Recife, 2010

Estatstca Exploratria
UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO (UFRPE)
COORDENAO GERAL DE EDUCAO A DISTNCIA (EAD/UFRPE)
Marco Domingues
Jesa Domingues
Volume 2
Universidade Federal Rural de Pernambuco
Reitor: Prof. Valmar Corra de Andrade
Vice-Reitor: Prof. Reginaldo Barros
Pr-Reitor de Administrao: Prof. Francisco Fernando Ramos Carvalho
Pr-Reitor de Atvidades de Extenso: Prof. Delson Laranjeira
Pr-Reitora de Ensino de Graduao: Prof Maria Jos de Sena
Pr-Reitora de Pesquisa e Ps-Graduao: Prof Antonia Sherlnea Chaves Vras
Pr-Reitor de Planejamento: Prof. Romildo Morant de Holanda
Pr-Reitor de Gesto Estudantl: Prof. Valberes Bernardo do Nascimento
Coordenao Geral de Ensino a Distncia: Prof Marizete Silva Santos
Produo Grfca e Editorial
Capa e Editorao: Rafael Lira, Italo Amorim e Arlinda Torres
Reviso Ortogrfca: Elias Vieira
Ilustraes: Allyson Vila Nova
Coordenao de Produo: Marizete Silva Santos
Sumrio
Apresentao ................................................................................................................. 4
Conhecendo o Volume 2 ................................................................................................ 5
Captulo 1 Probabilidade ............................................................................................. 7
1.1. Teoria dos Conjuntos ................................................................................................8
1.2. Anlise Combinatria .............................................................................................10
1.3. Experimentos Aleatrios, Espao Amostral e Eventos ............................................12
1.4. Defnies de Probabilidade ..................................................................................14
1.5. Probabilidade Condicional e Independncia ..........................................................16
1.6. Teorema de Bayes ...................................................................................................20
Captulo 2 Variveis Aleatrias .................................................................................. 27
2.1. Variveis Aleatrias.................................................................................................27
2.2. Distribuio de Probabilidade de Variveis Aleatrias Discretas ...........................28
2.3. Densidade de Probabilidade de Variveis Aleatrias Contnuas .............................32
2.4. Funo Distribuio de Probabilidade Acumulada ................................................34
2.5. Esperana de Variveis Aleatrias ..........................................................................38
2.5.1. Caso em que H(X) = X .....................................................................................38
2.5.2. Caso em que H(X) = (X-E[X])
2
.........................................................................39
Conhea os Autores ..................................................................................................... 46
4
Estatstica Exploratria
Apresentao
Caro(a) aluno (a),
Seja bem-vindo (a) ao segundo volume do curso de Estatstca Exploratria.
No segundo mdulo, vamos aprender como calcular a probabilidade de ocorrncia de
determinados eventos, vamos estudar como representar fenmenos estocstcos e
fnalmente, vamos classifcar e estudar as distribuies de probabilidades.
O objetvo principal deste segundo volume proporcionar ao aluno o conhecimento
das principais abordagens estatstcas utlzadas na anlise probabilstca de diversos
fenmenos.
Bons estudos!
Marco Domingues e Jesa Domingues
Autores
5
Estatstica Exploratria
Conhecendo o Volume 2
No primeiro volume, voc estudou os contedos da estatstca exploratria. Foram
vistos os procedimentos para realizao de experimentos estatstcos, voc aprendeu
como construir e analisar grfcos e aplicar mdias resumo para sintetzar um conjunto de
dados. Neste segundo mdulo, voc ter oportunidade de compreender o comportamento
estocstco de diversos fenmenos. A seguir, voc pode entender a organizao deste
segundo mdulo.
Probabilidade, distribuies discretas e contnuas.
Carga horria: 15 h/aula
Objetvo do volume 2: Ao fnal deste mdulo, o aluno ter condies de calcular
a probabilidade de ocorrncia de eventos, reconhecer a natureza da distribuio dessas
probabilidades e entender porque to importante verifcar a aderncia de um conjunto de
dados a uma determinada distribuio conhecida.
Assuntos
Teoria dos Conjuntos e Anlise Combinatria;
Experimentos Aleatrios, Espao Amostral e Eventos;
Defnies de Probabilidade;
Teorema da Bayes;
Variveis Aleatrias;
Funo Distribuio de Probabilidade Acumulada;
Provas de Bernoulli e Distribuio de Bernoulli;
Distribuies Binomial, Poisson e Uniforme;
Distribuio Normal;
Teorema Central do Limite;
Distribuio Normal Como Aproximao da Distribuio Binomial.
Dicas de Estudo
O Captulo 1 aborda os conceitos da teoria dos conjuntos e anlise combinatria,
elementos essenciais para a compreenso da teoria das probabilidades. Voc
precisar dedicar bastantes ateno nos exemplos resolvidos;
No Captulos 2, voc aprender como representar a ocorrncia de um fenmeno
atravs de variveis aleatrias. importante que voc revise alguns exerccios do
clculo diferencial para poder resolver os exerccios;
Os Captulo 3 e 4 abordam as principais distribuies discretas e contnuas. Alm
das outras distribuies e fenmenos que elas podem modelar, voc deve dedicar
ateno especial distribuio normal. Ela ser muito utlizada no volume 3.
6
Estatstica Exploratria
Captulo 1
Metas
Ao fnal do captulo, esperamos que voc consiga:
Entender como a teoria dos conjuntos utlizada em probabilidade;
Utlizar a anlise combinatria como ferramenta para clculo de probabilidades;
Modelar fenmenos e determinar as probabilidades de ocorrncia.
Assuntos
Teoria dos Conjuntos;
Anlise Combinatria;
Experimentos Aleatrios, Espao Amostral e Eventos;
Defnies de Probabilidade;
Probabilidade Condicional e Independncia;
Teorema da Bayes.
7
Estatstica Exploratria
Captulo 1 Probabilidade
Vamos conversar sobre o assunto?
Quando uma moeda sem vcios arremessada para cima e deixada livre, estamos
diante de um experimento com dois possveis resultado, tambm chamados de eventos.
Um dos eventos termos a certeza de que a moeda ir cair at cho. O outro evento que
no sabemos com certeza, qual face fcar voltada para cima. O primeiro evento chamado
de determinstco, pois todas as vezes que uma moeda for jogada e deixada livre, ela ir
cair at o cho. O segundo evento chamado de no determinstco ou probabilstco, pois
no h certeza quanto ao seu resultado fnal. Sabemos que existe a chance de ser cara ou
a chance de ser coroa. Mas qual essa chance? Vivemos cercados de fenmenos, sistemas
e tarefas no determinstcas. Quando jogado um dado, voc sabe qual a chance da face
superior ser 4? Ou quando voc puxa uma carta do baralho, qual a chance dela ser do
naipe de copas? Quando vai para o trabalho, pode afrmar com certeza absoluta que ir
chegar no horrio? Existe uma chance de se atrasar? Quantas vezes voc j viu a previso
do tempo errar ao dizer que haveria um dia ensolarado e choveu? Para entender estes
fenmenos e saber calcular qual a chance de muitos deles ocorrerem, precisaremos
estudar probabilidade.
Diversas reas do conhecimento, seja na rea de exatas, humanas ou sade,
estudam fenmenos cujo comportamento no determinstco. Por esse motvo, a teoria
das probabilidades tem sido utlizada para entender e descrever esses fenmenos da forma
que eles devem ser tratados, probabilistcamente.
Os primeiros estudos sistemtcos da teoria de probabilidade comearam no sculo
XVII, motvados por se entender o funcionamento dos jogos de azar. No fnal do sculo XIX,
um modelo probabilstco para descrever o movimento das molculas em um lquido foi
proposto, sendo chamado de movimento browniano (HINES, 2006). Porm, foi a partr da
dcada de 30 do sculo passado, que as bases da teoria das probabilidades comearam a
ser consolidadas atravs de R. A. Fisher e R. Von Mises (FELLER, 1976).
A probabilidade a rea da matemtca que estuda as incertezas vindas de
experimentos no determinstcos. Para um experimento no determinstco qualquer, a
probabilidade de um evento ocorrer uma medida quanttatva da chance deste evento
ocorrer, quando h possibilidade de outros eventos tambm ocorrerem. Se o experimento
for jogar um dado (no viciado), por exemplo, os eventos possveis so os nmeros 1,2,3,4,5
ou 6. Todos eles possuem a mesma chance de ocorrer, pois a probabilidade de qualquer um
deles a mesma e vale 1/6.
Este captulo abordar os conceitos fundamentais da Teoria de Probabilidade.
Comearemos com uma reviso sobre Teoria de Conjuntos, pois precisaremos
freqentemente utlizar operaes de unio e interseo entre conjuntos para calcular
probabilidades. Em seguida apresentaremos o conceito de Variveis Aleatrias para
defnir Probabilidade e ento falaremos sobre uma questo muito importante chamada
Independncia de Eventos, que nos conduzir ao conceito de Probabilidade Condicional.
Depois de consolidar todos esses conceitos, chegaremos fnalmente ao Teorema de Bayes,
que resume todo o conhecimento de Probabilidade que iremos abordar.
8
Estatstica Exploratria
1.1. Teoria dos Conjuntos
Um conjunto pode ser defnido como um agregado ou uma coleo de objetos que
possuem alguma caracterstca comum a todos eles. Ele sempre representado por uma
letra maiscula e seus objetos so chamados de elementos.
Seja A um conjunto, se x for um elemento de A, ento x A (l-se: x pertence a A).
Caso contrrio x A (l-se: x no pertence a A). So exemplos de conjuntos:
C1 o conjunto das letras que formam a palavra banana, C1 = {a,b,n};
C2 o conjunto formado pelos nmeros mpares menores que 10, C2 = {1,2,3,5,7,9};
C3 o conjunto formado pelos nmeros reais entre 0 e 1, C3 = {x|x R, 0 < x < 1}
(l-se: x pertence C3 tal que x pertence ao conjunto dos reais R e x maior que zero
e menor que um);
C4 o conjunto das faces de uma moeda, C4 = {cara,coroa};
C5 o conjunto de letras e nmeros presentes em cartas de um baralho, C5 =
{2,3,4,5,6,7,8,9,10,a,d,j,k}.
Dados dois conjuntos quaisquer A e B, se todos os elementos de A pertencerem a
B, ento A ser um subconjunto de B. Matematcamente, A B (A est contdo em B). Se F
for o conjunto tal que F = {a,d,j,k}, ento F ser um subconjunto de C5. Dois conjuntos A e
B sero iguais se e somente se A B e B A. Se A = {1,2,3} e B = {2,3,1}, pela propriedade
anterior, A = B. Isto signifca que a ordem os elementos indiferente, importando somente
os elementos que compe o conjunto.
Alguns conjuntos so muito importantes e por isso precisam ser defnidos. O
primeiro o conjunto vazio ou conjunto nulo, representado por . Observe que o conjunto
{0} no vazio pois ele o conjunto formado pelo elemento zero. Portanto {0} . O
segundo conjunto importante chamado de conjunto universo, representado em geral pela
letra U. O conjunto universo formado por todos os objetos em considerao.
Quatro conseqncias diretas da propriedade de subconjuntos e dos Conjuntos U
e :
Seja A um conjunto, ento A;
Seja U o conjunto universo e A um conjunto do contexto de U, ento A U;
Seja A um conjunto, ento A A;
Se A B e B C, ento A C.
Voc perceber que estas informaes, at aqui apresentadas, serviro para a
compreenso das trs principais operaes entre conjuntos que sero apresentadas a
seguir. So elas: complemento, interseo e unio.
Sejam dois conjuntos A e B, e o conjunto universo U defnido no contexto de A e B,
ento:
O conjunto complemento de A, representado por A
C
, ser, A
C
= { x|x U, x A};
O conjunto interseo formado pelos elementos que pertencem a ambos
conjuntos A e B, A B = { x|x A e x B }. Se A B = , diz-se que A e B so
conjuntos mutuamente excludentes ou disjuntos;
O conjunto unio formado por todos os elementos dos conjuntos A e B, A B =
{x|x A ou x B };
Grafcamente estas operaes podem ser vistas atravs dos diagramas de Venn,
9
Estatstica Exploratria
mostrados na Figura 1. Os conjuntos esto representados pelas regies sombreadas.
Figura 1 Representao de conjuntos por Diagrama de Venn.
U o conjunto universo que contm todos os elementos de todos os conjuntos.
Em (a), o conjunto A. Em (b), A
c
o conjunto formado pelo complemento de A.
Em (c), o conjunto B. Em (d), B
c
conjunto formado pelo complemento de B.
Em (e), o conjunto formado pela interseo dos conjuntos A e B;
Em (f), conjunto formado pela unio dos conjuntos A e B.
Outras operaes teis entre Conjuntos. Sejam A, B e C trs conjuntos, ento:
(A B) C = (A B) (B C)
(A B) C = (A C) (B C)
(A B)
C
= A
C
B
C
(A B)
C
= A
C
B
C
Aprenda Pratcando
Exemplo 1 Seja o conjunto universo defnido como U = {a,b,c,d,e,f,g} e os
conjuntos A = {a,b,c}, B = {b,d,f} e C = {a,c,e,g}. Calcule:
A
C
, B
C
, C
C
, A B, B C, A B, A C, B C, A
C
B, C
C
A.
A
C
= {d, e, f, g} B
C
= {a, c, f, g} C
C
= {b, d, f}
A

B = {a, b, c, d, e, f} B C = U A B = {b} A C = {a, c}
B C = A
C
B = {d,f} C
C
A = {b}
10
Estatstica Exploratria
1.2. Anlise Combinatria
Alm dos conceitos sobre Conjuntos, a Teoria das Probabilidades utliza a anlise
combinatria para defnir a cardinalidade de conjuntos. Entende-se cardinalidade de um
conjunto como o tamanho ou nmero de elementos deste conjunto.
Na prxima seo, voc aprender o conceito de probabilidade em termos
de conjuntos, e principalmente em termos da razo entre o nmero de elementos de
conjuntos. Por esse motvo, precisamos entender e saber calcular o nmero de elementos
de conjuntos, que feito atravs de anlise combinatria.
Existem dois conceitos que iremos estudar em anlise combinatria: permutaes,
combinaes e arranjos.
Permutao
A permutao uma disposio ordenada de objetos distntos (diferentes). Uma
permutao difere da outra se a ordem de organizao ou se os objetos so diferentes.
Veja se voc entendeu - suponha, por exemplo, que existem um conjunto chamado Letras =
{a,b,c,d,e}. De quantas maneiras diferentes podemos formar pares com essas letras?
Os pares que podero ser formados sero: ab, ac, ad, ae, ba, bc, bd, be, ca, cb, cd,
ce, da, db, dc, de, ea, eb, ec, ed, totalizando 20 permutaes possveis. Observe
que o par ab distnto de ba.
Apresentamos um exemplo em que tnhamos um conjunto com 5 elementos e
queramos permut-los dois a dois. Mas poderamos querer trs a trs tambm. Para um
caso geral, onde temos n elementos e desejamos permut-los r a r, podemos calcular o
nmero de permutaes possveis atravs da equao:
onde n! = 1 2 3 ... n. Por defnio 0! = 1 e quando r = n temos que P
n,n
= n!.
Se desejarmos realizar permutaes com objetos indistnguveis, devemos utlizar
outra equao. Suponha que o conjunto possui n objetos, dos quais n
1
so todos de um
mesmo tpo, porm indistnguveis entre si, n
2
so de outro tpo e tambm indistnguveis
entre si, e assim por diante at n
k
. Sabe-se que n = n
1
+ n
2
+ ... + n
k
. Ento o nmero de
permutaes possveis ser:
Suponha que desejamos saber o nmero de permutaes possveis com as letras
da palavra Araraquara, ento teremos que, n=10, n
1
=5 (A), n
2
=3 (R), n
3
=1(Q), n
4
=1(U), e o
nmero de permutaes ser:
.
Existe tambm a situao em que desejamos combinar elementos, mas a ordem
em que eles esto dispostos no importante. Por exemplo, suponha que uma sala de aula
tenha 15 alunos e desejamos formar grupos de 3 alunos para realizar uma tarefa. O grupo
formado por Tas, Bruno e Miguel o mesmo que Bruno, Miguel e Tas, no ? Nestas
situaes estamos falando sobre combinaes. Uma combinao ser diferente da outra
se os elementos que formam a combinao forem diferentes. Vamos utlizar novamente
o exemplo do conjunto Letras = {a,b,c,d,e}, se combinarmos as letras duas a duas, ento
teremos: ab, ac, ad, ae, bc, bd, be, cd, ce, ed, totalizando 10 combinaes possveis. Para
um caso geral, onde temos n elementos e desejamos combin-los r a r, podemos calcular o
11
Estatstica Exploratria
nmero de combinaes possveis atravs da equao:
A representao com parnteses muito comum, e em muitos casos, at mais
utlizada que a C
n,r
.. Duas propriedades das combinaes so muito utlizadas na resoluo
de problemas, so elas:
Aprenda Pratcando
A seguir, voc ser apresentado a exemplos de problemas que envolvem
combinaes ou permutaes. importante, antes de tudo, que voc tente reconhecer se o
problema trata de uma combinao ou de uma permutao.
Exemplo 1 Uma equipe de basquete possui 12 jogadores inscritos na competo.
Sabendo que entram em quadra apenas 6 jogadores, quantas formaes o tcnico
tem a sua disposio?
Neste caso, a ordem dos 6 jogadores em quadra no um fator importante, por
isso, trata-se de um problema de combinao. Dado que temos 12 jogadores, queremos
combin-los 6 a 6.
formaes.
Exemplo 2 Uma moa possui 3 blusas e 2 calas, todas as 5 peas tm cores
diferentes. A cada dia, ela quer sair com uma blusa e uma cala diferente. Quantos
dias ela poder sair sem que tenha repetdo nenhuma vez o conjunto blusa-cala?
Vamos resolver este exemplo atravs de um diagrama de rvore. Um diagrama de
rvore mostra grafcamente, todos os resultados possveis.
Portanto, a moa poder sair 6 dias sem ter que repetr nenhum conjunto blusa-
cala.
Exemplo 3 De quantas maneiras 9 pessoas podem sentar em um banco que possui
4 lugares?
12
Estatstica Exploratria
Trata-se de um problema de permutao, onde n=9 e r=4, ento
maneiras.
Exemplo 4 Devemos arrumar em uma estante, 6 livros de biologia, 4 livros de
histria e 2 livros de matemtca. De quantas formas podemos dispor os livros
considerando que os livros de cada assunto devem fcar juntos
Os livros de biologia podem permutar entre si, gerando, portanto P
6,6
= 6!=720. O
mesmo para os livros de histria e matemtca, gerando P
4,4
= 4! = 24 e P
2,2
= 2! = 2. Depois
os trs conjuntos de livro podem permutar entre si, ento P
3,3
= 3! = 6. Assim o nmero de
posies possveis ser 4! 6! 2! 3! = 207360.
1.3. Experimentos Aleatrios, Espao Amostral e
Eventos
Existe uma relao intuitva entre o estudo da probabilidade e os chamados
experimentos que envolvem incertezas, sejam esses experimentos reais ou imaginrios
(abstratos). Por exemplo, quando olhamos para o cu e dizemos - acho que a chance de
chover hoje baixa, ou quando estamos dando um palpite sobre o placar de um jogo -
acho que o tme A tem mais chances de vencer do que o tme B - estamos falando de
experimentos reais em que, apesar de conhecermos os resultados possveis (chove ou no
chove, vitria empate ou derrota), no h certeza de qual deles ocorrer. Geralmente esses
experimentos so complexos porque envolvem muitas variveis, e isso gera difculdades em
tentar calcular ou medir matematcamente a chance de ocorrncia.
Por outro lado, os experimentos imaginrios so aqueles em que utlizamos jogos de
dados, cartas ou moedas para conseguir mostrar exemplos de aplicaes de probabilidade.
Novamente, ns sabemos quais so os possveis resultados para cada experimento, porm
no termos certeza de quais respostas ocorrero. A grande vantagem desses experimentos
sua simplicidade. Por exemplo, Qual chance de eu jogar uma moeda 3 vezes e observar
nas 3 vezes a face da coroa? Todas as variveis do problema so conhecidas, o que facilita
imensamente a sua compreenso.
Os exemplos de experimentos citados at agora so chamados de experimentos
aleatrios. Todo experimento aleatrio possui um conjunto de caracterstcas comuns, so
elas:
No sabemos qual ser a resposta do experimento, mas conhecemos todas as
respostas possveis;
Quando repetmos o experimento, sob as mesmas condies, ele no reproduz a
mesma resposta;
Na medida em que o nmero de repetes do experimento aumenta, sob as
mesmas condies, comeamos a observar certos padres de freqncia de
ocorrncia das respostas possveis.
Quando um experimento aleatrio realizado, sabemos de antemo quais so
as possveis respostas deste experimento. O conjunto S formado por todas as
respostas possveis de um experimento chamado de Espao Amostral.
Entende-se por evento um subconjunto de elementos do espao amostral S.
Entende-se por evento simples quando nos referimos a apenas um elemento de S,
13
Estatstica Exploratria
qualquer que seja ele, contanto que pertena a S.
Um experimento no aleatrio, tambm chamado de determinstco, ir gerar
sempre o mesmo resultado. Por exemplo, suponha que estejamos na janela de um
apartamento situado no 3 andar. Ento soltamos uma pedra, e medimos o tempo que ela
demora a cair. Se repetrmos o experimento tantas vezes quanto quisermos, iremos medir
o mesmo tempo. S mediremos outro valor de tempo, se as condies do experimento
mudarem (por exemplo, se formos para local mais alto ou mais baixo e soltarmos a pedra).
Aprenda Pratcando
A partr de agora voc ver um conjunto de exemplos de experimentos aleatrios
com seus respectvos Espaos Amostrais e Eventos relacionados, para que voc possa
refetr e verifcar como eles esto presentes no dia-dia.
Exemplo 1 - Jogar uma moeda 3 vezes e observar as seqncias de caras
e coroas. Considere a face cara representada por C e coroa por .
.
Evento 1: sequncias com uma coroa, .
Evento 2: sequncias apenas com caras, E = {CCC}.
Exemplo 2 Jogar um dado e observar a face superior. S = {1,2,3,4,5,6}.
Evento: observar face do dado maior ou igual a 5, E (x > = 5) = {5,6}.
Exemplo 3 Retrar um lote de um produto em uma linha de produo e contar
o nmero de produtos defeituosos. Este nmero deve variar de lote para lote.
S = {0,1,2,3,...}.
Evento: lotes com menos de quatro defeitos, E = {0, 1, 2, 3}.
Exemplo 4 Puxar duas cartas de um baralho e observar os naipes das cartas. Seja
o naipe de copas representado por C, espadas por E, paus por P e ouro por O, ento
o Espao Amostral ser S = {CC, CE, CP, CO, EE, EP, EO, PP, PO, OO}.
Evento: ao menos uma carta do naipe de espada, E = {CE, EE, EP, EO}.
Exemplo 5 Observar os carros que entram em um estacionamento em um
determinado horrio do dia. Este nmero deve variar dia a dia. S = {0,1,2,3,...}.
Evento: carro deve ser vermelho, E = {0,1,2,...}.
Exemplo 6 Uma moeda lanada at que aparea coroa pela primeira vez.
Evento: seqncia possui duas caras, .
Exemplo 7 Observar o volume de gua que cai nas Cataratas do Iguau, em um
dia. Os eventos so nmeros reais.
Evento: volumes menores que um valor W, E (x<W) = {x|x S, x < W}.
Os Exemplos 1, 2 e 4 possuem Espao Amostral fnito, enquanto os exemplos 3, 5
e 6 apresentam Espao Amostral infnito, mas enumervel. O exemplo 7 apresenta Espao
Amostral infnito e inumervel.
14
Estatstica Exploratria
1.4. Definies de Probabilidade
A probabilidade de um evento ocorrer uma medida quanttatva da possibilidade
da ocorrncia do evento, visto que o experimento aleatrio possui incertezas quanto ao seu
resultado (ou seja, qual evento ir ocorrer). Existem trs formas de se defnir a probabilidade
de um evento para um experimento aleatrio: a forma clssica ou a priori, a forma baseada
na frequncia ou a posteriori e a forma axiomtca.
Porm, antes de entendermos como calcular probabilidades, precisamos aprender
o conceito de eventos igualmente provveis. Quando um experimento aleatrio
realizado, supomos a princpio, que qualquer evento pode ocorrer com a mesma chance
que os outros, como quando jogamos um dado. A chance da face superior ser 5 deve ser a
mesma que para todas as outras faces - 1,2,3,4 ou 6. Caso isso no ocorra (por exemplo, se
um trapaceiro modifcar o dado), ento diremos que o dado viciado e os eventos no so
igualmente provveis.
Forma Clssica ou a priori
Seja um experimento com espao amostral S composto por N eventos simples
igualmente provveis. Seja A um evento em S composto por m eventos simples. A
probabilidade clssica ou a priori do evento A ocorrer, chamado de P(A), defnida como:
Calma! Vamos devagar. Veja o caso do jogo de um dado j citado aqui. O nmero de
eventos simples do experimento N = 6. Se o evento A for: a face superior do dado 2. Qual
a probabilidade do evento A ocorrer?
Sendo A = {2} e m =1, ento P(A = 2) = 1/6, que a mesma probabilidade de ocorrer
qualquer outro nmero. Mas se o evento A for: a face superior do dado deve ser um nmero
maior ou igual a 3. Ento A = {3,4,5,6} e m = 4. A probabilidade de A ocorrer ser P (A 3) =
4/6 = 2/3.
Forma baseada na frequncia ou a posteriori
Para se calcular a probabilidade a posteriori, necessrio repetr o experimento
N vezes. A probabilidade calculada empiricamente e surgiu a partr do conceito de
freqncia relatva dos eventos. Para um evento A, contamos a freqncia da ocorrncia de
A, durante as N repetes, chamando-a de n
A
. A freqncia relatva de A, f
n,A
, ser igual a
probabilidade a posteriori P(A) do evento A ocorrer::
Neste caso, Suponha que uma moeda seja jogada 1000 vezes. O evento A a
observao da face cara. Ela foi observada 520 vezes. Ento a probabilidade do evento A
ocorrer P(A = cara) = 520/1000 = 0,52.
As duas formas usadas para calcular a probabilidade apresentadas at aqui possuem
defcincias. No caso da probabilidade a priori, o termo igualmente provvel vago. Por
outro lado, para defnirmos a probabilidade a posteriori, precisamos defnir o nmero N de
repetes do experimento, que em geral grande, mas no sabemos o quo grande ele
deve ser para resultar em uma boa estmatva da probabilidade (SPIEGEL,1977). Por esses
motvos, procurou-se defnir probabilidade em termos axiomtcos, utlizando para isso a
teoria dos conjuntos.
15
Estatstica Exploratria
Forma Axiomtca
Seja S um espao amostral e A um evento de S, ento a funo probabilidade P(A)
deve satsfazer as seguintes propriedades:
0 P (A) 1, A S
P(S) = 1
P(A
1
A
2
A
3
...) = P(A
1
) + P(A
2
) + P(A
3
) +..., onde A
i
so conjuntos disjuntos ou
mutuamente excludentes.
Diante da defnio de probabilidade como uma funo que segue as trs
propriedades acima, podemos listar as seguintes propriedades para dos eventos A e B
pertencentes ao espao amostral S:
Se A = , ento P(A) = 0
P(A
C
) = 1 P(A)
P(A B) = P(A) + P(B) - P(A B)
Se A e B forem eventos de S, e A B, ento P(A) < P(B)
P(A B) = 0, se A e B forem mutuamente excludentes
P(A B C) = P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C).
Sejam A e B dois eventos de S, ento:
P(A B) = P(A) + P(B) - P(A B)
Se A e B forem mutuamente excludentes, ento P(A B) = 0.
Aprenda Pratcando
Exemplo 1 Uma caixa possui 6 bolas vermelhas, 4 brancas e 5 azuis. Retra-se uma
bola da caixa. Qual a probabilidade de a bola:
A) ser vermelha
B) ser branca
C) ser azul
D) no ser vermelha
E) ser branca ou azul
Sejam as bolas vermelhas, brancas e azuis representadas por V, B e A.

P(B ou A) = P(B A) = P(B) + P(A) - P(B A) =
Exemplo 2 Seja um baralho com 52 cartas. Retra-se uma carta. Qual a
probabilidade da carta ser:
A) um s
16
Estatstica Exploratria
B) o valete de copas
C) trs de paus ou seis de ouro
D) uma carta de copas
E) um dez ou uma carta de espadas
F) nem quatro nem cartas de paus.
Sejam os naipes representados por: C copas, P paus, O ouro, E espada, e as cartas
representadas por nmeros de 2 a 10, s (1), valete (11), dama (12), rei (13). O 6 de copas
ser 6C e o s de espada ser 1E, por exemplo.
P(1) = P((1 C) (1 P) (1 0) (1 E)) = P(1 P) + P(1 0) + P(1 E)
P(1) =
P(11 C) =
P((3 P) (6 0)) = P(3 P) + P(6 0) =
P(C) = P((1 C) ... (13 C)) = P(1 C) + ... + P(13 C) =
P(10 E) = P(10) + P(E) - P(10 E) =
P(4
C
P
C
) = 1 - P(4 P), mas P(4 P) = P(10 P) P(4C P
C
) = 1 -
Exemplo 3 Dois dados so lanados. Calcule as seguintes probabilidades:
A) Sair a face 3 num s dado
B) sair a face 4 em pelo menos um dado
C) a soma das faces seja um nmero par
O espao amostral S composto pela permutao de 6, visto que os dados so
diferentes, ento S = {{i,j}}, i,j = 1,2,3,4,5,6, portanto N = 6x6 = 36.
Evento A = {{3,1}, {3,2}, {3,4}, {3,5}, {3,6}, {1,3}, {2,3}, {4,3}, {5,3}, {6,3}},
m = 10.
Evento B = {{4,1}, {4,2}, {4,3}, {4,4}, {4,5}, {4,6}, {1,4}, {2,4}, {3,4}, {5,4}, {6,4}},
m = 11, .
Evento C = {{1,1}, {1,3}, {1,5}, {2,2}, {2,4}, {2,6}, {3,1}, {3,3}, {3,5}, {4,2}, {4,4}, {4,6},
{5,1}, {5,3}, {5,5}, {6,2}, {6,4},{6,6}}, m=18,
1.5. Probabilidade Condicional e Independncia
Em muitas situaes o fenmeno aleatrio que estamos estudando pode ser
separado em etapas. A informao obtda em uma etapa anterior poder infuenciar na
probabilidade da etapa atual, e assim por diante.
Vejamos o exemplo do lanamento consecutvo de uma moeda (duas vezes). O
evento que desejamos, ser, por exemplo, saber a probabilidade de ocorrer a sequncia
cara-cara. Para que isso ocorra, necessrio que o primeiro lance resulte cara. E depois
que o segundo lance tambm resulte cara. Dessa forma podemos separar o problema em
17
Estatstica Exploratria
duas etapas.
Mas lembre-se que o evento que desejamos cara-cara. Se a primeira etapa
resultar em coroa o que faremos? Precisamos impor uma condio de antemo, que o
primeiro lance resulte cara, para depois podemos calcular a probabilidade do segundo lance
tambm resultar em cara. Vamos tentar entender grafcamente antes de apresentarmos o
conceito formal de probabilidade condicional.
No grfco da Figura 02, vemos em (a), o conjunto de todos os eventos simples
do experimento aleatrio de jogar duas moedas e observar a seqncia das faces viradas
para cima (onde c = cara e = coroa). Em (b), aplicamos a condio de que cara ocorreu
na primeira jogada, reunindo os eventos simples de U que possuem essa condio no
subconjunto A. Em (c), reunimos no subconjunto B os eventos simples de U, cujo segundo
lanamento da moeda resultou em cara. Em (d), juntamos os resultados de (b) e (c),
avaliando que eventos so comuns aos conjuntos a A e a B. Observe que (d) pode ser
interpretado da seguinte forma: uma vez que sabemos que a primeira jogada foi cara (ou
seja, o evento que desejamos pertence ao conjunto A), quais elementos de A tveram a
segunda jogada cara (conjunto B)?
Figura 2 Probabilidade condicional em termos de Diagrama de Venn. Veja no texto explicaes mais
detalhadas.
Vamos ento defnir probabilidade condicional. Sejam dois eventos A e B, onde
P(A) > 0, a probabilidade de B ocorrer, dado que A ocorreu ser dada por:
Sejam A e B dois eventos ento:
P(A B) = P(B/A) P(A) = P(A/B) P(B)
Como exemplo didtco, suponha que um dado seja lanado e desejamos saber
qual a probabilidade da face superior ser maior ou igual a 4 quando: no sabemos qualquer
informao sobre o valor da face que fcou para cima; quando sabemos que o resultado do
dado foi mpar? No primeiro caso j calculamos anteriormente, ento a probabilidade ser:
P(B > 4) = P(B = 4) + P(B = 5) + P(B = 6) = .
18
Estatstica Exploratria
No segundo caso, sabemos que o dado resultou em um nmero mpar. Ento o
evento A ser o nmero impar A = {1,3,5} e o evento B ser o nmero maior ou
igual a 4 B = {4,5,6}. P(A) = , pois esta a probabilidade de uma jogada de dado resultar
em um nmero mpar. Agora A B = {5}, ento m=1, N=6, e P(A B) - m/N = 1/6. Portanto
P(x > 4 | x mpar) = .
Se tvermos A
1
, A
2
, ..., A
n
, eventos do espao amostral S, ento a probabilidade de
ocorrer A
1
e A
2
e A
3
, ..., e A
n
ser P(A
1
A
2
... A
n
) = P(A
1
)P(A
2
| A
1
) P(A
3
| A
1
A
2
) ... P(A
n
|
A
1
A
2
... A
n-1
).
Comentaremos agora sobre uma situao frequente em problemas da probabilidade
condicional chamada de independncia de eventos. Quando utlizamos a idia de separar
o problema em etapas, associamos a cada etapa a ocorrncia de um evento. A questo
posta aqui a seguinte: esses eventos possuem alguma relao entre si? No exemplo do
arremesso do dado, o evento ser mpar infuencia de alguma forma no evento ser maior
ou igual a 4? Ou no caso em que uma moeda lanada duas vezes, o evento observar
os resultados do primeiro lanamento pode infuenciar de alguma maneira no segundo
evento observar os resultados do segundo lanamento? Se a resposta for no, esto
dizemos que os eventos so independentes.
Matematcamente, dois eventos A e B so independentes se a informao da
ocorrncia ou no de A, no altera a probabilidade da ocorrncia de B. Isto :
P(B|A) = P(B)
Ou, equivalentemente
P(A B) = P(B) P(A)
Podemos ento listar algumas propriedades que envolvem probabilidade
condicional e independncia de eventos:
1) Se A
1
, A
2
eA
3
forem independentes, ento
a) P(A
i
A
j
) = P(A
i
)P(A
j
) i,j = 1,2,3
b) P(A
1
A
2
A
3
) = P(A
1
)P(A
2
) P(A
3
)
Aprenda Pratcando
Exemplo 1 Uma loja possui trs armrios iguais, cada um com duas gavetas. No
primeiro armrio, cada gaveta guarda um relgio de ouro. No segundo armrio, cada gaveta
guarda um relgio de prata. No terceiro armrio, uma gaveta guarda um relgio de ouro e
a outra gaveta guarda um relgio de prata. Suponha que um funcionrio escolha um dos
armrios e abra uma das gavetas, ambos ao acaso. Ele observa um relgio de prata. Qual a
probabilidade dele abrir a outra gaveta do mesmo armrio e encontrar um relgio de ouro?
Sabemos de antemo que a gaveta aberta possui um relgio de prata, ento ele
escolheu abrir uma gaveta ou do armrio 2 ou do armrio 3. Se for o armrio 2, ele ir
encontrar o relgio de ouro. Se for o armrio 3, ele ir encontrar o relgio de prata. Como,
inicialmente, o funcionrio se dirigiu para um dos armrios de forma casual, a probabilidade
dele escolher o armrio 2 a mesma do armrio 3. Ento a probabilidade dele achar e
observar um relgio de ouro em uma gaveta, dado que ele observou um relgio de prata na
outra gaveta ser 1/2.
Exemplo 2 Uma caixa possui 3 bolas brancas e 7 vermelhas. Duas bolas so
retradas da caixa, uma aps a outra, sem reposio. Determine o espao amostral e as
19
Estatstica Exploratria
probabilidades de cada par de evento possvel.
Bolas brancas e vermelhas sero representadas pelas letras B e V. Ento o espao
amostral ser S = {B
1
B
2
, B
1
V
2
, V
1
B
2
, V
1
V
2
}.
P(B
1
B
2
) = P(B
1
e B
2
) = P(B
2
|B
1
) P(B
1
) =
P(B
1
V
2
) = P(B
1
e V
2
) = P(V
2
|B
1
) P(B
1
) =
P(V
1
B
2
) = P(V
1
e B
2
) = P(B
2
|V
1
) P(V
1
) =
P(V
1
V
2
) = P(V
1
e V
2
) = P(V
2
|V
1
) P(V
1
) =
Exemplo 3 Um dado jogado duas vezes. Calcule a probabilidade de que na
primeira jogada ocorra um nmero menor que 3 e na segunda jogada ocorra um nmero
maior ou igual a 2.
Sejam os eventos A e B, relacionado primeira jogada S
A
= {1,2} e a segunda jogada
S
B
= {3,4,5,6}. Precisamos calcular a probabilidade condicional P(B e A). Ento,
P(B e A) = P(B A) = P(B|A) P(A) = P(A) P(B) = , observe que os eventos A
e B so independentes.
Exemplo 4 Um equipamento eletrnico formado por duas componentes A e B.
Por procedimentos anteriores sabe-se que P(A falhar) = 0.2, P(apenas B falhar) = 0.15, P(A e
B falharem simultaneamente) = 0.15. Calcule:
A) a probabilidade de apenas A falhar.
B) a probabilidade de A falhar, dado que B falhou.
Seja o evento A = componente A falhou e o evento B = componente B falhou,
temos ento pelos dados do problema que P(A) = 0,2; P(A
C
B) = 0,15 e P(A B) = 0,15.
A probabilidade de apenas A falhar ser P(A B
C
) = P(A) - P(A B) = 0,2 0,15 =
0,05.
P(A/B) =P(A B)/P(B), mas P(B) = P(B A
C
) + P(A B) = 0,15 + 0,15 = 0,3. Ento
Exemplo 5 Um dado lanado n vezes. Qual a probabilidade de que ao menos
uma vez tenha ocorrido o valor 6?
Seja o evento A ocorreu o 6 ao menos uma vez. P(A) = 1 P(A
c
), em que P(A
c
) a
probabilidade de que o valor 6 no ocorra. Em uma jogada, a probabilidade de no ocorrer
o 6 vale p = 5/6, e em n jogadas ser p
n
= (5/6)
n
. Ento P(A) = 1 - (5/6)
n
.
Exemplo 6 Numa casa moram trs pessoas. Qual a probabilidade de que:
A) todos faam aniversrio em dias diferentes da semana?
B) todos faam aniversrio no mesmo dia?
C) pelo menos dois faam aniversrio no mesmo dia da semana?
Seja os eventos A
1
todos fazem aniversrio em dias diferentes, A
2
ao menos dois
fazem aniversrio no mesmo dia e A
3
dois fazem aniversrio no mesmo dia.
,
,
20
Estatstica Exploratria
P(A
1
) + P(A
2
) + P(A
3
) = 1 P(A
3
) = 1 -
Exemplo 7 Em uma caixa esto 4 bolas brancas e 2 bolas vermelhas. Em outra
caixa esto 3 bolas brancas e 5 bolas vermelhas. Retra-se uma bola de cada caixa. Qual a
probabilidade de:
A) ambas as bolas serem brancas?
B) ambas as bolas serem vermelhas?
C) uma bola seja vermelha e outra branca?
Seja o evento B
1
bola branca retrada da caixa 1, evento B
2
bola branca retrada
da caixa 2. Ento a probabilidade de duas bolas brancas P(B
1
B
2
) =P(B
2
/B
1
) P(B
1
), como
os eventos so independentes P(B
1
B
2
) = P(B
2
) P(B
1
) = .
Para duas bolas vermelhas, P(B
2
C
B
2
C
) = P(B
2
C
) P (B
1
C
) =
P(B
C
B) + P(B
1
C
B
2
C
) + P(B B) = 1 P(B
C
B) = 1 -
Exemplo 8 Considere o experimento aleatrio de jogar duas moedas. Considere
ainda os eventos: A
1
cara no primeiro lanamento, A
2
cara no segundo lanamento, A
3

nos dois lanamentos ocorre a mesma face. Os eventos A
1
, A
2
e A
3
so independentes?
O espao amostral do experimento ser e os eventos sero
, e . Os eventos sero independentes se
P(A
1
A
2
A
3
= P(A
1
) P(A
2
) P(A
3
) e A
1
A
2
A
3
= {CC} P(A
1
A
2
A
3
) = . Temos que
P(A
1
) = , P(A
2
) = e P(A
3
) = . Ento P(A
1
A
2
A
3
) P(A
1
) P(A
2
) P(A
3
) e os eventos A
1
, A
2
e
A
3
no so independentes. Observe porm, que se avaliarmos apenas aos pares (A
1
, A
2
), (A
1
,
A
3
) e (A
3
, A
2
), eles sero independentes entre si.
1.6. Teorema de Bayes
O Teorema de Bayes, que iremos enunciar a seguir, sintetza todo o nosso estudo
sobre probabilidade realizado at aqui. Tudo que abordamos ao falar de probabilidade,
todos os conceitos e propriedades apresentadas, est resumido em uma simples formulao
matemtca. Seja persistente caso no consiga entender com a primeira leitura. Leia e releia
quantas vezes forem necessrias.
Seja um espao amostral S, que representa os resultados de um experimento
aleatrio. Seja S dividido em B
1
, B
2
, B
3
, ..., B
n
partes mutuamente excludentes ( ou seja B
1

B
2
= , B
1
B
3
= , ..., B
1
B
n
= , B
2
B
3
= , ..., B
2
B
n
= , B
3
B
4
= , ... B
3
B
n
= ,
...). Dado que um evento A ocorreu. A probabilidade de B
k
ocorrer, dado que A ocorreu ser:
Calma! Vamos apresentar vrios exemplos para que voc entenda essa equao.
Mas importante que voc faa todos os exemplos at entender bem esse importante
conceito.
O Teorema de Bayes permite determinar a probabilidade dos eventos B
1
, B
2
, B
3
, ...,
B
n
, que podem ser a causa da ocorrncia do evento A. Para elucidar melhor o Teorema de
21
Estatstica Exploratria
Bayes faremos trs exemplos de sua utlizao .
Aprenda Pratcando
Exemplo 1 Sejam trs caixas, onde a caixa n 1 possui 3 bolas brancas e 5
vermelhas, a caixa n 2 possui 5 bolas brancas e 1 bola vermelha, e a caixa n 3 esto 1
bola branca e 3 vermelhas. Escolhe-se uma bola de uma das trs caixas de acordo com as
seguintes probabilidade: P(caixa n 1) = 2/6, P(caixa n 2) = 3/6 e P(caixa n 3) = 1/6. Calcule
a probabilidade de:
A) se sortear uma bola branca.
B) se a bola branca foi sorteada, a probabilidade que ela tenha vindo da caixa 3.
Observe que a bola branca pode vir de qualquer uma das trs caixas. O evento B
ser bola branca sorteada e o evento C
i
, ser bola sorteada da caixa i, i=1,2,3. Ento a
probabilidade da bola sorteada ser branca ser:
P(B) = P(B C
1
) + P(B C
2
) + P(B C
3
) pois a bola pode ter vindo de qualquer caixa.
P(B/C
1
) = P(B C
1
) = P(B/C
1
) P(C
1
) =
P(B/C
2
) = P(B C
2
) = P(B/C
2
) P(C
2
) =
P(B/C
3
) = P(B C
3
) = P(B/C
3
) P(C
3
) =

Exemplo 2 Trs empresas fornecem o mesmo tpo de componente para uma
fbrica. Em todos os casos, suposto que os componentes sejam feitos da mesma forma.
Porm a fbrica testou os componentes vindos das trs empresas ao longo de anos, e
percebeu que: da empresa 1 na qual ela compra 15% deste componente, 2% deles vm
com defeito; da empresa 2, na qual a fbrica compra 80% deste componente, 1% vem
com defeito; da empresa 3, na qual a fbrica compra 5% deste componente, 3% vem com
defeito. Um componente que acabou de chegar na fbrica foi testado e avaliado. Qual a
probabilidade de:
A) ele ter vindo da empresa 1, dado que o teste mostrou que ele defeituoso?
B) ele ter vindo da empresa 2, dado que o teste mostrou que ele defeituoso?
C) ele ter vindo da empresa 3, dado que o teste mostrou que ele perfeito?
Seja o evento D o componente defeituoso e E
i
, o componente veio da empresa
i, com i=1,2,3.
Ento a probabilidade dele vir da empresa 2, sabendo que ele defeituoso ser:
22
Estatstica Exploratria

Atvidades e Orientaes de Estudos
Questo 1 De quantas maneiras podemos ordenar 7 livros em uma prateleira
quando:
A) qualquer arranjo possvel.
B) trs determinados livros devem fcar juntos?
C) 2 livros determinados devem fcar nas extremidades?
Questo 2 Quantos nmeros de 5 algarismos diferentes podem ser formados com
os algarismo 0, 1, ..., 9 se:
A) os nmeros devem ser mpares.
B) os dois primeiros algarismos devem ser pares?
C) recalcule A) e B) para o caso em que os algarismos podem se repetr
Questo 3 De quantas maneiras podemos agrupar 10 pessoas em:
A) dois grupos de 7 e 3 pessoas?
B) trs grupos de 5, 3 e 2 pessoas?
Questo 4 - Para cada experimento descrito a seguir, construa o conjunto S
referente ao Espao Amostral e o conjunto E de eventos, quando defnido.
Experimento A: arremessar dois dados e avaliar a soma das faces viradas para cima.
Evento: a soma maior ou igual a trs e menor que sete.
Experimento B: arremessar um dado duas vezes e observar as seqncias possveis
das faces viradas para cima. Evento: a soma do par de dados menor ou igual a 3.
Experimento C: jogar uma moeda duas vezes e observar as possveis seqncias de
cara e coroa. Evento: cara aparece duas vezes.
Experimento D: jogar uma moeda at que apaream duas caras seguidas. Evento:
aparecerem duas coroas.
23
Estatstica Exploratria
Experimento F: jogar uma moeda e um dado. Evento: cara e faces do dado menor
ou igual a 2.
Experimento G: Nmero de atendimentos em um hospital infantl em um dia.
Evento: pessoas com mais de dezoito anos atendidas no dia.
Questo 5 Joga-se um par de dados duas vezes. Calcule a probabilidade de se
obter um total de 7:
A) uma vez
B) ao menos uma vez.
C) duas vezes.
Questo 6 Extrai-se ao acaso uma bola de uma caixa que contm 10 bolas
vermelhas, 30 brancas 20 azuis e 15 laranjas. Determine a probabilidade de:
A) a bola extrada ser vermelha ou laranja.
B) no-vermelha ou azul.
C) no-azul
D) branca
Questo 7 Para os dados da Questo 6, suponha que duas bolas sejam retradas,
uma aps a outra com reposio. Determine a probabilidade de que:
A) ambas as bolas sejam brancas.
B) a primeira seja vermelha e a segunda branca.
C) nenhuma seja laranja
D) ou ambas sejam vermelhas, ou ambas brancas, ou vermelho e branca (no
importando a ordem).
E) a segunda seja no-azul
F) a primeira seja laranja.
G) ao menos uma seja azul
Questo 8 Um lote de 20 artgos avaliado a partr da inspeo ao acaso de 4
artgos extrados individualmente do lote. Se um artgo for defeituoso, o lote rejeitado. Se
o lote possui 10% dos artgos com defeito, calcule a probabilidade dele ser rejeitado quando:
A) as verifcaes so feitas com reposio
B) as verifcaes so feitas sem reposio
Questo 9 Em uma caixa existem 6 bolas vermelhas, 4 brancas e 5 azuis. So
retradas trs bolas sucessivamente. Qual a probabilidade de se retrar a seqncia
vermelho-branca-azul quando:
A) h reposio das bolas?
B) no h reposio das bolas?
Questo 10 Em uma cidade, cerca de 20% dos habitantes so alrgicos. Estma-se
ainda que 50% dos alrgicos pratcam atvidades fsicas, enquanto 40% dos no-alrgicos
pratcam atvidades fsicas. Se um indivduo escolhido ao acaso, calcule a probabilidade
dele:
A) no pratcar atvidades fsicas.
B) ser alrgico, sabendo que ele no pratca atvidades fsicas.
24
Estatstica Exploratria
Questo 11 Dois armrios guardam pares de sapatos masculinos e femininos.
No armrio da esquerda, esto guardados 3 pares femininos e 1 masculino. No armrio da
direita, esto guardados 2 pares femininos e 3 masculinos. Abre-se um armrio ao acaso e
pega-se um par de sapatos. Qual a probabilidade de:
A) encontrar um par feminino?
B) encontrar um par feminino sabendo que o armrio aberto foi o 1?
C) encontrar um par masculino, sabendo que o armrio aberto foi o 2?
Questo 12 Uma companhia que fura poos artesianos trabalha numa regio
escolhendo pontos aleatrios para perfurar um poo. Se em trs tentatvas no achar gua,
ela desiste. Admita que a probabilidade de perfurar um poo e encontrar gua de 0,7.
Calcule a Probabilidade de:
A) encontrar gua na segunda tentatva.
B) encontrar gua em at duas tentatvas
C) de encontrar gua.
Questo 13 Seja o experimento aleatrio de jogar uma moeda trs vezes e
observar a seqncia de caras. Sejam os eventos A
1
cara no primeiro lanamento, A
2

cara no segundo lanamento, A
3
cara no primeiro lanamento. Os eventos A
1
, A
2
e A
3

so independentes? Os eventos so independentes aos pares? Os eventos A
1
, A
2
e A
3
so
completamente independentes?
Questo 14 Seja o experimento aleatrio de jogar uma moeda trs vezes
e observar a seqncia de caras. Sejam os eventos
, e . Os eventos A
1
, A
2
e A
3

so independentes? Os eventos so independentes aos pares? Os eventos A
1
, A
2
e A
3
so
completamente independentes?
Questo 15 Uma fbrica de televisores compra 1/4 dos transistores que necessita
de um fornecedor 1 que garante uma confabilidade de 0,8 ao seu material (probabilidade
do componente no ter defeito). O restante dos transistores comprado aos fornecedores
2 e 3, na mesma proporo, sendo que um garante confabilidade de 0,9 e o outro de 0,7.
Seleciona-se ao acaso um transistor que est na fbrica:
A) qual a sua confabilidade?
B) se ele est com defeito, qual o provvel fornecedor?
Respostas:
Questo 1 (a) 5040 (b) 720 (c) 240
Questo 2 (a) 8400 (b) 2520 (c) 32805 e 11664
Questo 3 (a) 120 (b) 2520
Questo 4 Exp. A: S = {2,3,4,5,6,7,8,9,10,11,12}, E = {3,4,5,6}; Exp. B: S = {{1,1}, {1,2},
{1,3}, {1,4}, {1,5}, {1,6}, {2,1}, {2,2}, {2,3}, {2,4}, {2,5}, {2,6}, {3,1}, {3,2}, {3,3}, {3,4},
{3,5}, {3,6}, {4,1}, {4,2}, {4,3}, {4,4}, {4,5}, {4,5}, {5,1}, {5,2}, {5,3}, {5,4}, {5,5}, {5,6},
{6,1}, {6,2}, {6,3}, {6,4}, {6,5}, {6,6}}, E = {{1,1}, {2,1}, {1,2}}; Exp. C: ,
E = {CC}; Exp. D: , E = ; Exp. F:
, E = S = {1C,2C}; Exp. G: S = {0, 1, 2,
3, ...}, E = {0};
Questo 5 (a) 5/18 (b) 11/36 (c) 1/36
25
Estatstica Exploratria
Questo 6 (a) 1/3 (b) 3/5 (c) 11/15 (d) 2/5
Questo 7 (a) 4/25 (b) 4/75 (c) 16/25 (d) 64/225
(e) 11/15 (f) 1/5 (g) 104/225
Questo 8 (a) 0,00486 (b) 3/95
Questo 9 (a) 8/225 (b) 4/91
Questo 10 (a) 0,58 (b) 0,172
Questo 11 (a) 0,675 (b) 0,75 (c) 0,4
Questo 12 (a) 0,21 (b) 0,91 (c) 0,973
Questo 13 A
1
e A
2
independentes; A
1
e A
3
independentes; A
3
e A
2
independentes;
A
1
, A
2
e A
2
independentes; portanto A
1
, A
2
e A
2
so complemente independentes.
Questo 14 A
1
e A
2
independentes; A
1
e A
3
dependentes; A
3
e A
2
independentes;
A
1
, A
2
e A
2
independentes; portanto A
1
, A
2
e A
2
no so complemente independentes.
Questo 15 (a) 0,8 (b) P(fornecedor1|falha) = 0,25; P(fornecedor2|falha) =
0,1875, P(fornecedor3|falha) = 0,5625, portanto mais provvel que o transistor
venha do fornecedor
3
.
Vamos Revisar?
Neste captulo, aprendemos os conceitos bsicos de probabilidade. Primeiro
fzemos uma reviso sobre teoria dos conjuntos e anlise combinatria. Ento defnimos os
conceitos de experimento aleatrio, evento e espao amostral, para ento apresentarmos
o conceito de probabilidade visto nas suas trs formas: a priori, a posteriori e axiomtca.
Voc deve lembrar, antes de tudo, que probabilidade de um evento A um nmero real tal
que, 0 < P(A) < 1. Abordamos tambm experimentos aleatrios mais complexos que podem
ser divididos em partes, e mostramos como calcular a probabilidade de uma seqncia
de eventos relacionados entre si atravs da probabilidade condicional. Defnimos ainda o
conceito de independncia de eventos. Finalizamos apresentando o Teorema de Bayes
uma equao simples que traz consigo todos os conhecimentos abordados durante este
captulo.
26
Estatstica Exploratria
Captulo 2
Assuntos
Variveis Aleatrias;
Distribuio de Probabilidade de Variveis Aleatrias Discretas;
Densidade de Probabilidade de Variveis Aleatrias Contnuas;
Funo Distribuio de Probabilidade Acumulada;
Esperana de Variveis Aleatrias.
27
Estatstica Exploratria
Captulo 2 Variveis Aleatrias
Vamos conversar sobre o assunto?
Quando realizamos ou queremos descrever um experimento aleatrio, em geral,
o fazemos atravs de uma quantfcao numrica. Suponha que estejamos interessados
em estudar a proporo de meninos e meninas que nascem em uma dada maternidade.
A varivel sexo do beb aleatria, podendo assumir masculino ou feminino.
Observe que proporo dos nascidos por semana na maternidade que so meninas
uma varivel aleatria quanttatva, pois pode assumir valores numricos diferentes a cada
semana. Quando nos deparamos com variveis aleatrias que podem ser quantfcadas
numericamente, podemos extrair informaes respeito do comportamento do
experimento aleatrio na qual ela faz parte. Por esse motvo, ns precisamos estudar os
diferentes tpos de variveis aleatrias para assim entender as propriedades estatstcas que
elas trazem consigo.
2.1. Variveis Aleatrias
A forma mais adequada de descrever um experimento aleatrio feita atravs
da escolha de uma varivel numrica quanttatva, chamada de varivel aleatria. Para
entender melhor o conceito de varivel aleatria, vamos apresentar alguns exemplos antes
de defnirmos formalmente seu conceito.
Exemplo 1: lanar uma moeda duas vezes e observar o nmero de vezes que a
mesma cai com a face coroa para cima. A varivel aleatria X representa o nmero de
vezes que a moeda cai com a face coroa para cima. A Figura 1 mostra o espao amostral
S que contm todos os eventos do experimento. R
X
representa o conjunto de todos os
possveis valores que a varivel aleatria X pode assumir ou seja, R
X
= {0, 1, 2}. Observe
que X ser uma varivel enumervel e fnita devido a R
X
.
Figura 1 S o espao amostral do experimento aleatrio lanar uma moeda duas vezes
e observar a face virada para cima (C representa cara e K coroa). Seja X a varivel aleatria que
denota o nmero de vezes que face coroa fcou voltada para cima neste experimento,
R
X
o conjunto de valores que a varivel aleatria X pode assumir.
28
Estatstica Exploratria
Exemplo 2: nmero de e-mails que chegam na sua caixa de entrada toda manh. A
varivel aleatria X poder assumir valores R
X
= {0, 1, 2, ..., n}. Observe que X enumervel
e fnita devido a R
X
.
Exemplo 3: nmero de acessos a um sto de busca, em um dia. A varivel aleatria
X poder assumir valores R
X
= {0, 1, 2, ...}. Como R
X
enumervel e infnito, X tambm ser
enumervel e infnito.
Exemplo 4: tempo de vida de uma lmpada. A varivel aleatria X ser contnua,
pois os elementos de R
X
so contnuos.
Exemplo 5: observar a taxa de transmisso de dados de um servidor em dado
instante. A varivel aleatria X ser contnua, pois R
X
contnua. R
X
= {x R
X
: x < x
max
}, onde
xmax a capacidade mxima de transmisso que o servidor consegue trabalhar.
Podemos agora defnir o conceito de varivel aleatria. Seja um experimento
aleatrio com espao amostral S e um evento E de S, uma varivel aleatria X uma funo
defnida sobre este espao amostral S, de forma a assumir valores numricos, ou seja, X =
X(E).
Um fato muito importante, mas que muitas vezes torna-se confuso a questo
da notao. Utlizamos uma letra maiscula para denominar a varavel em si, enquanto
a mesma letra minscula representa um valor numrico que a varivel pode assumir. Por
exemplo seja X a varivel aleatria que denota a altura de uma pessoa, ento x = 1,75 m
um possivel valor que X pode assumir.
Os Exemplos 1, 2 e 3 motram situaes em que a varivel aleatria X assume valores
discretos (pois X pertence a um conjunto enumervel) portanto X discreta, enquanto que
nos Exemplos 4 e 5 X contnua, pois assume valores contnuos. Apresentaremos a seguir,
de forma separada, as distbuies de probabilidade discretas e contnuas.
2.2. Distribuio de Probabilidade de Variveis
Aleatrias Discretas
Quando associamos uma varivel aleatria X a um experimento aleatrio,
desejamos conhecer no apenas os valores possveis que essa varivel pode assumir, mas
tambm qual a probabilidade da sua ocorrncia. Voltemos ao Exemplo 1 da seo anterior.
Se X representa o nmero de vezes que a face coroa fca voltada para cima, sabemos que
X pode assumir valores 0, 1 ou 2. Mas desejamos tambm saber quais as probabilidades de
ocorrncia de cada um desses valores.
Portanto, quando estamos tratando de variveis aleatrias discretas, podemos
descrev-las atravs de uma Tabela, associando os valores que X pode assumir, com sua
respectva probabilidade. Vejamos como montar esta tabela com um exemplo.
Exemplo 6: lanamos dois dados e observamos a soma dos valores dos lanamentos.
A tabela abaixo, relaciona os valores que X pode assumir aos eventos de S e as probabilidade
de ocorrncia de X.
29
Estatstica Exploratria
Valor de X Eventos de S Probabilidade
2 (1,1) 1/36
3 (2,1), (1,2) 2/36
4 (3,1), (1,3), (2,2) 3/36
5 (4,1), (1,4), (3,2), (2,3) 4/36
6 (5,1), (1,5), (4,2), (2,4), (3,3) 5/36
7 (6,1), (1,6), (5,2), (2,5), (4,3), (3,4) 6/36
8 (6,2), (2,6), (5,3), (3,5), (4,4) 5/36
9 (6,3), (3,6), (5,4), (4,5) 4/36
10 (6,4), (4,6), (5,5) 3/36
11 (6,5), (5,6) 2/36
12 (6,6) 1/36
Ento, a Probabilidade de que a soma dos dados seja 3 ser de P(X = 3) = P((2,1)) +
P((1,2)) = 1/36 + 1/36 = 2/36. Grafcamente podemos representar a tabela acima como:
Figura 2 Grfco da Distribuio de Probabilidade da varivel aleatria discreta X, construda a partr
dos dados da tabela do Exemplo 6.
Em geral assumimos a seguinte notao para variveis discretas: dado um valor
xi que a varivel X pode assumir, ento P(X=x
i
) = p
X
(x
i
). Observe ento que as seguintes
relaes so sempre vlidas:
p
X
(x
i
) > 0
30
Estatstica Exploratria
Aprenda Pratcando
Exemplo 1: Em um experimento de lanamento de 3 moedas, deseja-se estudar
a quantdade de vezes que a face cara (C) fca voltada para cima. Construa uma Tabela
que relacione esta varivel com os eventos do experimento aleatrio e as probabilidades
associadas. Calcule ainda a probabilidade de que o nmero de moedas com a face cara
seja pelo menos 2 e construa o grfco da distribuio de probabilidade.
Valor de X Eventos de S p
X
(x)
0 KKK 1/8
1 CKK, KCK, KKC 3/8
2 CCK, CKC, KCC 3/8
3 CCC 1/8
P(X > 2) = p
X
(X > 2) = p
X
(2) + p
X
(3) = 3/8 + 1/8 = 4/8 = .
Exemplo 2: Suponha que a varivel aleatria discreta X descreva o nmero de
e-mails que chegam na caixa de entrada de uma conta toda manh. Suponha ainda que X
possua a seguinte distribuio de probabilidade: p
x
(x) = e


x
/x! onde = 2 e x = 0, 1, 2, 3,
... Construa uma tabela e o grfco de distribuio de probabilidade. Calcule:
a) a probabilidade de que apenas um e-mail chegue em um dado dia.
b) a probabilidade de que dois ou mais e-mails cheguem num dado dia.
X p
x
(x) = e

x
/x! X p
x
(x) = e

x
/x!
0 0,1353 4 0,0902
1 0,2707 5 0,0361
2 0,2707 6 0,0120
3 0,1804 7 0,0034
31
Estatstica Exploratria
p
x
(X = 1) = p
x
(1) = 0,2707
p
x
(X > 2) = 1 - p
x
(X < 2) = 1 - (p
x
(0) + p
x
(1)) = 1 - 0,1353 - 0,2707 = 0,5940
Exemplo 3: Suponha que um dado seja lanado quatro vezes, e deseja-se contar o
nmero de vezes que a face 4 fcou voltada para cima. Construa uma tabela e um grfco
da distribuio de probabilidade. Qual a probabilidade de que a face 4 aparea ao menos
uma vez?
Valor de X Eventos de S p
x
(x)
0 1 (5/6)
4
= 0,4823
1 4 (1/6) (5/6)
3
= 0,3858
2 6 (1/6)
2
(5/6)
2
= 0,1157
3 4 (1/6)
3
(5/6)
1
= 0,0154
4 444 1 (1/6)
4
= 0,0008
p
x
(X > 1) = 1 - p
x
(X = 0) = 1 - p
x
(0) = 1- 0,4823 0,5173
32
Estatstica Exploratria
2.3. Densidade de Probabilidade de Variveis
Aleatrias Contnuas
As variveis aleatrias contnuas se originam de experimentos aleatrios contnuos
como o tempo de vida de uma lmpada, o fuxo de informao que trafega em uma rede, ou
a vazo de gua em uma hidroeltrica. No caso discreto, utlizamos uma tabela que relaciona
os valores que a varivel X pode assumir com as respectvas freqncias (probabilidade)
de ocorrncia de X. No caso contnuo, esta tabela substtuda por uma funo contnua,
chamada de funo densidade ou densidade de probabilidade.
Como os valores que X pode assumir so contnuos, a probabilidade que X assuma
um valor especfco, X = x
0
, por exemplo, nula. O clculo da probabilidade sempre ocorrer
sobre um intervalo, de forma que iremos calcular a probabilidade de a < X < b,
onde f(x) a funo de densidade de probabilidade. Podemos
observar que p(a < X < b) = p(a < X < b) = p(a < X < b) = p(a < X < b) e que
.
Para que f(x) possa ser considerada uma funo densidade de probabilidade, ela
deve possuir as seguintes propriedades:
f(x) > 0 x.
f (x) deve ser contnua por partes.
Aprenda Pratcando
Exemplo 1: seja a funo . Esta funo pode ser uma
funo densidade probabilidade? Calcule a P(1/2 < x < 1) e P(x > 1) e faa um grfco
hachurado destas probabilidades.
Para responder a pergunta, devemos satsfazer as trs propriedades. A primeira e
a terceira j so satsfeitas pois f(x) > 0 x e f(x) contnua sobre todo o intervalo Real,
portanto ela contnua por partes. Devemos calcular .
Assim,
,
portanto, f(x) satsfaz todas as condies para ser uma funo densidade de
probabilidade.
33
Estatstica Exploratria
Podemos observar as reas hachuradas abaixo da curva da funo para os casos
1/2 < x < 1 (grfco da esquerda) e x > 1 (grfco da direita) so iguais s probabilidades
0,2325 e 0,1353 calculadas anteriormente. A rea total abaixo da curva, ou seja P(x>0),
igual a 1.
Exemplo 2: Seja a funo:
Mostre que ela pode ser considerada uma funo distribuio de probabilidade.
Calcule as probabilidades de X < 2 e de 1,5 < X < 2,5, exibindo a rea que representa cada
probabilidade, sob a curva.
Veja que f(x) > 0 x e f(x) contnua por partes sobre todo o intervalo Real,
satsfazendo assim duas propriedades das trs necessrias. Por fm, precisamos calcular
.
Grafcamente, podemos observar as regies hachuradas correspondentes a X < 2 (
esquerda) e de 1,5 < X < 2,5( direita).
34
Estatstica Exploratria
2.4. Funo Distribuio de Probabilidade
Acumulada
A Funo Distribuio de Probabilidade Acumulada, ou Funo Acumulada
representada por F(x). Dado uma varivel aleatria X, ento a probabilidade do evento X< x
ocorrer ser:
P (X < x) = F(x)
Quando a varivel aleatria contnua, F(x) representa a integral da funo de
densidade de probabilidade f(x) at o valor x, ou seja:
Para o caso em que X discreta, F(x) representa o somatrio das freqncias p(x
i
)
tal que x
i
< x, ou seja:
Toda Funo Acumulada possui as seguintes propriedades:
0 < F(x) < 1
F(x) sempre crescente, ou seja, se x
2
> x
1
, ento F(x
2
) > F(x
1
) x
1
e x
2
. F(x)
contnua.
Aprenda Pratcando
Vamos utlizar os exemplos apresentados nas sees de variveis aleatrias
discretas e contnuas para entender o comportamento de suas respectvas funes de
Distribuio Acumuladas.
Exemplo 1 Dois dados so lanados e deseja-se observar a soma das faces dos
mesmos. A Tabela a seguir traz os mesmos valores da distribuio discreta de probabilidade,
com uma coluna a mais com os valores de F(x). Observe, por exemplo, que F(4) = P (x < 4) =
p(x = 2) + p(x = 3) + p(x = 4), desse modo F (4) = 6/36.
35
Estatstica Exploratria
Valor de X Eventos de S p(x) F(x)
2 (1,1) 1/36 1/36
3 (2,1), (1,2) 2/36 3/36
4 (3,1), (1,3), (2,2) 3/36 6/36
5 (4,1), (1,4), (3,2), (2,3) 4/36 10/36
6 (5,1), (1,5), (4,2), (2,4), (3,3) 5/36 15/36
7 (6,1), (1,6), (5,2), (2,5), (4,3), (3,4) 6/36 21/36
8 (6,2), (2,6), (5,3), (3,5), (4,4) 5/36 26/36
9 (6,3), (3,6), (5,4), (4,5) 4/36 30/36
10 (6,4), (4,6), (5,5) 3/36 33/36
11 (6,5), (5,6) 2/36 35/36
12 (6,6) 1/36 36/36
Grafcamente, a Distribuio de Probabilidade e sua respectva Funo Distribuio
Acumulada podem ser vistas na fgura abaixo.
Exemplo 2 X a varivel aleatria discreta que descreve o nmero de e-mails
que chegam na caixa de entrada de uma conta toda manh. Suponha ainda que X possua
a seguinte distribuio de probabilidade: p
x
(x) = e
-

x
/x! onde = 2 e x = 0, 1, 2, 3, ... A
distribuio de probabilidade, juntamente com a funo de distribuio acumulada, esto
na tabela abaixo.
X p(x) F(x) X p(x) F(x)
0 0,1353 0,1353 4 0,0902 0,9473
1 0,2707 0,4060 5 0,0361 0,9834
2 0,2707 0,6767 6 0,0120 0,9954
3 0,1804 0,8571 7 0,0034 0,9988
Os grfcos da distribuio de probabilidade e de sua respectva funo acumulada
podem ser vistos a seguir.
36
Estatstica Exploratria
Exemplo 3 Seja uma varivel aleatria contnua X, que possui a seguinte
distribuio de probabilidade . Sua funo acumulada ser dada
por:
Grafcamente, podemos observar o comportamento de f(x) e F(x) nas fguras a
seguir. Os grfcos superiores esquerdo e direito, mostram respectvamente a funo
densidade de probabilidade f(x) e a funo acumulada F(x). A rea da regio hachurada do
grfco inferior esquerdo vale 0,865 mesmo valor do ponto em destaque do grfco inferior
direito. Na verdade, os valores que F(x) pode assumir representam os valores das reas
abaixo da curva de f(x), medidas sempre a partr da origem, por exemplo, F(1,5) igual
rea abaixo de f(x) no intervalo de x = - a x = 1,5 (como f(x) = 0 para x < 0, ento na prtca
comeamos a contar sempre de x = 0 em diante).
37
Estatstica Exploratria
Exemplo 4 Seja uma varivel aleatria contnua X, cuja funo densidade de
probabilidade contnua por partes, da forma
Ento a funo distribuio acumulada ser a integral de f(x) por partes, de forma
que:
Portanto a funo distribuio acumulada F(x) ser:
38
Estatstica Exploratria
2.5. Esperana de Variveis Aleatrias
Em muitas situaes, desejvel utlizarmos caracterstcas descritvas da varivel
aleatria X que estamos interessados. Apresentamos ento o conceito da funo esperana,
ou simplesmente esperana designado por E[ ].
Vamos mostrar primeiro o caso mais geral onde a varivel aleatria H uma funo
da varivel aleatria X, ou seja H = H(X). Ento a esperana de H(X) ser dada por:
no caso em que H discreta
no caso em que H contnua
Devemos entender E[H(X)] como o valor esperado de H(X) , ou o valor mais provvel
de H(X). Como H(X) uma funo genrica qualquer, iremos apresentar a seguir as situaes
mais comuns utlizadas na estatstca descritva: H(X) = X e H(X) = (X E[X])
2
.
2.5.1. Caso em que H(X) = X
E[X] chamada de primeiro momento ou esperana de X e representa o valor mais
provvel que a varivel deve assumir. Se X for uma varivel aleatria discreta, cujos eventos
x
i
do espao amostral S possuem probabilidade de ocorrncia de p(x
i
), a esperana de X,
ser dado por:
Se o espao amostral S for composto por eventos com frequncia de
ocorrncia , ento o valor mdio de X ser , que coincide com
E[X]. Ento podemos concluir que a esperana de X igual ao valor mdio de X, E[X] = .
Esta concluso deve valer tambm para o caso de variveis contnuas, apresentadas no
pargrafo a seguir.
Quando X for uma varivel aleatria contnua, com funo densidade de
probabilidade f(x), a esperana de X ser dada por:
Se X e Y forem variveis aleatrias (ambas discretas ou ambas contnuas) do espao
amostral S, ento as propriedades de linearidade so vlidas:
39
Estatstica Exploratria
onde c uma constante. Uma decorrncia direta destas propriedades que:
E[X
1
+ X
2
+ ... + X
n
] = E[X
1
] + E [X
2
] + ... + E [X
n
]
onde X
1
, X
2
, ..., X
n
so variveis aleatrias do espao amostral S.
2.5.2. Caso em que H(X) = (X-E[X])
2

A segunda varivel muito utlizada para descrever estatstcamente uma varivel
aleatria X chamada de Varincia, identfcada como V[X], Var[X] ou
2
. A Varincia
calculada como a esperana da seguinte equao:
Var[X] = E[(X - E[X])
2
] = E[(X - )
2
] =
2
Observe que:
Var[X] = E[(X - E[X])
2
] = E[X
2
- 2XE [X] + (E[X])
2
] =
E[X
2
] = - 2E[X] E[X] + (E[X])
2
= E[X
2
] - (E[X])
2
Quando X uma varivel aleatria discreta, tem-se:
Var[X] =
2
= E[(X - E[X])
2
] =
onde .
Por outro lado, quando X for uma varivel aleatria contnua, a varincia ser:
onde .
Podemos verifcar que:
Var[aX] = E[(aX - E[aX])
2
] = E[(aX - aE[X])
2
]
Var[aX] = a
2
E[(X - E[X])
2
] = a
2
Var[X]
onde a uma constante.
Se X e Y forem variveis aleatrias independentes, ento:
Var[X + Y] = Var[X] + Var[Y] ou
Aprenda Pratcando
Exemplo 1 Voltemos ao exemplo do lanamento de trs moedas, onde a varivel
aleatria discreta desejada o nmero de vezes que a face cara fca virada para cima (veja
seo 1.2). A esperana de X, ou seja, o nmero mdio de caras ser dado por:
Ento, espera-se que em mdia 1,5 caras fquem voltadas com a face para cima.
Exemplo 2: Em uma rifa, 100 bilhetes foram vendidos, cada um a R$ 2,00. O bilhete
sorteado receber um prmio de R$ 150,00. Qual a esperana do ganho?
40
Estatstica Exploratria
Seja a varivel aleatria X defnida como o ganho, x
1
=-2,00 com probabilidade
p(x
1
) = 0,99 ou x
2
= 150-2 = 148 com probabilidade p(x
2
) = 0,01
.
Assim, em mdia aquele que comprar a rifa ir perder R$ 0,50.
Exemplo 3: Um jogo de dados, o jogador ganha R$ 30,00 se o dado der 4, ganha R
60,00 se der 5, perde R$ 50,00 se der 6 ou 1, e no ganha nem perde se der outro resultado.
Qual a esperana do ganho?
Seja X a varivel aleatria que representa o ganho, precisamos calcular E[X].
Para isso, vamos construir uma tabela com os valores possveis de X e suas respectvas
probabilidades.
Lances do dado 2, 3 4 5 1,6
X 0 60,00 30,00 -50,00
p(x) 2/6 1/6 1/6 2/6
Ento, um jogador em mdia, no ganha dinheiro neste jogo e sim perde R$ 1,67.
Exemplo 4: Qual o valor esperado da soma dos valores das faces num lance de
dois dados?
Observe que este problema pode ser resolvido de duas formas. Uma delas
considerar que os lances dos dois dados conjuntamente e montar uma tabela de pares
(x
i
,p
i
), como mostrado no Exemplo 6 da seo 1.2. Neste caso teremos que:

A outra forma considerar o lanamento de cada dado como experimentos
independentes Y e Z, de forma que:
Exemplo 5: Seja a funo densidade de probabilidade ,
calcule E[X] e Var[X].
41
Estatstica Exploratria
Exemplo 6: Calcule Var[X] do Exemplo 4.
Novamente, existe duas formas de se calcular Var[X]. Na primeira, consideramos os
dois dados de forma que:
Var[X] =
2
= E[X
2
] - E[X]
2
=
Se considerarmos os dados como experimentos independentes, ento
Var[X] = Var[Y + Z] onde Var[Y] = = E[Y
2
] - E[Y]
2
= Var[Z]
Var[Y] = 2,917 = Var[Z] Var[X] = Var[Y] + Var[Z] = 5,83
Atvidades e Orientaes de Estudos
Questo 1 Determine a distribuio de probabilidade do nmero de meninas em
famlias com trs flhos, admitndo chances iguais de nascimento de meninos e meninas.
Faa um grfco da distribuio.
Questo 2 Uma urna contm 5 bolas pretas e 3 bolas brancas. Duas bolas so
extradas sem reposio. Seja X o nmero de bolas pretas:
A) determine a distribuio de probabilidade de X.
B) faa um grfco dessa distribuio
Questo 3 Seja Z a varivel aleatria que descreve a diferena entre o nmero de
faces cara e coroa em um experimento com trs moedas.
A) determine a distribuio de probabilidade de X.
B) faa um grfco dessa distribuio.
Questo 4 Uma varivel aleatria contnua possui a seguinte funo densidade de
probabilidade . Calcule:
A) o valor de c, para que f(x) possa ser considerada uma funo de densidade de
probabilidade.
B) P(X<1)
C) P(X > 2).
42
Estatstica Exploratria
Questo 5 Uma varivel aleatria contnua possui a seguinte funo densidade de
probabilidade . Calcule:
A) a constante c.
B) P(X<1)
C) P(X > 2).
D) a funo distribuio acumulada
Questo 6 Seja a distribuio acumulada da forma
Calcule:
A) a funo densidade de probabilidade f(x).
B) P(X > 2)
C) P(-3 < X < 4)
Questo 7 Seja a distribuio acumulada da forma .
Se P(X=3) = 0 ento determine:
A) a constante c.
B) a funo densidade f(x).
C) P(X>1)
D) P(1 < X < 2)
Questo 8 A demanda de um produto de -2, -1, 0, +1,+ 2 por dia, com
probabilidades 1/10, 1/10, 1/10, 2/5 e 3/10, respectvamente. Uma demanda -1, por
exemplo, representa que o produto foi devolvido. Calcule a demanda esperada e sua
varincia.
Questo 9 Considere a funo .
A) Calcule k para que f(x) possa ser considerada uma funo densidade de
probabilidade.
B) Calcule o valor esperado e a varincia de X.
C) A funo de distribuio acumulada F(x).
Questo 10 Seja a funo de densidade de probabilidade
. Calcule:
A) a funo de distribuio acumulada
B) o valor esperado e a varincia de X
C) ache o valor m, tal que P(X < m) = P(X > m), m chamada de mediana.
Questo 11 Seja X a varivel aleatria discreta com funo distribuio de
probabilidade dada pela equao:
A) determine k.
B) calcule o valor esperado e a varincia de X.
C) ache a funo distribuio acumulada F(x).
43
Estatstica Exploratria
Questo 12 Seja uma varivel aleatria X tal que x = -2, 1 ou 3 com probabilidades
p(-2) = 1/3, p(1) = 1/6 e p(3) = . Calcule:
A) E[X]
B) E[2X+1]
C) E[X
2
1]
Respostas:
Questo 1 p(x=0) = 1/8, p(x = 1) = 3/8, p(x = 2) = 3/8, p(x = 3) = 1/8
Questo 2 (a) p(x=0) = 3/28 p(x=1) = 15/28 p(x=2) = 10/28
Questo 3 (a) p(x=-3) = 1/8 p(x=-1) = 3/8 p(x=1) = 3/8 p(x=3) = 1/8
Questo 4(a) c = 1 (b) P(X < 1) = 1 e
1
(c) P(X > 2) = e
2
Questo 5 (a) 6/29 (b) 15/29 (c) 19/116
(d)
Questo 6 (a) (b) e
4
(c) 1 e
8
Questo 7 (a) 1/27 (b)
(c) 26/27 (d) 1/9
Questo 8 = 0,7,
2
= 1,41.
Questo 9 (a) k = 1/4 (b) m = 2
2
= 2/3
(c)
Questo 10 (a) (b) = 2
2
= 1/2 (c)
Questo 11 (a) 8/7 (b) = 11/7,
2
= 26/49
(c)
Questo 12 :
(a) 1
(b) 3
44
Estatstica Exploratria
(c) 5
Vamos Revisar?
Neste captulo, aprendemos os conceitos bsicos de variveis aleatrias, que
podem ser discretas ou contnuas. Para as variveis aleatrias discretas, vimos que as
probabilidades de ocorrncia p(xi) para o evento xi, esto dispostos em tabelas

45
Estatstica Exploratria
Referncias
DANTAS, Carlos A.B. Probabilidade: Um Curso Introdutrio. 2. ed. So Paulo,
EdUSP, 2000.
FELLER, William. Introduo Teoria das Probabilidades e suas Aplicaes. So
Paulo, Edgard Blcher, 1976.
HINES, W.W.; MONTGOMERY, D.C.; GOLDSMAN, D.M; BORROR, C.M. Probabilidade
e Estatstca na Engenharia. 4. ed. Rio de Janeiro, LTC, 2006.
PAULINO, C.D. Exerccios de Probabilidade e Estatstca. Lisboa, ESCOLAR, 2005.
SPIEGEL, Murray R. Probabilidade e Estatstca. So Paulo, Makron Books, 1977.
BUSSAB, W., MORETTIN, P. A. Estatstca Bsica. 6. ed. So Paulo: Saraiva, 2010.
MORETTIN, Luiz Gonzaga. Estatstca Bsica. Probabilidade e Inferncia. Volume
nico. So Paulo. Pearson, 2009.
SPIEGEL, MURRAY R. Estatstca. Bookman, 2009.
RUNGER, C., HUBELE, F., MONTGOMERY, C. Estatstca aplicada engenharia. 2
Edio. LTC, 2004.
BORNIA, C., BARBETTA, A., REIS, M. Estatstca para Cursos de Engenharia e
Informtca - 3 Ed. 2010
TRIOLA, M. Introduo Estatstca. 10 Edio. Rio de Janeiro: LTC, 2008.
46
Estatstica Exploratria
Conhea os Autores
Marco Antonio de Oliveira Domingues
O professor Marco Domingues doutor em Cincia da Computao pelo Centro
de Informtca da UFPE, na rea de inteligncia computacional. Obteve o ttulo de mestre
em 2004, na rea de redes de computadores no mesmo centro, atuou como engenheiro
eletricista e tambm graduado em Cincia da Computao pela Universidade Federal do
Amazonas. Trabalhou na UFPE em diversos projetos de pesquisa na rea de redes mveis
e atualmente professor e coordenador do curso superior de Tecnologia em Anlise e
Desenvolvimento de Sistemas no Insttuto Federal de Pernambuco IFPE.
Jesa Pereira de Oliveira Domingues
A professora Jesa defendeu a sua tese de doutorado em Cincia da Computao
pelo Centro de Informtca da UFPE, em maro de 2011. Sua tese tem foco na rea de redes
de sensores e middleware. A professora Jesa graduada em Cincia da Computao pela
Universidade Federal da Paraba e obteve o ttulo de mestre em 2004, na rea de redes
de computadores, tambm no Centro de Informtca. Trabalhou como pesquisadora
em diversos projetos de pesquisa na rea de redes sensores e simulao e atualmente
professora no Departamento de Estatstca e Informtca na Universidade Federal Rural de
Pernambuco UFRPE.