You are on page 1of 30

Professor Aluísio Lima

Estatística II
Professor: Aluísio Lima
Disciplina: Estatística II
Curso: Engenharia de Produção
Turma: 32431 N
Estatística II – 1º Parte.
1
Professor Aluísio Lima
Capítulo 1
Fatorial.
Introdução.
Considerando n um número natural maior que 1 (um), podemos definir como fatorial
desse número n (n!) o número:

n! = n(n – 1)(n – 2)(n – 3)....
Lê-se n! como n fatorial ou fatorial de n.
Veja alguns exemplos:
5! = 5 * 4 * 3 * 2 * 1 = 120
8! = 8 * 7 * 6 * 5 * 4 * 3 * 2 * 1 = 40320
6! = 6 * 5 * 4 * 3 * 2 * 1 = 720
10! = 10 * 9 * 8 * 7 * 6 * 5 * 4 * 3 * 2 * 1 = 3.628.800
Exercícios.
1) Simplifique as expressões que seguem;
a)
( )
( )! 2
! 4
+
+
n
n
c)
( )! 2
)! 1 (
+
+
n
n
b)
( )
( )! 1 2
! 2
− n
n
d)
( )
( )!
! 2
n
n −
Dentre os cinco números inteiros listados abaixo, aquele que representa a melhor aproximação para
a expressão: 2 . 2! + 3 . 3! + 4 . 4! + 5 . 5! + 6 . 6! é:
5030 b) 5042 c) 5050 d) 5058 e) 5070
2) O produto 20.18.16.14....6.4.2 é equivalente a:
a)
2
! 20
b) 2.10! c)
10
2
! 20
d) 2
10
.10! e)
! 10
! 20
Estatística II – 1º Parte.
2
Professor Aluísio Lima
Capítulo 2
Conceitos Básicos de Análise Combinatória.
Técnicas de Contagem
Regra Fundamental da Contagem
Para dois eventos que podem ocorrer respectivamente de m e n maneiras distintas,
há m.n maneiras pelas quais pares desses eventos podem ocorrer.
Exemplo:
Uma pessoa tem 4 camisas e 5 calças, logo terá 20 possibilidades de formação
diferentes para combinar.
1) Fatorial (Permutações)
Uma coleção de n objetos pode ser ordenada de n! maneiras distintas.
[n! = n (n-1) (n-2)...1]
Pn = n !
Exemplos:
a) colocação de 5 bandeiras com cores distintas
b) ordenação de questões de prova.
2) Arranjos Simples (com elementos distintos):
O número de arranjos (= seqüências) de r elementos escolhidos entre n elementos
(sem permitir repetição) é:
An,p =
)! (
!
p n
n

Exemplos:
• Quantas programações noturnas de TV com 6 shows podem ser feitas a partir de um
plantel de 20 seriados.
• Quantas chapas eletivas distintas (presidente, vice-presidente, 1º e 2º secretários, 1º
e 2º tesoureiros) podemos formar a partir de um grupo de 10 pessoas.
Estatística II – 1º Parte.
3
Professor Aluísio Lima
OBS: Arranjos com elementos não-distintos: Se há n elementos categorizáveis em k grupos
de formas que ni elementos se enquadram na i-ésima categoria (i = 1, 2, ..., k), então o
número de permutações distintas do conjunto de n elementos é:
n
n n n
n
nk n n
k
A
! !.... !.
!
,... 2 , 1
2 1
·
Exemplos:
• Número de permutações das letras da palavra “SOCORRO”
• Número de sinais possíveis com 5 bandeiras sendo 2 azuis e 3 vermelhas
3) Combinações Simples.
O número de sub-conjuntos (=combinações) de r elementos que podem ser
formados a partir de um conjunto com n elementos (distintos) é:
Cn,p =
)! ( !
!
p n p
n

Exemplos:
• Número de comitês (ou de amostras s/ reposição) de 5 elementos que podem ser
formados a partir de um conjunto de 10 elementos.
• Número de mãos de pôquer (5 cartas) que podem ser retiradas de um baralho
completo (52 cartas)
• Número de resultados possíveis na “Megasena”
Exercícios.
Considere todos os números formados por 6 algarismos distintos obtidos permutando-se, de todas as
formas possíveis, os algarismos 1, 2, 3, 4, 5 e 6. Determine quantos números é possível
formar (no total) e quantos números se iniciam com o algarismo 1.
Colocando em ordem os números resultantes das permutações dos algarismos 1, 2, 3, 4, 5, que
posição ocupará o número 35241?
Considere o conjunto dos dígitos {1, 2, 3, ..., 9} e forme com eles números de nove algarismos
distintos.Quantos desses números são pares?
Estatística II – 1º Parte.
4
Professor Aluísio Lima
1) Com 5 engenheiros e 4 físicos formam-se comissões de 5 pessoas. Calcule o número de
comissões a ser formada por 3 engenheiros e 2 físicos.
2) Num baú estão espalhados 15 livros de Português, 10

de Matemática e 6 de Inglês. Três
livros são retirados simultaneamente do baú? Qual o número de possibilidades de que seja
escolhido um livro de cada assunto?
3) Uma classe tem 30 alunos. Uma comissão de quatro alunos é escolhida para uma reunião
com a diretoria da escola. Determine o número de comissões para que os dois melhores
alunos façam parte da comissão.
Estatística II – 1º Parte.
5
Professor Aluísio Lima
Capítulo 3
Introdução à Probabilidade.
1) Um Pouco de História
Os primeiros estudos matemáticos sobre “chances” foram feitos pelos italianos
Gerônimo Cardano (1501 – 1576) e Galileu Galilei (1564 – 1642) e eram relacionados com
jogos de dados.
Em 1654, quando Pascal dedicava-se a uma obra chamada As Cônicas, um amigo
seu, jogador profissional, chamado Chevalier de Mére, propôs questões do tipo: “Em 8
lances de um dado, um jogador deve tentar lançar o número 1, mas, depois de 3 tentativas
fracassadas, o jogo é interrompido por seu oponente. Como poderia ser indenizado?”.
Tendo resolvido as dificuldades de Mére, Pascal escreveu a seu amigo Pierre de
Fermat (matemático francês 1601 – 1665) expondo-lhe vários problemas. A correspondência
entre eles, na qual encontram-se inúmeros problemas probabilísticos resolvidos, foi o
verdadeiro ponto de partida da moderna teoria das probabilidades. As idéias de Cardano,
que já tinham cem anos, foram esquecidas.
Pascal e Fermat nada publicaram a respeito, mas o matemático holandês Christian
Huygens (1629 – 1695), tendo conhecimento desses estudos, passou a interessar-se e
publicou, em 1657, um pequeno livro com o título De ratiociniis in ludo aleae (Sobre o
raciocínio em jogos de dados), sendo este o primeiro livro sobre a teoria das probabilidades.
Dentre os matemáticos que contribuíram para a evolução dessa teoria, destacamos:
Jacob Bernouilli (suíço, 1654 – 1705); Abraham de Moivre (francês, 1667 – 1754); Pierre
Simon de Laplace (francês. 1749 – 1827) e outros.
Hoje, a teoria das probabilidades tem uma importância muito grande e aplicações em
estatística, economia, engenharia, física, química, teoria dos jogos estratégicos, sociologia,
psicologia, biologia e vários outros campos do conhecimento.
Espaço Amostral e Evento
Existem fenômenos ou experimentos que, mesmo quando repetidos várias vezes,
em condições parecidas, apresentam resultados imprevisíveis. Dizemos que tais
experimentos são aleatórios. Como exemplo, no lançamento de uma moeda (pode dar cara
ou coroa); ao lançarmos um dado (poderá dar 1, 2, 3, 4, 5 e 6 mas não há como prever qual
será dada). Com isso temos a definição de espaço amostral.
Estatística II – 1º Parte.
6
Professor Aluísio Lima
Espaço Amostral – Também chamado de espaço de prova ou universo, é o nome do
conjunto formado por todos os resultados possíveis de um experimento aleatório. Notação:
W, Ω ou E.A
Exemplos:
• Lançamento de uma moeda, observando a face superior: Cara e Coroa. (2)
• Lançamento de um dado, observando a face superior: 1, 2, 3, 4, 5 ou 6. (6).
• Retirada de uma bola de uma urna que contém 4 bolas vermelhas e 3 pretas : V1,
V2, V3, V4, P1, P2 ou P3. (7)
Evento – (E) Os elementos do espaço amostral são chamados de eventos elementares. Os
subconjuntos do espaço amostral são chamados de simplesmente de eventos.
⇒Os eventos podem ser:
• Certos – Quando o evento é o próprio espaço amostral.
Ex. No lançamento de um dado, dar a ocorrência de um número menor do que 7.
• Impossíveis – Seja A um evento. Diremos que A é um evento impossível se A ∩ Ω = ∅.
Ex. No lançamento de um dado, sair à face 8.
2) Probabilidade
Consideramos um experimento aleatório; seja E o seu espaço amostral finito e não
– vazio, n (E) o número de elementos de E, um evento A e n(A) o número de elementos de A
(A ⊂ E). Chama-se probabilidade do evento A o número P (A) tal que:
P(A) =
) (
) (
E n
A n
Com isso podemos resumir que a definição de probabilidade é intuitiva, isto é, a
probabilidade de ocorrer determinado evento é dada pela a razão entre o número de casos
favoráveis (ou número de casos que nos interessam) e o número de casos possíveis (ou o
número total de casos).
IPC: Esta definição só tem validade se todos os elementos de E tiverem as mesmas
chances de ocorrer, ou seja, se E for um espaço equiprovável.
IPF: A probabilidade de um evento é um valor compreendido entre 0 e 1. Será 0
quando o evento for impossível e terá o valor de 1 quando o evento for certo. Logo
temos:
0 ≤ P(A) ≤ 1 ou 0% ≤ P(A) ≤ 100 %
Estatística II – 1º Parte.
7
Professor Aluísio Lima
3) Probabilidade de Não Ocorrer um Evento
Seja E um espaço amostral finito e não – vazio e A um evento de E. Chamamos
complementar de A em relação a E o evento A, de modo que A = E – A, ou seja, A é
formado por resultados de E que não são de A.
Podemos dizer então, que P (
__
A
) é a probabilidade de não ocorrer o evento A.
IPC
Como P (A) + P(A) = 1 podemos dizer que:
A probabilidade de não ocorrer um evento é igual a 1 menos a probabilidade de
ele ocorrer.
Exercícios Iniciais
4) Probabilidade da União de Eventos
A probabilidade de ocorrer o evento A ou o evento B é igual à probabilidade de
ocorrer A mais a probabilidade de ocorrer B menos a probabilidade de ocorrer A e B.
Logo temos:
P (A ∪ B) = P (A) + P (B) – P (A∩B)
IPC:
P(A∪B∪C) = P(A) + P(B) + P(C) – P(A ∩ B) – P(A ∩ C) – P(B ∩ C) + P(A ∩ B ∩ C).
Exemplo:
Vamos retirar uma bola de uma urna que contém 20 bolas numeradas de 1 a 20 e
considerar os eventos:
A: obtenção de divisor de 16 ⇒n (A) = 5 {1, 2, 4, 8, 16}
B: obtenção de divisor de 18. ⇒n (B) = 6 {1, 2, 3, 6, 9, 18}
O espaço amostral ⇒n (E) = 20 { 1, 2, 3, ... , 19, 20}
Observe que há elementos que satisfazem:
• Apenas o evento A: 4, 8, 16.
• Apenas o evento B: 3, 6, 9, 18.
• O evento A e o evento B: 1, 2 (A ∩ B)
• O evento A ou o evento B: 4, 8, 16, 3, 6, 9, 18, 1, 2. (A ∪ B)
Estatística II – 1º Parte.
8
Professor Aluísio Lima
Logo podemos dizer que:
• Ocorrência do evento A e do evento B é dada por A ∩ B.
• Ocorrência do evento A ou do evento B é dada por A ∪ B.
Assim temos
P (A) =
20
5
P(B) =
20
6
P (A ∩ B) =
20
2
P(A ∪ B) =
20
9
Com isso esses resultados mostram que P(A ∪ B) = P (A) + P (B) – P (A ∩ B)
OBS – Eventos Mutuamente Exclusivos
Se A e B são conjuntos disjuntos, isto é, A ∩ B = ∅, os eventos A e B são ditos
mutuamente exclusivos. Neste caso, se A ocorre, não pode ocorrer B e P (A ∩ B) = 0
⇒Ex.: Se A é um evento “ extração de um ás de um baralho” e B é o da “extração de um
rei”, A e B são mutuamente exclusivos, pois ás e reis não podem ser extraídos ao mesmo
tempo.
Assim temos neste caso, como n (A · B) = 0 e P(A · B) = 0 vêm que:
P (A ∪ B) = P (A) + P(B) – P (A ∩ B) ⇒ P (A ∪ B) = P (A) + P (B).
5) Probabilidade Condicional
Seja E um espaço amostral finito e não-vazio e A um evento não-vazio de E.
Suponhamos que o evento A tenha ocorrido e que queiramos saber qual a probabilidade de
ocorrer um outro evento B não – vazio de E.
Essa nova probabilidade é indicada por P(B/A) e dizemos que ela é “a probabilidade
de B condicionada ao fato de que A já ocorreu” ou simplesmente, que é a probabilidade
condicional de B em relação a A.
Temos, nesse caso, uma mudança de espaço amostral. (IPC)
A probabilidade de B será em relação ao espaço amostral A e o elemento procurado
de B deverá pertencer a B ∩ A; portanto, a nova probabilidade é:
Estatística II – 1º Parte.
9
Professor Aluísio Lima
) / ( A B P =
) (
) (
A P
A B P ∩
6) Probabilidade da Intersecção de Eventos. Independência de Eventos.
Se dois eventos A e B que ocorrem num mesmo espaço amostral, são
independentes entre si (a ocorrência de um não influi na ocorrência do outro), a
probabilidade de ocorrência de A e B é igual ao produto das probabilidades de cada um
desses eventos. Assim podemos dizer que a probabilidade da intersecção de dois eventos, A
e B, não vazios é igual ao produto da probabilidade de um deles pela a probabilidade do
outro em relação àquele, ou seja:
P (A ∩ B) = P (A) . P(B/A) = P (B) . P(A/B)
Caso os eventos sejam independentes, ou seja, quando a ocorrência de um deles
não influi na ocorrência do outro, teremos P (A/B) = P (A) e P (B/A) = P (B) e, daí podemos
escrever que:
P (A ∩ B) = P (A) . P (B)
7) Teorema de Bayes
Também chamado de Teorema da Probabilidade a Posteriore. Ele relaciona uma
das parcelas da probabilidade total com a própria probabilidade total.
Sejam A1, A2, ...,An eventos que formam uma partição do espaço amostral Ω e B
um evento associado a Ω. Então aplicando-se a definição de probabilidade condicional, tem-
se que a probabilidade de Ai dado B é:
P(Ai / B) =
) (
) (
B P
B Ai P ∩
=

·
n
i
Ai B P Ai P
Ai B P Ai P
1
) / ( ). (
) / ( ). (
Exercício Exemplo.
1) Numa universidade, 60 % dos alunos são homens (H) e 40% são mulheres (M). Dentre os
homens, 45 % estudam na área de tecnologia (T) enquanto somente 15 % das mulheres
pertencem a essa área. Escolhe-se, ao acaso, uma ficha dentre as fichas dos alunos de
tecnologia. Qual a probabilidade de que a ficha seja uma mulher?
Estatística II – 1º Parte.
10
Professor Aluísio Lima
P(M/T) =
1818 , 0
45 , 0 . 60 , 0 15 , 0 . 40 , 0
15 , 0 . 40 , 0
) / ( ). ( ) / ( ). (
) / ( ). (
·
+
·
+ H T P H P M T P M P
M T P M P
Exercícios de Aplicação.
1) Retirando-se uma bola de uma urna que contém 15 bolas numeradas de 1 a 15, qual a
probabilidade de se obter :
a) Um número par. d) Um número maior ou igual a 9.
b) Um número ímpar. e) Um número primo.
c) Um número menor do que 10
R.: a)
15
7
b)
15
8
c)
5
3
d)
15
7
e)
5
2
2) Lançando-se simultaneamente dois dados, qual a probabilidade de:
a) Ocorrerem números iguais?
b) Obter um número divisível pelo outro?
R.: a)
6
1
b)
18
11
3) Duas moedas honestas e um dado são lançados simultaneamente. Qual a probabilidade de
sair o resultado:
a) ca, co, 2 ?
b) ca, ca, 2 ?
c) de sair moedas iguais com um número par ?
R: a)
24
1
b)
24
1
c)
12
3
4) A probabilidade de chover no Farol é 0,2 nesta época do ano. Escolhidos dois dias ao acaso,
qual a chance de:
a) Não chover em nenhum dos dias?
b) Chover um dia?
Estatística II – 1º Parte.
11
R: a) 0,64
b) 0,32
c) 0,36
Professor Aluísio Lima
c) Chover pelo menos um dia?
5) Lançam-se simultaneamente dois dados. Qual é a probabilidade de se obter 6 no 1º, se a
soma deve ser maior que 8? R: 2 /5
6) Vinte peças, 12 das quais são perfeitas e 8 defeituosas, são inspecionadas uma após a
outra. Se essas peças forem extraídas ao acaso, qual será a probabilidade de que:
a) As duas primeiras peças sejam defeituosas? 0,147
b) As duas primeiras sejam perfeitas e a terceira defeituosa? 0,154
7) Numa comunidade de 1000 habitantes, 400 são sócios de um clube, 300 de um clube B e
200 de ambos. Calcule a probabilidade de uma pessoa escolhida ao acaso der sócia de A
ou de B. 0,50
8) Metade dos eleitores do Rio de janeiro é constituído de mulheres e 60% dos eleitores
votaram no último pleito eleitoral. Determinar a probabilidade de selecionar aleatoriamente,
no cadastro geral de eleitor, uma mulher que tenha votado nas últimas eleições. 0,30
9) Uma unidade universitária é composta de três departamentos e em todos eles há
profissionais dos dois sexos. Sabe-se que no departamento A 10 são homens e 25 são
mulheres, no departamento B 15 são homens e 5 mulheres e no departamento C 15 são
homens e 10 são mulheres. Calcule a probabilidade de formar aleatoriamente uma comissão
de três membros, um oriundo de cada departamento em que:
a) Todos os membros sejam do mesmo sexo. 0,20
b) Haja pelo menos um homem na comissão. 0,9286
c) Haja não mais do que duas mulheres. 0,9286
10) Três revistas A, B e C são publicadas por uma editora. Uma pesquisa com os eleitores indica
que 25 % assinam A, 50 % assinam B e 25 % assinam C. Dentre os assinantes, verificou-se
a preferência dos estudantes: dos que assinam A, 80 % são estudantes; dos que assinam B,
50 % são estudantes e dos que assinam C, 20 % são estudantes. Um leitor faz uma
reclamação quanto à entrega da revista.
a) Qual a probabilidade dele ser um estudante? 0,50
Estatística II – 1º Parte.
12
Professor Aluísio Lima
b) Dado que é estudante, qual a probabilidade de ser assinante da revista C? 0,10
11) A probabilidade de que uma pessoa X resolva um exercício é de 40%, e a probabilidade de
que uma pessoa Y resolva o mesmo exercício é de 25 % . Qual é a probabilidade de que
ambas resolvam o exercício? 0,10
12) Duas pessoas A e B atiram num alvo com probabilidades 40% e 30 %, respectivamente, de
acertar. Nestas condições, a probabilidade de apenas uma delas acertar será de quantos por
cento? 0,46
13) Numa sala existem seis casais; entre estas 12 pessoas, duas são selecionadas ao acaso.
a) Qual a probabilidade de selecionarmos um homem e sua esposa? 1 / 11
b) Qual a probabilidade de selecionarmos dois homens? 5 / 22
14) Três crianças do sexo masculino e três do sexo feminino são chamadas ao acaso para
submeterem-se a um exame biomédico. Qual a probabilidade de serem chamadas,
alternadamente, crianças de sexo diferentes? 0,10
15) Uma caixa contém 6 parafusos bons e 4 defeituosos. Quatro são retirados ao acaso, sem
reposição. Calcule a probabilidade de:
a) Todos serem bons; 1/14
b) Todos serem defeituosos; 1/210
c) 2 serem bons e 2 defeituosos; 3/7
d) Ao menos um ser bom.? 209 / 210
16) Cinco homens e cinco mulheres são dispostos em fila indiana. Qual a probabilidade de que:
a) A primeira pessoa da fila seja homem? 0,50
b) A primeira e a última pessoa da fila sejam homens? 2/9
17) Uma turma tem 25 alunos dos quais 40% são meninas. Escolhendo-se, ao acaso, um entre
todos os grupos de 2 alunos que se podem formar com os alunos dessa turma, determine a
probabilidade de que este seja composto por uma menina e um menino. 1/2
Estatística II – 1º Parte.
13
Professor Aluísio Lima
18) De uma caixa com 10 lâmpadas, das quais 6 estão boas, retiram-se 3 lâmpadas ao acaso e
que são testadas a seguir. Qual a probabilidade de que:
a) Todas acedam? 1 / 6
b) Pelo menos uma lâmpada acenda? 29/30
Capítulo 3
Variáveis Aleatórias Discretas.
1) Introdução.
Em muitos estudos científicos, interessa – nos medir algum fenômeno, tal como
peso de uma pessoa, rendimento familiar etc. Quando se fala em medida, o que se está
fazendo é atribuir a cada fenômeno um particular número. Por isso, daqui para frente,
estaremos interessados numa função que associa eventos a números reais.
Definição: Seja um A um evento do espaço amostral Ώ. A função X que possui como
domínio o espaço amostral e como imagem o conjunto Rx ⊂ R é definida como variável
aleatória X. X: Ω→ R
Notação: Na variável aleatória usamos letras maiúsculas X, Y, Z etc. Contudo, quando
estamos representando o particular valor que essa variável aleatória assume, usaremos
letras minúsculas x, y, z etc.
2) Variáveis Aleatórias Discretas.
Seja X uma variável aleatória. Se o número de valores possíveis de X for finito ou
infinito enumerável, isto é. Se os valores possíveis de X podem ser postos lista como x1, x2,...
xn então X será denominada variável aleatória discreta.
Exemplo: X é o número de caras no lançamento de 3 moedas.
3) Função Densidade de Probabilidade.
Definição: f é uma função densidade de probabilidade (fdp) da variável aleatória (v.a)
X se:
f(x) ≥ 0 e ∑ f(xi) = 1 para X uma v.a. discreta com xi ∈ Rx
Propriedade: Se X for uma v.a. discreta, f(x) = f(xi) = P(X = xi)
Estatística II – 1º Parte.
14
Professor Aluísio Lima
4) Variável Aleatória Bi – Dimensional.
Seja Ω um espaço amostral e w um evento de Ω. Considere X e Y duas funções,
cada uma associando um número real a cada resultado w ∈ Ω, então X = X(w) e Y = Y(w).
Denomina-se (X,Y) uma variável aleatória bidimensional (ou vetor aleatório).
OBS: Variável Aleatória Bidimensional Discreta.
(X, Y) será uma variável aleatória discreta bidimensional se os valores possíveis de
(X, Y) forem finitos ou infinitos enumeráveis, isto é, os valores possíveis de (X, Y) podem ser
representados por (xi, yj), i = 1, 2, ..., n e j = 1, 2 ... m.
A cada resultado possível (xi, yj) associaremos um número p(xi,yi) = P(X = xi, Y = yj)
satisfazendo as seguintes condições:
a) p(xi, yj) ≥ 0 para todo (xi, yj) ou f(x, y) ≥ 0
b) ∑ ∑ p(xi, yj) = 1
A função p definida para todo (xi, yj) no contradomínio de (X, Y) é denominada
função de probabilidade conjunta de (X, Y).
Define-se a probabilidade marginal, que considera somente uma variável como
sendo:
f(x) = P(X = xi) = ∑ p(xi, yj) e f(y) = P(y = yj) = ∑ p(xi, yj)
5) Variáveis Aleatórias Independentes.
Da mesma maneira que definimos o conceito de independência de dois eventos A e
B, agora definiremos o de variáveis aleatórias independentes. Intuitivamente, pretendemos
dizer que X e Y são variáveis aleatórias independentes quando o resultado de Y, por
exemplo, de modo algum influencia o resultado de X.
P(X = xi, Y = yj) = P(X = xi,). P (Y = yj)
Teorema: Seja (X, Y) uma v.a. discreta bidimensional, X e Y são independentes se, e
somente se:
Estatística II – 1º Parte.
15
Professor Aluísio Lima
P(X = xi/ Y= yj) = P(X= xi) para todo I e j.
6) Valor Esperado ou Esperança de uma Variável Aleatória Discreta.
Definição: Seja X uma variável aleatória discreta com valores possíveis x1, x2,..., xn.
O valor esperado de X denotado por E(X) é definido como:
E(X) = ∑ xi . P(X = xi) = ∑ xi . p(xi)
Note que E(X) pode ser considerado como uma média aritmética dos valores
possíveis x1, x2, .., xn. Neste caso deve-se considerar a probabilidade de xi como sendo a
freqüência relativa de xi.
OBS: Propriedades do Valor Esperado.
Seja X uma variável aleatória discreta e a uma constante.
P1. E(a) = a
P2. E(aX) = a.E(X)
P3. E(X + Y) = E(X) + E(Y)
P4. E(Y / X) = ∑ y p(y/x) (Esperança Condicional)
P5. E(XY) = ∑ ∑ xy p (x, y)
P6. Se X e Y são independentes, então E(XY) = E(X). E(Y)
IPC: Se X e Y não são independentes, então E(XY) ≠ E(X) . E(Y) e a diferença E(XY)
– E(X). E(Y) é utilizada como medida de dependência entre X e Y. Essa medida é a
covariância entre X e Y.
Logo:
Cov (X, Y) = E(XY) – E(X) . E(Y)
Se X e Y são independentes → cov (X, Y) = 0. A recíproca nem sempre é
verdadeira.
Estatística II – 1º Parte.
16
Professor Aluísio Lima
7) Variância de uma Variável Aleatória Discreta.
A variância de uma v.a. mede a variabilidade desta em relação ao seu valor
esperado. Seja X uma v.a. Definimos a variância de X por V(X) ou Var(X) por:
Var (X) = ( )
2
X E - [ ]
2
) ( X E
A variância de uma variável aleatória é a variância de dados agrupados em
freqüência ou me classe, considerando a probabilidade de xi como sendo a freqüência
relativa de xi e E(X) com a média aritmética de X.
Damos o nome de Desvio – Padrão DP (X) a raiz quadrada da Variância de X.
OBS: Propriedades da Variância.
Seja X uma variável aleatória e a uma constante.
P1. Var (X + a) = Var (X)
P2. Var (aX) = a
2
.Var(X)
P3. Var (a) = 0
P4. Var (X ± Y) = Var (X) + Var(Y) ± 2cov(X, Y)
P5. Se X e Y forem independentes, Var(X + Y) = Var(X) + Var(Y)
Estatística II – 1º Parte.
17
Professor Aluísio Lima
Exercícios de Aplicação.
1) Considere o lançamento de uma moeda honesta 3 vezes. Seja X a v.a. que representa o
número de caras obtidas. Determine a função densidade de probabilidade de X.
2) Considere o lançamento de dois dados. Seja X a variável aleatória que representa a soma
dos valores obtidos.
a) Calcule a P(X ser par)
b) Determine a fdp de X
3) Um clube possui sócios cujos filhos têm entre 15 e 18 anos (v.a.X). A variável aleatória Y
mede a instrução através dos anos completos de estudo. Para fazer uma pesquisa de
satisfação com o clube, selecionou-se um filho de sócio. Pergunta-se qual a probabilidade:
a) De ter 17 anos
b) De ter 8 anos completos de estudo
c) De ter 9 anos completos de estudo, dado que tem 18 anos
Y = 7 Y = 8 Y = 9
X = 15 12 10 3 25
X = 16 5 30 6 41
X = 17 2 5 9 16
X = 18 1 5 12 18
20 50 30 100
4) Suponha que uma máquina seja utilizada para determinada tarefa durante a manhã e para
uma tarefa diferente durante à tarde. Seja X o nº de vezes que a máquina pára com defeito
Estatística II – 1º Parte.
18
Professor Aluísio Lima
de manhã e Y o n° de vezes que a máquina pára com defeito à tarde. X e Y independentes?
Justifique.
X = 0 X = 1 X = 2 P(Y)
Y = 0 0,10 0,20 0,20
Y = 1 0,04 0,08 0,08
Y= 2 0,06 0,12 0,12
P(X)
5) Calcule o valor esperado da seguinte variável aleatória.
X: 1 2 3 4 5 6
P(X):
6
1
para todo x .
6) Calcule E(X),E(3X) e E (X+ 1) onde X:
X 1 2 3 4
P(X) 0,2 0,3 0,4 0,1
7) Se E(X)=l e E(Y)=2, calcule E(Z) onde Z = 2X+4Y
8) A tabela seguinte registra as rentabilidades anuais das ações das empresas 1 e 2,
negociadas na bolsa de valores. Meça a dependência entre as ações das empresas e o ano.

Empresa
Ano Y = 1 Y = 2
X = 1 0,10 0,35
X = 2 0,23 0
X = 3 0 0,28
X = 4 0,04 0
9) Calcule a variância da variável aleatória abaixo:
X 1 2 3 4
5
P(X) 0,2 0,2 0,2 0,2
0,2
Estatística II – 1º Parte.
19
Professor Aluísio Lima
10) Se E(X
2
) = 40 = E(Y
2
), E(X) = 5 e E(Y) = 4 e E(XY) = 30, calcule:
a) E (3X + 8)
b) Var (3X + 8)
c) Var (X + Y)
11) Se E(X) = 1 e E(Y) = 2, Var(X) = Var(Y) = 4 calcule var(Z) onde Z = 2X + 4Y e X e Y são
independentes.
12) Considere a seguinte função de probabilidade conjunta de X e Y:
Y = -2 Y = -1 Y = 4 Y = 5
X = 1 0,1 0,2 0 0,3
X = 2 0,2 0,1 0,1 0
a) Calcule a distribuições marginais de X e Y
b) Calcular E(X), E(Y) e E(XY)
c) Calcule Var(X) e Var{Y)
d) Calcule cov(X,Y)
e) X e Y são independentes? Por quê?
13) Um caça-níquel tem dois discos que funcionam independentemente um do outro. Cada disco
tem 10 figuras: 4 maçãs, 3 bananas, 2 pêras e I laranja. Uma pessoa paga R$ 80,00 e
aciona a máquina. Se aparecerem 2 maçãs, ganha R$ 40,00. Se aparecerem 2 bananas,
ganha R$ 80,00; R$ 140,00 se aparecerem 2 pêras e ganha R$ 180,00 se aparecerem 2
laranjas. Qual a esperança de ganho numa única jogada?
14) Na produção de uma peça são empregadas duas máquinas. A primeira é utilizada para
efetivamente produzir as peças, e o custo de produção é de R$ 50,00 por unidade. Das
peças produzidas nessa máquina, 90% são perfeitas. As peças defeituosas (produzidas na
primeira máquina) são colocadas na segunda máquina para a tentativa de recuperação
(tomá-las perfeitas). Nessa segunda máquina o custo por peça é de R$ 25,00, mas apenas
60% das peças são de fato recuperadas. Sabendo que cada peça perfeita é vendida por R$
Estatística II – 1º Parte.
20
Professor Aluísio Lima
90,00, e que cada peça defeituosa é vendida por R$ 20,00, calcule o lucro por peça
esperado pelo fabricante.
15) Um supermercado faz a seguinte promoção: o cliente, ao passar pelo caixa, lança um dado.
Se sair face 6 tem um desconto de 30% sobre o total de sua conta. Se sair 5 o desconto é
de 20%. Se ocorrer face 4 é de 10%, e se ocorrerem faces 1, 2 ou 3 o desconto é de 5%.
Calcular o desconto médio concedido.
16) As probabilidades de que haja 1, 2, 3, 4 ou 5 pessoas em cada carro que vá ao litoral num
sábado são respectivamente : 0,05, 0,20, 0,40 e 0,10. Qual o número médio de pessoas por
carro? Se chegarem no litoral 4000 carros por hora, qual o número esperado de pessoas, em
10 horas de contagem?
17) Um banco pretende aumentar a eficiência de seus caixas. Oferece um prêmio de R$ 150,00
para cada cliente atendido além de 42 clientes por dia. O banco tem um ganho operacional
de R$ 100,00 para cada cliente atendido além de 41. As probabilidades de atendimento são
dadas na tabela abaixo. Qual a esperança de ganho do banco se este novo sistema for
implantado?
Nº Clientes Até 41 42 43 44 45 46
Probabilidade 0,88 0,06 0,04 0,01
0,006 0,004
Estatística II – 1º Parte.
21
Professor Aluísio Lima
Capítulo 5
Distribuições Teóricas de Probabilidades de
Variáveis Aleatórias Discretas.
1) Distribuição de Bernoulli.
Consideremos uma única tentativa de um experimento aleatório. Podemos ter
sucesso ou fracasso nessa tentativa.
Seja p a probabilidade de sucesso e q a probabilidade de fracasso, com p + q = 1.
Seja X: número de sucessos em uma única tentativa do experimento. X assume o valor 0
(zero) que corresponde ao fracasso, com probabilidade q, ou o valor 1 (um), que
corresponde ao sucesso, com probabilidade p.
X =
¹
'
¹
sucesso
fracasso
1
0
com P (X = 0) = q e P(X = 1) = p
Nessas condições a variável aleatória X tem distribuição de BERNOULLI, e sua
função de probabilidade é dada por:
P(X = x) = p
x
.q
1-x
OBS:
E(X) = P
VAR (X) = pq
Estatística II – 1º Parte.
22
Professor Aluísio Lima
2) Distribuição Geométrica.
Consideremos tentativas sucessivas e independentes de um mesmo experimento
aleatório. Cada tentativa admite sucesso com probabilidade p e fracasso com probabilidade
q; p + q = 1.
Seja X: número de tentativas necessárias ao aparecimento do primeiro sucesso Logo, X
assume os valores:
X = 1, que corresponde ao sucesso (S) e P (X = 1) = p
X = 2, que corresponde ao fracasso (F) na 1ª tentativa e sucesso na segunda, (FS) e P
(X = 2) = P (F ∩ S) = q . p;
X = 3, que corresponde a (FFS) e P (X = 3) = P (F∩F∩S) = q.q.p = q
2
.p;
X = 4, que corresponde a (FFFS) e P(X = 4) = q
3
. p; e assim sucessivamente, X = x, que
corresponde a FF ... FS com
  
x
FS FF...
com
P(X = x) = q
x-1
.p
A variável X tem então distribuição geométrica.
OBS:
E(X) =
p
1
VAR(X) =
2
p
q
3) Distribuição de Pascal.

Suponhamos que um experimento aleatório seja repetido independentemente até
que um evento A ocorra pela r-ésima vez.
Seja P (A) = p (sucesso)
e P (A) = q (fracasso) em cada tentativa do experimento
Seja X: número de repetições necessárias para que A ocorra pela r-ésima vez.
Se r = 1, X tem distribuição geométrica.
Se X = x, o evento A ocorre pela r-ésima vez na repetição de número x. Logo A ocorre (r
-1) vezes nas (x- 1) repetições anteriores.
P(X = x) =

,
_

¸
¸


1
1
r
x
p
r
.q
x – r
, x ≥ r
A variável X assim definida tem distribuição de Pascal.
Estatística II – 1º Parte.
23
Professor Aluísio Lima
OBS:
E(X) =
p
r
VAR(X) =
2
p
rq
4) Distribuição Binomial.
Consideremos n tentativas independentes de um mesmo experimento aleatório.
Cada tentativa admite apenas dois resultados: fracasso com probabilidades q e sucesso com
probabilidade p, p + q = 1. As probabilidades de sucesso e fracasso são as mesmas para
cada tentativa.
Seja X: número de sucessos em n tentativas.
Determinaremos a função de probabilidades da variável X, isto é, P (X = k).
Considerando todas as n – úplas com k sucessos, temos:
P (X = k) =
k n k
q p
k
n

,
_

¸
¸
.
A variável X tem distribuição binomial, com parâmetros n e p, e indicaremos pela
notação:
X: B (n, p)
Obs:
E(X) = n.p
VAR(X) = n.p.q
5) Distribuição de Poisson.
Muitas vezes, no uso da binomial, acontece que n é muito grande (n →∞) e p é
muito pequeno (p →∞). Nesses casos não encontramos o valor em tabelas, ou então o
cálculo toma-se muito difícil, sendo necessário o uso de máquinas de calcular
sofisticadíssimas ou então de computador. Podemos então fazer uma aproximação da
binomial pela distribuição de Poisson.
Consideremos:
1. n → ∞ (maior que o maior valor tabelado, n > 30)
Estatística II – 1º Parte.
24
Professor Aluísio Lima
2. p → 0 (p < 0,1)
3. 0 < µ ≤ 10
Quando isso ocorre, a média µ = np será tomada como np = λ
Consideremos a probabilidade de ocorrência de sucessos em um determinado
intervalo. A probabilidade da ocorrência de um sucesso no intervalo é proporcional ao
intervalo. A probabilidade de mais de um sucesso nesse intervalo é bastante pequena com
relação à probabilidade de um sucesso.
Seja X o número de sucessos no intervalo, então:
!
.
) (
k
e
k X P
k
λ
λ −
· ·
onde λ é a média. A variável X assim definida tem distribuição de Poisson.
A distribuição de Poisson é muito usada na distribuição do número de:
1. carros que passam por um cruzamento por minuto, durante uma certa hora do dia;
2. erros tipográficos por página, em um material impresso;
3. defeitos por unidade (m
2
, m
3,
m, etc.,) por peça fabricada;
4. colônias de bactérias numa dada cultura por 0,01 mm
2
, numa plaqueta de microscópio;
5. mortes por ataque de coração por ano, numa cidade. É aplicada também em problemas
de filas de espera em geral, e outros.
OBS:
E(X) = λ VAR (X) = λ
Exercícios
1) Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa uma. Seja X: número
de bolas verdes, calcular E (X) e VAR (X) e determinar P (X).
2) A probabilidade de se encontrar aberto o sinal de trânsito numa esquina é 0,20. Qual a
probabilidade de que seja necessário passar pelo local 5 vezes, para encontrar o sinal aberto
pela primeira vez?
3) A probabilidade de que um sinal de trânsito esteja aberto numa esquina é 0,20. Qual a
probabilidade de que seja necessário passar pelo local 10 vezes para encontrá-lo aberto
pela 4ª vez?
Estatística II – 1º Parte.
25
Professor Aluísio Lima
4) Numa criação de coelhos, 40% são machos. Qual a probabilidade de que nasçam pelo
menos 2 coelhos machos num dia em que nasceram 20 coelhos?
5) Uma urna, tem 6 bolas brancas, 4 pretas e 5 azuis. Retiram-se 8 bolas com reposição. Qual
a probabilidade de sair 4 bolas brancas, 2 pretas e 2 azuis?
6) Num livro de 800 páginas há 800 erros de impressão. Qual a probabilidade de que uma
página contenha pelo menos 3 erros?
7) Seja X: B (200; 0,01). Calcular P(X = 10) usando Poisson.
8) A probabilidade de um arqueiro acertar um alvo com uma única fecha é de 0,20. Lança 30
fechas no alvo. Qual a probabilidade de que:
a) Exatamente 4 acertem o alvo?
b) Pelo menos 3 acertem o alvo?
9) Uma urna tem 20 bolas pretas e 30 brancas. Retiram-se 25 bolas com reposição. Qual a
probabilidade de que:
a) 2 sejam pretas?
b) Pelo menos 3 sejam pretas?
10) Uma urna tem 10 bolas brancas e 40 pretas.
a) Qual a probabilidade de que a 6
a
. bola retirada com reposição seja a 1
a
. branca?
b) Qual a probabilidade de que a 15 ª bola extraída com reposição seja a 6
a
. branca?
c) Qual a probabilidade de que em 30 bolas retiradas com reposição ocorram no
máximo 2 brancas?
11)Qual a probabilidade de que no 25º lançamento de um dado ocorra a face 4 pela 5
a
. vez?
12) Numa estrada há 2 acidentes para cada 100 Km. Qual a probabilidade de que em :
a) 250 Km ocorram pelo menos 3 acidentes?
b) 300 Km ocorram 5 acidentes?
Estatística II – 1º Parte.
26
Professor Aluísio Lima
13)Um lote de aparelhos de TV é recebido por uma firma. 20 aparelhos são inspecionados. O
lote é rejeitado se pelo menos 4 forem defeituosos. Sabendo-se que 1 % dos aparelhos é
defeituoso, determinara a probabilidade de a firma rejeitar todo o lote.
14) A experiência mostra que de cada 400 lâmpadas, 2 queimam ao serem ligadas. Qual a
probabilidade de que numa instalação de:
a) 600 lâmpadas, no mínimo 3 se queimarem?
b) 900 lâmpadas, exatamente 8 se queimarem?
15) Uma firma recebe 720 mensagens em seu fax em 8 horas de funcionamento. Qual a
probabilidade de que:
a) Em 6 minutos receba pelo menos 4 mensagens?
b) Em 4 minutos não receba nenhuma mensagem?
16) Considere 10 tentativas independentes de um experimento. Cada tentativa admite sucesso
com probabilidade 0,05. Seja X: número de sucessos:
a) Calcular P (1 < X ≤ 4)
b) Considere 100 tentativas independentes. Calcular P (X ≤ 2)
17)Sabe-se que 20 % dos animais submetidos a um certo tratamento não sobrevivem .Se esse
tratamento foi aplicado em 20 animais e se X é o número de não-sobreviventes
a) Qual a distribuição de X?
b) E(X) e VAR (X) .
c) Calcular P(2 < X ≤ 4)
d) Calcular P (X > 2)
18)Um técnico visita clientes que compraram assinatura de um canal de Tv para verificar o
decodificador. Sabe-se, por experiência, que 90 % desses aparelhos não apresentam
defeitos.
a) Determinar a probabilidade de que me 20 aparelhos pelo menos 17 não apresentem
defeitos.
b) Se a probabilidade de defeito for de 0,0035, qual a probabilidade de que em 2000
visitas ocorra no máximo 1 defeito?
1) 2/5 e 6/25
2) 0,08192
Estatística II – 1º Parte.
27
Professor Aluísio Lima
3) 0,035232
4) 0,99948
5) 0,08495
6) 0,080302
7) 0,000038
8) a) 0,13252 b) 0,95581
9) a) 0,00038 b) 0,99957
10) a) 0,065536 b) 0,008599 c) 0,04419
11) 0,03564
12) a) 0,875348 b) 0,160623
13) 0,00004
14) a) 0,57681 b) 0,046330
15) a) 0,978774 b) 0,002479
16) a) 0,08607 b) R: 0,124652
17) a) B: (20; 0,2) b) 4 e 3,2 c) 0,42356 d) 0,93082
18) a) 0,86705 b) 0,007295
GABARITO
Capítulo I
1) 2/5
2) a) 0,347 b) 0,154
3) 5/6
4) 1/2
5) 1/46656
6) 3/10
7) a) 0,20 b) 0,9286 c) 0,9286
8) a) 0,32 b) 0,88
9) Não. Sim
10) 0,50
11) 0,30
12) a) 0,50 b) 0,10
13) 19%
14) 10%
15) a) 0,75% b) 4,25%
Estatística II – 1º Parte.
28
Professor Aluísio Lima
16) 0,46
17) 2%
18) 8/11
Capítulo 2
1) a) 1 / 11 b) 5 / 22 9) 1/ 2 b) 2/ 9
2) 1 / 10000 10) 1/ 2
3) 10 / 21 11) 1/ 9
4) 10 % ‘ 12) a) 1/ 6 b) 29 / 30
5) a) 1 / 14 b) 1 / 210 c) 3 / 7 d) 209 / 210 13) 1 / 2
6) 1 / 30
7) 180 / 899
8) 1,38 %
Capítulo 3
1) f(x) = 1/8 se x = 0 ou x = 3
3/8 se x = 1 ou x = 2
2) a) 0,5 b)
X 1 2 3 4
5
P(X) 0,2 0,2 0,2 0,2
0,2
3) a) 0,16 b) 0,50 c) 0,67
4) Sim, pois P(X = xi, Y = yi) = P(X = xi) . P(Y = yj) para todo i e j.
5) 3,5
6) 2,4; 7,2; 3,4
7) 10
8) – 0,01333
9) 2
10) a) 23 b) 135 c) 59
11) 80
12) a) P(X): 0,6 0,4 P(Y): 0,3 0,3 0,1 0,3 b) 1,4; 1; 0,9
c) 0,24; 0,96
d) - 0,50
e) Não
13) – R$ 59,00
14) R$ 34,70
Estatística II – 1º Parte.
29
Professor Aluísio Lima
15) 12,5 %
16) 3,15; 126.000
17) 7,30
18) 75.600,00
Capítulo 4
19) 2/5 e 6/25
20) 0,08192
21) 0,035232
22) 0,99948
23) 0,08495
24) 0,080302
25) 0,000038
26) a) 0,13252 b) 0,95581
27) a) 0,00038 b) 0,99957
28) a) 0,065536 b) 0,008599 c) 0,04419
29) 0,03564
30) a) 0,875348 b) 0,160623
31) 0,00004
32) a) 0,57681 b) 0,046330
33) a) 0,978774 b) 0,002479
34) a) 0,08607 b) R: 0,124652
35) a) B: (20; 0,2) b) 4 e 3,2 c) 0,42356 d) 0,93082
36) a) 0,86705 b) 0,007295
37) Melhor o preço de R$ 20,00 por caixa pois E(Y) = 10,72.
Estatística II – 1º Parte.
30

Professor Aluísio Lima

Capítulo 1

Fatorial.
Introdução. Considerando n um número natural maior que 1 (um), podemos definir como fatorial desse número n (n!) o número: n! = n(n – 1)(n – 2)(n – 3).... Lê-se n! como n fatorial ou fatorial de n. Veja alguns exemplos: 5! = 5 * 4 * 3 * 2 * 1 = 120 8! = 8 * 7 * 6 * 5 * 4 * 3 * 2 * 1 = 40320 6! = 6 * 5 * 4 * 3 * 2 * 1 = 720 10! = 10 * 9 * 8 * 7 * 6 * 5 * 4 * 3 * 2 * 1 = 3.628.800 Exercícios. 1) Simplifique as expressões que seguem; a)

( n + 4)! ( n + 2)!

c)

( n + 1)! ( n + 2)!

b)

( 2n − 1)!

( 2n )!

d)

( n − 2)! ( n )!

Dentre os cinco números inteiros listados abaixo, aquele que representa a melhor aproximação para a expressão: 2 . 2! + 3 . 3! + 4 . 4! + 5 . 5! + 6 . 6! é: 5030 b) 5042 c) 5050 d) 5058 e) 5070

2) O produto 20.18.16.14....6.4.2 é equivalente a:

a)

20! 2

b) 2.10!

c)

20! 210

d) 210.10!

e)

20! 10!

Estatística II – 1º Parte.

2

Professor Aluísio Lima

Capítulo 2

Conceitos Básicos de Análise Combinatória. Técnicas de Contagem
Regra Fundamental da Contagem Para dois eventos que podem ocorrer respectivamente de m e n maneiras distintas, há m.n maneiras pelas quais pares desses eventos podem ocorrer. Exemplo: Uma pessoa tem 4 camisas e 5 calças, logo terá 20 possibilidades de formação diferentes para combinar. 1) Fatorial (Permutações) Uma coleção de n objetos pode ser ordenada de n! maneiras distintas. [n! = n (n-1) (n-2)...1] Pn = n ! Exemplos: a) colocação de 5 bandeiras com cores distintas b) ordenação de questões de prova. 2) Arranjos Simples (com elementos distintos): O número de arranjos (= seqüências) de r elementos escolhidos entre n elementos (sem permitir repetição) é: An,p = Exemplos: • • Quantas programações noturnas de TV com 6 shows podem ser feitas a partir de um plantel de 20 seriados. Quantas chapas eletivas distintas (presidente, vice-presidente, 1º e 2º secretários, 1º e 2º tesoureiros) podemos formar a partir de um grupo de 10 pessoas.

n! (n − p)!

Estatística II – 1º Parte.

3

n 2 . k). nk = n! n1 !. que posição ocupará o número 35241? Considere o conjunto dos dígitos {1. 4 ..p = n! p!(n − p)! Exemplos: • • • Número de comitês (ou de amostras s/ reposição) de 5 elementos que podem ser formados a partir de um conjunto de 10 elementos. 9} e forme com eles números de nove algarismos distintos. 2.Professor Aluísio Lima OBS: Arranjos com elementos não-distintos: Se há n elementos categorizáveis em k grupos de formas que ni elementos se enquadram na i-ésima categoria (i = 1.. 3.n k ! Número de permutações das letras da palavra “SOCORRO” Número de sinais possíveis com 5 bandeiras sendo 2 azuis e 3 vermelhas 3) Combinações Simples. 3. Determine quantos números é possível formar (no total) e quantos números se iniciam com o algarismo 1. 5 e 6... 2.. os algarismos 1. 2. Colocando em ordem os números resultantes das permutações dos algarismos 1. de todas as formas possíveis.. 4. Considere todos os números formados por 6 algarismos distintos obtidos permutando-se... 4... 2. 3.Quantos desses números são pares? Estatística II – 1º Parte. .. O número de sub-conjuntos (=combinações) de r elementos que podem ser formados a partir de um conjunto com n elementos (distintos) é: Cn.n 2 !.. 5. . Número de mãos de pôquer (5 cartas) que podem ser retiradas de um baralho completo (52 cartas) Número de resultados possíveis na “Megasena” Exercícios. então o número de permutações distintas do conjunto de n elementos é: An Exemplos: • • n1.

Professor Aluísio Lima 1) Com 5 engenheiros e 4 físicos formam-se comissões de 5 pessoas. Uma comissão de quatro alunos é escolhida para uma reunião com a diretoria da escola. Calcule o número de comissões a ser formada por 3 engenheiros e 2 físicos. Três livros são retirados simultaneamente do baú? Qual o número de possibilidades de que seja escolhido um livro de cada assunto? 3) Uma classe tem 30 alunos. 2) Num baú estão espalhados 15 livros de Português. Estatística II – 1º Parte. 5 . 10 de Matemática e 6 de Inglês. Determine o número de comissões para que os dois melhores alunos façam parte da comissão.

ao lançarmos um dado (poderá dar 1. propôs questões do tipo: “Em 8 lances de um dado. 1749 – 1827) e outros. apresentam resultados imprevisíveis. foram esquecidas. mas o matemático holandês Christian Huygens (1629 – 1695). 1667 – 1754). em 1657. 1654 – 1705). sociologia. mas. jogador profissional. no lançamento de uma moeda (pode dar cara ou coroa). As idéias de Cardano. em condições parecidas.Professor Aluísio Lima Capítulo 3 Introdução à Probabilidade. Pascal escreveu a seu amigo Pierre de Fermat (matemático francês 1601 – 1665) expondo-lhe vários problemas. Espaço Amostral e Evento Existem fenômenos ou experimentos que. Hoje. foi o verdadeiro ponto de partida da moderna teoria das probabilidades. 4. Como poderia ser indenizado?”. A correspondência entre eles. um pequeno livro com o título De ratiociniis in ludo aleae (Sobre o raciocínio em jogos de dados). o jogo é interrompido por seu oponente. destacamos: Jacob Bernouilli (suíço. passou a interessar-se e publicou. Tendo resolvido as dificuldades de Mére. tendo conhecimento desses estudos. depois de 3 tentativas fracassadas. Estatística II – 1º Parte. na qual encontram-se inúmeros problemas probabilísticos resolvidos. 2. um amigo seu. mesmo quando repetidos várias vezes. Com isso temos a definição de espaço amostral. quando Pascal dedicava-se a uma obra chamada As Cônicas. um jogador deve tentar lançar o número 1. 1) Um Pouco de História Os primeiros estudos matemáticos sobre “chances” foram feitos pelos italianos Gerônimo Cardano (1501 – 1576) e Galileu Galilei (1564 – 1642) e eram relacionados com jogos de dados. Como exemplo. chamado Chevalier de Mére. química. Abraham de Moivre (francês. economia. 5 e 6 mas não há como prever qual será dada). teoria dos jogos estratégicos. Pierre Simon de Laplace (francês. a teoria das probabilidades tem uma importância muito grande e aplicações em estatística. física. Em 1654. 6 . 3. psicologia. biologia e vários outros campos do conhecimento. Dentre os matemáticos que contribuíram para a evolução dessa teoria. sendo este o primeiro livro sobre a teoria das probabilidades. que já tinham cem anos. Dizemos que tais experimentos são aleatórios. Pascal e Fermat nada publicaram a respeito. engenharia.

(2) • • Lançamento de um dado. é o nome do conjunto formado por todos os resultados possíveis de um experimento aleatório. Ex. Retirada de uma bola de uma urna que contém 4 bolas vermelhas e 3 pretas : V1. seja E o seu espaço amostral finito e não – vazio. um evento A e n(A) o número de elementos de A (A ⊂ E). a probabilidade de ocorrer determinado evento é dada pela a razão entre o número de casos favoráveis (ou número de casos que nos interessam) e o número de casos possíveis (ou o número total de casos). V3. (7) Evento – (E) Os elementos do espaço amostral são chamados de eventos elementares. sair à face 8. 5 ou 6. Será 0 quando o evento for impossível e terá o valor de 1 quando o evento for certo. Impossíveis – Seja A um evento. No lançamento de um dado. ⇒ Os eventos podem ser: • • Certos – Quando o evento é o próprio espaço amostral. observando a face superior: Cara e Coroa. 7 . Ω ou E. Logo temos: 0 ≤ P(A) ≤ 1 ou 0% ≤ P(A) ≤ 100 % Estatística II – 1º Parte. (6). Diremos que A é um evento impossível se A ∩ Ω = ∅. ou seja. n (E) o número de elementos de E. isto é. P1. 2) Probabilidade Consideramos um experimento aleatório. Chama-se probabilidade do evento A o número P (A) tal que: n( A) n( E ) P(A) = Com isso podemos resumir que a definição de probabilidade é intuitiva. se E for um espaço equiprovável.A Exemplos: • Lançamento de uma moeda. IPC: Esta definição só tem validade se todos os elementos de E tiverem as mesmas chances de ocorrer. Os subconjuntos do espaço amostral são chamados de simplesmente de eventos. Notação: W. 4. Ex. observando a face superior: 1.Professor Aluísio Lima Espaço Amostral – Também chamado de espaço de prova ou universo. No lançamento de um dado. P2 ou P3. V2. V4. 3. 2. dar a ocorrência de um número menor do que 7. IPF: A probabilidade de um evento é um valor compreendido entre 0 e 1.

6. 19.. 2. A é formado por resultados de E que não são de A. Exercícios Iniciais __ A ) é a probabilidade de não ocorrer o evento A. que P ( IPC Como P (A) + P(A) = 1 podemos dizer que: A probabilidade de não ocorrer um evento é igual a 1 menos a probabilidade de ele ocorrer. 3. 9. 16} B: obtenção de divisor de 18. 2. 3. Apenas o evento B: 3. de modo que A = E – A. 16. 20} Observe que há elementos que satisfazem: • • Apenas o evento A: 4.Professor Aluísio Lima 3) Probabilidade de Não Ocorrer um Evento Seja E um espaço amostral finito e não – vazio e A um evento de E. 9. 8. 4. 9. 2. 2. 16. 18. 8. Exemplo: Vamos retirar uma bola de uma urna que contém 20 bolas numeradas de 1 a 20 e considerar os eventos: A: obtenção de divisor de 16 ⇒ n (A) = 5 {1. . ⇒ n (B) = 6 {1. O evento A e o evento B: 1. . ou seja. 6.. Chamamos complementar de A em relação a E o evento A. 8 . 3. 2 (A ∩ B) O evento A ou o evento B: 4. 6. 4) Probabilidade da União de Eventos A probabilidade de ocorrer o evento A ou o evento B é igual à probabilidade de ocorrer A mais a probabilidade de ocorrer B menos a probabilidade de ocorrer A e B. 1. 18} O espaço amostral ⇒ n (E) = 20 { 1. 18. Podemos dizer então. (A ∪ B) • • Estatística II – 1º Parte. 8. Logo temos: P (A ∪ B) = P (A) + P (B) – P (A∩ B) IPC: P(A∪ B∪ C) = P(A) + P(B) + P(C) – P(A ∩ B) – P(A ∩ C) – P(B ∩ C) + P(A ∩ B ∩ C).

os eventos A e B são ditos mutuamente exclusivos. 9 . Temos. isto é. se A ocorre. Suponhamos que o evento A tenha ocorrido e que queiramos saber qual a probabilidade de ocorrer um outro evento B não – vazio de E. a nova probabilidade é: Estatística II – 1º Parte. uma mudança de espaço amostral. A e B são mutuamente exclusivos. Essa nova probabilidade é indicada por P(B/A) e dizemos que ela é “a probabilidade de B condicionada ao fato de que A já ocorreu” ou simplesmente. (IPC) A probabilidade de B será em relação ao espaço amostral A e o elemento procurado de B deverá pertencer a B ∩ A. portanto. pois ás e reis não podem ser extraídos ao mesmo tempo. 5) Probabilidade Condicional Seja E um espaço amostral finito e não-vazio e A um evento não-vazio de E.: Se A é um evento “ extração de um ás de um baralho” e B é o da “extração de um rei”.Professor Aluísio Lima Logo podemos dizer que: • • Ocorrência do evento A e do evento B é dada por A ∩ B. Assim temos neste caso. Neste caso. que é a probabilidade condicional de B em relação a A. Ocorrência do evento A ou do evento B é dada por A ∪ B. como n (A · B) = 0 e P(A · B) = 0 vêm que: P (A ∪ B) = P (A) + P(B) – P (A ∩ B) ⇒ P (A ∪ B) = P (A) + P (B). Assim temos P (A) = 5 20 P(B) = 6 20 P (A ∩ B) = 2 20 P(A ∪ B) = 9 20 Com isso esses resultados mostram que P(A ∪ B) = P (A) + P (B) – P (A ∩ B) OBS – Eventos Mutuamente Exclusivos Se A e B são conjuntos disjuntos. não pode ocorrer B e P (A ∩ B) = 0 ⇒ Ex. nesse caso. A ∩ B = ∅.

A2. P (B) 7) Teorema de Bayes Também chamado de Teorema da Probabilidade a Posteriore. teremos P (A/B) = P (A) e P (B/A) = P (B) e. são independentes entre si (a ocorrência de um não influi na ocorrência do outro).Professor Aluísio Lima P ( B / A) = P ( B ∩ A) P ( A) 6) Probabilidade da Intersecção de Eventos. P( Ai ).P( B / Ai) i =1 n 1) Numa universidade. 45 % estudam na área de tecnologia (T) enquanto somente 15 % das mulheres pertencem a essa área...An eventos que formam uma partição do espaço amostral Ω e B um evento associado a Ω. daí podemos escrever que: P (A ∩ B) = P (A) . Sejam A1. Ele relaciona uma das parcelas da probabilidade total com a própria probabilidade total. Se dois eventos A e B que ocorrem num mesmo espaço amostral. ao acaso. ou seja. Então aplicando-se a definição de probabilidade condicional. Assim podemos dizer que a probabilidade da intersecção de dois eventos. A e B. Dentre os homens.. Qual a probabilidade de que a ficha seja uma mulher? Estatística II – 1º Parte. temse que a probabilidade de Ai dado B é: P( Ai ∩ B) P(Ai / B) = = P( B) Exercício Exemplo. Independência de Eventos. a probabilidade de ocorrência de A e B é igual ao produto das probabilidades de cada um desses eventos. 10 . P(B/A) = P (B) . . P(A/B) Caso os eventos sejam independentes. Escolhe-se. não vazios é igual ao produto da probabilidade de um deles pela a probabilidade do outro em relação àquele. ou seja: P (A ∩ B) = P (A) .P ( B / Ai ) ∑ P( Ai). 60 % dos alunos são homens (H) e 40% são mulheres (M). uma ficha dentre as fichas dos alunos de tecnologia. quando a ocorrência de um deles não influi na ocorrência do outro.

Qual a probabilidade de sair o resultado: a) ca.2 nesta época do ano.Professor Aluísio Lima P(M/T) = P( M ).P(T / M ) 0.32 c) 0.45 Exercícios de Aplicação. Escolhidos dois dias ao acaso. R.0. c) Um número menor do que 10 7 15 8 15 3 5 d) Um número maior ou igual a 9. 2 ? b) ca.40. co.P (T / M ) + P( H ).: a) 1 6 b) 11 18 3) Duas moedas honestas e um dado são lançados simultaneamente. ca.0. e) Um número primo. b) Um número ímpar. 1) Retirando-se uma bola de uma urna que contém 15 bolas numeradas de 1 a 15.1818 P( M ).64 b) 0.15 = = 0. qual a probabilidade de: a) Ocorrerem números iguais? b) Obter um número divisível pelo outro? R. 11 . qual a chance de: a) Não chover em nenhum dos dias? b) Chover um dia? R: a) 0.40. qual a probabilidade de se obter : a) Um número par.36 Estatística II – 1º Parte.0.P (T / H ) 0.15 + 0.60. 2 ? c) de sair moedas iguais com um número par ? R: a) 1 24 b) 1 24 c) 3 12 4) A probabilidade de chover no Farol é 0.: a) b) c) d) 7 15 e) 2 5 2) Lançando-se simultaneamente dois dados.

são inspecionadas uma após a outra. Se essas peças forem extraídas ao acaso. um oriundo de cada departamento em que: a) b) c) Todos os membros sejam do mesmo sexo. dos que assinam B.20 Haja pelo menos um homem na comissão.9286 10) Três revistas A. 12 das quais são perfeitas e 8 defeituosas. 50 % são estudantes e dos que assinam C.50 8) Metade dos eleitores do Rio de janeiro é constituído de mulheres e 60% dos eleitores votaram no último pleito eleitoral.147 b) As duas primeiras sejam perfeitas e a terceira defeituosa? 0.154 7) Numa comunidade de 1000 habitantes. 0. 400 são sócios de um clube. 12 . no cadastro geral de eleitor. Uma pesquisa com os eleitores indica que 25 % assinam A. qual será a probabilidade de que: a) As duas primeiras peças sejam defeituosas? 0. Calcule a probabilidade de formar aleatoriamente uma comissão de três membros. se a soma deve ser maior que 8? R: 2 /5 6) Vinte peças. 0.50 Estatística II – 1º Parte. uma mulher que tenha votado nas últimas eleições. 0. no departamento B 15 são homens e 5 mulheres e no departamento C 15 são homens e 10 são mulheres. 0. Sabe-se que no departamento A 10 são homens e 25 são mulheres. Dentre os assinantes. 20 % são estudantes. B e C são publicadas por uma editora. 300 de um clube B e 200 de ambos. Qual é a probabilidade de se obter 6 no 1º. 0.30 9) Uma unidade universitária é composta de três departamentos e em todos eles há profissionais dos dois sexos.9286 Haja não mais do que duas mulheres.Professor Aluísio Lima c) Chover pelo menos um dia? 5) Lançam-se simultaneamente dois dados. 50 % assinam B e 25 % assinam C. Determinar a probabilidade de selecionar aleatoriamente. verificou-se a preferência dos estudantes: dos que assinam A. a) Qual a probabilidade dele ser um estudante? 0. Um leitor faz uma reclamação quanto à entrega da revista. Calcule a probabilidade de uma pessoa escolhida ao acaso der sócia de A ou de B. 80 % são estudantes.

ao acaso. 1/2 Estatística II – 1º Parte. Calcule a probabilidade de: a) b) c) d) Todos serem bons. entre estas 12 pessoas. 13 . Qual a probabilidade de serem chamadas. Nestas condições.10 12) Duas pessoas A e B atiram num alvo com probabilidades 40% e 30 %. duas são selecionadas ao acaso. Qual a probabilidade de que: a) b) A primeira pessoa da fila seja homem? 0. a) Qual a probabilidade de selecionarmos um homem e sua esposa? 1 / 11 b) Qual a probabilidade de selecionarmos dois homens? 5 / 22 14) Três crianças do sexo masculino e três do sexo feminino são chamadas ao acaso para submeterem-se a um exame biomédico.10 15) Uma caixa contém 6 parafusos bons e 4 defeituosos. 3/7 Ao menos um ser bom. 1/210 2 serem bons e 2 defeituosos. 1/14 Todos serem defeituosos. e a probabilidade de que uma pessoa Y resolva o mesmo exercício é de 25 % .46 13) Numa sala existem seis casais. a probabilidade de apenas uma delas acertar será de quantos por cento? 0. respectivamente. qual a probabilidade de ser assinante da revista C? 0.50 A primeira e a última pessoa da fila sejam homens? 2/9 17) Uma turma tem 25 alunos dos quais 40% são meninas. alternadamente. Qual é a probabilidade de que ambas resolvam o exercício? 0. determine a probabilidade de que este seja composto por uma menina e um menino.? 209 / 210 16) Cinco homens e cinco mulheres são dispostos em fila indiana. de acertar.10 11) A probabilidade de que uma pessoa X resolva um exercício é de 40%. Quatro são retirados ao acaso. Escolhendo-se. crianças de sexo diferentes? 0. sem reposição. um entre todos os grupos de 2 alunos que se podem formar com os alunos dessa turma.Professor Aluísio Lima b) Dado que é estudante.

. o que se está fazendo é atribuir a cada fenômeno um particular número. X: ⊂ R é definida como variável Ω→R Notação: Na variável aleatória usamos letras maiúsculas X. rendimento familiar etc. y. xn então X será denominada variável aleatória discreta. quando estamos representando o particular valor que essa variável aleatória assume. Y. Qual a probabilidade de que: a) Todas acedam? 1 / 6 b) Pelo menos uma lâmpada acenda? 29/30 Capítulo 3 Variáveis Aleatórias Discretas. z etc. f(x) = f(xi) = P(X = xi) Estatística II – 1º Parte. usaremos letras minúsculas x. 3) Função Densidade de Probabilidade. Se o número de valores possíveis de X for finito ou infinito enumerável.Professor Aluísio Lima 18) De uma caixa com 10 lâmpadas. retiram-se 3 lâmpadas ao acaso e que são testadas a seguir. isto é.a.a. estaremos interessados numa função que associa eventos a números reais.. x2. Quando se fala em medida. Definição: f é uma função densidade de probabilidade (fdp) da variável aleatória (v. Em muitos estudos científicos. Z etc. 2) Variáveis Aleatórias Discretas.. interessa – nos medir algum fenômeno. discreta. Contudo. discreta com xi ∈ Rx Propriedade: Se X for uma v. das quais 6 estão boas. Se os valores possíveis de X podem ser postos lista como x 1.a) X se: f(x) ≥ 0 e ∑ f(xi) = 1 para X uma v. Seja X uma variável aleatória. Exemplo: X é o número de caras no lançamento de 3 moedas. 14 . tal como peso de uma pessoa. Definição: Seja um A um evento do espaço amostral Ώ. A função X que possui como domínio o espaço amostral e como imagem o conjunto Rx aleatória X. Por isso. 1) Introdução. daqui para frente.

OBS: Variável Aleatória Bidimensional Discreta. que considera somente uma variável como sendo: f(x) = P(X = xi) = ∑ p(xi. Y = yj) satisfazendo as seguintes condições: a) p(xi.). yj) 5) Variáveis Aleatórias Independentes. Y) uma v. P(X = xi. P (Y = yj) Teorema: Seja (X.. Da mesma maneira que definimos o conceito de independência de dois eventos A e B. cada uma associando um número real a cada resultado w ∈ Ω. A cada resultado possível (xi. m. isto é. Define-se a probabilidade marginal. (X.. 15 . Y). Y = yj) = P(X = xi. de modo algum influencia o resultado de X. y) ≥ 0 b) ∑ ∑ p(xi. yj) no contradomínio de (X. n e j = 1. X e Y são independentes se.a. Seja Ω um espaço amostral e w um evento de Ω. Y) será uma variável aleatória discreta bidimensional se os valores possíveis de (X. pretendemos dizer que X e Y são variáveis aleatórias independentes quando o resultado de Y. yj) ou f(x. yj) e f(y) = P(y = yj) = ∑ p(xi. por exemplo. Y) forem finitos ou infinitos enumeráveis. Intuitivamente. agora definiremos o de variáveis aleatórias independentes. Considere X e Y duas funções..Professor Aluísio Lima 4) Variável Aleatória Bi – Dimensional. os valores possíveis de (X. Denomina-se (X. e somente se: Estatística II – 1º Parte. discreta bidimensional. então X = X(w) e Y = Y(w). 2. yj) = 1 A função p definida para todo (xi..yi) = P(X = xi. yj) ≥ 0 para todo (xi.. yj). . Y) é denominada função de probabilidade conjunta de (X. i = 1. Y) podem ser representados por (xi. 2 .Y) uma variável aleatória bidimensional (ou vetor aleatório). yj) associaremos um número p(xi.

E(XY) = ∑ ∑ xy p (x. então E(XY) ≠ E(X) ..E(X) P3. . O valor esperado de X denotado por E(X) é definido como: E(X) = ∑ xi .. verdadeira. xn. Neste caso deve-se considerar a probabilidade de xi como sendo a freqüência relativa de xi. E(a) = a P2. então E(XY) = E(X). P1. y) P6. E(aX) = a. x2. Definição: Seja X uma variável aleatória discreta com valores possíveis x1. p(xi) Note que E(X) pode ser considerado como uma média aritmética dos valores possíveis x1. 6) Valor Esperado ou Esperança de uma Variável Aleatória Discreta. xn. Essa medida é a Estatística II – 1º Parte. E(Y) e a diferença covariância entre X e Y. OBS: Propriedades do Valor Esperado. E(Y / X) = ∑ y p(y/x) (Esperança Condicional) P5. E(Y) Se X e Y são independentes → cov (X... E(Y) é utilizada como medida de dependência entre X e Y. E(Y) IPC: Se X e Y não são independentes... Se X e Y são independentes. 16 . E(X + Y) = E(X) + E(Y) P4. Y) = 0. A recíproca nem sempre é E(XY) – E(X).Professor Aluísio Lima P(X = xi/ Y= yj) = P(X= xi) para todo I e j. Logo: Cov (X. P(X = xi) = ∑ xi . Seja X uma variável aleatória discreta e a uma constante. Y) = E(XY) – E(X) . x2.

a. Definimos a variância de X por V(X) ou Var(X) por: Var (X) = E X 2 . Var (a) = 0 P4. Damos o nome de Desvio – Padrão DP (X) a raiz quadrada da Variância de X. Var (aX) = a2. Var (X + a) = Var (X) P2.a. Se X e Y forem independentes. 17 . A variância de uma v.Professor Aluísio Lima 7) Variância de uma Variável Aleatória Discreta.[ E ( X )] 2 ( ) A variância de uma variável aleatória é a variância de dados agrupados em freqüência ou me classe. mede a variabilidade desta em relação ao seu valor esperado. P1. Y) P5. considerando a probabilidade de xi como sendo a freqüência relativa de xi e E(X) com a média aritmética de X. Seja X uma v. Var (X ± Y) = Var (X) + Var(Y) ± 2cov(X. Var(X + Y) = Var(X) + Var(Y) Estatística II – 1º Parte. Seja X uma variável aleatória e a uma constante. OBS: Propriedades da Variância.Var(X) P3.

selecionou-se um filho de sócio. que representa o número de caras obtidas. dado que tem 18 anos Y=7 12 5 2 1 20 Y=8 10 30 5 5 50 Y=9 3 6 9 12 30 X = 15 X = 16 X = 17 X = 18 25 41 16 18 100 4) Suponha que uma máquina seja utilizada para determinada tarefa durante a manhã e para uma tarefa diferente durante à tarde.a. Seja X a v. 1) Considere o lançamento de uma moeda honesta 3 vezes.Professor Aluísio Lima Exercícios de Aplicação. Determine a função densidade de probabilidade de X. A variável aleatória Y mede a instrução através dos anos completos de estudo. Seja X a variável aleatória que representa a soma dos valores obtidos. 18 . 2) Considere o lançamento de dois dados.X). a) Calcule a P(X ser par) b) Determine a fdp de X 3) Um clube possui sócios cujos filhos têm entre 15 e 18 anos (v. Para fazer uma pesquisa de satisfação com o clube. Pergunta-se qual a probabilidade: a) De ter 17 anos b) De ter 8 anos completos de estudo c) De ter 9 anos completos de estudo. Seja X o nº de vezes que a máquina pára com defeito Estatística II – 1º Parte.a.

12 P(Y) Y=0 Y=1 Y= 2 P(X) 5) Calcule o valor esperado da seguinte variável aleatória. X=0 0. negociadas na bolsa de valores.12 X=2 0.2 5 0. Meça a dependência entre as ações das empresas e o ano.2 2 0.1 7) Se E(X)=l e E(Y)=2. X e Y independentes? Justifique.E(3X) e E (X+ 1) onde X: X P(X) 1 0.28 0 9) Calcule a variância da variável aleatória abaixo: X P(X) 1 0.20 0.Professor Aluísio Lima de manhã e Y o n° de vezes que a máquina pára com defeito à tarde.04 0.2 3 0.4 4 0.06 X=1 0.08 0.23 0 0.2 2 0.08 0.2 Estatística II – 1º Parte.3 3 0. X: 1 P(X): 2 3 4 5 6 1 para todo x .20 0. 19 .2 4 0. Empresa Ano X=1 X=2 X=3 X=4 Y=1 0. 6 6) Calcule E(X).10 0.04 Y=2 0.35 0 0. calcule E(Z) onde Z = 2X+4Y 8) A tabela seguinte registra as rentabilidades anuais das ações das empresas 1 e 2.10 0.

E(X) = 5 e E(Y) = 4 e E(XY) = 30. E(Y) e E(XY) Calcule Var(X) e Var{Y) Calcule cov(X. Se aparecerem 2 bananas. 2 pêras e I laranja. Qual a esperança de ganho numa única jogada? 14) Na produção de uma peça são empregadas duas máquinas. R$ 140.1 Y=4 0 0. Nessa segunda máquina o custo por peça é de R$ 25. Das peças produzidas nessa máquina. calcule: a) E (3X + 8) b) Var (3X + 8) c) Var (X + Y) 11) Se E(X) = 1 e E(Y) = 2.00 se aparecerem 2 laranjas. mas apenas 60% das peças são de fato recuperadas. Cada disco tem 10 figuras: 4 maçãs. Uma pessoa paga R$ 80.1 Y=5 0.2 0. 3 bananas.Professor Aluísio Lima 10) Se E(X2) = 40 = E(Y2). 20 . ganha R$ 40.00 se aparecerem 2 pêras e ganha R$ 180.1 0. Se aparecerem 2 maçãs.00. Var(X) = Var(Y) = 4 calcule var(Z) onde Z = 2X + 4Y e X e Y são independentes.Y) X e Y são independentes? Por quê? 13) Um caça-níquel tem dois discos que funcionam independentemente um do outro.00.00 e aciona a máquina.2 Y = -1 0. A primeira é utilizada para efetivamente produzir as peças. e o custo de produção é de R$ 50.00 por unidade. ganha R$ 80.3 0 X=1 X=2 a) b) c) d) e) Calcule a distribuições marginais de X e Y Calcular E(X). 12) Considere a seguinte função de probabilidade conjunta de X e Y: Y = -2 0. 90% são perfeitas. As peças defeituosas (produzidas na primeira máquina) são colocadas na segunda máquina para a tentativa de recuperação (tomá-las perfeitas).00. Sabendo que cada peça perfeita é vendida por R$ Estatística II – 1º Parte.

004 Estatística II – 1º Parte.00 para cada cliente atendido além de 41.006 46 0. Qual o número médio de pessoas por carro? Se chegarem no litoral 4000 carros por hora. em 10 horas de contagem? 17) Um banco pretende aumentar a eficiência de seus caixas.01 45 0.05. Se ocorrer face 4 é de 10%. As probabilidades de atendimento são dadas na tabela abaixo.00. Se sair face 6 tem um desconto de 30% sobre o total de sua conta. lança um dado.88 42 0. 2 ou 3 o desconto é de 5%.00 para cada cliente atendido além de 42 clientes por dia.06 43 0. Oferece um prêmio de R$ 150.04 44 0. qual o número esperado de pessoas. 15) Um supermercado faz a seguinte promoção: o cliente. calcule o lucro por peça esperado pelo fabricante. e se ocorrerem faces 1.40 e 0. 4 ou 5 pessoas em cada carro que vá ao litoral num sábado são respectivamente : 0. 16) As probabilidades de que haja 1. Qual a esperança de ganho do banco se este novo sistema for implantado? Nº Clientes Probabilidade Até 41 0. Se sair 5 o desconto é de 20%. 21 .00. 0. 3. O banco tem um ganho operacional de R$ 100. e que cada peça defeituosa é vendida por R$ 20. 0. ao passar pelo caixa.10.20. Calcular o desconto médio concedido. 2.Professor Aluísio Lima 90.

com probabilidade p. Seja X: número de sucessos em uma única tentativa do experimento.q1-x OBS: E(X) = P VAR (X) = pq Estatística II – 1º Parte. 22 . com probabilidade q. Seja p a probabilidade de sucesso e q a probabilidade de fracasso. X= 0  1 fracasso com P (X = 0) = q e P(X = 1) = p sucesso Nessas condições a variável aleatória X tem distribuição de BERNOULLI. e sua função de probabilidade é dada por: P(X = x) = px. Consideremos uma única tentativa de um experimento aleatório. ou o valor 1 (um). X assume o valor 0 (zero) que corresponde ao fracasso. com p + q = 1. que corresponde ao sucesso.Professor Aluísio Lima Capítulo 5 Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Podemos ter sucesso ou fracasso nessa tentativa. 1) Distribuição de Bernoulli.

. Seja P (A) = p (sucesso) e P (A) = q (fracasso) em cada tentativa do experimento Seja X: número de repetições necessárias para que A ocorra pela r-ésima vez.FS   com   x P(X = x) = qx-1.p = q2.. Se X = x. X tem distribuição geométrica.. Seja X: número de tentativas necessárias ao aparecimento do primeiro sucesso Logo. X assume os valores: X = 1. p + q = 1. que corresponde a FF . que corresponde ao fracasso (F) na 1ª tentativa e sucesso na segunda. Se r = 1.Professor Aluísio Lima 2) Distribuição Geométrica. Cada tentativa admite sucesso com probabilidade p e fracasso com probabilidade q. (r  x − 1 r x – r P(X = x) =   r − 1  p . OBS: E(X) = 1 p q p2 VAR(X) = 3) Distribuição de Pascal.p. Consideremos tentativas sucessivas e independentes de um mesmo experimento aleatório. Estatística II – 1º Parte.. que corresponde ao sucesso (S) e P (X = 1) = p X = 2. X = 4. (FS) e (X = 2) = P (F ∩ S) = q . Suponhamos que um experimento aleatório seja repetido independentemente até que um evento A ocorra pela r-ésima vez.1) repetições anteriores. que corresponde a (FFFS) e P(X = 4) = q 3 . X = x.q . 23 . Logo A ocorre -1) vezes nas (x. que corresponde a (FFS) e P (X = 3) = P (F∩F∩S) = q.p A variável X tem então distribuição geométrica. X = 3. p. FS com P FF. o evento A ocorre pela r-ésima vez na repetição de número x. e assim sucessivamente. p.q. x ≥ r    A variável X assim definida tem distribuição de Pascal.

Professor Aluísio Lima OBS: E(X) = r p rq p2 VAR(X) = 4) Distribuição Binomial. temos:  n  k n−k P (X = k) =   p . Nesses casos não encontramos o valor em tabelas. p + q = 1. Seja X: número de sucessos em n tentativas.p. n > 30) Estatística II – 1º Parte. ou então o cálculo toma-se muito difícil. no uso da binomial. Consideremos: 1. Determinaremos a função de probabilidades da variável X.q k    A variável X tem distribuição binomial. p) Obs: E(X) = n.p VAR(X) = n. 24 . com parâmetros n e p. P (X = k). Considerando todas as n – úplas com k sucessos. Consideremos n tentativas independentes de um mesmo experimento aleatório.q 5) Distribuição de Poisson. Muitas vezes. Cada tentativa admite apenas dois resultados: fracasso com probabilidades q e sucesso com probabilidade p. As probabilidades de sucesso e fracasso são as mesmas para cada tentativa. e indicaremos pela notação: X: B (n. sendo necessário o uso de máquinas de calcular sofisticadíssimas ou então de computador. acontece que n é muito grande (n →∞) e p é muito pequeno (p →∞). Podemos então fazer uma aproximação da binomial pela distribuição de Poisson. n → ∞ (maior que o maior valor tabelado. isto é.

m. m3.. durante uma certa hora do dia. A probabilidade da ocorrência de um sucesso no intervalo é proporcional ao intervalo. Retira-se uma bola dessa uma. erros tipográficos por página. para encontrar o sinal aberto pela primeira vez? 3) A probabilidade de que um sinal de trânsito esteja aberto numa esquina é 0. e outros. Seja X o número de sucessos no intervalo. calcular E (X) e VAR (X) e determinar P (X). a média µ = np será tomada como np = λ Consideremos a probabilidade de ocorrência de sucessos em um determinado intervalo.20.1) 3. numa plaqueta de microscópio.20. 5. carros que passam por um cruzamento por minuto.λ k P( X = k ) = k! onde λ é a média.) por peça fabricada. 4. Qual a probabilidade de que seja necessário passar pelo local 5 vezes. numa cidade. A probabilidade de mais de um sucesso nesse intervalo é bastante pequena com relação à probabilidade de um sucesso. mortes por ataque de coração por ano. É aplicada também em problemas de filas de espera em geral.01 mm2. A variável X assim definida tem distribuição de Poisson. 3. 0 < µ ≤ 10 Quando isso ocorre. em um material impresso.Professor Aluísio Lima 2. então: e − λ . OBS: E(X) = λ Exercícios VAR (X) = λ 1) Uma urna tem 30 bolas brancas e 20 verdes. colônias de bactérias numa dada cultura por 0. 2) A probabilidade de se encontrar aberto o sinal de trânsito numa esquina é 0. 2. Qual a probabilidade de que seja necessário passar pelo local 10 vezes para encontrá-lo aberto pela 4ª vez? Estatística II – 1º Parte. defeitos por unidade (m2. A distribuição de Poisson é muito usada na distribuição do número de: 1. etc. p → 0 (p < 0. 25 . Seja X: número de bolas verdes.

Qual a probabilidade de que em : a) 250 Km ocorram pelo menos 3 acidentes? b) 300 Km ocorram 5 acidentes? Estatística II – 1º Parte. bola retirada com reposição seja a 1a. Qual a probabilidade de que: a) Exatamente 4 acertem o alvo? b) Pelo menos 3 acertem o alvo? 9) Uma urna tem 20 bolas pretas e 30 brancas. Qual a probabilidade de que nasçam pelo menos 2 coelhos machos num dia em que nasceram 20 coelhos? 5) Uma urna. tem 6 bolas brancas. a) Qual a probabilidade de que a 6a. Retiram-se 8 bolas com reposição. Retiram-se 25 bolas com reposição. branca? c) Qual a probabilidade de que em 30 bolas retiradas com reposição ocorram no máximo 2 brancas? 11) Qual a probabilidade de que no 25º lançamento de um dado ocorra a face 4 pela 5a. branca? b) Qual a probabilidade de que a 15 ª bola extraída com reposição seja a 6a. Qual a probabilidade de sair 4 bolas brancas. Qual a probabilidade de que uma página contenha pelo menos 3 erros? 7) Seja X: B (200. Qual a probabilidade de que: a) 2 sejam pretas? b) Pelo menos 3 sejam pretas? 10) Uma urna tem 10 bolas brancas e 40 pretas. 8) A probabilidade de um arqueiro acertar um alvo com uma única fecha é de 0. 0.Professor Aluísio Lima 4) Numa criação de coelhos.20.01). Lança 30 fechas no alvo. 4 pretas e 5 azuis. 26 . Calcular P(X = 10) usando Poisson. 2 pretas e 2 azuis? 6) Num livro de 800 páginas há 800 erros de impressão. vez? 12) Numa estrada há 2 acidentes para cada 100 Km. 40% são machos.

determinara a probabilidade de a firma rejeitar todo o lote. b) Se a probabilidade de defeito for de 0. Sabe-se.Se esse tratamento foi aplicado em 20 animais e se X é o número de não-sobreviventes a) Qual a distribuição de X? b) E(X) e VAR (X) . Calcular P (X ≤ 2) 17) Sabe-se que 20 % dos animais submetidos a um certo tratamento não sobrevivem . Cada tentativa admite sucesso com probabilidade 0. Sabendo-se que 1 % dos aparelhos é defeituoso. que 90 % desses aparelhos não apresentam defeitos. 27 . 14) A experiência mostra que de cada 400 lâmpadas. 2 queimam ao serem ligadas.0035. a) Determinar a probabilidade de que me 20 aparelhos pelo menos 17 não apresentem defeitos.Professor Aluísio Lima 13) Um lote de aparelhos de TV é recebido por uma firma. no mínimo 3 se queimarem? b) 900 lâmpadas.08192 Estatística II – 1º Parte. qual a probabilidade de que em 2000 visitas ocorra no máximo 1 defeito? 1) 2/5 e 6/25 2) 0. c) Calcular P(2 < X ≤ 4) d) Calcular P (X > 2) 18) Um técnico visita clientes que compraram assinatura de um canal de Tv para verificar o decodificador. Seja X: número de sucessos: a) Calcular P (1 < X ≤ 4) b) Considere 100 tentativas independentes.05. O lote é rejeitado se pelo menos 4 forem defeituosos. Qual a probabilidade de que: a) Em 6 minutos receba pelo menos 4 mensagens? b) Em 4 minutos não receba nenhuma mensagem? 16) Considere 10 tentativas independentes de um experimento. 20 aparelhos são inspecionados. exatamente 8 se queimarem? 15) Uma firma recebe 720 mensagens em seu fax em 8 horas de funcionamento. por experiência. Qual a probabilidade de que numa instalação de: a) 600 lâmpadas.

50 13) 19% 14) 10% 15) a) 0.2 b) 0.32 9) Não.25% b) 0.13252 9) a) 0.160623 14) a) 0.04419 12) a) 0.00038 10) a) 0.065536 11) 0.00004 b) 0.93082 GABARITO Capítulo I 1) 2/5 2) a) 0.50 11) 0.03564 b) 0.080302 7) 0.30 12) a) 0.20 8) a) 0. 0.008599 c) 0.08495 6) 0.10 b) 0. Sim 10) 0.99948 5) 0.75% b) 4.9286 b) 0.99957 b) 0.9286 b) 0.002479 b) R: 0.154 Estatística II – 1º Parte.86705 b) 0.347 3) 5/6 4) 1/2 5) 1/46656 6) 3/10 7) a) 0.035232 4) 0.57681 15) a) 0.978774 16) a) 0.42356 d) 0.000038 8) a) 0. 28 .2) 18) a) 0.95581 b) 0.875348 13) 0.Professor Aluísio Lima 3) 0.08607 17) a) B: (20.007295 c) 0.046330 b) 0.124652 b) 4 e 3.88 c) 0.

4 P(Y): 0. 1.00 R$ 34.96 . P(Y = yj) para todo i e j.4. 0.4.16 b) 1 0.50 2 0.2 b) 0. pois P(X = xi. 7.2 c) 0.2 3 0.5 X P(X) 3) 4) 5) 6) 7) 8) 9) 10) 11) 12) a) 0.67 4 0. Y = yi) = P(X = xi) . 3.2 Sim.0.50 Não 0. 29 .46 17) 2% 18) 8/11 Capítulo 2 1) 2) 3) 4) 5) a) 1 / 11 1 / 10000 10 / 21 10 % a) 1 / 14 1 / 30 180 / 899 1.24.3 0.3 0.9 b) 135 c) 59 13) 14) – R$ 59.5 2.6 0.3 b) 1.4 10 – 0.70 Estatística II – 1º Parte. 0.01333 2 a) 23 80 a) c) d) e) P(X): 0.2 5 0.2.Professor Aluísio Lima 16) 0.38 % ‘ b) 1 / 210 b) 5 / 22 9) 1/ 2 10) 1/ 2 11) 1/ 9 b) 2/ 9 12) a) 1/ 6 c) 3 / 7 d) 209 / 210 13) 1 / 2 b) 29 / 30 6) 7) 8) Capítulo 3 1) f(x) = 1/8 se x = 0 ou x = 3 3/8 se x = 1 ou x = 2 2) a) 0. 3.1 0.

03564 b) 0.04419 30) a) 0.Professor Aluísio Lima 15) 16) 17) 18) Capítulo 4 12. 0.035232 22) 0.065536 29) 0.00004 b) 0.57681 33) a) 0.86705 b) 0. Estatística II – 1º Parte.72.99957 b) 0.00 por caixa pois E(Y) = 10.08192 21) 0.002479 b) R: 0.046330 b) 0.008599 c) 0.160623 32) a) 0.42356 d) 0. 126.93082 37) Melhor o preço de R$ 20.000 7.95581 b) 0.007295 c) 0.600. 30 .978774 34) a) 0.13252 27) a) 0.2 b) 0.00038 28) a) 0.08495 24) 0.08607 35) a) B: (20.080302 25) 0.15.124652 b) 4 e 3.875348 31) 0.30 75.5 % 3.2) 36) a) 0.000038 26) a) 0.99948 23) 0.00 19) 2/5 e 6/25 20) 0.