A B) (A
c
B), em que A B e A
c
B so conjuntos disjuntos.
Ento, P(B) = P(A B) + P(A
c
B).
Pela regra do produto P(B) = P(A). P(B | A) + P(A
c
) P(B | A
c
)


DEFINIO DE PARTIO:

Tem-se uma partio de um espao amostral em um nmero finito de eventos A
i
( i = 1,2,...,n)
se:
1) Se A
1
, A
2
,..., A
n
forem, dois a dois, eventos mutuamente exclusivos, isto , (A
i
A
j
) =
para todo i j.
2) =
=
U
n
i
i
A
1
, isto , os eventos A so exaustivos.







B A
C
B A
A

A
c
B
19

Regra da Probabilidade Total: se a seqncia de eventos aleatrios A
1
, A
2
,..., A
n
formar uma
partio de , ento:


( ) ( ) ( ) ( )

= =
n
i
i
i
i
i
A B P A P B A P B P
n




Exemplo 15: Um lote de 100 peas composta de 20 peas defeituosas e 80 peas perfeitas,
do qual extrairemos 2 peas sem reposio. Qual a probabilidade da segunda pea extrada ser
defeituosa?
Soluo:
Evento A: a primeira pea extrada defeituosa
Evento B: a segunda pea extrada defeituosa
Pela regra da probabilidade total temos que,
P(B) = P(A). P(B | A) + P(A
c
) P(B | A
c
) =
5
1
99
20
.
100
80
99
19
.
100
20
= +


Exemplo 16: Em uma fbrica de parafusos so utilizadas n mquinas. Sejam P(A
i
) a
probabilidade de um parafuso provir da i-sima mquina, i = 1,2,...,n e P(B
i
A) indica a
probabilidade do parafuso ser defeituoso sabendo-se que foi produzido pela isima mquina.
Do total de parafusos produzidos pela fbrica, escolhe-se ao acaso um parafuso. Qual a
probabilidade de que o parafuso seja defeituoso?
Soluo: Se B representa o evento parafuso escolhido defeituoso, pela regra da
probabilidade total, temos que:
P(B) = P(B
1
A ) P(A
1
) + P(B
2
A ) P(A
2
) + ......+ P(B
n
A ) P(A
n
)
Podemos ainda estar interessados em saber a probabilidade da i-sima mquina ter produzido o
parafuso defeituoso.
2.8. Eventos Independentes

Dois eventos so ditos independentes quando a ocorrncia de um deles no interfere na
probabilidade de ocorrncia do outro.
Em linguagem matemtica, dados A,B , A e B so ditos independentes, se e somente
se:
P( AB) = P(A) e P( BA) = P(B)
B
A
1
A
2
A
3
..... A
n

20


Nesse caso, temos que
P(A B) = P(A). P(B)
Exemplo 19: A probabilidade de que A resolva um problema de 2/3 e a probabilidade de que
B resolva de 3/4. Se ambos tentarem independentemente, qual a probabilidade do problema
ser resolvido?
Soluo:
A: A resolve
B: B resolve
A B: A e B resolvem
A B: A ou B resolvem => o problema resolvido
Como so eventos independentes, P(A B) = P(A).P(B) e
P(A B) = P(A) +P(B) - P(A).P(B) = 2/3 + 3/4 (2/3)(3/4) = 2/3 + 3/4 2/4 =
12
5
12
3 8
=

.
Generalizando:
Os eventos A
1
, A
2
,..., A
n
, so independentes se e somente se a independncia for
verificada para todos os subconjuntos de dois ou mais eventos desta famlia.
Para que trs eventos sejam independentes necessrio verificar quatro igualdades:

P(A B) = P(A) P(B)
P(A C) = P(A) P(C)
P(B C) = P(B) P(C)
P(A B C) = P(A) P(B) P(C)

que corresponde 4 1 3
3
3
3
2
= + = |

\
|
+ |

\
|
, igualdades a serem verificadas
Para quatro eventos necessrio verificar onze igualdades que so:

11 1 4 6
4
4
4
3
4
2
= + + = |

\
|
+ |

\
|
+ |

\
|

Para n eventos necessrio verificar:

1 n
2
n
k
n
n
2 k
= |

\
|
=
igualdades
21


Se A
i
`, i= 1, 2, 3,..., n, uma famlia finita de eventos independentes, ento

=
|

\
|
= =
n
1 i
n
1 i
) A ( P A P i i I
Observar que:

=
=
) ( ) | ( ) (
) ( ) | ( ) (
B P B A P B A P
A P A B P B A P
para eventos quaisquer (condicional)

{ ) ( ) ( ) ( B P A P B A P = para eventos independentes

Como conseqncia dos resultados acima, tm-se que e so independentes de qualquer
evento A, A . Para ver isto note que:
1) P( A) = P( ) = 0 = P() P(A)
2) P( A) = P(A) = P() P(A)


Exerccios:

1) Uma mquina consiste de 4 componentes ligados em paralelo de tal forma que a mquina
falha apenas quando todos os componentes falharem. Supondo que as falhas so
independentes entre si e se cada componente tem respectivamente as probabilidade 0,1, 0,2,
0,3, e 0,4 de falhar quando a mquina ligada, qual a probabilidade da mquina no
falhar ? Resp.: 0,9976.
2) A probabilidade de um homem viver, mais dez anos e a probabilidade de uma mulher
viver mais dez anos 1/3. Encontre a probabilidade de ambos estarem vivos dentro de dez
anos e de ao menos um estar vivo dentro de dez anos. Resp.: 1/12 e 1/2.



1 LISTA DE EXERCCIOS

1) Descrever o espao amostral (S) e eventos associados a cada um dos experimentos a
seguir:
E
1
: Lanam-se dois dados perfeitos e observam-se os nmeros nas faces voltadas para cima;
A
1
: A soma das faces sete;
E
2
: Lanar uma moeda trs vezes, sucessivamente, e anotar a seqncia de caras (K) e coroas
(C );
A
2
: Sair pelo menos duas caras;
22

E
3
: Lanar uma moeda e um dado, simultaneamente, e registrar os resultados;
A
3
: Obteno de face impar no dado;
E
4
: Lanar uma moeda trs vezes, sucessivamente, e registrar o nmero de caras ocorrido;
A
4
: Sair pelo menos duas caras;
E
5
: Numa linha de produo conta-se o nmero de peas defeituosas num perodo de 1 hora;
A
5
: Obter menos de 3 defeituosas
E
6
: Mede-se a durao de lmpadas, deixando-as acesas at que queimem;
A
6
: O tempo de vida da lmpada inferior a 30 horas;
E
7
: Um fabricante produz um determinado artigo. Da linha de produo so retirados 3 artigos
e cada um classificado como bom(B) ou defeituoso(D).
A
7
: Pelo menos dois artigos so bons.
E
8
:Um lote de dez peas contm trs defeituosas. As peas so retiradas uma a uma, sem
reposio, at que a ultima pea defeituosa seja encontrada. O nmero total de peas retiradas
registrado.
A
8
: Menos de cinco peas foram retiradas.
E
9
: Peas so fabricadas at que dez peas perfeitas sejam produzidas. O nmero total de peas
fabricadas anotado.
A
9
: Quinze ou mais peas foram fabricadas
2) Suponha-se duas urnas contendo, cada uma, quatro bolas numeradas de 1 a 4. Considera-
se o experimento que consiste, em retirar, ao acaso, uma bola de cada urna. Descreva o
espao amostral. Determine os seguintes eventos:
a) a soma do nmero de pontos mpar;
b) a bola extrada da primeira urna contm o nmero dois.
3) Sejam A, B e C trs eventos quaisquer. Estabelea uma expresso para os eventos abaixo:
a) A e B ocorrem;
b) A ou B ocorrem;
c) B ocorre, mas A no ocorre;
d) A no ocorre;
e) no ocorre A e no ocorre B;
f) A e B ocorrem, mas C no corre;
g) somente A ocorre, mas B e C no ocorrem.
4) Dados P(A) = 1/2; P(B) = 3/8; P(A B) =1/8, calcule:
a) P(A B); b) P(A B); c) P(A B ); d) P(A B ); e) P(A B).
23

5) Uma empresa de fundos mtuos oferece a seus clientes diversos fundos: um de mercado,
trs de ttulos diferentes (curto, mdio e longo prazos), dois fundos de aes (moderado e
de alto risco) e um misto. Dentre os usurios que possuem cotas em apenas um fundo,
seguem as probabilidades de clientes dos diferentes fundos.
Mercado 0,20
Ttulo curto prazo 0,15
Ttulo mdio prazo 0,10
Ttulo longo prazo 0,05
Ao de alto risco 0,18
Ao de risco moderado 0,25
Misto 0,07

Um cliente que possui cotas em apenas um fundo selecionado aleatoriamente.
a) Qual a probabilidade de o indivduo selecionado ao acaso possuir cotas do fundo misto?
b) Qual a probabilidade de o indivduo selecionado ao acaso possuir cotas em um fundo
de ttulos?
c) Qual a probabilidade de o indivduo selecionado ao acaso no possuir cotas em fundo
de aes?
6) Certo tipo de motor eltrico falha se ocorrer uma das seguintes situaes: emperramento
dos mancais, queima dos enrolamentos, desgaste das escovas. Suponha que o
emperramento seja duas vezes mais provvel do que a queima, esta sendo quatro vezes
mais provvel do que o desgaste das escovas. Qual ser a probabilidade de que a falta seja
devida a cada uma dessas circunstncias?
7) Uma urna U
1
contem 5 bolas brancas e 2 pretas; outra urna U
2
contem 3 bolas brancas e 6
bolas pretas; e outra urna U
3
contem 4 bolas brancas e 4 bolas pretas. Tira-se uma bola de
cada urna. Calcular a probabilidade de que saiam uma bola branca e duas bolas pretas.
8) Lana-se uma moeda viciada de modo que a probabilidade de cara(K) igual a 2/3 e a
probabilidade de coroa(C) igual a 1/3. Se aparecer cara, ento seleciona-se
aleatoriamente um nmero dentre os de 1 a 9; se aparecer coroa, seleciona-se
aleatoriamente um nmero dentre os de 1 a 5. Ache a probabilidade de um nmero par ser
selecionado. Construa o diagrama em rvore.
9) Suponha que A e B sejam eventos independentes associados a um experimento. Se a
probabilidade de A ou B ocorrerem for igual a 0,6, enquanto a probabilidade de
ocorrncia de A for igual a 0,4 determine a probabilidade de ocorrncia de B.
24

10) Se A e B so dois eventos relacionados com uma experincia E e so conhecidas as
probabilidades P(A), P(B) e P(A B), deseja-se em funo destas, as expresses das
probabilidades dos seguintes eventos:
a) (A B); b) (A B ); c) (A B); d) (A B).
11) Certo aparelho eletrnico tem duas lmpadas que podem estar acesas ou apagadas, tendo
sido observadas as seguintes probabilidades apresentada no quadro adiante. O quadro
mostra por exemplo, que ambas as lmpadas estavam simultaneamente apagadas 30% do
tempo.
Lmpada 1
Lmpada 2
Acesa Apagada
Acesa 0,15 0,45
Apagada

0,10 0,30
Pergunta-se
a) O fato Lmpada 1 acesa independente de Lmpada 2 acesa? Justifique a resposta.
b) O fato Lmpada 1 apagada independente de Lmpada 2 acesa? Justifique a resposta.
12) Uma associao de indstrias transformadoras de resinas plsticas composta de 20
empresas que produzem sacos plsticos (S), 10 que produzem garrafas (G), 8 que
produzem utenslios domsticos (U) e 2 que se encarregam de brinquedos (B). Ao
escolhermos uma empresa ao acaso, achar a probabilidade de que:
a) seja uma indstria que produza sacos plsticos ou utenslios domsticos;
b) seja uma indstria produtora de sacos plsticos ou brinquedos;
c) no seja uma indstria que produza garrafas.
13) Trs alarmes esto dispostos de tal maneira que qualquer um deles funcionar
independentemente, quando qualquer coisa indesejvel ocorrer. Se cada alarme tem
probabilidade 0,9 de trabalhar eficientemente, qual a probabilidade de se ouvir o alarme
quando necessrio?
14) Suponha que todos os componentes da figura a seguir tenham a mesma confiabilidade
(probabilidade de funcionar) p e funcionem independentemente, obtenha a confiabilidade
do sistema.


25


15) Suponha que X represente o nmero de horas de atividades fsicas por semana. Considere
a tabela a seguir:
Sexo
Nmero de horas de atividades fsicas
0 X < 3 3 X < 5 X 5
Feminino 22 8 7
Masculino 3 4 6

a) Qual a probabilidade de sortear aleatoriamente uma menina com atividade fsica semanal
na faixa de [3, 5) horas?
b) Calcule P(X 5)
c) Calcule a probabilidade de um indivduo dedicar pelo menos 5 horas de atividade fsica,
sabendo-se que ele do sexo masculino?
d) Calcule a probabilidade de um indivduo dedicar pelo menos 5 horas de atividade fsica,
sabendo-se que ele do sexo feminino?
16) Sejam A e B dois eventos associados a um experimento. Suponha que P(A) = 0,4,
enquanto P(AUB) =0,7. Seja P(B) = p.
a) Para que valor de p, A e B sero mutuamente exclusivos?
b) Para que valor de p, A e B sero independentes?
17) Sob a ao de uma fora F, as probabilidades de falha nas barras a, b e c da estrutura
mostrada na figura a seguir so respectivamente 0,06; 0,05 e 0,04. Se ocorrer a falha em
qualquer uma das barras, isto leva a falha em toda a estrutura. Supondo que as falhas nas
barras so estatisticamente independentes, ache a probabilidade de ocorrer a falha da
estrutura.




b a

c

18) Um sistema composto de 3 componentes 1, 2 e 3, com confiabilidade 0,9, 0,8 e 0,7,
respectivamente. O componente 1 indispensvel ao funcionamento do sistema; se 2 ou 3
26

no funcionam, o sistema funciona, mas com rendimento inferior. A falha simultnea de 2
e 3 implica o no funcionamento do sistema. Supondo que os componentes funcionem
independentemente, calcular a confiabilidade do sistema.
19) Um processo industrial produz 4% de itens defeituosos. A experincia mostra que 25%
dos itens defeituosos produzidos no so percebidos pelo inspetor de qualidade. Os itens
bons sempre so aceitos satisfatoriamente pela inspeo. Qual a probabilidade de que, se
voc comprar um desses itens,seja um item defeituoso?
20) Uma fbrica dispe de 3 mquinas para fabricar o mesmo produto. Essas mquinas so
antigas e apresentam freqentemente defeitos de funcionamento com as seguintes
percentagens do tempo de utilizao:

MQUINA TEMPO COM DEFEITO (%)
A 40
B 35
C 25
Verificam-se nas peas produzidas as seguintes porcentagens de peas defeituosas:
MQUINA PEAS DEFEITUOSAS (%)
A 2
B 4
C 5

A gerncia decide substituir uma das mquinas a fim de diminuir a porcentagem de
peas defeituosas. Qual das trs mquinas deve ser substituda?
21) Um artigo manufaturado que no pode ser usado se for defeituoso, deve passar por duas
inspees antes de receber embalagem. A experincia mostra que um dos inspetores
deixar passar 5% dos defeituosos, ao passo que o segundo inspetor deixar passar 4%
dos tais artigos. Se os artigos sem defeito sempre passam pela inspeo e se 10% dos
artigos processados so defeituosos, que percentagem dos artigos que passaram pelas duas
inspees so defeituosos?
22) Numa faculdade 30% dos homens e 20% das mulheres estudam matemtica. Alm disso,
45% dos estudantes so mulheres. Se um estudante selecionado aleatoriamente est
estudando matemtica, qual a probabilidade de que este estudante seja mulher?
23) A tabela a seguir apresenta informaes de alunos de uma universidade quanto s
variveis: Perodo, Sexo, e Opinio sobre a Reforma Agrria. Com base na tabela adiante,
determine a probabilidade de escolhermos:
a) Uma pessoa do sexo masculino e sem opinio sobre a reforma agrria?
27

b) Uma mulher contrria a reforma agrria?
c) Dentre os estudantes do noturno, um que seja a favor da reforma agrria?
d) Uma pessoa sem opinio, sabendo-se que ela do sexo feminino?

Perodo Sexo
Reforma Agrria
Contra A Favor Sem Opnio
Diurno
Feminino 2 8 2
Masculino 8 9 8
Noturno
Feminino 4 8 2
Masculino 12 10 1

24) Em uma prova caram dois problemas. Sabe-se que 132 alunos acertaram o primeiro, 86
erraram o segundo, 120 acertaram os dois e 54 acertaram apenas um problema. Qual a
probabilidade de que um aluno, escolhido ao acaso:
a) no tenha acertado nenhum problema?
b) Tenha acertado apenas o segundo problema
25) Uma grande empresa tem dois departamentos de produo: Produtos Martimos e
Produtos para Oficinas. A probabilidade de que a diviso de Produtos Martimos tenha no
corrente ano fiscal, uma margem de lucros de no mnimo 10% estimada em 0,30; a
probabilidade de que a diviso de Equipamentos para Oficinas tenha uma margem de
lucros de pelo menos 10% 0,20; e a probabilidade de que ambas as divises tenham uma
margem de lucros de no mnimo 10% 0,06. Determine a probabilidade de que a diviso
de Equipamentos para Oficinas tenha uma margem de lucros de no mnimo 10% dado que
a diviso de Produtos Martimos tenha alcanado tal nvel de lucro.
26) Suponha que temos duas urnas 1 e 2, cada uma com duas gavetas. A urna 1 contm uma
moeda de ouro em uma gaveta e uma moeda de prata na outra gaveta; enquanto a urna 2
contm uma moeda de ouro em cada gaveta. Uma urna escolhida ao acaso; a seguir uma
de suas gavetas aberta ao acaso. Verifica-se que a moeda encontrada nesta gaveta de
ouro. Qual a probabilidade de que a moeda provenha da urna 2?
27) Trs fbricas fornecem equipamentos de preciso para o laboratrio de qumica de uma
universidade. Apesar de serem aparelhos de preciso, existe uma pequena chance de
subestimao ou superestimao das medidas efetuadas. A tabela a seguir apresenta o
comportamento do equipamento produzido em cada fbrica:

28

Fbrica I Subestima Exata Superestima
Probabilidade 0,01 0,98 0,01

Fbrica II Subestima Exata Superestima
Probabilidade 0,005 0,98 0,015

Fbrica III Subestima Exata Superestima
Probabilidade 0,00 0,99 0,01

As fbricas I, II, III fornecem, respectivamente, 20%, 30% e 50% dos aparelhos
utilizados. Escolhemos, ao acaso, um desses aparelhos e perguntamos a probabilidade de:
a) Haver superestimao de medidas
b) Sabendo que as medidas do exatas, ter sido fabricado em III
c) Ter sido produzido por I, dado que no subestima as medidas.
28) Uma companhia produz circuitos integrados em trs fbricas, I, II e III. A fbrica I produz
40% dos circuitos, enquanto a II e III produzem 30 % cada uma. As probabilidades de que
um circuito integrado produzido por estas fbricas no funcione so 0,01, 0,04 e 0,03,
respectivamente. Escolhido um circuito da produo conjunta das trs fbricas, Qual a
probabilidade de o mesmo no funcionar?
29) Considere a situao do problema anterior, mas suponha agora que um circuito
escolhido ao acaso e seja defeituoso. Determinar qual a probabilidade de ele ter sido
fabricado por I.
30) Uma indstria qumica produz uma grande variedade de produtos usando quatro
diferentes processos; a mo de obra disponvel suficiente somente para que apenas um
processo seja executado num dado instante. O gerente da indstria sabe que a descarga de
uma poluio perigosa no rio que passa em volta da mesma, depende do processo que est
em operao. As probabilidades de ocorrer poluio perigosa para os vrios processos,
denotando por F uma descarga de poluio perigosa, so: P(F|A) =0,40; P(F|B) = 0,05;
P(F|C) = 0,30; P(F|D) = 0,10. Todos os outros produtos da fbrica so considerados
inofensivos. Em um determinado ms sabe-se que em 20%, 40%, 30% e 10% do tempo
respectivamente usam-se os processos A, B, C e D. Deseja-se saber qual a probabilidade
de no termos uma descarga de poluio perigosa no determinado ms?





29

Gabarito da 1 Lista de Exerccios
l)
E
1
:
1
= {(1,1); (1,2);.....; (1,6); (2,1); (2,2);.....; (2,6);.........; (6,1); (6,2);....

; (6,6) }
A
1
= {(1,6): (2,5); (3,4); (4,3); (5,2); (6,1) }
E
2
:
2
= {KKK; KKC: KCK; CKK; KCC; CKC; CCK; CCC }
A
2
= {KKK, KKC, KCK, CKK }
E
3
:
3
= {(K,1); (K,2);......;(K,6); (C,1); (C,2).....; (C,6) }
A
3
= {(K,1); (K,3); (K,5); (C,1); (C,3); (C,5) }
E
4
:
4
= {0, 1, 2, 3 }
A
4 =
{2, 3}
E
5
:
5
= {0, 1, 2, 3, ..., N }, N o n. mximo de peas defeituosas no perodo de 1 h
A
5
= {0, 1, 2}
E
6
:
6
= {t: t 0 } ou
6
=

{t: 0 t t
o
} onde t
o
o tempo mximo de vida da lmpada.
A
6 =
{t: t < 30 } ou A
6
= { t: 0 t < 30 }
E
7
:
7
= {BBB, BBD, BDB, DBB, BDD, DBD, DDB, DDD }
A
7
= {BBB; BBD; BDB; DBB }
E
8
:
8
= {3, 4, 5,...., 10 }
A
8
= { 3, 4}
E
9
:
9
= {10, 11, 12,....}
A
9
= { 15, 16, 17,...}

2) ={(1,1), (1,2), (1,3), (1,4), (2,1), (2,2), (2,3), (2,4), (3,1), (3,2), (3,3), (3,4), (4,1), (4,2),
(4,3), (4,4)}
a) A={(1,2), (1,4), (2,1), (2,3), (3,2), (3,4), (4,1), (4,3)}
b) B = {(2,1), (2,2), (2,3), (2,4)}

3) a) A B; b) A B; c) AB; d)A; e) A B; f) ABC g) (ABC).

4) a)0,70; b) 0,80; c) 0,20; 5) a)0,07 b)0,30 c)0,57 6) 8/13, 4/13 e 1/13

7) 8/21 8) 0,4296 9) 0,3333

10) a) 1 - P(AB); b) 1 - P(A) - P(B) + P(AB); c) 1 - P(A) + P(AB); d) P(B) - P(AB).

11)a)Sim b)Sim 12) a) 0,7 b) 0,55 c) 0,75

13) 0,999 14) p + 2p
2
- 2p
3
- p
4
+ p
5
15) a)0,16; b) 0,26; c) 0,462; d) 0,189.

16) a )0,3 b ) 0,5 17) 0,1427 18) 0,846 19) 0,01 20) B

21) 0,02% 22) 0,3529 23) a)0,122 b)0,081 c)0,486 d)0,154

24) a) 0,298 b ) 0,169 25) 0,2 26) 0,6667 27) a)0,012 b)0,503 c)0,199

28) 0,025 29) 0,16 30) 0,8




30

3. VARIVEL ALEATRIA

3.1. Conceitos bsicos

Definio 1. Sejam E um experimento e um espao amostral associado ao experimento.
Uma funo X que associe a cada elemento w
i
um nmero real, X(w
i
), denominada
varivel aleatria.


Uma varivel aleatria X , portanto, uma funo cujo domnio o espao amostral e contra-
domnio conjunto dos nmeros reais, ou seja, X: R

Exemplo 1:
a) E: Lanamento de uma moeda. Assim, = {cara, coroa}={w
1
, w
2
}
( )

=
=
=
coroa der se se
cara der ou se
w X
seja, ou , w w , 0
, se seja , w w , 1
2
1

b) E: Lanamento de duas moedas. Seja X o nmero de caras obtidas no experimento.
Vamos denotar c: cara e k: coroa. Assim, = { cc, ck, kc, kk }= { w
1
, w
2
, w
3
, w
4
}
X(w
1
) = 2; X(w
2
) = X(w
3
) = 1; X(w
4
) = 0

c) E: Escolher um ponto ao acaso no intervalo [0,1] . Seja X o quadrado do valor escolhido.
Assim = [0,1], e X(w)= w
2
w

d) E: Escolher um ponto ao acaso no crculo unitrio. Seja X a distncia do ponto escolhido
origem. Assim, = { (x,y) / x
2
+ y
2
1} e X(w)=
2 2
y x +

31

Definio 2. Seja X uma varivel aleatria. Se X assume valores em um conjunto finito ou
infinito enumervel, ento X denominada varivel aleatria discreta.

Exemplo 2: Sorteio de n indivduos de uma populao. Seja X o nmero de indivduos do sexo
masculino sorteados => X() = {0, 1, 2, 3,..., n}

Definio 3. Seja X uma varivel aleatria. Se X assume valores em um conjunto infinito no
enumervel, ento X denominada varivel aleatria contnua.

Exemplo 3: Retirada ao acaso um parafuso da produo diria de uma fbrica e registro de seu
dimetro (em mm) e comprimento (em mm).
Suponha que esta fbrica produza parafusos com dimetro entre 3 e 10 mm e comprimento
entre 20 e 35 mm
X = Dimetro do parafuso => X() = [ 3, 10]
Y = Comprimento do parafuso Y() = [20, 35]

3.2. Distribuio de probabilidade de uma varivel aleatria discreta

Seja X uma v.a. discreta que assume os valores x
1
, x
2
,...,x
n
.... A distribuio de
probabilidades de X o conjunto de pares de valores que associa a cada valor da varivel x
i
a
probabilidade P(X = x
i
):
(x
1
, P(X = x
1
)), (x
2
, P(X = x
2
)),..., (x
n
, P(X = x
n
)),...
De maneira que,
a) 1 ) x (
1
= == = = == =


= == = i
i
X P
b) P(X = x) = p(x) 0

Exemplo 4: E: lanamento de um dado honesto. X: nmero da face observada => X() = {1,
2, 3, 4, 5, 6}
A distribuio de probabilidade (ou funo de probabilidade) de X dada por:
X 1 2 3 4 5 6
P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6
32

Exemplo 5: Considere novamente o exemplo do lanamento de duas moedas. Seja X o nmero
de caras
Resultados (w) X (w) Probabilidade P (X = x
i
)
(Cara, Cara) 2
(Cara, Coroa) 1
(Coroa, Cara) 1
(Coroa, Coroa) 0

Obtemos ento,
P (X = 0) =
P (X = 1) = + =
P (X = 2) =

Exemplo 6: (Morettin e Bussab, 2006) Um empresrio pretende estabelecer uma firma para
montagem de um produto composto de uma esfera e um cilindro. As partes so adquiridas em
fbricas diferentes, e a montagem consistir em juntar as duas partes e pint-las. O produto
acabado deve ter o comprimento (definido pelo cilindro) e a espessura (definida pela esfera)
dentro de certos limites, e isso s poder ser verificado aps a montagem. Para estudar a
viabilidade do seu empreendimento, o empresrio quer ter uma idia da distribuio dos lucros
por pea montada.
Sabe-se que cada componente pode ser classificado como BOM, LONGO ou CURTO,
conforme sua medida esteja dentro da especificao, seja ela maior ou menor que a
especificada. Alm disso, foram obtidos dos fabricantes o preo de cada componente (5
unidades de dinheiro) e as probabilidades de produo de cada componente com as
caractersticas BOM, LONGO e CURTO. Estes valores esto na tabela abaixo:
Distribuio da produo das fbricas A e B, de acordo com as medidas das peas
produzidas
Produto Fbrica A
Cilindro
Fbrica B
Esfera
Dentro das especificaes...... BOM (B) 0,80 0,70
Maior que as especificaes...... LONGO (L) 0,10 0,20
Menor que as especificaes...... CURTO (C) 0,10 0,10
Fonte: Retirada das especificaes tcnicas das fbricas A e B

33

Se o produto final apresentar algum componente com a caracterstica C, ele ser
irrecupervel, e o conjunto ser vendido como sucata ao preo de 5 unidades. Cada
componente longo pode ser recuperado a um custo adicional de 5 unidades. Se o preo de
venda de cada unidade de 25 unidades, como seria a distribuio das frequncias da varivel
X: lucro por conjunto montado?
A construo desta distribuio de frequncias vai depender de certas suposies que
faremos sobre o comportamento do sistema considerado. Em vista dessas suposies,
estaremos trabalhando com um modelo da realidade, e a distribuio que obteremos ser uma
distribuio terica, tanto mais prxima da distribuio de frequncias real quanto mais fiis
realidade forem as suposies.
Primeiramente, vejamos a construo do espao amostral para a montagem dos
conjuntos segundo as caractersticas de cada componente e suas respectivas probabilidades.
Desde que os componentes vm de fbricas diferentes, vamos supor que a classificao dos
cilindros segundo suas caractersticas sejam eventos independentes; assim, obtemos a
configurao abaixo.
Cilindro Esfera B
0,70 P(BB) = 0,56

B 0,20 L P(BL) = 0,16

0,10
0,80 C
P(BC) = 0,08

0,70 B P(CB) = 0,07
0,10 C
0,20 L P(CL) = 0,02

0,10 C P(CC) = 0,01


B P(LB) = 0,07
0,10
0,70
L
0,20 L P(LL) = 0,02

0,10

C P(LC) = 0,01


O espao amostral em questo est apresentado na tabela adiante, junto com as
respectivas probabilidades.
34

Tabela: Distribuio de probabilidade das possveis composies das montagens

Montagem Probabilidade Lucro por montagem (X)
BB 0,56 15
BL 0,16 10
BC 0,08 -5
LB 0,07 10
LL 0,02 05
LC 0,01 -5
CB 0,07 -5
CL 0,02 -5
CC 0,01 -5
Fonte: Informaes no texto

Assim, com os dados da tabela acima, vemos que X pode assumir um dos seguintes
valores:
15 se ocorrer o evento A
1
= {BB}
10 se ocorrer o evento A
2
= {BL,LB}
05 se ocorrer o evento A
3
= {LL}
-5 se ocorrer o evento A
4
= {BC,LC,CB,CL,CC}
Cada um desses eventos tem uma probabilidade associada, ou seja,
P(A
1
) = 0,56 P(A
2
) = 0,23 P(A
3
) = 0,02 P(A
4
) = 0,19
o que nos permite escrever a distribuio de probabilidade da varivel X, que o empresrio
poder usar para julgar a viabilidade econmica do projeto que ele pretende realizar.
x P(X = x)
15 0,56
10 0,23
05 0,02
-5 0,19
Total 1,00
Exerccios:
1) Suponha que X seja uma v.a. discreta e sua funo distribuio de probabilidade seja P(X =
k) = ck, para k = 1,2,3,4 e 5. Determine o valor da constante c. Res. 1/15.
2) Considere um lote de peas que contm 20% de defeituosas. Extramos ao acaso trs peas
com reposio para anlise. Seja X a varivel aleatria que representa o nmero de peas
defeituosas. Estabelea a funo distribuio de probabilidade de X.
Resp.:



x 0 1 2 3
P(X = x) 0,512 0,384 0,096 0,008
35

3) Determine o valor de c para que p(x)=

= |

\
|
contrrio caso , 0
,.... 3 , 2 , 1 x para ,
3
2
c
x

seja uma funo distribuio de probabilidade. Resp.1/2


3.3. Distribuio de probabilidade de uma varivel aleatria contnua

Seja X uma varivel aleatria contnua. A distribuio de probabilidade dada na forma
de uma funo, chamada de densidade de probabilidade e denotada por f(x).
Uma funo de densidade de probabilidade (fdp) satisfaz as seguintes condies:
a) f(x) 0, R x
b)

+

= 1 f(x)dx

Exemplos de funes de densidade:
0 1 2 3 4 5 6 7
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
x
f
(
x
)
-4 -3 -2 -1 0 1 2 3
0.0
0.1
0.2
0.3
0.4
x
f
(
x
)

A funo densidade, por definio, possui rea sob a curva limitada pelo eixo x igual a
1 e a probabilidade de X tomar um valor entre a e b obtida calculando-se a rea
compreendida entre esses dois valores. Isto , para qualquer a < b em R
( ) ( )

= < <
b
a
b a P dx x f X


a b
P(a<X<b)


36

Observaes importantes para uma varivel aleatria contnua:

1) Qualquer valor especificado de X tem probabilidade zero, isto , P(X = x
i
) = 0, pois
( )

= =
i
i
x
x
i
f(x)dx x X P = 0

2) Assim, as probabilidades abaixo sero todas iguais, se X for uma varivel aleatria
contnua:

P(a X b) = P(a X < b) = P(a < X b) = P(a < X < b).

Exemplo 7: Dada a seguinte funo
f(x)=

contrrio caso 0,
1 x 0 para ), x 1 ( kx

ache o valor de k para que f(x) seja uma funo densidade de probabilidade.


Resoluo:
Para ser funo densidade temos que

+

=1 ) ( dx x f , ento

=
1
0
1 dx x) - (1 x k
1
3
x
2
x
k dx x - xdx k
1
0
3
1
0
2 1
0
1
0
2
=
(
(

=
(

6 k =

Exerccios:
1) Dada a funo densidade de probabilidade f(x) =

contrrio caso 0,
1 x 0 x, 2


Determine i. P( X ) ii. P(1/3 X 2/3) iii. ) X | (
3
2
3
1
2
1
X P
R: i) 1/4; ii)1/3 ; iii) 5/12

2) Seja X uma varivel aleatria contnua com funo densidade de probabilidade dada por:

f(x) =







> >> >
< << <

< << <
1 x 0,
1 x 1/2 x), 4(1
1/2 x 0 kx,
0 x 0,


a) Determine k para que f(x) seja uma funo densidade. Resp. 4
b) P(1/3 < X < 3/4). Resp.47/72.




37

3.4. Funo de distribuio acumulada (FDA)

Seja X uma varivel aleatria, discreta ou contnua. Define-se a funo de distribuio
acumulada F da varivel aleatria X como

F(x) = P( X x).
Se X for uma varivel aleatria discreta

F(x) = ( )

=
x
j
x : j
j
x X P
em que o somatrio estendido a todos os valores x
j
que satisfaam condio x
j
x.

Se X for uma varivel aleatria contnua com funo densidade f(x),

=
x
-
f(s)ds F(x)

Podemos utilizar a funo distribuio acumulada para calcular probabilidade da
seguinte maneira:
) a ( F ) b ( F ) a x ( P ) b x ( P ) b x a ( P = = <

Exemplo 8: Considere um lote de peas que contm 20% de defeituosas. Extramos ao acaso
trs peas com reposio para anlise. Seja X a varivel aleatria que representa o nmero de
peas defeituosas. A funo de probabilidade de X
( ) ( )
x 3 x
0,8 0,2
x
3
x) P(X

|
|

\
|
= = , x=0,1,2,3

e a funo de distribuio acumulada de X.
F(x) =

<
<
<
<
3 se , 1
3 x 2 se 0,992,
2 x 1 se 0,896,
1 x 0 se , 0,512
0 x se 0,
x


38

Exemplo 9: Supe-se que o dimetro X de um cabo eltrico uma varivel aleatria contnua,
com funo densidade f(x) = 6x (1 - x), 0 x 1.
a) Obtenha a funo de distribuio, F(x).
b) Calcule P( X 1/2 1/3 < X < 2/3), utilizando F(x).
Soluo:
a) F(x) = 0, se x < 0

x
0
s)ds 6s(1 = 3x
2
2x
3
, se 0 x 1
1, se x > 1
b) P( X 1/2 1/3 < X < 2/3) =
( )
( ) 2/3 X 1/3 P
1/2 X 1/3 P
< <
<
=
|

\
|
|

\
|
|

\
|
|

\
|
3
1
F
3
2
F
3
1
F
2
1
F
= 0,5


3.5. Valor esperado (Esperana) de uma varivel aleatria

Como na estatstica descritiva podemos falar de medidas de tendncia central e
medidas de disperso (variabilidade) de uma distribuio de probabilidade. Estas medidas so
muito importantes para compreender o comportamento de uma varivel aleatria. A mdia ou
esperana de uma distribuio, como o prprio nome diz, a mdia dos valores da varivel se
observssemos a mesma repetindo o experimento um nmero muito grande de vezes.

Caso discreto:

Seja uma v. a. discreta X com a seguinte distribuio de probabilidades:
X x
1
x
2
... x
n

P(X=x) p
1
p
2
... p
n



O valor esperado de X dado por:
( )


=

=
= = =
1
i i
1 i
i i
p x x X P x E(X)
i


39

Exemplo 10: Voltando ao exemplo 6, produto composto por uma esfera e um cilindro, uma
pergunta que logo ocorreria ao empresrio qual o lucro mdio por conjunto montado que ele
espera conseguir.
Soluo: Lucro mdio = (0,56)(15) + (0,23)(10) + (0,02)(5) + (0,19)(-5) = 9,85
Isto , caso sejam verdadeiras as suposies feitas para determinar a distribuio da varivel
aleatria, o empresrio espera ter, em mdia, lucro de 9,85 unidades por conjunto montado.

Caso contnuo:
Seja X uma varivel aleatria contnua com funo densidade de probabilidade f(x). O
valor esperado de X definido por
E(X) =

xf(x)dx

Exemplo 11: Uma certa liga formada, combinando a mistura fundida de dois metais. A liga
resultante contm uma certa porcentagem de chumbo X, que pode ser considerada uma v.a.
com funo densidade:
100 x 0 , x) - x(100 ) 10 (
5
3
f(x)
5
=


Ento,
E(X) =

100
0
5 -
x)dx - x(100 (10)
5
3
x = 50
Isto significa que em mdia a liga contm 50% de chumbo.

3.5.1. Propriedades da Esperana

1) Dada uma constante a, temos:

E(a+X) = a + E(X) e E(aX) = a. E(X)

2) Sejam X
1
, X
2
,..., X
n
variveis aleatrias

E(X
1
+X
2
+...+X
n
) = E(X
1
) + E(X
2
) +... + E(X
n
)


40

3) Sejam X e Y variveis aleatrias independentes. Ento,

E(XY) = E(X). E(Y)

Exemplo 12: Suponha que L, o lucro lquido obtido na venda da liga do exemplo anterior (por
unidade de peso), a seguinte funo da porcentagem de chumbo:
L = C
1
+ C
2
X.
Ento o lucro esperado :
E(L) = E(C
1
+ C
2
X) = C
1
+ C
2
(50)

3.6. Varincia e Desvio-padro de uma varivel aleatria

De modo geral, o desvio-padro mais importante e mais til medida de variao. O
desvio-padro de um conjunto de valores uma medida de variao dos valores em relao
mdia aritmtica. A varincia o quadrado do desvio-padro. Ou podemos dizer que o desvio-
padro igual a raiz quadrada positiva da varincia. Uma dificuldade com a varincia que ela
no expressa nas mesmas unidades dos dados originais, enquanto que o desvio-padro tem a
mesma unidade de medida dos dados originais. Assim se um conjunto de dados tem desvio-
padro de 3,00 dlares e uma varincia de 9,00 dlares quadrado, temos que dlar quadrado
um conceito abstrato, logo a varincia difcil de ser compreendida.

Uma aplicao do desvio-padro quando temos um conjunto de dados com
distribuio aproximadamente em forma de sino. Conforme a figura abaixo:

3 2
1


1 +
2 +

3 +
68%
95%
99,7%

Essa figura mostra como a mdia e o desvio-padro esto relacionados com a proporo
dos dados que se enquadram em determinados limites. Assim, com uma distribuio em forma
de sino, temos que:
Cerca de 68% dos valores esto a 1 desvio-padro a contar da mdia;
41

Cerca de 95% dos valores esto a 2 desvios-padro a contar da mdia;
Cerca de 99,7% dos valores esto a 3 desvios-padro a contar da mdia.

3.6.1. Varincia de uma varivel aleatria

Seja X uma v.a. com esperana E(X). Define-se a varincia de X por:

V(X) = E[(X E(X))
2
= E(X
2
) [E(X)]
2

em que
, para X discreta

, para X contnua

Exemplo 13: Voltando ao exemplo 6, produto composto por uma esfera e um cilindro, calcule
a varincia.

X W = X
2
P(X = x) P(W = x
2
)
15 225 0,56 0,56
10 100 0,23 0,23
05 25 0,02 0,02
-5 25 0,19 0,19
Total 1,00 1,00

E(X
2
) =

=
=
3
1 i
) x .P(W x
2
i
2
i
= 225.0,56 + 100. 0,23 + 25.0,21 = 154,25

V(X) = 154,25 (9,85)
2
= 57,23


Exemplo 14: Para o exemplo 11, a varincia :

E(X
2
) =

100
0
5 - 2
x)dx - x(100 (10)
5
3
x = 3000
V(X) = 3000 (50)
2
= 500


2.6.1.1 Propriedades da varincia

a) Dada uma constante a, temos:
V(X+a) = V(X)

b) Dada uma constante a, temos:
V(aX) = a
2
. V(X)

c) Sejam X
1
, X
2
,..., X
n
, n variveis aleatrias independentes. Ento

V(X
1
+ X
2
+... + X
n
) = V(X
1
) + V(X
2
) +... + V(X
n
)
42

Exemplo 15: No exemplo 12, a varincia de L :

V(L) =
2
2
C V(X) =
2
2
C (500)

3.6.2. Desvio-padro de uma varivel aleatria

) X ( V ) X ( DP =

Exerccios:
1) O tempo T, em minutos, necessrio para um operrio processar certa pea, uma varivel
aleatria com a seguinte distribuio de probabilidade:
t 2 3 4 5 6 7
P(T=t) 0,1 0,1 0,3 0,2 0,2 0,1

a) Calcule o tempo mdio de processamento. Resp. 4.6 E(T) =
b) Estabelea a funo de distribuio acumulada.
Resp.:

<
<
<
<
<
<
=
7 t se 1
7 t 6 se 0,9
6 t 5 se 0,7
5 t 4 se 0,5
4 t 3 se 0,2
3 t 2 se 0,1
2 t para 0
F(T)

Para cada pea processada, o operrio ganha um fixo de 2,00 u.m. (unidade monetria), mas se
ele processa a pea em menos de 6 minutos, ganha 0,50 u.m. por cada minuto poupado. Por
exemplo, se ele processa a pea em 4 minutos, recebe a quantia adicional de 1,00 u.m.

c) Encontre a distribuio, a mdia e a varincia da v.a. G: quantia em u.m. ganha por pea.
g 4 3,5 3 2,5 2 2
P(G=g) 0,1 0,1 0,3 0,2 0,2 0,1


43

Resp.:

<
<
<
<
<
=
4 1
4 5 , 3 9 , 0
5 , 3 3 8 , 0
3 5 , 2 5 , 0
5 , 2 2 3 , 0
2 0
) (
G
G
G
G
G
G para
G F e
0,4125 VAR(X)
2,75 E(X)
=
=

2) Suponha que a demanda (X) por certa pea, numa loja de autopeas, siga a seguinte
distribuio:
P( X = k) =
k!
a2
k
, k = 1,2,3,4.
a) Encontre o valor de a. Resp.: a = 1/6
b) Calcule a demanda esperada. Resp.: E(X) = 19/9
c) Qual a varincia da demanda? Resp.: V(X) = 80/81


3) Seja X uma varivel aleatria com funo de densidade de probabilidade dada por:

<
<
<
=
1 x 0,
1 x
2
1
x), 4(1
2
1
x 0 4x,
0 x 0,
f(x)

a) Determine a funo de distribuio acumulada.

Resp.:

< +
<
<
=
1 x 1,
1 x
2
1
1, 4x 2x -
2
1
x 0 , 2x
0 x , 0
F(X)
2
2


b) Determine c, tal que P( X c) = 0,5. Resp.:c=0,5.

4) A demanda diria de arroz em um supermercado, em centenas de quilos, uma varivel
aleatria X com funo densidade.

< +

<
=
c.c. 0
3 x 1 1,
3
x
1 x 0 x,
3
2
f(x)
44

a) Determine a funo de distribuio acumulada.

Resp.:

< +
<
=
3 x 1,
3 x 1 ,
2
1
- x
6
x
1 x 0 ,
3
x
F(X)
2
2

a) Qual a probabilidade, em um dia escolhido ao acaso, a demanda ser superior a 150 kg?
Resp.: 0,375

b) Calcule a E(X) e V(X). Resp.: E(X) = 4/3 e V(X) = 7/18


5) A varivel aleatria contnua X tem funo densidade

=
c.c. , 0
0 x 1 , 3x
f(x)
2

a) Se b for um nmero que satisfaa a -1 < b < 0, calcule P( X > b X < b/2). Resp.:
8 b
7b
3
3
+

b) Calcule E(Y) e V(Y), em que Y = 2X 3/5. Resp.:
20
3
V(Y) e
10
21
E(Y) =

=


2. LISTA DE EXERCCIOS


1) Considere uma v.a. X com resultados possveis: 0,1,2,.... Suponha que P( X = j) = (1-a) a
j
,
j = 0,1,2,... Para que valores de a o modelo representa uma legtima distribuio de
probabilidade.
2) Uma urna contm 5 bolas de gude brancas e 3 pretas. Se 2 bolas de gude so extradas
aleatoriamente sem reposio e X denota o numero de bolas brancas obtidas, encontre a
distribuio de probabilidades de X.
3) O nmero de carros vendidos semanalmente num stand uma varivel aleatria X com a
seguinte funo de probabilidade:
X 1 2 3 4
P(X=x) c c/2 c/3 c/4

a) Encontre o valor de c.
45

b) Determine a funo de distribuio de X.
c) Calcule a probabilidade do nmero de carros vendidos no chegar a 4, sabendo que este
valor superior a 1.
d) Se os custos fixos semanais so de 30 unidades monetrias (u.m.) quando so vendidos 2 ou
menos carros e 15 u.m. quando se vende mais de 2 carros e, alm disso, por cada carro
vendido h um lucro de 35 u.m., determine a funo de distribuio da receita lquida
semanal.
4) Os valores abaixo representam a distribuio de probabilidade de D, a procura diria de
certo produto. Calcule E(D) e V(D):
D 1 2 3 4 5
P(D=d) 0,1 0,1 0,3 0,3 0,2

a) Calcule E(D) e V(D);
b) Estabelea a funo de distribuio acumulada.
5) O nmero de vendas realizadas por um agente de seguros diariamente uma v.a. com
funo de probabilidade:
x 0 1 2 3 4
P(X=x) w z t z w

a) Sabendo que em 10% dos dias as vendas so inferiores a um e que em 70% dos dias so
superiores a um, determine w, z e t.
b) Determine o nmero mdio de seguros vendidos diariamente.
c) Determine E[2X 1] e V [2X 1].
d) Determine a probabilidade de que, quando considerados dois dias, as vendas sejam
superiores, em cada um deles, a duas unidades.
e) Se cada seguro feito por 15000 unidades monetrias, determine a funo de
probabilidade da receita obtida com a venda dos seguros num dia.
f) Se num dia a receita for inferior a 50000 unidades monetrias, determine a
probabilidade de que seja superior a 20000 unidades monetrias.
6) Considere a varivel aleatria discreta com a seguinte funo distribuio:

<
<
<
<
=
6 ,
6 4 ,
4 2 , 4 1
2 0 , 6 1
0 ,
) (
x c
x b
x
x
x a
x F
46

a) Sabendo que P (X = 6) = 1/2, determine, justificando, os valores de a, b e c.
b) Calcule o valor esperado e a varincia da varivel aleatria .
4
3 2 X
Y

=
7) Uma organizao financeira verificou que o lucro unitrio (L) obtido numa operao de
investimentos dado pela seguinte expresso: L = 1,1V - 0,9C - 4,5. Sabendo-se que o
preo de venda unitrio (V) tem uma distribuio com mdia 50 u.m. e desvio-padro de
2,0 u.m e que o preo de custo unitrio ( C ) tem uma distribuio de mdia 45 u.m. e
desvio-padro de 1,5 u.m.. Determinar a mdia e o desvio-padro do lucro unitrio.
8) Um estudo do peso dos crebros de homens suecos constatou que o peso X uma varivel
aleatria, com mdia 1400 gramas e desvio-padro de 20 gramas. Determine nmero
positivo a e o nmero b tais que Y=aX+b tenha mdia 0 e desvio-padro 1
9) Em uma determinada localidade, a distribuio de renda em mil u.m. uma varivel
aleatria X com funo densidade.
1/10 x + 1/10, para 0 x 2
f(x) = - 3/40 x + 9/20, para 2 < x 6
0, para x < 0 ou x 6.
a) Qual a renda mdia nesta localidade?
b) Escolhida uma pessoa ao acaso, qual a probabilidade de sua renda ser superior a 3.000,00
u.m?
c) Estabelea a funo de distribuio acumulada.
10) Suponha que X seja uma varivel aleatria com densidade:

( )

=
c.c. 0,
1 x 1 - , | x | 1 k
f(x)
a) Determine o valor de k.
b) Determine P(1/2 < X < 2/3).
c) Determine P(1/2 < X < 2/3 | X > 0).
d) Determine a funo de distribuio acumulada de X.
11) Seja X uma v.a. contnua, que representa o tempo necessrio para a pintura de uma pea de
automvel, em horas, com funo densidade de probabilidade dada por:

>

<
=
1 0,
1 0 , 8 9
0 , 0
) (
3 2
x
x x x
x
x f
Determine:
47

a) a probabilidade de gastar menos de meia hora para a pintura;
b) a probabilidade para que o tempo gasto se situe entre e h;
c) o tempo mdio gasto na pintura da pea;
d) o desvio-padro para o tempo gasto na pintura.

12) A percentagem de lcool (100 X) em certo composto pode ser considerada uma varivel
aleatria, onde X tem a seguinte funo densidade:
f(x) = 20 x
3
(1-x), 0 < x < 1.
a) Estabelea a funo de distribuio acumulada.
b) Calcule P ( X 2/3).
c) Suponha que o preo de venda desse composto dependa do contedo de lcool.
Especificadamente, se 1/3 < X < 2/3, o composto vendido por C
1
dlares/galo; caso
contrrio, vendido por C
2
dlares/galo, determine o lucro mdio por galo.

13) Seja X uma varivel aleatria contnua com funo densidade dada por:
ax, 0 x < 1
a, 1 x < 2
f (x) = -ax + 3a, 2 x < 3
0, caso contrrio

a) Determine a constante a;
b) Se X
1
, X
2
, X
3
forem trs observaes independentes de X, qual ser a probabilidade de,
exatamente, um desses trs nmeros ser maior que 1,5?

14) Considere X uma v.a. contnua com funo densidade de probabilidade dada por

Determine a esperana matemtica e a varincia.

15) A quantidade de cerveja vendida diariamente numa feira (em milhares de litros) uma
varivel aleatria com a seguinte funo densidade de probabilidade

48


a) Obtenha o valor de k e de E [3X + 2].
b) Considere os seguintes acontecimentos:
A = venda diria superior a 4000 litros
B = venda diria entre 3000 e 5000 litros
Indique, justificando, se A e B so independentes.

16) O tempo de vida, em horas, de um dispositivo, dado pela funo densidade.
f(t) = (1/50)e
) 50 / t (
, t 0.
a) Qual a probabilidade de que um desses dispositivos dure mais de 25 horas e menos de 75
horas?
b) Sabendo-se que tal ocorreu, qual a probabilidade de que tenha durado mais de 50 horas?
17) Um dispositivo constitudo de 3 elementos independentes que falham numa experincia
com probabilidade 0,1. D a distribuio de probabilidade da varivel aleatria X= nmero
de elementos que falham numa experincia.
18) Na venda de certo produto tem-se duas opes:
i. Cobrar 1 u.m. por pea sem inspeo;
ii. Classificar o lote em produto de 1. e 2. mediante a seguinte inspeo: retiramos 5 peas
do lote e se no encontrarmos mais do que uma defeituosa o lote ser de 1. qualidade,
sendo de 2. qualidade o lote que no satisfizer tal condio. O preo de venda de 1,20
u.m. por pea do lote de 1. e 0,80 u.m. por pea do lote de 2..
Sabendo-se que cerca de 10% das peas produzidas so defeituosas, analisar qual das duas
opes a mais vantajosa para o vendedor.


Gabarito da 2 Lista de Exerccios

1) a < 1
2)
x 0 1 2
P(X=x) 3/28 15/28 5/14

3) a)12/25; c) 2/5

b)
X 1 2 3 4
P(X=x) 12/25 6/25 4/25 3/25

49

d)
r 5 40 90 125
P(R=r) c c/2 c/3 c/4


4) E(D) = 3,4 V(D) = 1,44


0, d < 1
0,1, 1 d < 2
0,2, 2 d < 3
F (d) = 0,5, 3 d < 4
0,8, 4 d < 5
1, d 5.

5) a) w = 0,1, z = 0,2, t = 0,4. b) 2. c) E[2X 1] = 3, V [2X 1] = 4,8 d) 0,09
e) f)0,667
R 0 15000 30000 45000 60000
P(R=r) 0,1 0,2 0,4 0,2 0,1

6) a) a=0 b=7/12 c= 1 b) -3,125 e 0,5469

7) E(L) = 10 58 , 2 V(L) =
8) a=1/20 b= -70


9) a) 2,4667 b) 0,3375
c)

0, x < 0
F(x) = x
2
/20 + x /10, 0 x 2
-(3/80)x
2
+ (9/20)x 28/80 , 2 < x 6
1, x > 6.
10) a) 1 b) 17/144 c) 34/144 d) F(x) =

< +
< + +
<
1 se , 1
1 0 , 2 / 1 2 /
0 1 , 2 / 1 2 /
, 1 - x se 0,
x
x x x
x x x



11) a) 0,25 b) 0,3828 c) 0,65 d) 0,47

12)

>

<
=
1 x , 1
1 x 0 , 4x - 5x
0 x , 0
a)F(x)
5 4
b) 0,4609 c) C
1
(0,4156) + C
2
(0,5844)



13) a) a=0,5 b)0,375 14) a) E(x)=0 b) Var(x)= 1/6


15) a) k=1/12 E[3x+2]=11,99 b) No so independentes
50


16) a) 0,3834 b) 0,3774

17) X~bin (3;0,1) 18) Opo B



Exerccios Suplementares:
1) Suponha que uma caixa contenha 5 bolas ( 1 preta e 4 brancas ). Retira-se aleatoriamente
uma bola de cada vez (com reposio) at que saia 4 vezes a bola preta. Seja X o nmero de
retiradas necessrias at que isto ocorra.
a) Determine os possveis valores de X e sua funo de probabilidade.
Resp.: 4,5,6,... x ,
5
4
5
1
3
1 x
x) P(X
4 x 4
= |

\
|
|

\
|
|
|

\
|
= =

2) A probabilidade de que um bit seja transmitido com erro por um canal de transmisso digital
0,1. Assuma que as transmisses sejam ensaios independentes.
a) Seja X o nmero de bits transmitidos at que ocorra o primeiro erro. Determine a
distribuio de X.
b) Determine a probabilidade de se precisar observar mais que 5 ensaios de transmisso.
c) Determine a probabilidade de se precisar observar mais que 5 ensaios de transmisso, aps
j se ter observado 3 ensaios, sem que ocorresse erro.
d) Determine o nmero esperado de ensaios at o primeiro erro.
e) Seja Y o nmero de transmisses at a ocorrncia do quarto erro. Determine a distribuio
de Y.
f) Determine a probabilidade de se precisar observar no mximo 6 ensaios de transmisso.
g) Determine o nmero esperado do nmero de ensaios at o quarto erro.
Resp.: a) P(X=x) = 0,9
x-1
0,1, x= 1,2,3,... (distribuio geomtrica) b) 0,6561
c) 0,81 d) 10 e) P(Y=y)= (distrbuio binomial negativa ) f )
0,0012 g) 4,4444

3) A probabilidade de um bem sucedido lanamento de foguete 0,8. Suponha que tentativas
de lanamento sejam feitas at que tenham ocorrido 3 lanamentos bem sucedidos.
a) Qual a probabilidade de que exatamente 6 tentativas sejam necessrias?
b) Qual a probabilidade de que menos de 6 tentativas sejam necessrias?
c) Se cada tentativa de lanamento custa 5.000 u.m. e se um lanamento falho custa500 u.m.
adicionais, determine o custo esperado da operao.
51

d) Suponha agora que as tentativas sejam feitas at que trs lanamentos consecutivos sejam
bem sucedidos. Responda novamente as perguntas (a) e (b) nesse caso.
Resp.: a) 0,0409 b)0,9421 c) 19.125 d)0,0041 e 0,6349

4. ALGUNS MODELOS PROBABILSTICOS PARA VARIVEIS
ALEATRIAS

Existem modelos probabilsticos que ocorrem com frequncia na prtica. Nas prximas
sees, sero definidos alguns modelos, apresentando as condies que devem ser satisfeitas e
algumas caractersticas, tais como, esperana, varincia e como calcular probabilidade.

4.1. VARIVEIS ALEATRIAS DISCRETAS

4.1.1. Distribuio de Bernoulli

Muitos experimentos so tais que os resultados possveis apresentam ou no uma
determinada caracterstica.
Exemplos:
a) Uma pea escolhida, ao acaso, de um lote contendo 500 peas: esta pea defeituosa ou
no.
b) Uma pessoa escolhida, ao acaso, dentre 1000 pessoas, ou no do sexo masculino.
c) Uma pessoa escolhida, ao acaso, entre os moradores de uma cidade, e pergunta-se se ela
diz SIM ou NO a um projeto governamental.

Em um experimento aleatrio com apenas dois resultados possveis podemos associar o
valor 1, se sucesso ocorre e o valor 0, se fracasso ocorre. Um experimento deste tipo
chamado de ensaio de Bernoulli. Suponha que um sucesso ocorra com probabilidade p.

Seja X uma varivel aleatria definida para este experimento. Ento,
X 1 0
P(X=x) p 1-p =q

52

Funo de distribuio de X: F(x) =

<
<
1 x 1,
1 x 0 , q
0 x , 0


Esperana de X: E(X) = 1. p + 0. (1-p) = p

Varincia de X: V(X) = p p
2
= p(1 - p), onde E(X
2
) = 1
2
. p + 0
2
. (1-p) = p


4.1.2. Distribuio Binomial

Consideremos n repeties independentes de ensaios de Bernoulli (n 2). O modelo
binomial fundamenta-se nas seguintes hipteses:

a) n ensaios independentes e idnticos so realizados;

b) A probabilidade de sucesso igual a p em cada ensaio e q a probabilidade de
fracasso, sendo p + q = 1.

Seja a varivel aleatria Y o nmero de sucessos nos n ensaios. Nestas condies dizemos
que Y tem distribuio binomial com parmetros n e p, onde os valores possveis de y so
{0,1,2,...,n}:
n = nmero de repeties do experimento e
p = probabilidade de sucesso em cada repetio

Notao: ) p B(n, ~ Y

( )

=
|
|

\
|
= =

c.c 0,
0,1,2,...n k , p 1 p
k
n
k) P(Y
k n k

Por meio do binmio de Newton, verifica-se que

53


Grfico da funo de probabilidade da distribuio Binomial com parmetros n = 3 e p = 0,4.
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0
.
1
0
.
2
0
.
3
0
.
4
x
P
(
X
=
x
)

Exemplo 1: Uma usina hidroeltrica tem 5 geradores que funcionam independentemente, cada
um com probabilidade 0,98 de estar em operao. Qual a probabilidade de que exatamente dois
estejam em funcionamento em determinado instante?

Y = nmero de geradores em funcionamento
p = 0,98 = probabilidade de um gerador estar em funcionamento (a probabilidade de sucesso)
Entre os 5 estabelecimentos, ou seja, n = 5, qual a probabilidade de 2 terem tratores:
P(Y = 2) =
|
|

\
|
2
5
(0,98)
2
(1 - 0,98)
5 - 2
= 10. (0,98)
2
.(0,02)
3
= 0,000077
Esperana e Varincia da distribuio Binomial

Se Y tem distribuio binomial de parmetros n e p

= =
=
|
|

\
|
=

), (varincia npq [E(Y)] - ) E(Y Var(Y)

(mdia) np p) (1 p
k
n
k E(Y)
2 2
n
0 k
n k k

|
|

\
|
=
n
0 k
n k 2 2
p) (1 p
k
n
k ) E(Y que em
k



54

Demonstrao:


Fazendo s = k-1, tem-se:
.


Com varincia: V(X) = npq DP(X) = npq
Exemplo 2: Com os dados do exemplo anterior, calcular o nmero esperado de geradores em
funcionamento, a varincia e o desvio-padro:
E(X) = np = 5(0,98) = 4,9
Var(X) = npq = 5 (0,98) (0,02) = 0,098

DP(X) = npq = 098 , 0 = 0,3130

Exerccios:
1) Das variveis abaixo descritas, assinale quais so binomiais, e para estas d os respectivos
campos de definio e distribuio de probabilidades. Quando julgar que a varivel no
binomial, aponte as razes de sua concluso.
a) De uma urna com 10 bolas brancas e 20 pretas, vamos extrair, com reposio, cinco
bolas.Seja X o nmero de bolas brancas nas 5 extraes. Resp.: Binomial
b) Refaa o problema anterior, mas desta vez as n extraes so sem reposio. Resp.: No
Binomial.
c) De 5 urnas com bolas pretas e brancas, vamos extrair de cada uma delas uma bola. Suponha
que X o nmero de bolas brancas obtidas no final. Resp.: No binomial.
d) Em uma indstria existem 100 mquinas que fabricam determinada pea. Cada pea
classificada como sendo boa ou defeituosa. Escolhemos ao acaso um instante de tempo, e
verificamos uma pea de cada uma das mquinas. Suponha que X seja o nmero de peas
defeituosas. Resp.: No Binomial

55

2) Um fabricante de peas de automveis garante que uma caixa de suas peas conter, no
mximo, 2 defeituosas. Se a caixa contm 18 peas, e a experincia tem demonstrado que
esse processo de fabricao produz 5% das peas defeituosas, qual a probabilidade de que
uma caixa satisfaa a garantia? Resp.: 0,9419.

4.1.3. Distribuio de Poisson

Em muitos casos, conhece-se o nmero de sucessos, porm se torna difcil e, s vezes, sem
sentido, determinar o nmero de fracassos ou o nmero total de provas. Por exemplo:
automveis que passam numa esquina. Pode-se num determinado intervalo de tempo anotar o
nmero de carros que passaram, porm, o nmero de carros que deixaram de passar pela
esquina no poder ser determinado. Veremos que a distribuio de Poisson se aplica nestes
casos.
A distribuio de Poisson largamente usada quando de deseja contar o nmero de eventos
de um certo tipo, que ocorrem em um intervalo de tempo, superfcie, ou volume.
Exemplos:
a) nmero de falhas de um computador em um dia de operao;
b) nmero de defeitos num pneu;
c) nmero de buracos por quilometro em uma rodovia;
d) nmero de clientes que chegam a uma determinada agncia bancria durante o expediente.

Seja a varivel aleatria X o nmero de eventos de um certo tipo, que ocorrem em um
intervalo de tempo, ou superfcie, ou volume. Suponha que estes eventos ocorrem em instantes
aleatrios de tempo ou de espao e que as hipteses abaixo sejam vlidas:
1) o nmero de ocorrncias de um evento em um intervalo de tempo, ou superfcie, ou volume
independente do nmero de ocorrncias do evento em qualquer outro intervalo disjunto.
2) a probabilidade de duas ou mais ocorrncias simultneas praticamente zero.
3) o nmero mdio de ocorrncias por unidade de tempo, ou superfcie, ou volume, ,
constante ao longo do tempo, ou superfcie, ou volume.

Nestas condies dizemos que X tem distribuio Poisson com parmetro = t, o
nmero mdio de eventos por unidade de intervalo de tempo, ou superfcie, ou volume.
Notao:
56

x!
e
x) P(X ) Poisson( ~ X
- x

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

Grfico da funo de probabilidade da distribuio Poisson com parmetro = 5.
0 5 10 15 20
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
x
P
(
X
=
x
)

Se X tem distribuio Poisson com parmetro

=
=
) (varincia Var(X)
(mdia) E(X)

Demonstrao:
1. Sabe-se que E(X) =


=

=
= =
0 0
!
) (
x
x
x
x
x x X xP
e

1 x
x
1)! - x(x
e
x =

1 x
x
1)! - (x
e


Fazendo x 1 = y, tem-se:
E(X) =

=
+
0 y
1 y
y!
e
=

0 y
y

y!

e
Utilizando-se a frmula de Maclaurin (caso particular da frmula de Taylor),


= == =
= == =
0 y

y
e
y!

,
obtm-se, E(X) =

2. De acordo com a definio de varincia, tem-se:
V(X) = E(X
2
) [ E(X) ]
2
, onde j vimos que, [ E(X)]
2
=
2
, e,
E(X
2
) =


=

=

=

=

=
1 1
2
0
2
)! 1 ( )! 1 ( !
x
x
x
x x
x
x
e
x
x x
e
x
x
e
x


, fazendo y = x 1, tem-se:
57

E(X
2
) =

+ = + = +


=

=

=
+
2
0 0 0
1
! ! !
) 1 (
y
y
y
y
y
y
y
e
y
e
y
y
e
y
V(X) =
2
+ -
2
, assim V(X) = .
Se a varincia DP(X) =


Exemplo 3: Em mdia h duas chamadas por hora num certo telefone. Calcular a
probabilidade de se receber no mximo 3 chamadas em duas horas e a probabilidade de
nenhuma chamada em 90 minutos.
X: o nmero de chamadas telefnicas em duas horas
Ento,
= 2 (nmero mdio chamadas por hora )
t = 2 horas
= t = 4 (nmero mdio chamadas em duas horas )
P(X 3) =

=

=
= = =
3
0
x 4 3
0 x
x!
4 e
) x P(X
x
0,4331
Y: nmero de chamadas telefnicas 90 minutos
Ento,
t = 90 minutos
= 2/60 ( nmero mdio de chamadas por minuto)
= t = 2/60 x 90 = 3 (nmero mdio chamadas em 90 minutos )
P(Y = 0) =
( )
! 0
3 e
0 3
= 0,0498
Exerccios:
1) Uma fbrica produz tecidos com mdia de 2,2 defeitos por jarda quadrada. Determine as
seguintes probabilidades:
a) no mais de 4 defeitos numa jarda quadrada; Resp.:0,9275
b) nenhum defeito em duas jardas quadradas; Resp.:0,0123
c) duas jardas quadradas cada uma com dois defeitos. Resp.: 0,0719
2) O nmero de petroleiros que chegam a uma refinaria em cada dia ocorre segundo uma
distribuio de Poisson, com = 2. As atuais instalaes podem atender, no mximo, a 3
petroleiros por dia. Se mais de 3 aportarem num dia, o excesso enviado a outro porto.
a) Em um dia, qual a probabilidade de se enviar petroleiros para outro porto? Resp.: 0,1431
58

b) De quanto devero ser aumentadas as instalaes para permitir atender a todos os navios
que chegarem pelo menos em 95% dos dias? Resp.: 2
c) Qual o nmero mdio de petroleiros que chegam por dia? Resp.: 2.


3 LISTA DE EXERCCIOS

1) Se X ~ B(n,p), sabendo-se que E(X) = 12 e
2
= 3, determinar:
a) n e) E(Z) e V(Z),onde Z = (X-12)/ 3
b) p f) P(Y 14/16), onde Y = X/n
c) P(X < 12) g) P(Y 12/16), onde Y = X/n
d) P(X 14)
2) Uma fileira de luzes de Natal contm 20 lmpadas ligadas em srie, isto , se uma delas
falha, toda a fileira falhar. Cada lmpada tem 0,02 de probabilidade de falhar durante um
perodo de 3 anos. As lmpadas falham independente umas das outras. Qual a
probabilidade de toda a fileira de lmpadas permanecer sem falhar durante trs anos?
3) O nmero de partculas radioativas emitidas por uma fonte segue distribuio de Poisson
com = 0,5 partculas por segundo.
a) Qual a probabilidade de a fonte emitir uma partcula em um segundo;
b) Qual a probabilidade de a fonte emitir mais de uma partcula em um segundo;
c) Qual a probabilidade de a fonte emitir uma partcula em trs segundos;
d) Qual a probabilidade de a fonte emitir no mximo duas partculas em 3 segundos;
e) Uma chapa fotogrfica sensibilizada ao ser atingida por 3 ou mais partculas. Se 5 chapas
so colocadas, uma aps outra, durante 2 segundos cada uma em frente fonte, qual a
probabilidade de exatamente uma delas ser sensibilizada?
4) Seja X o nmero de peas defeituosas sadas de certa linha de produo. Sabe-se que, para
determinado lote, X binomial com mdia 240 e varincia 48. Determine a distribuio de
probabilidade de X e a probabilidade do lote no conter nenhuma pea defeituosa.
5) Um industrial fabrica peas, das quais 1/5 so defeituosas. Dois compradores, A e B,
classificaram as partidas adquiridas em categorias I e II, pagando 1,20 u.m. e 0,80 u.m.
respectivamente do seguinte modo:
Comprador A: retira uma amostra de 5 peas; se encontrar mais que uma defeituosa,
classifica como II.
Comprador B: retira uma amostra de 10 peas; se encontrar mais que duas defeituosa,
classifica como II.
59

Em mdia, qual comprador oferece maior lucro?
6) Numa via de mo nica que termina numa ponte, quer se estudar o trfego. Encontra-se que
esse volume de 120 veculos/hora, em mdia. Assume-se que a chegada de veculos
constitui um processo de Poisson. Ache a probabilidade de que:
a) num perodo de um minuto mais de trs veculos cheguem ao pedgio;
b) em 3 minutos cheguem mais do que 1 veculo.
7) Numa linha adutora de gua, de 60 km de extenso, o nmero de vazamento no perodo de
um ms em mdia 4. Qual a probabilidade de ocorrer, durante o ms, pelo menos um
vazamento num setor de 3 km de extenso?
8) Um fabricante afirma que apenas 5% de todas as vlvulas que produz tem durao inferior
a 20 h. Uma indstria compra semanalmente um grande lote de vlvulas desse fabricante,
mas sob a seguinte condio: ela aceita o lote se, em 10 vlvulas escolhidas ao acaso, no
mximo uma tiver durao inferior a 20 horas; caso contrrio o lote rejeitado.
a) Se o fabricante de fato tem razo, qual a probabilidade de um lote ser rejeitado?
b) Suponha agora que o fabricante esteja mentindo, isto , na verdade a proporo de vlvulas
com durao inferior a 20 h de 10%. Qual a probabilidade do lote ser aceito, segundo o
critrio acima?
9) Certa fbrica produz fusveis eltricos, dos quais 15% so defeituosos. Achar a
probabilidade de que, numa amostra de 10 fusveis selecionados ao acaso, tenhamos:
a) nenhum defeituoso.
b) pelo menos um defeituoso.
c) no mximo um defeituoso.
10) Um fabricante de peas de automveis garante que uma caixa de suas peas conter no
mximo duas defeituosas. Se a caixa contm 18 peas, e a experincia tem demonstrado
que este processo de fabricao produz 5% das peas defeituosas, qual a probabilidade de
que uma caixa satisfaa a garantia?
11) Certa companhia area chegou concluso de que 4% das pessoas que compram passagens
no comparecem ao embarque. De modo a obter maior aproveitamento nas vendas, passou
a adotar o critrio de vender 77 passagens para um vo com 75 lugares. Determine a
probabilidade de que todas as pessoas que compaream encontraro lugar no citado vo.
12) Em um certo tipo de fabricao de fita magntica, ocorrem cortes a uma taxa de 1 por
2.000 cm. Qual a probabilidade de que um rolo com 2.000cm tenha:
a) nenhum corte?
b) no mximo dois cortes?
60

c) pelo menos dois cortes?
13) Numa determinada estrada ocorrem em mdia 2 acidentes para cada 100km. Qual a
probabilidade de que:
a) em 250 km ocorram pelo menos 3 acidentes?
b) em 300 km ocorram 5 acidentes?
14) Uma fonte mineral contm um nmero mdio de quatro bactrias por cm
3
de gua. Dez
tubos de ensaio, de 1 cm
3
, so enchidos com este lquido. Supondo que a distribuio de
Poisson aplicvel, encontre a probabilidade:
a) de que todos os 10 tubos de ensaio apresentem bactrias, isto , contenham ao menos uma
bactria cada;
b) de que exatamente oito tubos de ensaio apresentem bactrias.

Gabarito da 3 Lista de Exerccios

1) a) n = 16 e p=0,75 c) 0,3699 d) 0,1971 e) E(Z) = 0 e V(Z) = 1 f) 0,1971 g) 0,6301

2) 0,6676 3) a) 0,3033 b) 0,0902 c) 0,3347 d) 0,8088 e) 0,2873

4) n = 300 p=0,8
300 0
5
1
5
4
0
300
0) P(X
|

\
|
|

\
|
|
|

\
|
= =
5) Comprador A 6) a) 0,1429 b) 0,9826 7)0,1813 8) a) 0,0861 b) 1-0,2639

9) a) 0,1969 b) 0,8031 c) 0,5443 10) 0,9419 11) 0,8185

12) a) 0,3679 b) 0,9197 c) 0,2642 13) a) 0,8753 b) 0,1606

14) a) (0,9816) b) 0,16%


4.2. VARIVEIS ALEATRIAS CONTNUAS

4.2.1. Distribuio Exponencial

Esta distribuio bastante utilizada na teoria da confiabilidade para modelar os tempos de
espera entre ocorrncias de eventos em um Processo de Poisson. Em geral este modelo
probabilstico tambm utilizado para modelar tempo de espera em uma fila, tempo de
sobrevivncia de um grupo de pacientes aps o incio de um tratamento e tempo de vida de
material eletrnico.
61

O histograma a seguir foi construdo a partir de dados provenientes de uma distribuio
exponencial. A curva desenhada sobre o histograma representa a funo densidade de uma
distribuio exponencial. Vemos que este grfico do tipo assimtrico positivo.

Grfico da funo densidade da Distribuio exponencial com parmetro =1000

Uma varivel aleatria contnua X, que assume valores no-negativos, ter uma
distribuio exponencial com parmetro > 0, se sua fdp for dada por:

contrrio caso , 0
0 x ,
1
) f(x
x
1

e

Notao: X ~ exp( )

Propriedades:
a) A funo de distribuio dada por:
F(x) = P(X x) =

<
=

0 x , 1
0 x , 0
ds
1
x
0
x
1

x
e
e
Portanto, P(X > x ) = e
-(1/)x


62

b) E(X) =

0
x
1
dx
1
x e
c) V(X) = E(X
2
) E
2
(X) =
2 2 2
2 = em que E(X
2
) = . dx
1
x
2
0
x
1
2

e
d) P( X > s + t | X > s) =
t
1
- -
s
1
-
t) s (
1
e
e
e
s) P(X
) t s P(X
s) P(X
s) X e t s P(X

= =
>
+ >
=
>
> + >
+
para quaisquer
s, t > 0

Este ltimo resultado mostra que a distribuio exponencial apresenta a propriedade de
no possuir memria. Isto significa que a probabilidade de sobreviver mais t unidades de
tempo a mesma, quer j se tenham passado s unidades de tempo, ou 0 unidades. Ou seja, no
h envelhecimento. Esta hiptese frequentemente razovel para a vida de materiais
eletrnicos.

Exemplo 5: Uma lmpada tem a durao de acordo com a densidade exponencial com
=1000.

Determinar:
a) a probabilidade de que essa lmpada queime antes de 1.000 horas;
b) a probabilidade de que ela queime depois de sua durao mdia;
c) a varincia da distribuio do tempo de durao dessa lmpada.

Soluo: Seja T o tempo de durao da lmpada.
a) P( T < 1.000) = = =

1 -
1000
0
t
1000
1

e - 1 dt e
1000
1
1 - 0,3679 = 0, 6321
b) P( T > 1000) = 0,3679
c) V(T) = (1000)
2


4.2.2. Distribuio Weibull

A distribuio Weibull tem uma aplicao importante em Teoria de Confiabilidade.
63

O histograma a seguir foi construdo a partir de dados provenientes de uma distribuio
Weibull. A curva desenhada sobre o histograma representa a funo densidade desta
distribuio, que tambm do tipo assimtrico positivo.

Grfico da funo densidade da Distribuio Weibull com parmetros =2 e =2
x
f
(
x
)
0 1 2 3 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4

Uma varivel aleatria contnua X, que assume valores no-negativos, ter uma
distribuio Weibull com parmetros > 0 e > 0, se sua fdp for dada por:

contrrio caso , 0
0 x ,

x
exp x
) f(x
1 -

\
|

Propriedades: a) E(X) =
|
|

\
|
+ 1
1

b) V(X) =

|
|

\
|
+
|
|

\
|
+
2
2
1
1
1
2



c)

\
|

=
0 x

x
exp - 1
0 x 0,
F(x)



64

d) Se =1 tem-se

x
e x f

=
1
) ( . Portanto, a distribuio exponencial um caso particular da
distribuio Weibull.

Obs: O smbolo denota a funo gama, que dada por:

( )

> =
0
x 1 k
0. k para definida dx, e x k
Pode-se mostrar que se k for um nmero inteiro positivo, obtm-se que (k) = (k-1)!

Exemplo 7: O tempo de vida, em horas, de um componente eletrnico segue a distribuio
Weibull com = 0,4 e = 0,5.
a) Qual a vida mdia?
b) Calcule a varincia do tempo de vida desse componente.
c) Qual a probabilidade do tempo de vida desse componente ultrapassar 30 horas?
Soluo: T: tempo de vida do componente eletrnico em horas
a) E(T) = ( ) 8 , 0 3 ) 4 , 0 ( =
b) V(T) = ( ) [ ] { } 2 , 3 3 ) 5 ( ) 4 , 0 (
2
=
c) P( T > 30 ) =

\
|

5 , 0
0,4
30
exp = 0,8909

4.2.3. Distribuio Normal (ou Gaussiana)

Existem vrias distribuies tericas que podem ser usadas para representar fenmenos
reais. Dentre estas, uma das mais importantes a distribuio normal. A seguir faremos um
breve estudo desta distribuio.
Importncia da distribuio normal:

1. Representa com boa aproximao as distribuies de freqncias observadas de muitos
fenmenos naturais e fsicos;
2. Distribuies importantes, como por exemplo a binomial e Poisson, podem ser
aproximadas pela normal, simplificando o clculo de probabilidades;
3. A distribuio amostral das mdias (e propores) em grandes amostras se aproxima da
distribuio normal, o que nos permite fazer estimaes e testes estatsticos.

65

Uma varivel aleatria X, que assume valores em R, tem distribuio normal com
parmetros e
2
se sua funo de densidade probabilidade dada por:

0 e , x ,

x
2
1
exp
2
1
f(x)
2
2
> < < < <
(
(

\
|
=

Notao: X ~ N(,
2
)

O histograma a seguir foi construdo a partir de dados provenientes de uma distribuio
normal. A curva desenhada sobre o histograma representa a funo densidade de uma
distribuio normal. Vemos que este grfico do tipo simtrico.
Grfico da funo densidade da distribuio normal com parmetros =10 e
2
=4

importante ressaltar a diferena que existe entre o histograma e a curva: o histograma
uma representao da distribuio dos elementos (dados) de uma amostra extrada de uma
populao, enquanto a curva representa a distribuio terica que melhor se aproxima do
histograma observado.
Propriedades:
a) E(X) = e V(X) =
2
( - desvio-padro);
b) A curva normal simtrica com relao a sua mdia , ou seja:
f(+x) = f (- x);
66

P( - x X ) = P( X x+ );
P(X > ) = P (X < ) = 0,5.
c) A moda e a mediana de X so iguais a ;
d) A distncia entre e os pontos de inflexo da curva igual a ;

Distribuio Normal
N( , , , ,
2
)
-4 -3 -2 -1 0 1 2 3 4

+


Exemplos de curvas da distribuio normal para diferentes valores dos parmetros

mdias diferentes, desvios padro iguais ( = 10 cm)
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
123 130 137 144 151 158 165 172 179 186 193 200 207
altura (cm)
= 165
= 179

67


mesma mdia, desvios padro distintos
= 172 cm
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
128 132 136 140 144 148 152 156 160 164 168 172 176 180 184 188 192 196 200 204 208
altura (cm)
= 12
= 7
= 5


Clculo das probabilidades de uma distribuio normal

A probabilidade de uma varivel aleatria normal X assumir valores entre dois nmeros
a e b (a < b) igual rea sob a curva no intervalo [a,b], isto ,
P(a < X < b) = dx

(
(

\
|

b
a
2
x
2
1
exp
2
1

Esta probabilidade pode ser obtida atravs de uma transformao na varivel aleatria X como
veremos a seguir.

A distribuio normal possui um importante propriedade que permite que qualquer
varivel aleatria com esta distribuio possa ser transformada em uma outra varivel com
distribuio normal com parmetros = 0 e
2
=1.
Teorema:
Se X ~ N (,
2
) ento a varivel transformada
( )

=
X
Z tem distribuio N(0,1), isto ,

Portanto, ) ( ) ( z Z P
a X
P a X P = |

\
|

com
( )

=
X
Z

68

As probabilidades para a distribuio normal (0,1) tambm chamada de Normal Padro
ou Normal Padronizada esto tabeladas. Pelo exposto acima vemos que atravs desta tabela
podemos obter as probabilidades para qualquer outra distribuio normal.
H vrios tipos de tabelas que nos fornece as probabilidades para a distribuio normal
padro. Faremos uso do tipo que est em anexo. Essa tabela fornece a rea sob a curva no
intervalo de zero at o ponto z, isto , P(0 Z z). Os elementos dessa tabela so:
Na primeira coluna encontra-se a parte inteira e a primeira casa decimal do valor de z;
A primeira linha refere-se segunda casa decimal do valor de z;
As probabilidades so encontradas no cruzamento das linhas com as colunas.

Graficamente, a probabilidade fornecida pela tabela a seguinte:

A rea sombreada no grfico corresponde seguinte probabilidade:


Como a curva normal padro uma funo simtrica em relao 0:

f(z)=f (- z);
P(- z Z 0)= P(0 Z z );
P(Z > 0 ) = P (Z < 0) = 0,5.


Exemplos de uso da tabela da distribuio normal padro:

Calcule P(0 Z 0,51 )
A rea que representa esta probabilidade :







z 0
f(z)
69


A seguir, como obter essa probabilidade na tabela da distribuio normal padro
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000000 0.0039894 0.0079783 0.0119665 0.0159534 0.0199388 0.0239222 0.0279032 0.0318814 0.0358564
0.1 0.0398278 0.0437953 0.0477584 0.0517168 0.0556700 0.0596177 0.0635595 0.0674949 0.0714237 0.0753454
0.2 0.0792597 0.0831662 0.0870644 0.0909541 0.0948349 0.0987063 0.1025681 0.1064199 0.1102612 0.1140919
0.3 0.1179114 0.1217195 0.1255158 0.1293000 0.1330717 0.1368307 0.1405764 0.1443088 0.1480273 0.1517317
0.4 0.1554217 0.1590970 0.1627573 0.1664022 0.1700314 0.1736448 0.1772419 0.1808225 0.1843863 0.1879331
0.5 0.1914625 0.1949743 0.1984682 0.2019440 0.2054015 0.2088403 0.2122603 0.2156612 0.2190427 0.2224047
0.6 0.2257469 0.2290691 0.2323711 0.2356527 0.2389137 0.2421539 0.2453731 0.2485711 0.2517478 0.2549029

Calcule P(-2,35 Z 0)


Calcule P(-1 Z 1)
A rea que representa esta probabilidade :

Esta rea pode ser separada em duas subreas, que so:

P(-1 Z 1) = P(-1 Z 0) + P(0 Z 1) = 0, 3413 + 0, 3413 = 0, 6826

e
70

Calcule P(Z 1,62)











Esta rea pode ser pensada da seguinte forma:

P(Z 1,62) = 0,5 P(0 Z 1,62 ) = 0,5 0,4474 = 0,0526

Calcule P(1,03 Z 2,01 )

A rea que representa esta probabilidade :

Esta rea pode ser pensada da seguinte forma:
P(1,03
Z 2,01 ) = P(0 Z 2,01) - P(0 Z 1,03)

71

Determine z tal que P(0 Z z
0
) = 0,395










Para encontrar o ponto z
0
, que corresponda probabilidade P(0 Z z
0
) = 0,395, procure no
meio da tabela da curva normal padro o valor da rea exata ou o mais prximo possvel da
requerida. Neste caso, o ponto procurado 1,25. Logo, z
0
= 1,25

Exemplos:
1) Usando a tabela da normal padro podemos obter:
P(0 Z 1) = 0,3413
P(-2,55 Z 1,2) = 0, 4946+ 0,3849 = 0,8795
P(Z1,93) =0,5 0, 4732 = 0,0268

2) A caracterstica da qualidade de interesse, associada a um processo que est sob controle
estatstico, normalmente distribuda com mdia 100 e desvio-padro 5. As especificaes
estabelecidas para esta caracterstica da qualidade so 95 10.
a) Qual e a proporo de no-conformidade referente a esta caracterstica?
b) Qual e a proporo de no-conformidade referente a esta caracterstica, se o processo
passasse a operar centrado no valor 95, chamado valor nominal da especificao?
Soluo:
a) P(X > 105) + P(X < 85) =
|

\
|
< + |

\
|
>
5
100 85
Z P
5
100 105
Z P =
= P(Z > 1) + P(Z < -3) =(0,5 - 0,3413) + (0,5 - 0,4987) = 0,1600
b) = 95
P(X > 105) + P(X < 85) =
|

\
|
< + |

\
|
>
5
95 85
Z P
5
95 105
Z P =
= P(Z > 2) + P(Z < -2) =2 (0,5 0,4772) = 0,0456


72

4 LISTA DE EXERCCIOS
1) Seja Z uma varivel aleatria com distribuio normal padro. Determine o valor de z:
a) P(Z<z) = 0,09
b) P(-1,71<Z<z) = 0,25
c) P(-z<Z<z) = 0,90
d) P(-z<Z<z) = 0,99
2) Sejam z
1
e z
2
, simtricos, dois particulares valores de Z. Determine-os tais que:
a) P ( z
1
Zz
2
) = 0,9216
b) P ( z
1
Z z
2
) = 0,8858
3) Suponha que as amplitudes de vida de dois aparelhos eltricos, D
1
e D
2
, tenham
distribuio N(42,36) e N(45,9), respectivamente. Se o aparelho e para ser usado por
perodo de 45 horas, qual aparelho deve ser preferido?
4) Uma enchedora automtica de garrafas de refrigerante esta regulada para que o volume
mdio de liquido em cada garrafa seja de 1.000 cm
3
e o desvio-padro de 10 cm
3
. Pode-se
admitir que a distribuio da varivel seja normal.
a) Qual a probabilidade de garrafas em que o volume de liquido e menor que 990 cm3?
b) Qual a probabilidade de garrafas em que o volume de liquido no se desvia da mdia em
mais que dois desvios-padro?
5) Uma empresa produz televisores e garante a restituio da quantia paga se qualquer
televisor apresentar algum defeito grave no prazo de 6 meses. Ela produz televisores do
tipo A comum e do tipo B luxo, com um lucro respectivo de 1.000 u.m. e 2.000 u.m. caso
no haja restituio, e com um prejuzo de 3.000 u.m. e 8.000 u.m. se houver restituio.
Suponha que o tempo para a ocorrncia de algum defeito grave seja, em ambos os casos,
uma varivel aleatria com distribuio normal, respectivamente, com medias 9 meses e
12 meses, e varincias 4 meses
2
e 9 meses
2
. Se tivesse que planejar uma estratgia de
marketing para a empresa, voc incentivaria as vendas dos aparelhos do tipo A ou do tipo
B?
6) Suponha que o dimetro mdio dos parafusos produzidos por uma fabrica de 0,25
polegadas e o desvio-padro 0,02 polegadas. Um parafuso considerado defeituoso se seu
dimetro maior que 0,28 polegadas ou menor que 0,20 polegadas. Suponha distribuio
normal.
a) Encontre a probabilidade de parafusos defeituosos.
b) Qual deve ser a medida mnima para que tenhamos no mximo 12% de parafusos
defeituosos?
73

7) A durao de certos tipos de amortecedores, em km rodados normalmente distribuda,
possui durao mdia de 5000 km e desvio-padro de 1000 km.
a) Qual a probabilidade de um amortecedor escolhido ao acaso durar entre 4500 e 6350 km?
b) Se o fabricante desejasse fixar uma garantia de quilometragem, de tal forma que se a
durao do amortecedor fosse inferior a garantia, o amortecedor seria trocado, de quanto
deveria ser esta garantia para que somente 1% dos amortecedores fossem trocados?
8) Suponha que T, a durao at falhar de uma pea, seja normalmente distribuda com E(T)
= 90 horas e desvio-padro 5 horas. Quantas horas de operao mnimas devem ser
consideradas, a fim de se achar uma probabilidade de 0,90.
9) Suponha que a durao de vida de um dispositivo eletrnico seja exponencialmente
distribuda. Sabe-se que a probabilidade desse dispositivo durar mais de 100 horas de
operao de 0,90. Quantas horas de operao devem ser levadas em conta para
conseguir-se uma probabilidade de 0,95?
10) A durao de vida de um satlite uma varivel aleatria exponencialmente distribuda,
com durao de vida esperada igual a 1,5 anos. Se trs desses satlites forem lanados
simultaneamente, qual ser a probabilidade de que ao menos dois deles ainda venham a
estar em rbita depois de 2 anos?
11) Suponha que n componentes, que funcionem independentemente, sejam ligados em srie.
Admita que a durao at falhar, de cada componente, seja normalmente distribuda, com
esperana de 50 horas e desvio-padro de 5 horas.
a) Se n=4, qual ser a probabilidade de que o sistema ainda esteja a funcionar depois de 52
horas de operao?
b) Se n componentes forem instalados em paralelo, qual dever ser o valor de n, para que a
probabilidade de falhar durante as primeiras 55 horas seja aproximadamente igual a 0,01?
12) Estudos meteorolgicos indicam que a precipitao pluviomtrica mensal em perodos de
seca numa certa regio pode ser considerada como seguindo a distribuio Normal de
mdia 30mm e varincia 16mm
2
.
a) Qual a probabilidade de que a precipitao pluviomtrica mensal no perodo da seca esteja
entre 24mm e 38mm?
b) Qual seria o valor da precipitao pluviomtrica de modo que exista apenas 10% de chance
de haver uma precipitao inferior a esse valor?
c) Construa um intervalo central em torno da mdia que contenha 80% dos possveis valores
de precipitao pluviomtrica.
74

13) Se a altura de 300 estudantes so normalmente distribuda com mdia igual a 172,72cm e
varincia 49,5cm
2
.
a) Quantos estudantes tm altura superior a 182,88cm?
b) Qual a altura que separa os estudantes em dois grupos de forma que um deles seja formado
pelos 30% mais altos?
14) Suponha que as notas de um vestibular tenham distribuio normal com mdia 60 e
desvio-padro de 15 pontos.
a) Se voc prestou este vestibular e obteve nota igual a 80 pontos, qual a sua posio em
termos de unidades de desvios-padro, com relao a mdia das notas?
b) Se foram considerados aprovados os candidatos que obtiveram nota mnima
correspondente a 1 desvio-padro acima da mdia, qual a nota mnima de aprovao na
escala original?
15) Em uma fbrica de chocolate verifica-se que os bombons so acondicionados
automaticamente em caixas com aproximadamente 1 Kg. Verifica-se que 25,14% das
caixas tem peso inferior a 1 Kg. A mquina de acondicionamento foi regulada
aumentando-se o peso mdio da caixa de 3g e verificou-se ento que a porcentagem com
peso inferior a 1 Kg foi de 12,5%. Admitir distribuio normal.
a) Calcular a mdia e o desvio-padro
b) De quanto deve ser novamente aumentado o peso mdio para que essa porcentagem caia
para 4%?
16) Experimentam-se trs elementos que trabalham independentemente entre si. A durao de
trabalho sem falhas dos elementos tem respectivamente para o 1
o
., 2
o
e 3
o
. as seguintes
funes densidades:
t -0.1
1
e 1 . 0 ) ( = t f
t -0.2
2
e 2 . 0 ) ( = t f
t -0.3
3
e 3 . 0 ) ( = t f
Ache a probabilidade que no intervalo de tempo (0, 10)
a) Falhe ao menos um elemento
b) Falhem no menos que dois elementos
17) Um componente eletrnico tem distribuio exponencial, com mdia de 50 horas. Suposta
uma produo de 10 000 unidades, quanto deles espera-se que durem entre 45 e 55 horas?
18) O tempo de vida de certo dispositivo eletrnico de 4.000 h e segue uma distribuio
exponencial. Determine a probabilidade de que:
a) um dispositivo esteja funcionando no final de 2.000 h, dado que est funcionando no final
de 1.000 h;
75

b) num conjunto de 4 dispositivos, somente um queime antes de 3.000 h de funcionamento.
19) Dois dispositivos eletrnicos com lei de falhas exponencial com mdia respectivamente 5h
e 10 h so ligados em paralelos formando um nico sistema e funcionando
independentemente. Determinar:
A probabilidade de cada um dos dispositivos aps 20 horas;
A probabilidade do sistema todo aps 20 horas;
20) Sabe-se que T, tempo de operao sem falhas de um componente segue a distribuio de
Weibull.
a) Se = 2000, = 0,5 determine R(22), E(T) e V(T).
b) Se = 2000, = 1,5 determine t para que P(T > t) = 0,90.
21) Seja X uma varivel aleatria com distribuio Weibull com =200 e =3.
a) Suponha que X represente o tempo de vida de um componente. Determine a probabilidade
desse componente para durar mais de 50 horas.
b) Determine a probabilidade de que o componente dure mais que 250 horas, uma vez que j
esteja em funcionamento por 200 horas.
c) Determine a durao esperada do componente. Use os seguintes fatos: (1,3) = 0,8975.
22) Sabe-se que o tempo de falha (em anos) de certo transistor tem distribuio exponencial
com =20 anos.
a) Que proporo desse transistor sobreviver a 6 anos de uso?
b) Este transistor ser utilizado em um produto cujo fabricante ir estipular certo perodo de
garantia. Qual tempo de garantia passvel de ser estipulado, caso o fabricante concorde em
arcar com o custo de no mximo 5% de falhas neste perodo?
c) Se o fabricante desejar estipular um perodo de garantia de 2 anos, qual a proporo
esperada de falhas associadas ao transistor neste perodo?
23) A densidade do tempo de falha para um pequeno sistema de computador tem distribuio
de Weibull, com =1/4 e =200.
a) Que proporo dessas unidades sobreviver a 1000 horas de uso?
b) Qual o tempo mdio de falha?


Gabarito da 4 Lista de Exerccios

1)a)-1,34 b) -0,54 c) 1,64 d) 2,58

2)a) -1,76 e 1,76 b) -1,58 e 1,58

76

3)D2 4) a) 0,1587 b) 0,9545

5)Tipo B

6)a) 0,072 b) 0,2178

7)a) 0,60295 b) 2670 km

8)83,6 horas

9)51,29 horas

10) 0,1719

11)a) 0,014 b) 27

12)a) 0,9104 b) 24,88 c) [24,88; 35,12]

13)a) 22 b) 176,41

14)a) 1,333 b) 75

15)a) mdia=1,0042Kg e desvio=0,0063 Kg
b) 0,006825g

16)a) 0,9975 b) 0,9301

17)737

18)a) 0,7788 b) 0,2224

19)a) =1/10; 0,135 e =1/5; 0,0183 b) 0,1512


20)a) P(T > 22)= 0,9004; E(T)= 4000 horas ; V(T)=80000000 horas b) 446,15 horas


21)a)0,9845 b)0,3855 c)179,5

22)a ) 0,7408 b ) aprox. 1 ano c) 0,0952


23)a) 0,2242 b ) 480



REFERNCIAS BIBLIOGRFICAS

MEYER, Paul L. Probabilidade: aplicaes estatstica. 2. ed. Rio de Janeiro: Livros
Tcnicos e Cientficos, 1983. 426.

MONTGOMERY, Douglas C.; RUNGER, George C.; HUBELE, Norma Faris. Estatstica
aplicada engenharia. Rio de Janeiro: LTC, 2004. 335 p.

MORETTIN, Pedro Alberto; BUSSAB, Wilton de Oliveira. Estatstica bsica. 5. ed. So
Paulo: Saraiva, 2006. 526 p.

77