ESTATSTICA BSICA

1
Daniela Brassolatti

ESTATSTICA BSICA
2
Daniela Brassolatti

CAPTULO I

3ESTATSTICA BSICA
Daniela Brassolatti

1 CONCEITOS BSICOS
1.1 OBJETIVOS

O objetivo deste contedo fazer uma sntese da histria da probabilidade; distinguir

eventos favorveis de eventos possveis; calcular a probabilidade de um evento; dar
exemplos onde se aplica a lei da soma e da multiplicao; discriminar as situaes que
envolvem probabilidades condicionais e construir uma rvore de probabilidades.

1.2 INTRODUO: Um pouco da histria da probabilidade

No mundo dos negcios como na vida em geral, muito do que fazemos no tem
resultado

certo.

Ento

quando

formamos

opinies

ou

tomamos

atitudes,

precisamos de estimativas para medir nossa incerteza. Como alguns exemplos na

vida cotidiana, podemos estar incertos se devemos ou no promover uma
liquidao, se existe congestionamento no trnsito para o aeroporto, se pode
ocorrer pane no carro, se nossa oferta de pagamento ser aceita, se haver corte
de energia, se existe vrus no software que acabamos de receber. As leis de
probabilidade ajudam a tomar decises.
Foi no sculo

XVII, com os chamados jogos de azar, que surgiram os primeiros

estudos de probabilidade. O primeiro trabalho escrito de que se tem notcia e que

envolve a noo de probabilidade data de 1477. Trata-se de um comentrio feito
Divina Comdia

(Dante), onde h referncias s probabilidades associadas aos

vrios resultados decorrentes do jogo de 3 dados.

Grandes nomes da histria da matemtica so responsveis pela teoria das
probabilidades: Blaise Pascal (1623-1662); Pierre de Fermat (1601-1665);
Huygens(1629-1695); Isaac Newton (1642-1727); Jacob Bernoulli (1654-1705);
Laplace (1749-1827), Byes (1702-1761); Kolmogoroff (1903-??) entre outros.
A teoria de probabilidades comeou a se desenvolver atravs de dois problemas
formulados por um jogador compulsivo, alis conta a histria que fazia parte do
lazer de soldados gregos e romanos, jogar astrgalos (Osso do Tarso, cuja forma
quase cbica, lembrando um dado).

4ESTATSTICA BSICA
Daniela Brassolatti

Ao

longo

dos

ltimos

trs

sculos

vrias

foram

as

teorias

propostas:

Experimentalista (Bernoulli), Clssica (Laplace), Frequencialista (Ellis, Veen) e

Axiomtica (Kolmogoroff).
Comeamos examinando as seguintes afirmaes:
-

provvel que Joo v ao teatro amanh

provvel que Ado e Eva tenham existido

Em ambas esto presentes as idias de:

Incerteza
Grau de confiana que depositamos naquilo que afirmamos
Note que a palavra provvel tambm d idia de futuro mas na afirmao II,
estamos falando de algo que deve ter ocorrido no passado. Isto porque na
afirmao II a probabilidade no est ligada ao tempo mas sim eventual
veracidade da prpria afirmao.
Para medir de modo racional o grau de confiana que depositamos em certas
afirmaes vamos propor a seguinte definio:
PROBABILIDADE =Nmero que resulta da diviso do nmero de

casos favorveis

a um evento pelo nmero total de casos possveis.

A maneira mais comum de medirmos as incertezas relacionadas com eventos (Exs:
eleio presidencial,
efeitos colaterais de um novo remdio etc) consiste em atribuir-lhes probabilidades
ou chances de ocorrer cada evento.
lgico que h poucas decises onde uma deciso administrativa dependa do
resultado da jogada de uma moeda ou de um dado mas o estudo da probabilidade
associado jogada de uma moeda propicia prticas valiosas para alguns conceitos de
probabilidade mais complexos e portanto alguns exemplos sero desse enfoque.
1.3CONCEITOS
1.3.1 Definies de Probabilidade

5ESTATSTICA BSICA
Daniela Brassolatti

Clssica: Para esta definio os resultados tem que ser equiprovveis e a

probabilidade calculada como o nmero de casos favorveis dividido pelo
nmero de casos possveis.
Aplicaes: Quando se quer fazer escolhas aleatrias como cobaias que so
escolhidas para um experimento, cada famlia de uma localidade tem a mesma
chance de ser includa, escritrios so destinados pesquisadores por sorteio,
etc.
So poucas situaes em que os resultados so equiprovveis. Exemplo:
Se chover em certo dia ou no, resultado de uma eleio ou se o ndice da
bolsa de valores ter uma alta ou uma queda.
Frequentista: Podemos fazer e repetir um experimento grande nmero de vezes
registrando as freqncias relativas. Pela lei dos Grandes Nmeros

se

determinada situao repetida um grande nmero de vezes, a proporo de

sucessos tender para uma probabilidade.
Exemplo1: Se dissermos que h uma probabilidade de 0,78 de um jato chegar
no horrio tendo em vista o fato que tais vos chegam no horrio em 78% das
vezes.
Exemplo 2: Servio meteorolgico prev que h 40% de chance no ms de
abril dado que esses registros foram observados em anos anteriores neste
mesmo ms.
Exemplo 3: Suponha que na jogada de uma moeda que esteja interessada no
nmero de caras e que tenha acontecido a seguinte situao:
5 jogadas

3 caras

3/5 = 0.6

10 jogadas

6 caras

6/10= 0.6

15 jogadas

8 caras

8/15 = 0,53

20 jogadas

12 caras

12/20 = 0.6

25 jogadas

14 caras

14/25 = 0,56

100 jogadas

51 caras

51/100 = 0,5 ... ... ...

6ESTATSTICA BSICA
Daniela Brassolatti

probabilidade

1,5
1
0,5
0
Seqncia2

1
1

0,67 0,6

20

25

100 110 200

0,6 0,56 0,51 0,54 0,55

nro de jogadas

A proporo de caras flutua mas vai estabilizando cada vez mais em torno de
0.5 que a probabilidade de obtr cara na jogada da moeda.
Exemplo 4: possvel atribuir uma probabilidade ao evento

da Sra Jones

deixar o hospital 4 dias aps ter sido submetida a uma cirurgia do apndice.
Poderamos constatar registros
mdicos e constatar que pacientes da idade de Sra Jones tiveram alta em 4 dias
em aproximadamente 78%
dos casos e aplicar esse resultado.
Subjetiva: Grau de crena na ocorrncia de um evento. o ponto de vista pessoal de
algum sobre a probabilidade de ocorrer um evento.
1.3.2 Experimento Aleatrio
qualquer ao bem definida, ou seja , um fenmeno produzido pelo homem.
Exemplos: lanamento de um dado, vida de um componente eletrnico.
1.3.3 Espao Amostral (S)
o conjunto de todos resultados possveis do experimento.
Exemplo: No experimento lanar um dado S = { 1,2,3,4,5,6}
No experimento analisar a vida de um componente eletrnico S = { t
R / t 0}
1.3.4 Evento (A)
qualquer subconjunto do espao amostral.
Exemplo:
-

Seja na jogada de duas moedas S = { CC, CK, KC, KK} onde C = cara e K =
coroa
Evento A sada de faces iguais = { CC , KK}

7ESTATSTICA BSICA
Daniela Brassolatti

Seja em uma urna com 4 bolas sendo 2 brancas e 2 verdes S = { BB, BV,
VB,VV}
Evento A sada de duas bolas com cores diferentes = { BV, VB}

1.3.5
Eventos

AXIOMAS DE PROBABILIDADE

Mutuamente Exclusivos
So eventos que no podem ocorrer simultaneamente, ou seja a interseco
vazia.
Exemplo: Seja o espao amostral jogar um dado e observar a face:
{1,2,3,4,5,6}
Evento A : Ocorrer face par { 2,4,6}
Evento B: Ocorrer face mpar {1,3,5}
A B = portanto A e B so mutuamente exclusivo
1.3.6 Eventos Equiprovveis
Todos os eventos tem a mesma probabilidade de ocorrer.
Exemplo: A: Obter cara na jogada de trs moedas - P(A) = 0.5
1.3.7 Eventos Impossveis
Exemplo: Obter face maior que 6 no lanamento de um dado
1.3.8 Evento Certo
Exemplo: Obter face menor a 7 no lanamento de um dado.

1.3.9

Seja S o conjuntos de todos os possveis resultados de um experimento denominado espao

amostral e A um subconjunto do espao amostral (S), denominado evento.
0 P(A) 1, para qualquer evento A

8ESTATSTICA BSICA
Daniela Brassolatti

Regra prtica para atribuio numrica de probabilidade: P(A) =

m
, onde
n

= nmero de resultados favorveis ao evento A

n = nmero de resultados possveis, desde que igualmente provveis
P(S) =1
P() = 0
Regra do complementar: P (A) + P(Ac ) = 1
Regra da adio: P(A B) = P(A) + P(B) P(AB)
Dois eventos so mutuamente exclusivos quando no podem ocorrer ao mesmo
tempo.
Regra da adio para eventos mutuamente exclusivos: P(A B) = P(A) + P(B) se
A e B forem mutuamente exclusivos
Regra da Probabilidade Condicional: P( A / B)

Regra

da

P ( A B)
P ( B)

P( A B) P( B).P( A / B)

Multiplicao:

ou

P( A B) P(A ).P( B / A )

Dois ou mais eventos so independentes quando a ocorrncia de um dos eventos

no influencia a probabilidade da ocorrncia dos outros.
Se dois eventos A e B so independentes, ento: P(A/B) = P(A) e P(B/A) = P(B)
Se A e B independentes P( A B) P (A ).P( B)
Teorema da probabilidade total: Sejam E1, E2 , ... , Em uma partio do espao
amostral e F um evento qualquer de S.
n

Ento , P( F)

P( E
i 1

F)

P(E ).P(F / E )
i

i 1

9ESTATSTICA BSICA
Daniela Brassolatti

Teorema

de

P (E j / F)

Bayes

Nas

mesmas

condies

do

teorema

anterior:

P( E j ).P(F / E j )
n

P(E ).P(F / E )
i

, j = 1,2,..., n

i 1

1) Num perodo de um ms, 100 pacientes sofrendo de determinada doena foram internados
em um hospital. Informaes sobre o mtodo de tratamento aplicado em cada paciente e o

AXIOMAS DE PROBABILIDADE - EXEMPLOS

resultado final obtido esto no quadrado abaixo.

Cura total
Cura parcial
Morte
Soma

A
24
24
12
60

B
16
16
8
40

Soma
40
40
20
100

a) Sorteando aleatoriamente um desses pacientes, determinar a probabilidade de o paciente

escolhido:
A1) ter sido submetido ao tratamento A;
P(A) =

60
0,6
100

A2) ter sido totalmente curado;

40
0,4
100
A3) ter sido submetido ao tratamento A e ter sido parcialmente curado?
P(TC) =

24
0,24
100
submetido ao tratamento A ou ter sido parcialmente curado
P( A PC)

A4)

ter

sido

10ESTATSTICA BSICA
Daniela Brassolatti

P( A PC) P(A ) P(C) P( A PC) 0,6 0,4 0,24 0,76

b) Os eventos morte e tratamento A so independentes? Justificar.

20
0,2
100
P( A ) 0,6
P( M ).P( A ) 0,2x 0,6 0,12
Como
P(M )

P(M A)

12
0,12, temos P(M A) P(M).P(A)
100

Logo os eventos mencionados so independentes.

c) Sorteando dois dos pacientes, qual a probabilidade de que:
C1) tenham recebido tratamentos diferentes?
P(tratamentos diferentes) = P( A B) P (B A ) 2x 0,6 x 0,4 0,48
C2) pelo menos um deles tenha sido curado totalmente?
Z = curado totalmente

P(z 1 z 2 ) 1 P ( z 1 ).P( z 2 ) 1 0,6 x 0,6 1 0,36 0,64

2) Se para uma pessoa em visita a Washington (Estados Unidos), as probabilidades de ela

visitar o edifcio do Congresso ou Smithsonian Institution, ou ambos so 0,92, 0,33 e 0,29
respectivamente. Qual a probabilidade de essa pessoa visitar ao menos uma daquelas
instituies?
P( A B) P(A ) P( B) P( A B) 0,92 0,33 0,29 0,96

Note que se tivssemos aplicado erroneamente a regra da adio para eventos

mutuamente excludentes, teramos chegado ao resultado impossvel 0,92+0,33 = 1,25
3) Um certo programa pode ser usado com um entre duas sub-rotinas A e B, dependendo do
problema. A experincia tem mostrado que a sub-rotina A usada 40% das vezes e B
usada 60% das vezes. Se A usada, existe 75% de chance de que o programa chegue a
um resultado dentro do limite de tempo. Se B usada, a chance de 50%. Se o programa
foi realizado dentro do limite de tempo, qual a probabilidade de que a sub-rotina A tenha
sido escolhida?
P(A) = 0,4

P(R/A) = 0,75

P(A

B)

= 0,3

11ESTATSTICA BSICA
Daniela Brassolatti

P(B) = 0,6
P(R/B) = 0,50
Logo :
P(R) = 0,3 + 0,3 = 0,6
P(A R ) 0,3

0,5
P(A/R) =
P( R )
0,6

P(B

R)

= 0,3

4) Em certa escola elementar, a probabilidade de um aluno selecionado aleatoriamente provir

de um lar com ambos os pais 0,75 e a probabilidade de ele provir de um lar com ambos
os pais e ser um estudante fraco 0,18. Qual a probabilidade de tal aluno ser fraco nos
estudos, dado que ele provm de um lar com ambos os pais?
Denotando L = estudante fraco e T = estudante que provm de um lar com ambos os pais
P(T) = 0,75

P(L / T)

P( L T ) 0,18

P(L T) 0,18

0,24
P (T )
0,75

1.3.9 Probabilidade Condiconal

Em alguns casos existe o interesse de rever a probabilidade de um
evento, quando existem informaes adicionais que podem afetar o
resultado.
A probabilidade condicional a chance de ocorrer um evento A tendo
acontecido o evento B. A informao de ocorrncia do evento B faz com
que o espao amostral seja reduzido.

P( A / B)

P( A B)
P( B)

1.3.10Regra da Multiplicao
P( A B) P( B).P( A / B)

ou
P( A B) P( A ).P(B / A )

1.3.11Eventos Independentes

12ESTATSTICA BSICA
Daniela Brassolatti

Se a probabilidade de um evento no depende do conhecimento de

outro

evento

ter

acontecido,

os

eventos

so

definidos

como

independentes.
P( A / B) P ( A )

Ou
P( B / A ) P( B)

Se A e B so independentes ento P(A) = P(A/B) e consequentemente P(A e B) = P(A) .

P(B).

Conseqncias da regra do produto:

Se dois eventos so mutuamente exclusivos ento P(A e B) = 0 e P(A/ B) = 0
Se dois eventos
necessariamente

so

mutuamente

exclusivos

ento

so

dependentes

Para provar que dois eventos A e B so independentes deve-se verificar se P(A e

B) = P(A). P(B) ou se P(A/ B) = P(A).

DISTRIBUIES DE PROBABILIDADE

VARIVEL ALEATRIA
DEFINIO:
Ocorre freqentemente em probabilidade que os eventos que estamos interessados
envolvem a contagem ou a medida de algo, como por exemplo, o nmero de vezes em
que aparece cara na jogada de uma moeda.Uma funo X que associa a cada elemento
do espao amostral (S), um nmero real, denominada varivel aleatria.
Exemplo: No lanamento de duas moedas, seja X o nmero de caras obtidos nas 2
moedas.

13ESTATSTICA BSICA
Daniela Brassolatti

S = { CC,CK, KC, KK}

X = 0 (KK)
X =1 ( CK ou KC)
X = 2 ( CC)

Uma varivel aleatria aquela cujos valores so determinados por processos

acidentais, ao acaso e que no esto sob o controle do observador.
Exemplos:
Um vendedor recebe 20 endereos para visitar a cada dia. Um morador de
cada endereo manifestou por correspondncia interesse de receber o
vendedor e discutir o produto. Segundo a experincia do vendedor, feita
uma venda em cada 10 domiclios. Qual a probabilidade de que sejam feitas
5 vendas em determinado dia?
Varivel Aleatria: Nmero de vendas por dia.

Dizemos que uma varivel aleatria pois o resultado das vendas em

determinado dia incerto e depende do acaso.
A vida mdia de uma marca de bateria para toca fitas de 20 horas com
desvio-padro de 0,5 horas. Qual a probabilidade de que uma bateria no
dure mais que 21 horas?
Varivel Aleatria: vida da bateria
FUNO DE PROBABILIDADE
P(X = x) a probabilidade de que a varivel aleatria assuma um particular valor.
Pode ser expressa por uma tabela ou um grfico
Exemplo: No lanamento de 2 moedas, seja X o nmero de caras.

14ESTATSTICA BSICA
Daniela Brassolatti

P(X)

1/4

1/2

TIPOS DE VARIVEIS ALEATRIAS:

Dependendo dos valores numricos, uma varivel aleatria pode ser discreta ou
contnua.

Se o conjunto de valores da varivel aleatria se referem a contagem

ento a varivel chamada discreta. Exemplo: Nmero de peas
rejeitadas em um lote numa linha de produo
Se o conjunto de valores da varivel aleatria podem assumir qualquer
valor dentro do conjunto dos nmeros reais chamada varivel
contnua. Exemplo: Lucro lquido mensal de uma empresa.
PROPRIEDADES:
0 P(X) 1
P(X) = 1
f(x) = P(X = x)
Mais Exemplos:
1

No lanamento de uma moeda 3 vezes seguidas, determinar a varivel

aleatria X que representa o nmero de caras obtidas

15ESTATSTICA BSICA
Daniela Brassolatti

X=0
X =1
X=2
3/8
X=3

(KKK)
(CKK)(KKC)(KCK)
(CCK)(KCC)(CKC)

P(X = 0) = 1/8
P(X =1) = 3/8
P(X = 2) =

(CCC)

P(X =3) = 1/8

Os analistas de uma corretora de valores definiram os possveis cenrios

da rentabilidade do mercado de aes para os prximos 12 meses:
Ruim , Regular , Bom e Excelente . Pelo consenso do grupo de analistas,
as rentabilidades e suas probabilidades associadas para cada cenrio
esto registrados na tabela abaixo.

Rentabilidad Probababilidad
Ruim
Regular
Bom
Excelente

e
-10%
0%
+12%
+25%

e
10%
20%
40%
30%

16ESTATSTICA BSICA
Daniela Brassolatti

ESPERANA E VARINCIA DE UMA VARIVEL ALEATRIA DISCRETA

A partir do conhecimento de uma varivel aleatria possvel obter seus valores de
mdia, varincia e desvio-padro.
A esperana de X uma mdia ponderada que pode ser dada pela frmula:
E(X) = x1 P(x1) + x2P(x2) + ... ... + xnP(xn)
Exemplo:
1 Os analistas de uma corretora de valores definiram os possveis cenrios da
rentabilidade do mercado de aes para os prximos 12 meses: Ruim , Regular , Bom e
Excelente . Pelo consenso do grupo de analistas, as rentabilidades e suas
probabilidades associadas para cada cenrio esto registrados na tabela abaixo.

Rentabilidad Probababilida
Ruim
Regular
Bom
Excelente

e
-10%
0%
+12%
+25%

de
10%
20%
40%
30%

X . P(X)
-0.010
0
0.048
0.075
E(X) = 0.1130

Qual o significado de 11,30%?

Se o experimento for repetido um nmero muito grande de vezes ento a
mdia de todos os resultados ser 11,30%, por isso o valor esperado
denominado como mdia longo prazo.
2

Suponha que o seguro de vida da seguradora Life para pessoas com menos de 40
anos de $ 200.000,00. Para comprar esse seguro, a pessoa necessita pagar por

17ESTATSTICA BSICA
Daniela Brassolatti

ano $ 600,00. Se a probabilidade de morte de uma pessoa com menos de 40 anos

0,1%. Pede-se determinar a expectativa anual da seguradora.

X
600
-

P(X)
99.9%
0.1%

199400

Se a pessoa no morrer a seguradora ganha $ 600,00com probabilidade

99,9%

Se a pessoa morrer a seguradora perde $ 199.400 com probabilidade de

0,1%
E(X) = -199400 . (0.001) + 600 . (0.999) = 400,00

Se a companhia de seguros vender anualmente um nmero muito grande de seguros

iguais ao do exemplo, ento o lucro mdio anual ser de $ 400,00 por seguro vendido.

Varincia de uma varivel aleatria discreta:

O fato de conhecermos a mdia de uma distribuio de probabilidade j nos ajuda
bastante, porm no temos uma medida que nos d o grau de disperso de
probabilidade em torno da mdia
Exemplo: Considere a distribuio de X e Y:
X
0
1
2

P(X)

X.

P(Y)

Y. P(Y)

1/8
6/8
1/8

P(X)
0
6/8
2/8
E(x)

-2
-1
0
3

1/5
1/5
1/5
1/5

-2/5
-1/5
0
3/5

1/5

5/5
E(y) = 1

=1

18ESTATSTICA BSICA
Daniela Brassolatti

0,800

0,25

0,700
0,2

0,600
0,500

0,15

0,400
0,1

0,300
0,200

0,05

0,100
-

0
1

Observamos:
-

Grande concentrao de probabilidade em X com relao a mdia

Grande disperso em y com relao a mdia

A varincia de uma varivel aleatria X pode ser dada pela frmula:

V(X) = E(X2) E(X)2
Onde E(x2) = x2 P(x)
DESVIO PADRO = RAIZ DA VARINCIA
Para o exemplo

P(X)

X.

X2P(X

P(Y)

Y. P(Y)

Y2P(Y)

0
1
2
Total

1/8
6/8
1/8
1

P(X)
0
6/8
2/8
E(x)

)
0
6/8
4/8
10/8

-2
-1
0
3

1/5
1/5
1/5
1/5

-2/5
-1/5
0
3/5

4/5
1/5
0
9/5

5
Total

1/5
1

5/5
E(y) = 1

25/5
39/5

=1

V(X) = 10/8 12 = 0,25

DP = 0,5

V(Y) = 39/5 12 = 6,8

DP = 2,61

Concluso: quanto menor a varincia, menor o grau de disperso de

probabilidade em torno da mdia e vice-versa.
Exemplos:

19ESTATSTICA BSICA
Daniela Brassolatti

1. Na tabela abaixo est registrado o nmero de caminhonetes solicitadas em

uma agncia de aluguel de carros durante um perodo de 50 dias.

Demand

Nro de

dias

possvel
3
4
5
6
7
8

3
7
12
14
10
4

P(X)

X. P(X)

X2

X2 P(X)

0.06
0.14
0.24
0.28
0.20
0.08

0.18
0.56
1.20
1.68
1.40
0.64
5.66

9
16
25
36
49
64

0.54
2.24
6.00
10.08
9.80
5.12
33.78

E(x) = 3. (0.06) + 4.(0.14) + 5.(0.24) +6.(0.28) + 7.(0.2) + 8.(0.08) = 5.66

V(x) = 33.78 (5.66)2 = 1.74
DP(x) = 1.32
Espera-se

solicitar

aproximadamente

caminhonetes

variando

de

aproximadamente 1 2 caminhonetes para mais ou para menos, por dia.

Observao: Se uma tabela de mortalidade diz que nos Estados Unidos uma mulher
de 50 anos de idade pode esperar viver mais de 31 anos, isto no quer dizer que
realmente esperemos que uma mulher de 50 anos viva at completar 81 anos e morra
no dia seguinte. A esperana a interpretao de uma mdia que junto com uma
variabilidade conveniente interpretam os resultados.

DISTRIBUIES DISCRETAS DE
PROBABILIDADE
DEFINIO:
Ao conjunto da varivel aleatria (X) e suas respectivas probabilidade (P(X))
denominamos distribuio de probabilidade.

20ESTATSTICA BSICA
Daniela Brassolatti

Certas distribuies de probabilidades tem algumas caractersticas e portanto

levaram um nome. Todo problema de probabilidade que apresentar caractersticas
semelhantes

pode

ser

resolvido

atravs

dessas

distribuies

conhecidas.

Inicialmente veremos as distribuies discretas principais que so chamadas de

Distribuio Binomial e Distribuio de Poisson.
DISTRIBUIO BINOMIAL:
Quando Aplicar:

O Experimento repetido certo nmero de vezes

H dois resultados possveis em cada experimento: sucesso e fracasso
A probabilidade de sucesso = p e a probabilidade de fracasso = 1 p
As repeties do experimento so independentes
Exemplos dessas situaes:
Nascimentos: o nascimento de uma criana do sexo feminino e
masculino
Processos de fabricao: produtos aceitveis ou defeituosos
Medicina: nova droga podendo ser aceita ou no
Comrcio: a venda ocorre ou no ocorre.
Nmero de defeitos por lote de 100 unidades de uma linha de produo
Nmero de aes que subiram ontem, comparadas com as 50 aes
mais negociadas
Os valores numricos da varivel aleatria X fornecem o valor da probabilidade
de obter X
sucessos em n experincias.
Frmula:

21ESTATSTICA BSICA
Daniela Brassolatti

n k nk
P(X k) p (1 p)
k
onde

n n!

k (n k )! k

e n! = n(n-1)(n-2) ... 1

Mais Exemplos:
1) X o nmero de caras no lanamento de 3 moedas. Qual a probabilidade de
sair duas caras no lanamento de 3 moedas?
-

Experimento repetido 3 vezes (3 jogadas da moeda)

Dois resultados : sucesso (cara) ou fracasso (coroa)

Probabilidade de sucesso (cara) =

Probabilidade de fracasso (coroa) = 1 =

As repeties so independentes. Por exemplo , a probabilidade de sair cara

no segundo lanamento no altera a probabilidade do segundo lanamento

Queremos obter dois sucessos (2 caras) em 3 lanamentos da moeda

portanto uma distribuio Binomial
Espao amostral: CCC, KKK , CCK , KCC , CKC , CKK , KKC, KCK
X = 2 caras: CCK, KCC, CKC (3 possveis combinaes)
P(X =2) = 3. (1/2)(1/2)(1/2) = 3/8
Utilizando a frmula da Binomial:

22ESTATSTICA BSICA
Daniela Brassolatti

2 3 1 1 23 1 1 3

P(X 2) 1 3. .
2 2 2 4 2 8

3 3!
3
2 1!2!
2) Qual a probabilidade de uma pessoa acertar ao acaso 5 questes numa prova
de 10 questes, sendo que cada questo tem cinco alternativas e o aluno sem
estudo, chuta uma nica opo?

3) Numa criao de coelhos, 40% so machos.

a) Qual a probabilidade de que nasam trs coelhos machos num dia que
nasceram 20 coelhos?
b) Qual a probabilidade de que nasam pelo menos dois coelhos machos
num dia que nasceram 20 coelhos?

4) Durante um ano particular 70% das aes negociadas na Bolsa de Valores de

Nova York tiveram aumentadas suas cotaes enquanto que 30% tiveram
diminudas ou estveis. No comeo do ano, um servio de assessoria financeira
escolhe 10 aes, qual a probabilidade:
a) todas as aes tenham suas cotaes aumentadas
b) ao menos 8 aes tenham suas cotaes aumentadas
c) menos do que 4 aes tenham sua cotao aumentada.

23ESTATSTICA BSICA
Daniela Brassolatti

DISTRIBUIO DE POISSON:
Quando Aplicar:

Em situaes similares Binomial com p muito pequeno e n muito grande

Quando determinado tipo de evento ocorre ao longo do tempo e precisamos
saber o nmero de ocorrncias em um dado intervalo de tempo
Utiliza apenas o nmero mdio de eventos por unidade de tempo.
Exemplos de Aplicao:
-

Nmero de carros que passam num cruzamento por minuto

Nmero de defeitos por pea fabricada

Nmero de mortes por ataque de corao

Problemas de fila de espera

Em muitos casos conhecido o nmero de sucessos, porm o nmero de fracassos ou

o total de provas no se conhece o que torna a aplicao da Distribuio Binomial
impossvel.
Exemplo: Automveis que passam numa esquina. Pode-se num intervalo de tempo
anotar o nmero de carros que passam porm o nmero de carros que no passam no
pode ser determinado, assim como o total de carros que passam.
Frmula:

P( X k )

e k
k!

Onde = nmero mdio de ocorrncias e

e = nmero de Neper = 2,7182818...
Exemplos:
1) A requisio de um item de estoque ocorre em mdia 4 vezes por dia. Qual a
probabilidade de que sejam requisitados 6 itens em um s dia?

24ESTATSTICA BSICA
Daniela Brassolatti

2) Em mdia 12 pessoas por hora consultam um especialista em decorao de

uma fbrica. A probabilidade de que 3 ou mais pessoas consultem o especialista
durante um perodo de 10 minutos :
3) Uma fotocopiadora tem em mdia uma parada a cada 2.000 cpias. Seja X o
nmero de paradas a cada 2.000 cpias. Qual a probabilidade de X ser maior
que 2 ?