Professional Documents
Culture Documents
MODELOS PROBABILSTICOS
NDICE
1. INTRODUO
2. DEFININDO PROBABILIDADE
3. CONCEITOS E DEFINIES
3
3.1. VARIVEL ALEATRIA
3
3.2. VARIVEL ALEATRIA DISCRETA E CONTNUA
3
3.3. EXEMPLO DE VA DISCRETA
3
3.4. FUNO DE PROBABILIDADE OU FUNO DE DENSIDADE DE PROBABILIDADE (FDP)
3.5. FUNO DE REPARTIO OU FUNO DE DISTRIBUIO ACUMULADA (FDA) 4
3.6. VALOR ESPERADO DE UMA VARIVEL ALEATRIA 5
3.7. VARINCIA E DESVIO PADRO DE UMA VARIVEL ALEATRIA
5
4. MODELOS DE DISTRIBUIES DE PROBABILIDADE
4.1. DISTRIBUIO BINOMIAL 6
4.2. DISTRIBUIO DE POISSON
7
4.3. DISTRIBUIO EXPONENCIAL
8
4.4. DISTRIBUIO NORMAL 9
4.5. DISTRIBUIO QUI-QUADRADO
15
4.6. DISTRIBUIO T DE STUDENT
17
4.7. DISTRIBUIO F DE SNEDECOR 19
26
28
30
NORMAL PADRO.............................................................................................24
T DE STUDENT................................................................................................... 25
QUI-QUADRADO................................................................................................26
F DE SNEDECOR...............................................................................................27
1/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
1. INTRODUO
Os captulos anteriores apresentaram temas como tipos de sries de dados (provenientes de amostras e
populaes), organizao e apresentao tabular e grfica de dados (distribuies de freqncias),
medidas estatsticas de posio (ou tendncia central), de disperso (ou variabilidade) e de forma da
distribuio.
Estes conhecimentos permitiram-nos analisar sries de dados, e obter algumas concluses sobre como tais
dados se distribuem em todo seu intervalo de variao ou ao redor de valores centrais como a sua mdia.
Em sntese, partimos do princpio de que a partir da organizao, apresentao e descrio dos dados
observados, possvel fazer conjecturas sobre o comportamento da varivel em estudo. A este tipo de
raciocnio denominamos de INDUO (a partir de resultados ou dados observados, lanamos hipteses
sobre o comportamento do fenmeno).
A partir de agora, estamos interessados no raciocnio de forma inversa, ou seja, estamos interessados em
compreender como podero ocorrer os resultados de uma varivel, a partir de suposies sobre o
problema em estudo, caracterizando assim o que denominamos de raciocnio DEDUTIVO (a partir de
hipteses e conjecturas sobre o comportamento de um fenmeno, tentamos prever os resultados).
Em resumo, estamos interessados agora em realizar inferncias sobre a populao de onde foi extrada a
amostra. Para tanto, teremos que usar modelos matemtico-probabilsticos, o que nos obriga a conhecer
os aspectos fundamentais do CLCULO DE PROBABILIDADES, sobre o qual se assenta a ESTATSTICA
INFERENCIAL.
2. DEFININDO PROBABILIDADE
Dado um EXPERIMENTO ALEATRIO E (fenmenos aleatrios que, mesmo repetidos vrias vezes sob
condies semelhantes, apresentam resultados que no se pode prever com certeza) e sendo S seu
ESPAO AMOSTRAL (conjunto de todos os possveis resultados do experimento) a probabilidade de um
evento A (denotada por P{A}) uma funo definida em S, que associa a cada evento um nmero real
que satisfaz s seguintes propriedades:
0 P{A} 1
p{ai} = P{S} = 1, onde os ais representam todos os eventos elementares de S.
P{A B} = P{A} + P{B} se A e B forem eventos mutuamente excludentes.
A PROBABILIDADE TERICA de um evento obtida utilizando procedimentos de contagem (ANLISE
COMBINATRIA) dos casos favorveis ocorrncia do evento e de contagem de todos os casos possveis:
P{A}
NOTA 1: A expresso P{A} acima uma conseqncia da suposio de que todos os resultados sejam
igualmente verossmeis (ou equiprovveis), e portanto s deve ser aplicada quando essa suposio for
atendida.
NOTA 2: Observe que a PROBABILIDADE TERICA, luz dos conceitos sobre DISTRIBUIO DE
FREQNCIAS, poderia ser definida como o limite da freqncia simples relativa (fri expressa em frao
decimal e no em %) quando o tamanho da amostra muito grande.
O APNDICE 1 deste captulo apresenta um resumo terico sobre PROBABILIDADES.
2/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
3. CONCEITOS E DEFINIES
3.1. Varivel Aleatria
Os resultados de um experimento ou so naturalmente numricos, ou podem ser codificados
numericamente (por exemplo ruim=0 e bom=1). A essa representao numrica de resultados
denominamos de varivel aleatria. Uma VA ento uma funo que associa elementos do espao
amostral ao conjunto de nmeros reais, conforme abaixo ilustrado.
OBSERVAES:
1. Apesar da tradio desta terminologia, na verdade uma VA uma funo cujo domnio S e contradomnio R.
2. Nas aplicaes de estatstica, muito mais conveniente trabalhar com nmeros e no com eventos.
3. Convenciona-se representar funes, variveis aleatrias, espao amostral e contradomnio por letras MAISCULAS, e os
valores pontuais do espao amostral e contradomnio por letras MINSCULAS.
X
2
1
1
0
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
X
2
(Ca,Co)
(Co,Ca)
(Co,Co)
P{X}
x =
x =
=
x =
x =
X
0
P{X}
VA Discreta
VA Contnua
Faixa de Aplicabilidade
x = a, a+1, ...,b
axb
Condies
p(x) 0, p( x ) 1
f(x)
x a
0,
b
a f ( x )dx 1
VA Discreta
F(x)=P{X x}
F(x) = p( x )
VA Contnua
F(x) = a f ( x )dx
x a
No caso do exemplo de lanamento de duas moedas para verificar o n de caras, calculamos a FDA como
sendo:
x
0
1
2
P{x}
x
0
1
2
F(x)
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
VA Discreta
VA Contnua
x p( x )
E{X} = x
a x f ( x ) dx
x a
VA Discreta
VA Contnua
2
x
( x E{ x }) 2 p( x )
x a
b
2
a ( x E{ x}) f ( x ) dx
VA
Discreta
VA
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
X
0
1
2
P{X}
A Varincia V{X} = (0-1)2.(1/4) + (1-1)2.(1/2) + (2-1)2.(1/4) = (1/4) + (1/4) = 1/2 , e DesvPad{X} = 0,707
4. MODELOS DE DISTRIBUIES DE PROBABILIDADE
At o momento, construmos como exemplo a distribuio de probabilidade de uma varivel discreta (n
de caras no lanamento de duas moedas), empregando nosso conhecimento para o clculo das
probabilidades envolvidas. Veremos adiante alguns MODELOS PROBABILSTICOS PADRES, que nos
auxiliaro em diversas situaes prticas. Nosso problema passa a ser determinar qual modelo o mais
adequado para a situao em estudo.
4.1. Distribuio Binomial
Trata-se de uma distribuio de probabilidade adequada aos experimentos que apresentam apenas dois
resultados possveis: sucesso ou fracasso. Fornece a base para inferncias sobre propores.
HIPTESES DO MODELO BINOMIAL
1. O experimento repetido n vezes nas mesmas condies.
2. Os resultados das repeties so independentes, ou seja, uma repetio no interfere nas
subseqentes.
3. Cada repetio admite apenas dois resultados: sucesso ou fracasso.
4. As probabilidades de sucesso p e de insucesso q (q=1-p) se mantm constantes durante as
repeties.
Por exemplo:
a) Lanar uma moeda 5 vezes e observar o nmero de caras.
b) Numa linha de produo, observar 10 itens tomados ao acaso e verificar o nmero de defeituosos.
c) Verificar o nmero de bits que no esto afetados por rudo num pacote com n bits.
Define-se a VARIVEL BINOMIAL X como o nmero de sucessos em n repeties do experimento. A
expresso geral da Distribuio Binomial :
n x n x
P{X x} p q
x
NOTAS:
1. O nome BINOMIAL se deve ao fato da expresso acima corresponder ao termo geral do
desenvolvimento do BINMIO DE NEWTON.
2. Para p=0,5 a distribuio simtrica. Para P<0,5, a distribuio tem inclinao para a direita.
3. No caso de n grande (n 30) e p no muito pequena nem muito grande (valores centrais, com
alguns autores recomendando np>5 e nq>5), a DISTRIBUIO BINOMIAL pode ser aproximada pela
DISTRIBUIO NORMAL, que ser vista adiante.
PRINCIPAIS CARACTERSTICAS DA DISTRIBUIO BINOMIAL
Mdia x = E{X} = np e Varincia 2x = V{X} = npq.
No EXCEL
Funo DISTRBINOM(nm_s ; tentativas ; probabilidade_s ; cumulativo), onde
nm_s: nmero de sucessos
6/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
P { X 3}
5!
1
3! 2! 2
e portanto
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
A distribuio de Poisson caracterizada apenas pelo parmetro , que representa o valor esperado ou
mdia, do nmero de sucessos por intervalo t. Em outras palavras, a taxa de ocorrncia dos eventos
no intervalo de tempo.
e x
A funo de probabilidade da distribuio de Poisson :
P{X x}
x!
onde:
e uma constante (base do logartmo neperiano) valendo aproximadamente 2,718...
o nmero esperado de sucessos no intervalo considerado
x o nmero de sucessos (x = 0, 1, 2, ...,.)
PRINCIPAIS CARACTERSTICAS DA DISTRIBUIO DE POISSON
Mdia x = E{X} = e Varincia 2x = V{X} = .
No EXCEL
Funo POISSON(x ; mdia ; cumulativo), onde
x: nmero de sucessos
mdia: valor esperado no intervalo
cumulativo: um valor lgico que define o tipo de distribuio:
VERDADEIRO (1): retorna o valor da funo de probabilidade acumulada P(X
x)
FALSO (0): retorna o valor da funo de probabilidade no ponto x: P(X = x)
EXEMPLO: As consultas a um banco de dados ocorrem de forma independente e aleatria, base de 3
consultas por minuto. Calcule as probabilidades:
a) no prximo minuto ocorrerem exatamente 3 consultas
b) no prximo minuto ocorrerem menos de 3 consultas
c) nos prximos dois minutos, ocorrerem mais do que 5 consultas
SOLUO: Seja X a varivel Poisson com ocorrncia mdia de 3 consultas por minuto (=3)
a) Desejamos P(X = 3) = [e-3. 33 ]/3! = 22,4%
No EXCEL, a chamada funo POISSON(3;3;0) fornece o valor 0,22404.
b) Desejamos P(X < 3) = P(X 2) = P(X=0) + P(X=1) + P(X=2) = 42,32%
No EXCEL, a chamada funo POISSON(2;3;1) fornece o valor 0,42319.
c) Observe que a unidade de tempo alterou de 1 para 2 minutos. Como a taxa mdia de 3 por minuto,
ento em dois minutos teremos =6. Desejamos assim P(X > 5) = 1 P(X 5) = 1 0,44568 = 55,43%
No EXCEL, a chamada funo 1 - POISSON(5;6;1) fornece o valor 0,55432.
NOTA: A DISTRIBUIO DE POISSON aparece com destaque no estudo das filas.
4.3. Distribuio Exponencial
Se o nmero de ocorrncias de um evento por unidade de tempo seguir a Distribuio de Poisson, ento
automaticamente a distribuio do intervalo de tempo entre ocorrncias do evento segue a
DISTRIBUIO EXPONENCIAL. Assim, se a taxa qual ocorrem eventos de Poisson, a distribuio do
tempo entre chegadas sucessivas expressa por:
f(x) e x , x 0
8/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
A distribuio exponencial tambm caracterizada apenas pelo parmetro , que representa a taxa de
ocorrncia dos eventos no intervalo de tempo.
A funo de probabilidade acumulada da distribuio exponencial :
onde:
P{X a}
e x dx 1 e a
P{X1) com =1/2, o que implica em calcular 0 (1 / 2)e (1 / 2 ) . Note que primeiramente necessrio
converter a taxa de chegadas por unidade de tempo para a mesma unidade de tempo empregada no valor
da varivel do problema.
No EXCEL, a chamada funo DISTEXPON(1;1/2;1) fornece o valor 0,3935 ou 39,35%.
Note que se x=1/2 (de 2 minutos) e =1 (em 2 minutos), DISTEXPON(1/2;1;1) tambm retorna 39,35%.
f(x)
1 x
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
onde:
= mdia da distribuio
= desvio padro da distribuio
e e so constantes (3,1416... e 2,718...)
10/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
3. A curva simtrica em torno de , o que faz com que mdia = mediana = moda. Adicionalmente,
temos tambm que P(X < - a) = P(X > + a).
4. A curva tem dois pontos de inflexo, respectivamente em - e + . Cerca de 68% dos valores
recaem no intervalo de um desvio padro de cada lado da mdia, 95% recaem no intervalo mdia 2
desvios e 99,7% recaem no intervalo mdia 3 desvios.
1
2
1
z2
2
com a forma:
Observe-se a convenincia de termos a mdia igual a zero e o desvio padro igual a 1, fazendo com que
esta distribuio passe a representar os valores de zi como nmero de desvios em relao mdia
(origem). Assim, esta distribuio nos permite trabalhar com valores relativos de desvios em relao
mdia.
TRANSFORMAO DE UMA DISTRIBUIO NORMAL N(; 2) PARA A NORMAL PADRO (OU
REDUZIDA) N(0;1)
Qualquer distribuio normal com mdia e desvio padro pode ser transformada, para efeito de
clculo de probabilidades, na distribuio normal padro, atravs de uma mudana de varivel conforme
a seguir.
x
z
11/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
12/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
13/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
50
15
P( X 15)
Uma distribuio normal com mdia = nxp = 12,5 e varincia = nxpxq = 9,375 pode ser usada como
aproximao para clculo da probabilidade P(14,5 < X < 15,5), o que calculado pelo Excel fornece o
valor 9,32%.
Observe que o erro relativo, calculado sobre o valor obtido pela distribuio binomial, foi de 4,94%.
COMBINAO DE DISTRIBUIES NORMAIS
A combinao linear de variveis com distribuies normais independentes tambm uma VA
Normal.
Seja X uma VA N(mx;vx) e Y uma VA N(my;vy).
Se W = aX + bY + c, ento W ter distribuio normal com parmetros:
MDIA: mw = a. mx + b. my + c
e
VARINCIA: vw = a2.vx + b2.vy
4.5. Distribuio Qui-Quadrado
um modelo de distribuio contnua muito importante para a teoria da inferncia estatstica.
Considere x1, x2, x3 ...xp, n variveis aleatrias independentes, normalmente distribudas com mdia
zero e varincia 1, ou seja, n variveis tipo normal padro.
Define-se a varivel aleatria com distribuio Qui-Quadrado como:2 n 2
n zi
n2 = x12 + x22 + x32 + ... + xn2
ou
i 1
15/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
Observe que medida que n cresce, a funo de densidade de probabilidade tende forma da FUNO
NORMAL.
TABELA QUI-QUADRADO
A tabela do Qui-Quadrado em funo do grau de liberdade n, apresenta o valor numrico da VA que
deixa sua direita determinada rea , ou seja = P(X x)
Para clculo da probabilidade P(X x), ou seja, rea na cauda esquerda da distribuio, utiliza-se a
propriedade P(X x) = 1 P(X x) = 1 , conforme ilustrado abaixo.
1. O valor direita, chamado qui-quadrado superior,
obtido na tabela com n =12 e =0,025.
Logo, x2 = 23,34
2. O valor da abscissa esquerda, chamado
qui-quadrado inferior, obtido da tabela
com n =12 e =1 - 0,025, portanto =0,975.
Logo, x2 = 4,40
16/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
n2
n
n
n2
17/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
Exemplo: Seja n = 9 e = 5%. Consultando a tabela com estes valores, encontramos o valor t = 2,2622
Observe que a tabela mostra os valores de x tais que P(-x X x) = 1 .
FUNES DO EXCEL PARA A DISTRIBUIO t DE STUDENT
O Excel disponibiliza as seguintes funes para clculos com esta distribuio.
18/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
Para fins de utilizao da distribuio, na prtica tabela=se, para cada par (n,d), o valor de F que deixa
determinada rea sua direita.
A tabela da Distribuio F apresentada no final deste captulo, retorna o Valor Crtico para a probabilidade
=5% na cauda superior, (P(F fc)=5%) para vrios valores de graus de liberdade do numerador e
denominador.
Quando necessitarmos de probabilidades na cauda inferior da Distribuio F adota-se o seguinte
procedimento:
Seja Fs o F crtico da cauda superior e Fi o F crtico da cauda inferior, para o nvel de significncia de
5% adotado na tabela. Pode ser provado que:
Fi (gl1; gl2 )
1
Fs (gl2 ; gl1 )
19/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
20/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
Grfico
P(X = x)
%
%
%
P(X x)
%
%
%
AVANADO
4. A probabilidade de um motor de avio falhar p. Sabendo que um avio pode permanecer voando se
tiver pelo menos metade de seus motores funcionando, para que valores de p um avio bimotor pode ser
prefervel a um quadrimotor?
EXERCCIOS DISTRIBUIO NORMAL
1. X uma varivel aleatria contnua, tal que X = N (12;25). Qual a probabilidade de uma observao ao
acaso:
a) ser menor do que -3
b) cair entre -1 e 15
2. Uma fbrica de pneumticos fez um teste para medir o desgaste de seus pneus e verificou que ele
obedecia a uma distribuio normal, de mdia 48.000 km e desvio padro 2.000 km. Calcular a
probabilidade de que um pneu escolhido ao acaso:
a) dure mais que 46.000 km
b) dure entre 45.000 e 50.000 km
21/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
3. O padro de qualidade recomenda que os pontos impressos por uma impressora estejam entre 3,7 e 4,3
mm. Uma impressora imprime pontos, cujo dimetro mdio igual a 4 mm e o desvio padro 0,19 mm.
Suponha que o dimetro dos pontos tenha distribuio normal.
a) Qual a probabilidade do dimetro de um ponto dessa impressora estar dentro do padro?
b) Qual deveria ser o desvio padro para que a probabilidade do item (a) atingisse 95%?
4. Suponha que o dimetro mdio dos parafusos produzidos por uma fbrica 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.
a) Encontre a porcentagem de parafusos defeituosos
b) Qual deve ser a medida mnima para que tenhamos no mximo 12% de parafusos defeituosos?
22/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
5. Os salrios semanais dos operrios industriais so distribudos normalmente em torno de uma mdia de
$360,00 com desvio padro de $ 50,00. Pede-se:
a) encontre a probabilidade de um operrio ter salrio semanal situado entre $ 300,00 e $ 400,00
b) dentro de que desvios de ambos os lados da mdia, cairo 96% dos salrios?
6. A durao de certo componente eletrnico tem mdia de 850 dias e desvio padro 45 dias. Calcular a
probabilidade de esse componente durar:
a) entre 700 e 1.000 dias
b) mais que 800 dias
c) menos que 750 dias
d) exatamente 1.000 dias
e) qual deve ser o nmero de dias necessrios para que tenhamos de repor no mximo 5% dos
componentes?
7. Os pesos de 600 estudantes so normalmente distribudos com mdia de 65,3 kg e desvio padro 5,5
kg. Encontre o nmero de alunos que pesam:
a) entre 60 e 70 kg
b) mais que 63,2 kg
8. Suponha que as notas de uma prova sejam normalmente distribudas com mdia 73 e desvio padro 15.
15% dos alunos mais adiantados recebem a nota A e 12% dos mais atrasados recebem nota F. Encontre o
mnimo para receber A e o mnimo para passar, no receber F.
9. Seja Y uma funo tal que Y = X1 + X2 + X3 e as variveis Xi so independentes com as seguintes
distribuies: X1 = N(10;9), X2 = N(-2;4) e X3 = N (5;25). Qual a distribuio de Y?
10. Certo produto tem peso mdio de 10 g e desvio padro 0,5 g. embalado em caixas de 120 unidades
que pesam em mdia 150 g e desvio padro 8 g. Qual a probabilidade de que uma caixa cheia pese mais
de
1.370 g?
11. Determinada mquina enche latas baseada no peso bruto com mdia 1 kg e desvio padro 25 g. As
latas tm peso de 90 g com desvio padro 8 g. Pede-se:
a) a probabilidade de uma lata conter menos de 870 g de peso lquido
b) a probabilidade de uma lata conter mais de 900 g de peso lquido
12. Um avio de turismo de 4 lugares pode levar uma carga til de 350 kg. Supondo que os passageiros
tm peso de 70 kg com distribuio normal de peso e desvio padro 20 kg, e que a bagagem de cada
passageiro pese em mdia 12 kg, com desvio padro 5 kg e distribuio normal do peso, calcular a
probabilidade de:
a) haver sobrecarga se o piloto no pesar os 4 passageiros e respectiva bagagem
b) que o piloto tenha de tirar pelo menos 50 kg de gasolina para evitar sobrecarga
13. Em uma distribuio normal, 28% dos elementos so superiores a 34 e 12% inferiores a 19. Encontrar
a mdia e a varincia da distribuio.
14. Suponha que a durao de vida de dois equipamentos E1 e E2 tenham respectivamente distribuies
N(45;9) e N(40;36). Se o equipamento tiver que ser usado por um perodo de 45 horas, qual deles deve
ser preferido?
23/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
15. Certa mquina de empacotar determinado produto oferece variaes de peso com desvio padro de 20
g. Em quanto deve ser regulado o peso mdio do pacote para que apenas 10% tenham menos que 400 g?
Calcule a probabilidade de um pacote sair com mais de 450 g.
16. Sendo X N ( ; 2), determine:
a) P ( - X + )
b) P ( - 2 X + 2)
c) P ( - 3 X + 3)
d) P ( - 1,5 X + 1,5)
e) P ( - 3,5 X + 3,5)
24/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
17. Com base nas respostas obtidas no exerccio anterior, pode-se concluir que para qualquer distribuio
Normal:
a) o intervalo compreendido entre o valor da mdia menos "um" desvio padro e o valor da mdia mais
"um" desvio padro contm aproximadamente 68% das observaes.
Elabore concluses semelhantes, considerando os resultados obtidos nos outros itens do exerccio
anterior.
18. Num laticnio, a temperatura do pasteurizador deve ser de 75C. Se a temperatura ficar inferior a
70C, o leite poder ficar com bactrias malficas ao organismo humano. Observaes do processo
mostram que valores da temperatura seguem uma distribuio normal com mdia 75,4C e desvio padro
2,2C.
a) Qual a probabilidade da temperatura ficar inferior a 70C?
b) Qual a probabilidade de que em 500 utilizaes do pasteurizador, em mais do que cinco vezes a
temperatura no atinja 70C?
19. O tempo para que um sistema computacional execute determinada tarefa uma varivel aleatria com
distribuio normal, com mdia 320 segundos e desvio padro de 7 segundos.
a) Qual a probabilidade de a tarefa ser executada entre 310 e 330 segundos?
b) Se a tarefa colocada para execuo 200 vezes, qual a probabilidade de ela demorar mais do que 325
segundos em pelo menos 50 vezes?
20) Um exame de mltipla escolha consiste em 10 questes, cada uma com quatro possibilidades de
escolha. A aprovao exige, no mnimo, 50% de acertos.
a) Qual a probabilidade de aprovao se o candidato comparece ao exame sem saber absolutamente
nada, apelando apenas para o "palpite"?
b) E se o exame tivesse 100 questes?
21. No horrio de maior movimento, um sistema de banco de dados recebe, em mdia, 100 requisies
por minuto, segundo uma distribuio de Poisson. Qual a probabilidade de que no prximo minuto
ocorram mais de 120 requisies? Use a aproximao normal com correo de continuidade.
22. Os dados histricos de uma rede de computadores sugerem que as conexes com essa rede, em
horrio normal, seguem uma distribuio de Poisson com mdia de 5 conexes por minuto. Calcule t 0, tal
que se tenha probabilidade igual a 0,90 de que ocorra pelo menos uma conexo antes do tempo t0.
23. Uma empresa fabrica dois tipos de monitores de vdeo. suposto que as durabilidades deles seguem
distribuies normais, sendo o monitor M1 com mdia de 6 anos e desvio padro 2,3 anos; e o monitor
M2 com mdia de 8 anos e desvio padro 2,8 anos. M1 tem 2 anos de garantia e M2 tem 3 anos. A
empresa lucra R$ 100,00 a cada M1 vendido e R$ 200,00 a cada M2 vendido, mas se deixarem de
funcionar no perodo de garantia, a empresa perde R$ 300,00 (no caso de M1) e R$ 800,00 (no caso de
M2). Em mdia, qual o tipo de monitor que gera mais lucro?
AVANADO
24. Uma fbrica de calados masculinos deseja exportar um lote experimental de 500 pares de um
determinado modelo. Sabendo que no pas de destino, o tamanho dos ps tem distribuio normal com
mdia 40 cm e desvio padro de 1,67 cm, e no desejando ter seu produto encalhado nas prateleiras de
destino, qual deve ser a composio do lote em termos da numerao dos pares de 35 a 45?
25/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
27/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
Nota: A expresso P{A}) acima uma conseqncia da suposio de que todos os resultados sejam
igualmente verossmeis (ou equiprovveis), e portanto s deve ser aplicada quando essa suposio for
atendida.
A8. Principais Teoremas e Propriedades da Probabilidade
8.1. PROBABILIDADE DO CONJUNTO VAZIO
P{} = 0 (evento impossvel)
8.2. PROBABILIDADE DO EVENTO CERTO
P{S} = 1 (evento certo)
8.3. PROBABILIDADE DO COMPLEMENTO
Se A o complemento do evento A, ento P{ A } = 1 P{A}
8.4. PROBABILIDADE DA UNIO DE EVENTOS (OU TEOREMA DA SOMA)
Se A e B so dois eventos quaisquer, ento P{A U B} = P{A} + P{B} P{A B}
A9. Probabilidade Condicionada
Dados dois eventos A e B, denota-se P{A/B} probabilidade condicionada do evento A, quando B tiver
ocorrido. Pode ser obtida pela diviso da probabilidade conjunta P{A e B} pela probabilidade do evento
P A B
P A B
B.
P A / B
e tambm,
P B / A
P B
P A
De outra forma, P{A/B} a razo entre o n de vezes que A e B podem ocorrer e o n de vezes que B
pode ocorrer.
Se os eventos A e B forem independentes, ento P{A/B} = P{A} e P{B/A} = P{B}.
28/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
EXEMPLO: Um lote possui 20 peas defeituosas e 80 peas perfeitas. Seleciona-se 2 peas deste lote
sem reposio. Sejam os eventos:
A = {a primeira pea defeituosa} e
Na retirada da primeira pea, temos P{A} = 20/100 = 1/5. Para calcularmos P{B}, preciso conhecer a
nova composio do lote no momento da extrao da segunda pea. Isto significa saber se A ocorreu ou
no.
Se A ocorreu, teremos agora 19 peas defeituosas e 80 perfeitas, o que implica em P{B/A} = 19/99.
Caso no tenha ocorrido A, teremos 20 peas defeituosas e 79 perfeitas, implicando em P{B/ A } = 20/99.
29/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
ou
P{ A B} P{B}.P{ A / B}
1 19
.
5 99
19
495
EXEMPLO: Um escritrio de contabilidade possui 100 mquinas de calcular. Algumas so eltricas (E) e
outras manuais (M), enquanto umas so novas (N) e outras so usadas (U), conforme tabela abaixo. Uma
pessoa entra no escritrio, pega uma mquina ao acaso e observa que ela nova (N). Qual a probabilidade
de que a mquina seja eltrica (E)?
E
M
N
40
30
70
U
20
10
30
60
40
100
Queremos calcular P{E/N}, que segundo a frmula P{E/N} = P{EN}/P{N} resulta em:
P{E / N}
P{E N}
40 / 100
4
P{N}
70 / 100
7
EXEMPLO 1: Retomemos o exemplo do lote com 20 peas defeituosas e 80 peas perfeitas. Seleciona-se
2 peas deste lote sem reposio. Sejam os eventos:
A = {a primeira pea defeituosa} e
19 1
20 4
.
.
99 5
99 5
19 80
99 . 5
1
5
EXEMPLO 2: Uma determinada pea produzida por trs fbricas 1, 2 e 3. Sabe-se que a fbrica 1 produz
o dobro de peas que a fbrica 2 e que 2 e 3 produzem a mesma quantidade. Sabe-se tambm que 2% das
peas produzidas por 1 e 2 so defeituosas e que 4% das peas produzidas por 3 so defeituosas. Estando
30/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
todas as peas produzidas armazenadas em um depsito, extrai-se dali uma pea ao acaso. Qual a
probabilidade da pea ser defeituosa?
Consideremos os seguintes eventos:
D = {a pea defeituosa}, F1 = {a pea provem de 1}, F2 = {a pea provem de 2} e F3 = {a pea provem
de 3}.
Temos assim que calcular P{D} = P{D/F1}.P{F1} + P{D/F2}.P{F2} + P{D/F3}.P{F3}.
Sabemos que P{F1} = 1/2 e P{F2} = P{F3} = 1/4 e sabemos tambm que P{D/FB1}=P{D/F2}=0,02
enquanto P{D/F3}=0,04. Aplicando estes valores expresso acima, encontramos:
P{D} = (0,02).(0,5) + (0,02).(0,25) + (0,04).(0,25) = 0,01 + 0,005 + 0,01 = 0,025 = 2,5%
31/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
P{ A i }.P{B / A i }
P{ A1}.P{B / A1} P{ A 2 }.P{B / A 2 } ... P{ A n }.P{B / A n }
EXEMPLO: Retomando o Exemplo 2 do item anterior, suponha que retiramos uma pea e seja constatado
que ela defeituosa. Qual a probabilidade de que ela tenha sido produzida pela fbrica 1?
Pede-se portanto a probabilidade P{F1/D}. Considerando-se que F1, F2 e F3 constituem uma partio do
espao amostral (temos apenas 3 fbricas, e uma pea somente pode ser fabricada por uma destas trs
fbricas) , adaptamos a frmula de Bayes trocando B por D e Ais por Fis.
P{D / F1 }.P{F1 }
P{F1 / D}
P{D / Fi }.P{Fi }
(0,02)(0,5)
Notas:
n r !
NO EXCEL
Funo PERMUT(nm;nm_escolhido): Retorna o nmero de permutaes para um
dado nmero de objetos que pode ser selecionado de objetos de nmeros. Uma permutao
qualquer conjunto ou subconjunto de objetos ou eventos em que a ordem interna
significativa. As permutaes so diferentes das combinaes em que a ordem interna no
significativa. Use esta funo para clculos de probabilidade do tipo loteria.
nm um nmero inteiro que descreve o nmero total de objetos.
nm_escolhido o nmero inteiro que descreve o nmero de objetos em cada
permutao.
COMENTRIOS
a) Os dois argumentos so truncados para nmeros inteiros.
b) Se nm ou nm_escolhido no for numrico, PERMUT retornar o valor de erro
#VALOR!
32/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
33/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
13.2. COMBINAES
Quando a ORDEM dos elementos dentro do grupo no importa, mas apenas a quantidade de cada
elemento no grupo, utiliza-se a COMBINAO. A frmula para clculo de combinaes :
C n, r
n!
r!. n r !
NO EXCEL
Funo COMBIN(nm;nm_escolhido): Retorna o nmero de combinaes de um
determinado nmero de itens. Uma combinao qualquer conjunto ou subconjunto de
itens, independentemente da sua ordem interna. As combinaes diferem das permutaes
para as quais a ordem interna importante. Use COMBIN para determinar o nmero total
possvel de grupos para determinado nmero de objetos.
nm um nmero inteiro que descreve o nmero total de objetos.
nm_escolhido o nmero inteiro que descreve o nmero de objetos em cada
combinao.
COMENTRIOS
a) Os argumentos numricos so truncados para inteiros.
b) Se um dos argumentos no for numrico, COMBIN retornar o valor de erro #VALOR!.
c) Se nm < 0, nm_escolhido < 0, ou se nm < nm_escolhido, COMBIN retornar o
valor de erro #NM!
O uso da funo FATORIAL() nas frmulas da PERMUTAO e da COMBINAO acima, fornece os
mesmos resultados que PERMUT() e COMBIN()
NO EXCEL
Funo FATORIAL(nm): Retorna o fatorial de um nmero. O fatorial de um nmero o
nmero igual ao produto 1*2*3*...*num.
nm o nmero no-negativo do qual se deseja obter o fatorial. Se nm no for um inteiro,
ser truncado.
EXEMPLOs:
a) Com 8 pessoas, quantas comisses de 3 membros podem ser escolhidas?
Como a ordem das pessoas numa comisso no importa, temos C(8,3) = 8!/(5!.3!) = 8.7 = 56 comisses.
b) Um grupo de 8 pessoas formado de 5 homens e 3 mulheres. Quantas comisses mistas de 3 pessoas
podem ser formadas, nas quais se tenha exatamente 2 homens?
Aqui temos que escolher 2 homens dentre 5 e 1 mulher dentre 3. Assim, o nmero procurado
C(5,2)C(3,1) =
10x3 = 30 comisses.
34/39
MODELOS ESTATSTICOS I
MODELOS PROBABILSTICOS
35/39
ESTATSTICA I
ESTATSTICA I
ESTATSTICA I
ESTATSTICA I