Universidade Federal do Piau Campus Universitrio Profa. Cinobelina Elvas Bom Jesus, I Profa.

Gisele

V - VARIVEIS ALEATRIAS 1. INTRODUO Ao descrever o espao amostral de um experimento al eatrio, o resultado individual no necessariamente um nmero. Por exemplo: no lanament o de duas moedas consecutivas podemos obter: S = {cara-cara, cara-coroa, coroa-c ara, coroa-coroa}. Contudo, em muitas situaes experimentais, estaremos interessado s na mensurao de alguma coisa e no seu registro como um nmero. Ou seja, desejamos a tribuir um nmero real x a todo elemento a do espao amostral S. Portanto, no caso d o lanamento consecutivo de duas moedas, podemos transformar os resultados de S em nmeros, atribuindo-se de acordo com a contagem do NMERO DE COROAS obtidas, ou sej a, S ={0, 1, 2}, ou de acordo com o NMERO DE CARAS obtidas, ou seja, S ={2, 1, 0} . A este procedimento de obter uma funo X, que associe aos elementos a pertencente s a S um nmero real, X(a), denominada VARIVEL ALEATRIA. 2. CONCEITOS DE VARIVEL ALEA TRIA Definio simplificada: Uma vez que os valores da varivel esto relacionados a um e xperimento aleatrio ou probabilstico, VARIVEL ALEATRIA toda varivel cujos resultados esto associados a uma probabilidade. Experimentos aleatrios so aqueles que, repetidos em idnticas condies, podem produzir resultados diferentes. Embora no se saiba qual o resultado que ir ocorrer num expe rimento, em geral, consegue-se descrever o conjunto de todos os resultados possve is que podem ocorrer. As variaes de resultados, de experimento para experimento, so devidas a uma multiplicidade de causas que no podemos controlar, as quais denomi nam acaso acaso. 1

Definio estatstica: Seja E um experimento aleatrio e S o espao amostral associado a e ste experimento. Uma funo X, que associe a cada elemento a pertencente a S um nmero real, X(a), denominada VARIVEL ALEATRIA. a v.a.X X(a) S R Ex: Considere o experimento probabilstico ou aleatrio: lanamento de duas moedas con secutivas, logo: S = {cara-cara; cara-coroa; coroa-cara; coroa-coroa} Considere agora que X a varivel aleatria definida como o NMERO DE COROAS obtidas, ou seja: X = {0, 1, 2}, Portanto, X(cara-cara) = 0 (NENHUMA COROA NO LANAMENTO DE DUAS MOEDA S) X(cara-coroa) = X(coroa-cara) = 1 (UMA COROA NO LANAMENTO DE DUAS MOEDAS) X(co roa-coroa) = 2 (DUAS COROA NO LANAMENTO DE DUAS MOEDAS) Cara-cara Cara-coroa Coroa-cara Coroa-coroa 0 1 2 S Em que, R

S = espao amostral original correspondente a todos os possveis resultados do exper imento (numrico ou no); R = novo espao amostral associado varivel aleatria X, repres ntando todos os valores numricos de interesse (todos os valores possveis e definid os de X(a) de a em S). 2

Observaes: a) Apesar da terminologia varivel aleatria, ela uma funo cujo domnio o S e o contradomnio o conjunto R; b) O uso de variveis aleatrias equivale a descre ver os resultados de um experimento aleatrio por meio de nmeros ao invs de palavras , o que apresenta a vantagem de possibilitar melhor tratamento estatstico; c) Nem toda funo uma varivel aleatria, pois uma vez que ao mesmo s forem atribudos diferen es X(a), a relao no poder se caracterizar uma relao funcional ou funo. Lembrete: Um ntidade uma funo de outra quando, para cada quantidade da varivel independente (x), corresponde a um nico valor denominado f(x) (varivel dependente). O conjunto em q ue os valores de x podem ser tomados chamado de domnio da funo, e o conjunto dos va lores que f assume para cada x denominado imagem da funo. As variveis aleatrias sero sempre representadas por letras maisculas (X, Y, Z, W, etc.). As realizaes (ou vari aes) dessas variveis em um dado elemento da populao sero sempre representadas por let as minsculas (x, y, z, w, etc.). Quando o resultado do experimento probabilstico f or registrado como um nico nmero x ter-se- uma VARIVEL ALEATRIA UNIDIMENSIONAL, que p oder ser discreta ou contnua. Porm, quando para um determinado experimento, cada re sultado proveniente da avaliao simultnea de dois caracteres, como por exemplo, estu dar a estatura X e o peso Y, de alguma pessoa escolhida ao acaso, o resultado se r (x,y), e ter-se- uma VARIVEL ALEATRIA BIDIMENSIONAL. Nota-se, nesse caso, que cada resultado identificado por cada um dos valores que as variveis aleatrias unidimen sionais assumem. v.a.X a S v.a.Y X(a) Y(a) 3

3. VARIVEIS ALEATRIAS UNIDIMENSIONAIS 3.1. Varivel Aleatria Discreta 3.1.1. Definio: eja X uma varivel aleatria (v.a.). Se o nmero de valores possveis de X(a) (isto o se u contradomnio) for finito ou infinito enumervel, denominaremos X de varivel aleatri a discreta, assim, os valores possveis de X so x1, x2,....,xn. No caso finito a li sta de valores de x acaba e no caso infinito enumervel, a lista continua indefini damente. Em geral uma varivel aleatria obtida mediante alguma forma de contagem. 3 .1.2. Funo de probabilidade (f.p.) Utilizando o conceito de funo em que uma quantida de uma funo de outra quando, para cada quantidade da varivel independente (x), corr esponde a um nico valor denominado f(x) (varivel dependente), chama-se FUNO DE PROBA BILIDADE (f.p.) da varivel aleatria discreta X, a funo: F(x) = P (X = xi) = P (xi) P ois a cada valor de xi associa-se sua probabilidade de ocorrncia. A funo P (xi) ser uma f. p. se satisfizer s seguintes condies: * P(xi) 0, para todo xi, e, * P( x ) = 1 = P( S ) i OBS.: Mesmo que a varivel assuma um nmero infinito enumervel de valores no h nenhum problema em comprovar que cada xi contribui com uma quantidade f(xi) ao t otal, de modo que, i =1 f ( xi ) = p ( x i ) = P ( X = x i ) = 1 i =1 i =1 coleo de pares [xi, P(xi)], i = 1, 2,..., n, denominamos DISTRIBUIO DE PROBABILIDADE da v. a. d. X, que pode ser representada por meio de tabelas e grficos. 3.1.2.1. Representao tabular da DISTRIBUIO DE PROBABILIDADE de varivel aleatria discreta dada por: 4

xi P(X=xi) x1 P(x1) x2 P(x2) ... xn P(xn) 1,0 3.1.2.1. Representao grfica da DISTRIBUIO DE PROBABILIDADE de varivel aleatria discreta obtida alocando-se no eixo das abscissas os valores de x e no e ixo das coordenadas os valores de suas respectivas probabilidades. Uma linha hor izontal feita em cada valor de x na altura de sua respectiva probabilidade. Exemplo 1: Considere o experimento probabilstico ou aleatrio: lanamento de duas moedas consecu tivas, logo: S = {cara-cara; cara-coroa; coroa-cara; coroa-coroa} Considere agor a que X a varivel aleatria definida como o NMERO DE COROAS obtidas, ou seja: X = {0 , 1, 2}, Portanto, X(cara-cara) = 0, X(cara-coroa) = X(coroa-cara) = 1, X(coroacoroa) = 2. Cujas probabilidades de ocorrncia so: P (0) = 1/4, P (1) = 2/4 e P (2) = 1/4. Logo, a representao tabular da DISTRIBUIO DE PROBABILIDADE de X : xi P(X=xi) 0 1/4 1 2/4 2 1/4 1,0 Em que, P (xi) 0 e P[ X = x ] = 1 i i =1 k Nota-se que para uma varivel aleatria discreta as probabilidades de cada valor x c orrespondem prpria PROBABILIDADE. 5 funo, por isso esta chamada de FUNO DE

E a representao grfica da DISTRIBUIO DE PROBABILIDADE de X : 2/4 1/4 0 Exemplo 2: 1 2 x

Tem-se 5 animais: 2 animais de uma raa bovina A (A1 e A2) e 3 animais de uma raa b ovina B (B1, B2 e B3). Deseja-se obter uma amostra de 2 animais da raa A, escolhi dos ao acaso dentre os 5 animais. a) Obter o espao amostral desse experimento ale atrio S: {A1A2, A1B1, A1B2, A1B3, A2B1, A2B2, A2B3, B1B2, B1B3, B2B3} b) Obter a varivel aleatria X nmero de animais da raa A na amostra. {B1B2, B1B3, B2B3}, ou seja, nenhum animal da raa A. {A1B1, A1B2, A1B3, A2B1, A2B2, A2B3}, ou seja, um animal da raa A. {A1A2}, ou seja, dois animais da raa A. No entanto, na estatstica, mais fc il utilizar valores numricos do que trabalhar diretamente com elementos de um esp ao como o anterior. Assim, se X se for a varivel aleatria NMERO DE ANIMAIS DA RAA A, os valores assumidos por X so x = 0, 1, 2. Como essa associao de nmeros aos pontos d o espao amostral, define-se uma funo sobre cada elemento desse espao. Essas funes sob e os elementos do espao so as variveis aleatrias. No caso, tem-se uma varivel aleatri discreta, em que se atribui um nico nmero real a cada elemento do espao amostral S . c) Obter a tabela da DISTRIBUIO DE PROBABILIDADE de X. Seja a v. a d. X o NMERO D E ANIMAIS DA RAA A, a representao tabular da funo de probabilidade da varivel nmero animais da raa A dada por: xi P(X=xi) 0 3 10 1 6 10 2 1 10 1,0 6

Em que, P (xi) 0 e P[ X = x ] = 1 i i =1 k

d) Obter o grfico da DISTRIBUIO DE PROBABILIDADE de X. A representao grfica da funo robabilidade da varivel nmero de animais da raa A dada por: 6/10 3/10 1/10 0 1 2 x Figura 1. Funo de probabilidade da varivel NMERO DE ANIMAIS DA RAA A. 3.1.3. Varivel aleatria discreta uniformemente distribuda Este o orre com valores = xi) = Exemplo: caso mais simples de varivel aleatria discreta, em que cada possvel valor oc a mesma probabilidade. Definio: A varivel aleatria discreta X, assumindo os x1, x2, ..., xn, tem distribuio uniforme, se e se somente se: f(x) = P (X P (xi) = p =

1 , para todo i = 1, 2, , n n Considere o experimento aleatrio o lanamento de um dado no-viciado. S = {1, 2, 3, 4 , 5, 6} Considere a varivel aleatria discreta X dada pelo NMERO DE PONTOS OBTIDOS. Essa varivel assume obviamente os valores de 1 a 6, e a cada valor possvel associa r um nico nmero real, ou seja, um valor de probabilidade, que no caso, para todos igual a 1/6. 7

Portanto, a representao tabular da funo de probabilidade F(x) = P (X = xi) = P (xi), ou seja, a DISTRIBUIO DE PROBABILIDADE de X: xi P(X=xi) 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 1,0 3.1.3.1. Representao grfica da DISTRIBUIO DE PROBABILIDADE de X. 1/6 1 2 3 4 5 6 Figura 1. Funo de probabilidade da varivel NMERO DE PONTOS OBTIDOS no lanamento de um dado. 3.2. Varivel aleatria contnua 3.2.1. Definio: Seja X uma varivel aleatria (v.a.). Se o nmero de valores possveis de X(a) (isto o s eu contradomnio) for infinito no-enumervel como, por exemplo, um intervalo, X ser de nominada de varivel aleatria contnua. Consideremos por exemplo o experimento que co nsiste em selecionar, ao acaso, um fruto de tomate de uma rea de produo e determina r o valor do peso do fruto em gramas. Nesse caso, dentro de um determinado grau de preciso decorrente da limitao do equipamento de mensurao, a varivel aleatria X = O DO FRUTO pode assumir um valor qualquer em um determinado intervalo da reta re al, sendo, portanto, uma varivel aleatria contnua. Como uma varivel aleatria contnua ode assumir uma infinidade de valores em um intervalo real, ou seja, o conjunto de valores que a varivel pode assumir infinito noenumervel, a cada um dos infinitos valores da reta real atribuda probabilidade nula. Portanto, no faz sentido fazer uma soma das probabilidades de cada um dos valores como no 8

caso das variveis aleatrias discretas, mas sim fazer a soma das probabilidades dos valores em intervalos da reta real. Nesse caso, o que generaliza o conceito de o de integral ( ) , ou seja, calcular a integral significa integrar ou somar os valores da funo. 3.2.2. Funo de densidade probabilidade (f.d.p.)

Como para varivel aleatria contnua a probabilidade de cada um dos infinitos valores na reta real igual a zero, no se tem uma funo de probabilidade F(x) = P (X = xi) = P (xi) como para varivel aleatria discreta. Nesse caso, as probabilidades de ocor rncia de cada um dos possveis resultados do experimento aleatrio so determinadas por uma funo contnua f(x) denominada FUNO DENSIDADE PROBABILIDADE (f.d.p.), que satisfaa as seguintes condies: a) f ( x ) 0 para todo x As probabilidades no podem ser negat ivas. + b) f ( x )dx = 1 A probabilidade do espao amostral 1, isto , a probabilidade de ocorrncia dos result ados dentro do intervalo sempre 100% possvel. b c) P(a X b) = f ( x )dx a A probabilidade de que a varivel aleatria assuma valores em um intervalo a rea sob a curva da funo densidade probabilidade no intervalo entre a e b. importante ressa ltar que, no clculo da probabilidade de um intervalo, este pode ser fechado ou ab erto, pois a incluso ou no dos extremos a e b do intervalo no altera o valor desse clculo, visto que a probabilidade de um ponto nula. IMPORTANTE: A f(x) de uma v. a c., funo de densidade probabilidade, no probabilidade. Somente quando a funo for integrada entre dois limites, ela produ zir uma probabilidade, que ser a rea sob a curva da funo X = a e X = b, a < b, ou sej a, a probabilidade de x em intervalo entre a e b da reta real. Exemplo 1: Seja X a varivel dimetro (em mm) de frutos de mamo colhidos no estado inicial, cuja funo de x [f(x)] dada por: 9

kx, f(x) = se 10 x 20 0, outros valores de x. Dada a funo desta varivel, calcule k de modo que f (x) seja uma f.d.p. Resposta: + Para isto, a f (x) deve atender as duas condies f ( x ) 0 para todo x e Assim, + f ( x )dx = 1 . f ( x)dx = 1 20 (kx)dx = 1 x2 ) =1 2 10 20 10 k .( 1 1 k . (20 2 10 2 ) = 2 150 Logo, k = 1/150 tambm atende a primeira condio de f ( x) 0 x . Portanto qualquer fr uto com dimetro entre 10 e 20 ter a mesma probabilidade de ocorrncia, ou seja, ser i gual a 1 ou 100%, e fora desse intervalo a probabilidade ser sempre igual a zero. Porm, se desejarmos saber a probabilidade de encontrarmos um fruto com dimetro en tre 10 e 12, a forma de obteno da mesma ser pela resoluo da integral considerando ess e intervalo, qual seja: 1 P(10 x 12) = ( x)dx = ? 150 10 1 x2 P(10 x 12) = .( ) 150 2 10 P(10 x 12) = 1 (12 2 10 2 ) = 0,15 ou 15% 300 12 12 10

Exemplo 2: Considerando que a demanda diria, em quilogramas, de determinado produ to em um supermercado uma varivel aleatria, dada pela seguinte funo densidade probabili dade (f. d. p.): kx, f(x) = se 0 x 1/2 se 1/2 x 1

0, outros valores de x. a) Determinar o valor de k. Para isto, a f (x) ser f.d.p deve atender as duas co ndies f ( x ) 0 para todo x + e f ( x )dx = 1 . Assim, + f ( x)dx = 1 1/ 2 (kx)dx + [k (1 x)]dx = 1 0 1/ 2 1/ 2 1 k .( x2 x x2 ) + k .( ) k .( ) = 1 2 0 1 1/ 2 2 1/ 2 1 1 1 1 k . [(1 / 2) 2 0 2 )] + k .[(1) 2 (1 / 2) 2 ] k . [(1) 2 (1 / 2) 2 ] = 1 2 2 k =4

0, outros valores de x. b) Calcular a probabilidade de que a demanda diria do pro duto esteja entre 250 e 750g. Sabe se que para a demanda diria entre 0 e 500 g (o u 0 e 1/2) a funo 4x, e que para a demanda entre 500g e 1000g (ou 1/2 e 1) a funo 4 x 1). Logo, para saber a demanda diria entre 250 e 750 deve se integrar e somar n os intervalos de 250 a 500g (ou 1/4 e 1/2) e de 500 a 750g (ou 1/2 e 3/4). Ou se ja: 11

Logo, k = 4 Portanto, 4x, f(x) = se 0 x 1/2 se 1/2 x 1 4(1

k(1

x),

x),

750 1/ 2 f ( x)dx = 3/ 4 f ( x)dx + f ( x)dx 250 1/ 4 1/ 2 750 1/ 2 f ( x)dx = (4 x)dx + [4(1 x)]dx 1/ 2 3/ 4 3/ 4 250 750 1/ 4 1/ 2 f ( x)dx = (4 x)dx + (4 x)dx + 1/ 2 (4 4 x)dx (4)dx 3/ 4 3/ 4 250 750 1/ 4 1/ 2 1/ 2 3/ 4 f ( x)dx = (4 x)dx

3/ 4 250 750 1/ 4 1/ 2 1/ 2 x2 x x2 f ( x)dx = 4.( ) + 4.( ) 4.( ) 2 1/ 4 1 1/ 2 2 1/ 2 250 750 250 750 f ( x)dx = 2 .[(1 / 2) 4 2 4 + (1 / 4) 2 ] + 4.(3 / 4 1 / 2) .[(3 / 4) 2 (1 / 2) 2 ] 2 f ( x)dx = 0,75 ou 75% 250 Logo, a probabilidade de que a demanda diria do produto esteja entre 250 e 750 75 %. 3.2.3. Varivel aleatria contnua uniformemente distribuda

o caso mais simples de varivel aleatria contnua. Definio: A v.a. contnua tem distri uniforme no intervalo [a,b], sendo a e b finitos, se a sua funo densidade de proba bilidade (f. d. p.) for dada por: 1 , para a x b f ( x) = b a 0, para outros v res de x 4. VARIVEIS ALEATRIAS BIDIMENSIONAIS

Seja E um experimento aleatrio e S um espao amostral associado a E. Seja X uma var ivel aleatria e Y outra varivel aleatria e X(a) e Y(a) so duas funes, cada uma assoc do um nmero real a cada resultado de a S, ento determinaremos (X,Y) uma varivel ale atria bidimensional. Na prtica, significa que para um determinado experimento alea trio, cada resultado proveniente da avaliao simultnea de duas variveis. Do mesmo mod que no caso unidimensional (X,Y) deve ter associada a cada valor que pode assum ir uma probabilidade de sua ocorrncia. Assim, so definidas as funes e 12

distribuies de probabilidades da v.a. bidimensional (X,Y). Para o nosso estudo con sideraremos que X e Y so ambas discretas ou ambas contnuas. 4.1. Quando (X,Y) varivel aleatria discreta bidimensional Se os valores possveis da varivel (X,Y) forem finitos ou infinitos enumerveis, esta ser uma v.a. discreta bidimensional. Assim, os valores possveis de (X,Y) podem se r representados por (xi, yj) i = 1, 2, ..., n j = 1, 2, ..., m 4.1.1. Funo de probabilidade conjunta de X e Y

dada por: P ( X = x i , Y = y j ) = P ( xi , y j ) Em que a cada valor de (xi, y i) associa se a sua probabilidade de ocorrncia. Para que P(xi, yi) seja uma funo de probabilidade conjunta necessrio que satisfaa s seguintes condies: i) P(xi, yi) 0 xi,yj) ii) P( x , y i j =1 i =1 m n j ) = 1 ,0 4.1.2. Distribuio de probabilidade conjunta de X e Y o conjunto {(xi,yj), P(xi,yj)} y2 P(x1, y2) P(x2, y2) i = 1, 2, ..., n X x1 X2 Y y1 P(x1, y1) P(x2, y1)

j = 1, 2, ..., m ym Total P(X = x1) = P(x1) = P( x1 , y j ) j =1 m K K P(x1, ym) P(x2, ym) K P(X = x2) = P(x2) = P ( x 2 , y j ) j =1 m M xn M P(xn, y1) P(Y = y1) = P(y1) = P( xi , y1 ) i =1 n M P(xn, y2) P(Y = y2) = P(y2) = P( xi , y 2 ) i =1 n M K M P(xn, ym) P(Y = ym) = P(ym) = P( xi , y m )

i =1 n M P(X = xn) = P(xn) = P ( x n , y j ) j =1 m Total K 1,0 13

A partir da distribuio conjunta das duas variveis aleatrias X e Y podemos determinar a distribuio de X sem considerar Y e a de Y sem considerar X. So as chamadas DISTR IBUIES MARGINAIS. A distribuio marginal constituda pelos valores da varivel aleatr suas respectivas probabilidades marginais. A probabilidade marginal para cada va lor obtida da seguinte forma: Para X: Para Y: P(X = xi) = P (xi) = P(Y = yi) = P (yi) = P( x , y i j =1 m j ) ) P( x , y i i =1 n j Ou seja, a marginal de X a funo de probabilidade da v.a. X sem considerar a v.a.Y, e a marginal de Y a funo de probabilidade da v. a.X sem considerar a v.a.X. Com a s probabilidades marginais para cada valor, podemos construir a distribuio margina l para a varivel aleatria: Para X: xi P(X=xi) x1 P(x1) x2 P(x2) ... xn P(xn) Para Y: yi P(Y=yi) y1 P(y1) y2 P(y2) ... ym P(ym) 14

Exemplo: Seja a varivel discreta bidimensional (X, Y), cuja distribuio de probabilidade conj unta dada pela tabela: X 2 0 1 Y 3 1/9 0 1/9 0 0 2/9 1/9 1 2/9 2/9 0 a) Obter as probabilidades marginais de X e Y. Para X: P(X = xi) = P (xi) = P( x , y i j =1 m j ) P(X = 2) = P ( 2) = 1/9 + 0 + 2/9 = 3/9 P(X = 0) = P (0) = 0 + 2/9 + 2/9 = 4/9 P(X = 1) = P (1) = 1/9 + 1/9 + 0 = 2/9 Logo, P( x , y i j =1 m j ) = 3/9 + 4/9 + 2/9 = 1,0

1,0 Para Y: P(Y = yi) = P (yi) = P( x , y i i =1 n j ) P(Y = 3) = P ( 3) = 1/9 + 0 + 1/9 = 2/9 P(Y = 0) = P (0) = 0 + 2/9 + 1/9 = 3/9 P(Y = 1) = P (1) = 2/9 + 2/9 + 0 = 4/9 Logo, P( x , y i i =1 n j ) = 2/9 + 3/9 + 4/9 = 1,0

Ou seja, yi P(Y = yi)

2 2/9 0 3/9 1 4/9

Ou seja, xi P(X = xi)

2 3/9 0 4/9 1 2/9

 1,0 15

4.2. Quando (X,Y) varivel aleatria contnua bidimensional Se a varivel (X,Y) puder assumir todos os valores em algum conjunto infinito noenu mervel, esta ser uma v.a. contnua bidimensional. 4.2.1. Funo de densidade probabilidade conjunta de X e Y Seja (X,Y) uma v.a.c. bidimensional. Diz se que f(x,y) uma funo de densidade proba bilidade conjunta de X e Y, se satisfazer as seguintes condies. i) f(x,y) 0, todo (x,y) m ii) f ( x, y)dx.dy = 1 n j =1 i =1 Em que, f(x,y) = 0 para (x,y) aos intervalos de x e y. 4.2.2. Distribuio de probabilidade conjunta de X e Y A partir da distribuio conjunta das a distribuio de X sem considerar Y IBUIES MARGINAIS. Porm, para (X,Y) bilidade marginais de X e Y so dadas + f ( x) = f ( x, y)dy f ( x, y)dx + f ( y) = Exemplo: Sejam X e Y variveis aleatrias contnuas com f.d.p. conjunta dada por: k (2x +y), f( x,y) = a) Calcular o valor de k se 2 x 6 0 y 5 0, para outros valores de x e y 2 6 2 6 6 5 0 5 f ( x, y )dxdy = 1,0 k (2 x + y)dxdy = 1,0 0 k (2 x)dxdy + (ky)dxdy = 1,0 2 0 2 0 duas variveis aleatrias X e Y podemos determinar e a de Y sem considerar X. So as chamadas DISTR varivel aleatria contnua, as funes de densidade por:

5 6 5 2 6 5 0 k (2 x)dxdy + 6 2 (ky)dxdy = 1,0 0 5 16

5 x2 x1 2k .( ) dy + ky.( ) dy = 1,0 0 2 2 1 2 2 5 6 6 k.(6 0 5 0 5 2 2 2 ) dy + ky.(6 2) dy = 1,0 2 5 2 5 32k.dy + 4ky.dy = 1,0 y1 y2 32k ( ) + 4k ( ) = 1,0 1 0 2 0 5 5 32k (5 0) + 2k (5 2 0 2 ) = 1,0 160k + 50 = 1,0 210k = 1,0 k= 1 210 b) Obter as funes marginais de X e Y Funo marginal de X: f ( x) = f ( x) = 5 0 5 1 (2 x + y )dy 210 5 y 2x dy + dy 0 210 210 5 0 2x 5 1 y2 f ( x) = y0 + . 210 210 2 0 f ( x) = f ( x) = f ( x) = x 1 2 5 0 (5 0) + 105 420 ( ) x 5 + 21 84 4x + 5 84 Funo marginal de Y: f ( y) = f ( x) = 6 2 6 1 (2 x + y )dx 210 6 y 2x dx + dx 2 210 210 2 17

2 x2 f ( y) = 210 2 6 2 6 y + .x 210 2 6 6 1 2 y f ( y) = x + .x 210 2 210 2 f ( y) = f ( y) = f ( y) = f ( y) = f ( y) = 1 y (6 2) (6 3 2 3 ) + 210 210 1 y (216 8) + 4 210 210 208 4 y + 210 210 16 2 y + 105 105 16 + 2 y 105

5. MEDIDAS DE POSIO E DISPERSO DE VARIVEIS ALEATRIAS 5.1. Medidas de posio 5.1.1. Es ana matemtica (mdia ou valor esperado de uma v. a.) E(X)

A ESPERANA MATEMTICA a mdia ou valor esperado de uma varivel aleatria. A esperana m mtica de uma distribuio tambm denominada uma medida de tendncia central. Do ponto de vista cientfico, a esperana matemtica corresponde ao que se espera que acontea em mdi a. Se X for uma varivel aleatria discreta Definio. Dado uma v.a. X discreta, assumindo os valores x1, x2,...,xn, chamamos va lor mdio ou esperana matemtica de X o valor: E(X) = x .P ( X i i 1 n = xi ) Exemplo: Considerando o experimento probabilstico ou aleatrio: lanamento de duas moedas cons ecutivas, em que X a varivel aleatria definida como o NMERO DE COROAS obtidas, ou s eja: X = {0, 1, 2}, cujas probabilidades de ocorrncia so: P (0) = 1/4, P (1) = 2/4 e P (2) = 1/4. 18

E(X) = x .P ( X i i 1 n = x i ) = 0. + 1. + 2 1 4 2 4 1 = 1,0 4 Interpretao: Se esse experimento aleatrio constitudo pelo lanamento de duas moedas fo r realizado n vezes, espera se, em mdia, obter 1,0 coroa. Se X for uma varivel aleatria contnua Definio. Dado uma v. a. X contnua, assumindo os valores x1, x2,...,xn, chamamos val or mdio ou esperana matemtica de X o valor: E(X)= + x. f ( x ) dx Exemplo: Seja X a varivel dimetro (em mm) de frutos de mamo colhidos no estado inicial, cuja funo de x [f(x)] dada por: f(x) = 20 1 x, 150 se 10 x 20 0, outros valores de x. E ( X ) = x( 10 1 x)dx 150 20 1 x3 E( X ) = .( ) 150 3 10 E( X ) = 1 1 . (20 3 10 3 ) = 15,56mm 150 3 Interpretao: Se esse experimento aleatrio constitudo pela colheita ao acaso de fruto de mamo for realizado n vezes, espera se, em mdia, obter fruto de 15,56 mm de dime tro. As propriedades da Esperana Matemtica so: 1) E (K) = K, sendo K uma constante. 2) E ( X + K) = E (X) + K 3) E (K.X) = K. E (X) 4) E (X + Y) = E (X) + E (Y) 5) E (XY) = E (X).E (Y), se X e Y so independentes (Cov (X,Y) = 0) 19

3.2. Medidas de disperso 3.2.1. Varincia V(X) ou 2 Definio. A varincia quantifica di per o do dado em torno da mdia. dada por:

V(X) = E[X - X]2 V(X) = E[X2 2.X.X + X2] V(X) = E(X2) 2.E(X.X) + E(X2) V(X) = E(X2 . X.E(X) + X2 V(X) = E(X2) 2. E(X).E(X) + [E(X)]2 V (X) = E(X2) 2.[E(X)]2 +[E(X)]2 V (X) = E(X2) [E(X)]2 A obteno da varincia depende e X varivel aleatria di creta ou contnua. Se X for uma varivel aleatria di creta Definio. A varincia de uma varivel aleatria di creta quantifica a di per o do dado m torno da mdia e perada. definida por: V (X) = E(X2) [E(X)]2 Em que, E ( X 2 ) = xi2 .P ( xi ) i =n n Exemplo:

xi ) = 0 .1 + 1 . + 2

n i =n 1 4 2 4 1 = 4 V (X) = E(X2) [E(X)]2 V (X) =1,5 1,02 V(X) = 0,5 Se X for uma varivel aleatria contnua Definio. A varincia de uma varivel aleatria contnua quantifica a disperso dos dados em torno da mdia esperada. definida por: 20

Con iderando o experimento probabil tico ou aleatrio: ecutiva , em que X a varivel aleatria definida como eja: X = {0, 1, 2}, cuja probabilidade de ocorrncia e P (2) = 1/4. E(X) = 2 2 2 2 2 xi .P ( X = xi ) = 1,0 e E ( X ) = xi .P( i 1 n

lanamento de dua moeda con o NMERO DE COROAS obtida , ou o: P (0) = 1/4, P (1) = 2/4

V (X) = E(X2) [E(X)]2 Em que E ( X 2 ) = x 2 . f ( x)dx Exemplo: Seja X a varivel dimetro (em mm) de frutos de mamo colhidos no estado inicial, cuja funo de x [f(x)] dada por: f(x) = 20 1 x, 150 se 10 x 20 0, outros valores de x. 1 V (X ) = x2 ( x)dx [15,56] 2 150 10 1 V (X ) = x2 ( x) dx [15,56] 2 150 10 1 x4 V (X ) = .( ) [242,1136] 150 4 10 V (X ) = 1 1 . (20 4 10 4 ) [242,1136 ] = 7,8864 mm2 150 4 20 20 As propriedades da Varincia so: 1) V V (X) + V(K) = V(X) 3) V (K.X) = K2. V (X) + V (Y) + 2Cov (X, Y), se X e Y so (X) + V (Y), se X e Y so independentes (K) = 0, sendo k uma constante. 2) V (X + K) = (X) 4) V (XY) = V(X).V (Y) 5) V (X + Y) = V dependentes (Cov (X,Y) 0) 6) V (X + Y) = V (Cov (X,Y) = 0) 4.2.2. Desvio padro

O de vio padro de X, DP(X), definido como a raiz quadrada po itiva da varincia. ma i u ada como medida de di per o que a varincia por e tar na me ma unidade do dad o . 4.2.3. Covarincia - Cov (X,Y) uma medida de a ociao entre varivei aleatria . nece rio que a varivei para que e obtenha a covarincia. 21 e tenha pelo meno

A covarincia entre dua v. a. X e Y o produto do de vio da varivei (medida de di crepncia), qual eja: Cov (X,Y) = E[(X - X).(Y - Y)] De envolvendo a expre o acima, temo : Cov (X, Y) = E [(XY X. Y YX + XY] Cov (X, Y) E [(XY X.E(X) YE(X) + E(X)E(Y)] Cov (X, Y) = E (XY) E(X)E(Y) E(Y)E(X) + E(Y)E(X)] Cov (X,Y) = E(XY) E(X).E(Y) Em que, E(X ) = x .P ( X i i 1 + n = x i ) e E ( XY ) = + + x y i j =1 i 1 m n j .P ( x i , y j ) para (X,Y) discreta para (X,Y) contnua E(X ) = x. f ( x ) dx e E ( XY ) = xy . f ( x , y ) dx dy

probabilidade, e negativa se correrem, com maior probabilidade, desvios com sina is contrrios. Ou seja, < Cov (X,Y) < +

Assim, o sinal da covarincia indica a relao entre as variveis: Se Cov (X,Y) = 0, a s variveis X e Y no possuem dependncia linear, ou seja, so independentes; Se Cov ( X,Y) > 0, as variveis X e Y possuem uma relao linear de dependncia, cuja variao ocorr no mesmo sentido, ou seja, medida que uma varivel aumenta a outra tambm aumenta, ou medida que uma varivel diminui a outra tambm diminui; Se Cov (X,Y) < 0, as va riveis X e Y possuem uma relao linear de dependncia, cuja variao ocorre no sentido co trrio, ou seja, medida que uma varivel aumenta a outra diminui e vice versa. As propriedades da Covarincia so: 1) Cov (X, K) = 0, sendo k uma constante. 2) Cov ( X,Y) = Cov (Y,X)

Como a covarincia , por definio, a mdia dos produtos dos desvios (X ovarincia ser positiva se ocorrerem desvios do mesmo sinal com maior

x) por (Y y),

22

3) Cov (X,X) = V(X) 4) Cov (aX, bY) = ab.Cov(X,Y) 4) Cov (X + Z, Y) = Cov (X,Y) + C ov (Z,Y) 5) Cov (X,Y) = 0, se X e Y so independentes 6) Cov (X,Y) 0, se X e Y so dep endentes Exemplo 1: Sabendo se que Y = 3X 5 e que E(X) = 2 e V(X) = 1, calcular:

a) E(Y) E(3X 5) = E (3X) E (5) E(3X 5) = 3.E (X) E (5) E(3X 5) = 3.2 5 E(3X 5 1,0 b) V(Y) V(3X 5) = 32.V(X) V(5) = 9.1 0 = 9 c) Cov (X,Y) Cov (X, 3X 5) = Cov (X, 3X) Cov (X, 5) = 3. Cov (X,X) 0 = 3. V(X) = 3. 1 = 3 d) V(X/3 Y) V(X/3) V (Y) = (1/3)2.V(X) + V(Y) 2.Cov (X/3,Y) = 1/9.V(X) + V(Y) 2.1/3.Cov (X,Y) V(X/3 Y ) = 1/9.1 + 9 2/3.(3) = 64/9 Exemplo 2: Seja a varivel aleatria bidimensional DISCRETA (X,Y), cuja distribuio de probabilidade conjunta dada pela tabela: X Y 1 3 P(xi) 1 1/9 3/9 4/9 0 2/9 1/9 3/9 2 0 2/9 2/9 P (yi) 3/9 6/9 1,0 Verificar se as variveis possuem dependncia linear, ou seja, se Cov (X,Y) 0. Cov (X,Y) = E(XY) E(X). E(Y) 23

E(X) = E(Y) = x .P ( x ) = 1 . 9 + 0 . 9 + 2 . 9 i i i 1 m n 4 3 2 =0 y j 1 m j .P ( y j ) = 1 . n 3 6 + 3 . = 2,33 9 9 1 2 3 1 2 + 1 .0 . + 1 .2 .0 + 3 .( 1). + 3 .0 . + 3 .2 . = 0,22 9 9 9 9 9 E(XY) = x .y i j =1 i 1 j .P ( x i , y j ) = 1 .( 1). Logo, Cov (X,Y) = 0,22 0. 2,33 Cov (X,Y) = 0,22 Interpretao: Como a Cov (X,Y) 0, X e Y so dependentes, havendo uma relao linear positiva entre as duas variveis, ou se ja, medida que ocorre aumento em X ocorre aumento em Y, ou medida que ocorre dec rscimo em X ocorre decrscimo em Y. Exemplo 3: Sejam X e Y variveis aleatrias CONTNUAS com f.d.p. conjunta dada por: f(x,y) = 1 (2x +y), 210 se 2 x 6 0y5 0, para outros valores de x e y E funes de densidade probabilidade marginais: f ( x) = f(x) = 4x + 5 84 se 2 x 6 0, para outros valores de x f ( y) = 16 + 2 y 105 se 0 y 5 f(y) = 0, para outros valores de y

Verificar se as variveis possuem dependncia linear, ou seja, se Cov (X,Y) 0. Cov (X,Y) = E(XY) E(X). E(Y) + + E ( XY ) = xy . f ( x , y ) dx dy 1 E ( XY ) = xy . 0 2 5 6 24 210 (2 x + y ) dx dy

E ( XY ) = 5 0 6 2 x 2 y xy 2 dx dy + 2 210 210

E ( XY ) = 5 0 2y 6 2 x 2 dx + 6 y2 210 6 2 xdx dy E ( XY ) = 5 0 2y x3 2 6 y2 x2 + dy 210 2 2 210 3 210

E ( XY ) = E ( XY ) = E ( XY ) = [0,00317 y (6 0 5 0 5 5 3

 2 3 ) + 0,00238 y 2 ( 6 2 2 2 ) dy 2 ] [0,65936 y + 0,07616 y ]dy 0 0,65936 ydy + 5 5 0 0 ,07616 y 2 dy 5 E ( XY ) = 0,65936 ydy + 0,07616 y 2 dy 0 0 E ( XY ) = 0,65936 y2 2 5 + 0 ,07616 0 y3 3 5 0 E ( XY ) = 0,32968 (5 2 0 2 ) + 0 ,0254 (5 3 0 3 ) E ( XY ) = 11, 4153 + E(X ) = x. f ( x ) dx = + 6 2 4x + 5 5 E (Y ) = x dx = 4 , 2540 84

 y. f ( y ) dy = 0 16 + 2 y y dy = 2,1429 105

Logo, Cov (X,Y) = 11,4153 4,2540.2,1429 Cov (X,Y) = 2,2996 Interpretao: Como a Cov (X,Y) 0, X e Y so dependentes, havendo uma relao linear positiva entre as duas var iveis, ou seja, medida que ocorre aumento em X ocorre aumento em Y, ou medida que ocorre decrscimo em X ocorre decrscimo em Y. 4.2.4. Coeficiente de correlao (XY)

Uma vez que a cova incia va ia de - a + , difcil dete mina a intensidade da elao nea ent e as duas va iveis obse vando simplesmente a pa ti do valo da cova inci a, pois a mesma apenas indica o sentido da elao. Pa a conto na essa dificuldade, Ka l Pea son p ops uma ve so pad onizada da cova incia (ca acte izada pela diviso d a 25

cova incia pelos desvios-pad o de X e Y), que o coeficiente de co elao linea popul acional de Pea son, ep esentado po XY. O pa met o definido po : XY = Cov( X , Y ) V ( X ).V (Y ) = E ( XY ) E ( X ).E (Y ) V ( X ).V (Y ) fcil notar que o coeficiente de correlao linear uma medida mais eficiente de

associao entre variveis que a covarincia, por possibilitar a quantificao da associa outras palavras, a covarincia apenas indica a existncia ou no de relao linear entre as variveis e, se existir, se essa positiva ou negativa. O coeficiente de correlao por sua vez, alm de fazer as mesmas indicaes que a covarincia sobre a relao linear en re as variveis, ainda a quantifica! O intervalo de variao do coeficiente de correlao 1 < XY < 1. Isso facilmente demonst ado pelo seguinte teo ema: Se X e Y so duas va iveis aleat ias, tem-se: X X Y Y Y X 0 0 2 2 OU

1 2 X E( X X ) 2 + 1 2 Y

1 XY [( X X )(Y Y )] 0 2 Como, E( X X ) 2 = X 2 E(Y Y ) 2 = Y E [( X X )((Y Y )]

= , tem-se,

XY 2 X Y2 +

2 0 2 X Y2

E (Y Y ) 2

( X )

(Y )

X X Y Y E

X 2 ( X X ) (Y Y ) X Y 0 +

2 E

22>0 ou 26

O coeficiente de co elao um nme o pu o, sem unidade ou dimenso. usado pa a exp ess o quanto os pontos se ap oximam de uma eta imagin ia. Um coeficiente p ximo da unidade positiva ou negativa significa uma g ande concent ao dos pontos em to no d a eta, enquanto que um coeficiente meno significa maio dispe so em elao a esta eta. Valo es positivos indicam a tendncia de uma va ivel aumenta quando a out a aumenta, ou diminui quando a out a diminui. Quando o coeficiente de co elao nega tivo significa que a tendncia de uma va ivel aumenta enquanto a out a diminui e v ice-ve sa. Na figu a 1, cada eixo ep esenta uma va ivel, X e Y e, so ap esentadas g aficamente a associao ent e duas va iveis. Na let a (a) as va iveis no so co elac onadas ( = 0), ento os pontos se encont am dispe sos po todo o quad ante. Na le t a (b) a co elao alta e negativa ( = - 0,95), evidenciada po uma dispe so inve sa ent e X e Y. Os maio es valo es de X co espondem aos meno es valo es de Y, c oncent ados em to no de uma diagonal fictcia. Na let a (c), X e Y esto co elacion adas positiva e pe feitamente ( = 1,0), logo os pontos esto alinhados em uma mes ma di eo ascendente. Po fim, na let a (d), X e Y esto levemente co elacionados, e nto a dispe so dos pontos no to ab angente no quad ante nem to est eita em to no de ma linha. Figu a 1. Rep esentao g fica de duas va iveis X e Y com dive sos g aus de co elao. 27

> 1 e < -1 , logo, - 1 < XY < 1 OBS.: O estimado no viesado pa a o pa met o XY denominado

xy.

3. DISTRIBUIES E FUNES DE PROBABILIDADES DISCRETAS E CONTNUAS

Foi visto nos assuntos ante io es como os dados de uma investigao cientfica so ep e sentados e como pa met os da fo ma da dist ibuio, valo es mais f eqentes e medidas d e posio e va iabilidade, so estimados. Fo am vistas, tambm, fo mas pa a lida e ap e senta dados em funo de seus tipos. Todavia, alm da desc io amost al dos dados, a est atstica como pa te integ ante do mtodo cientfico, lida tambm com aspectos que envolv em a modelagem te ica das ealizaes das va iveis aleat ias nos fenmenos estudados. Es a modelagem envolve os modelos p obabilsticos, cujo conhecimento auxilia o invest igado cientfico na escolha do modelo mais adequado pa a estuda um dete minado f enmeno e daquele que mais se ap oxima de uma situao eal. Aqui, i emos estuda os m odelos p obabilsticos de algumas va iveis aleat ias disc etas e contnuas. As dist ib uies de p obabilidade (disc etas e contnuas) ficam completamente definidas conhecen do-se os dive sos valo es que a va ivel aleat ia pode assumi , dent o do seu inte valo de definio, e as espectivas p obabilidades. O conhecimento da dist ibuio de um a va ivel aleat ia impo tante na desc io dos fenmenos, na especificao dos testes d ocessos da teo ia de deciso estatstica e na teo ia da estimao. Pode-se afi ma que, de fo ma ge al, os modelos p obabilsticos fo mam a base da teo ia estatstica, e a linguagem aplicada ep esenta o fundamento da linguagem cientfica emp eendida nos p ocessos de deciso e estimao. 3.1. DISTRIBUIES DE PROBABILIDADE DISCRETAS 3.1.1. Dist ibuio de Be noulli Conside emos expe imentos aleat ios que possuem apenas dois esultados possveis, c omo po exemplo, uma pea selecionada de um lote, a qual pode se boa ou defeituos a, um aluno que submetido a um exame que pode se ap ovado ou no, um animal em um ebanho que pode se sadio ou doente, etc. So expe imentos cujos esultados pe t encem a uma de duas catego ias possveis, confo me possuam, ou no, uma dete minada ca acte stica. O esultado se chamado de sucesso S se possui a citada ca acte sti ca, ou de f acasso F, se no possui . Esses expe imentos so conhecidos como expe im entos de Be noulli ou ensaios de Be noulli. A p obabilidade de oco ncia de suces so se indicada po p, e a de f acasso po q, em que q = 1 p. Qualquer um do doi re ultado po vei do experimento poder er 28

chamado de uce o, ba tando omente que a probabilidade de ocorrncia eja denomi nada por p. A di tribuio de probabilidade para uma varivel aleatria X que a ume doi valore : o valor 1 e ocorrer uce o, e o valor 0 e ocorrer fraca o, dada p or: xi 1 0 P(xi) p 1-p Mdia e Varincia de uma v. a. com di tribuio de Bernoulii E(X) = x = p V (X) = 1 p = q Quando uma varivel aleatria X tem distribuio de Bernoullii represent amos simbolicamente por X ~ B (p; q). L se: X tende para uma distribuio de Bernouli i cujos parmetros so p e q. 3.1.2. Distribuio Binomial A distribuio binomial consiste na realizao de n ensaios de independentes de Bernouli i, cada um com probabilidade de sucesso constante igual a p (e consequentemente de fracasso constante a q). Desse modo, pode se definir a varivel aleatria X pelo nmero de sucessos observados. So exemplos de variveis binomiais: florescimentos de plantas de uma espcie em uma amostra de tamanho n; nascimento de fmeas em uma amos tra de tamanho n; etc. A distribuio binomial a mais importante das distribuies de v. a. discretas. Se p a probabilidade de sucesso de um evento ocorrer em uma nica t entativa e q = 1 p a probabilidade do fracasso, ento, a probabilidade de que nos k primeiros en saios de Bernoulii ocorram sucessos e nos n k restantes ocorram fracassos, considerando s e a independncia dos ensaios dada por: P( 14S ,..., S , 142,..., F ) = p k .(1 p) n k S , S ,24 F , F , F 43 3 4 4 k nk Como os k sucessos podem ocorrer em qualquer uma das ordens possveis nos n experi mentos de Bernoulii, que igual a ao nmero de combinaes de n elementos k a k 29

dada por C kn = n! , a probabilidade de obteno de k sucessos nas n realizaes do k!(n k )! experimento calculada por: C n k . p k .q n k n Cx OBS: a denominao binomial decorre do fato de os coeficientes serem os coeficientes binomiais das n potncias (a + b). Por exemplo: O binmio elevado potncia trs: 3 3 (a + b)3 = a3 + 3a2b + 3ab2 + b3 corresponde a C33 a3 + C 2 a2b + C13 ab2 + C0 b3 Suposies do modelo binomial: 1. Existe n repeties ou provas idnticas do experimento. Exemplo: nmero de plantas sadias colhidas em parcelas de 20 m2 (foram plantadas 2 7 plantas em cada parcela), X = 0, 1, 2, ....,27, ento, n o nmero total de casos p ossveis da varivel que estamos estudando. 2. S h dois tipos de resultados possveis (E x.: plantas sadias ou doentes). 3. As probabilidades p de sucesso e 1 p = q de f racasso permanecem constantes em todas as repeties. 4. Todos os resultados das rep eties so independentes um do outro. Mdia e Varincia de uma v. a. com distribuio Binomial E(X) = x = np V (X) = npq = np (1 p ) = npq Quando uma varivel aleatria X tem distribuio binomial representamos simbolicamente por X ~ Bin (n; p). L se: X tende para uma distribuio Binomial cujos parmetros so n e p. Exemplo: No rebanho bovino 30% dos animais esto atacados por febre aftosa. Retira se por acaso uma amostra de 10 animais. a) Verifique se a varivel nmero de animais doe ntes pode se estudada pelo modelo binomial. Justifique sua esposta. b) Est utu a a funo de p obabilidade. c) Qual a p obabilidade de se encont a 6 animais doen tes. d) Qual a p obabilidade de se encont a pelo menos 6 animais doentes. 30 n f (x) = P (X=x) = . p k .(1 p) n k = k

e) Qual a p obabilidade de se encont a no mximo 6 animais doentes 3.1.3. Dist ibuio de Poisson A dist ibuio de Poisson um caso limite da dist ibuio binomial, quando n , p

0 e = np pe manece constante, e se aplica no caso em que, em vez de se obse va o nme o de sucessos em n ealizaes independentes de um expe imento de Be noulli, o in te esse o nme o de sucessos em um inte valo contnuo de obse vao t (t). Esse inte val contnuo de obse vao pode se um inte valo qualque em que se vai obse va a oco nc ia de sucessos. Nas cincias ag ias e biolgicas a dist ibuio de Poisson la gamente u ilizada pa a contagens de indivduos, plantas, colnias de bact ias, itens, objetos, dados num inte valo de tempo, numa ea, num volume, num comp imento. A unidade de medida deve se definida de tal modo que as contagens sejam baixas. Conside e-s e um nme o baixo com sendo meno que 10. Um aplicao impo tante dessa dist ibuio diz espeito ao estudo do pad o de dispe so de ce ta espcie animal ou vegetal num campo ou flo esta, ento numa dete minada ea. muito utilizada, po tanto, em estudos de d inmica de populao e entomolgicos. So exemplos de va iveis com dist ibuio de Poisson o de colnias de bact ias po quad ante de 1m2; nme o de colnias de bact ias de uma da da cultu a po 0,01 mm2 numa plaqueta de mic oscpio; nme o de defeitos po 100 m d e tecido; nme o de acidentes numa esquina movimentada e bem sinalizada po dia; nm e o de chamadas telefnicas numa cent al de PABX num inte valo de tempo de minuto; nme o de pa tculas adioativas emitidas numa unidade de tempo; nme o de mic oncleos /1000 clulas, etc. Pa a que uma va ivel aleat ia X tenha dist ibuio de Poisson, deve satisfaze s seguintes condies: i) Pa a inte valos de obse vao t muito pequenos, a p babilidade de oco ncia de mais de um sucesso desp ezvel; ii) Pa a inte valos de o bse vao t muito pequenos, a p obabilidade de oco ncia de um sucesso p opo cional ao tamanho do inte valo e igual a .t, onde > 0 a taxa de sucesso por unidade de observao; iii) As ocorrncias de sucessos em interva os disjuntos (no sobrepostos) so independ entes. 31

Ento, se uma varive a eatria X, igua ao nmero de sucessos em um interva o t de obs ervao tem distribuio de Poisson, pode-se demonstrar que a sua distribuio de probabi i ade dada por: P( X = k ) = e t ( t ) k , k = 0,1,2,3,... k!

Sendo = t o nmero mdio de ocorrncias no interva o t, a expresso acima pode ser escri a na forma: P( X = k ) = e t ( ) k k! Mdia e Varincia de uma v.a. com distribuio de Poisson E(X) = V(X) = Exemp o: Sabendo-se que na fabricao de determinadas chapas aparecem defeitos taxa mdia de 0,5 defeito por m2, ca cu e a probabi idade de que: a) uma chapa de 5 m2 seja perfeita; b) uma chapa de 15 m2 apresente no mnimo trs defeitos. a) Seja X = nmero de defeitos por chapa de 5 m2, temos: = 0,5 defeito por m2 t = 5 m2 = t = 0,5.5 = 2,5 P( X = 0) = e 2,5 .2,5 0 =0,082 ou 8,2% 0! b) Seja X = nmero de defeitos por chapa de 15 m2, temos: = 0,5 defeito por m2 t = 15 m2 = t = 0,5.15 = 7,5 P( X 3) = 1 P( X < 3) P( X 3) = 1 [ P( X = 0) + P( X = 1) + P( X + 2)] 32

e 7 ,5 .7,5 0 e 7 ,5 .7,51 e 7 ,5 .7,5 2 P( X 3) = 1 + + = 1 0,020256 = 0, 7,97% 0! 1! 2! 3.2. DISTRIBUIES DE PROBABILIDADE CONTNUAS 3.2.1. Distribuio Normal ou Gaussiana

A distribuio gaussiana tambm denominada de distribuio normal, uma vez que uma grande maioria das variveis aleatrias contnuas (inclusive variveis aleatrias discretas podem ser aproximadas pela lei gaussiana) da natureza segue esta distribuio. Diz se que uma varivel aleatria segue distribuio normal de parmetros e 2 que representamos do modo X ~ N ( , ), e ua funo den idade probabilidade for: f(x)= 1 2 2 2, ( x ) 2 2 2 e

Figura 1. Di tribuio normal com mdia e

onto de inflexo

O u orte da di tribuio todo conjunto do nmero reai , de modo que a maior arte d a ma a de robabilidade (rea com reendida entre a curva e o eixo de ab ci a) e encontra concentrado ao redor da mdia e a ramificae da curva e e tendem 33

Em que e 2 o o armetro de cia de a di tribuio. O armetro onto de inflexo reci amente ino de Gau e o grfico da funo

a di tribuio, o quai o re ectivamente a mdia e indica o centro e a di er o. A di tncia do centr . A forma da funo den idade robabilidade chamada normal :

a intoticamente ao eixo , de modo que qualquer valor muito di tante da mdia o ve l me mo que ouco rovvel. A forma do ino de Gau de ende do armetro e . O a rmetro indica a o io do ino de Gau ( armetro de centralizao) e 2 (ou equivale ) er o armetro de di er o. Quanto menor for, maior er a quantidade de ma a de robabilidade concentrada ao redor da mdia (grfico de f muito ontiagudo em torno d e ) e, quanto maior for, mai achatado er. Figura 2. Di tribuie Figura 3. Di tribuie gau iana com diferente mdia e igual di er o. gau iana com mdia igual, ma com varincia diferente .

Pro riedade da curva de di tribuio Normal: (i) imtrica em relao a ; (ii) tem forma e ino; (iii) fica com letamente definido conhecendo a ua mdia e varincia; 34

(iv) rea total ob a curva igual a 1. Quando = 0 e 2 = 1, temo z2 e 2 uma di tribuio adro ou reduzida, ou X ~ N (0,1),

cuja funo den idade robabilidade reduz e a: (z ) = 1 2 x 2 Logo, se X ~ N ( , ), ento a varivel aleatria definida or z = , ter di tribuio normal adronizada, com mdia 0 e varincia 1. Sabe e que a robabilidade de X e tar entre doi valore quai quer (a, b) dado ela rea ob a curva normal e ntre e te valore : Figura 4. A robabilidade de x e tar entre o onto a e b corre onde a rea hachurada da figura. P( a <X<b)= f ( x )dx a b Como a clculo de a integral no trivial, u am e a tabela obtida a artir da cu rva normal adronizada. Vejamo , ento, como obter robabilidade a artir da Tabe la (ANEXO 1). E a tbua d a robabilidade ob uma curva normal adro, que nada ma i o do que a corre ondente rea ob a curva. P ( 0 Z zc ) onde, Z ~ N (0,1) 35

Figura 5. Probabilidade de P(0 Z Zc ) Exem lo: Calculemo .

alguma

robabilidade

(a) P (0 Z 1,73) = (b) P ( 1,73 Z 0) = (c) P (Z 1,73) = (d) P (Z 0) = (e) P (0, 7 Z 1,73) = 2 Su onha, agora, que X eja uma v. a. N ( , ), com =3e 2 = 16, e queiramo

calcular P(2 X 5). Temo : P(2 X 5)= P 2 X 5 = P 4 4

2 3 X 5 3

Exem lo. A quantidade de kg de leite roduzido

or um animal diariamente,

con iderando uma determinada raa e rebanho egue a di tribuio normal e o ui mdia 9 ,87kg/dia/animal e varincia 8,87(kg/dia/animal)2. Calcule: a robabilidade de um animal roduzir meno de 3kg/dia, a robabilidade de um animal roduzir mai de 8kg/dia e a robabilidade de um animal roduzir entre 10kg/dia e 12kg/dia. 2.2.2. Di tribuio Qui quadrado (2)

A distribuio de Qui quadrado a distribuio amostral rela ionada a 2 obtida de uma ulao normal. Se con iderarmo uma varivel aleatria Z com uma di tribuio normal adro ~ N (0, 1)], ento a varivel X = Z2 di tribui e conforme uma lei de robabilidade de di tribuio 2 om grau de liberdade, o que re resenta omo: X ~ 2 . 36

Se temos n variveis aleatrias inde endentes Zi ~ N (0, 1), a soma de seus quadrado s res e tivos uma distribuio que denominaremos de LEI DE DISTRIBUI O DE 2 om n 2 graus de liberdade, n . 2 2 2 Ou seja: n = Z12 + Z 2 + ... + Z n = Z i2 i =1 n

2 = X i = Z 2i = i =1 i =1 i =1 n n n ( X i )2 2 2 ~ n , om n graus de liberdade.

n 1 1 em que x > 0

A mdia e a varin ia dessa varivel so: E(X) = n e V(X) = 2n, res e tivamente. Sejam X 1, X2, ..., Xn variveis aleatrias inde endentes de uma distribuio normal om mdia e arin ia 2 [Xi ~ N ( , 2 )], ento, a varivel : 2 = i =1 n ( X i X )2 2

n Se, 2 =

( X i X )2 obtido de uma amo tra aleatria de uma di tribuio normal com n 1 (n 1

2 = (Z i Z ) 2 ~ n ,

om n

1 graus de liberdade, sendo que Zi ~ N (0,1) i =1

Figura 4. Funo densidade

1/ 2

2 2 x

( x) =

e (1 / 2)

robabilidade de n2 ara valores equenos de n.

Uma varivel aleatria X que segue uma distribuio de Qui quadrado tem densidade dada or:

Se temos X1, X2, ..., Xn variveis aleatrias inde endentes, onde ), ento, a varivel :

ada Xi ~ N ( , 2

mdia e varincia 2 , ento a varivel: 2 = 2

37

, com n

1 grau

de liberdade.

A di tribuio de Qui quadrado o ui vria a licae em e tat tica. Uma dela a de r ciar mecani mo ara a realizao de inferncia obre o armetro 2 de uma o ulao nor . Outra a licao refere e ao te te de falta de aju te de um modelo terico ao dad o ob ervado em um ex erimento ou levantamento amo tral. 2.3.3. Di tribuio t de Student

Em que Z N (0, 1) n2 n2 . Esse ti o de distribuio a are e quando temos n + 1 variv aleatrias inde endentes. A distribuio de robabilidade de t dada or: X T= 1 n X i i n i =1 i

A di tribuio de t tem ro riedade arecida com a Normal, quai ejam: * centrada na mdia igual a zero e imtrica com relao me ma; * um ouco mai di er a que a no mal, ma a varincia decre ce at um quando o nmero de grau de liberdade aumenta; * Quando o nmero de grau de liberdade tende ao infinito, a di tribuio de t tende Nor mal (o valore de amba o ati fatoriamente rximo a artir do grau de liberdad e igual a 30). OBS.: grau de liberdade = n 1 38

im ortante no que e refere a inferncia obre mdia o Student con titui e como um quociente entre a normal e a entes. De modo re iso, hamamos distribuio t de Student de liberdade, tn, a distribuio de uma varivel aleatria T= Z 1 2 n n

ulacionai . A di tribuio t de raiz de uma 2 inde end om n graus T.

3.2.4. Di tribuio F de Snedecor

A di tribuio de F e define como o quociente de di tribuie 2 inde endentes. Sejam X e Y 2 variveis aleatrias inde endentes. Dizemos ento que a 1 X mX varivel F = n = ,m segue distribuio de probabi idade de Snedecor, com (n, m) 1 n Y Y m graus de i berdade. OBS.:Observa-se que Fn,m Fm,n A distribuio de probabi idade de F dada por: F F= n,m 2 1 m Yj mj m j =1 2 j 1 n X i i n i =1

A forma mai habitual na qual e encontra e a di tribuio quando e tem n + m variv ei aleatria inde endente . Uma da a licae da di tribuio de F na anli e de vari em que a avaliae e ba eiam em e timativa da varincia o ulacional. 4. LITERATURA CONSULTADA

a ostilas de estatsti a e bioe rti a, erro de digitao (ou o Pro a. isele

39

ARA, A. B.; MUSETTI, A. V.; SHNEIDERMAN, B. Introduo cher: In tituto Mau de Tecnologia, 2003.152 . CARVALHO, Janeiro: Cam u /El evier, 2006. 464 . FERREIRA, D. F. E FLA, 2005. 664 . REGAZZI, A. Cur o de iniciao e tat ederal de Vio a, Vio a M , 1997. 136 . TRIOLA, M. F. iro: LTC, 2005. 656 . Este ontedo resultado de esquisa em vrios livros e statsti a, ortanto, ainda deve ser revisado. Qualquer utro qualquer), et ., or avor, me omunique. Obrigada,

e tat tica. So Paulo: Egard Blu S. E tat tica b ica. Rio de tat tica b ica. Lavra : U tica (A o tila). Univer idade F Introduo estatsti a. Rio de J

0 0,0000 0,0398 0,0793 0,1179 0,1554 0,1915 0,2257 0,2580 0,2881 0,3159 0,3413 0 ,3643 0,3849 0,4032 0,4192 0,4332 0,4452 0,4554 0,4641 0,4713 0,4772 0,4821 0,48 61 0,4893 0,4918 0,4938 0,4953 0,4965 0,4974 0,4981 0,4987 0,4990 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,5000 0,5000 0,01 0,02 0,07 0,08 0,09 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 0,0438 0,0478 0,0 517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0, 1480 0,1517 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879 0,195 0 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224 0,2291 0,2611 0,2910 0 ,3186 0,2324 0,2642 0,2939 0,3212 0,2357 0,2673 0,2967 0,3238 0,2389 0,2704 0,29 95 0,3264 0,2422 0,2734 0,3023 0,3289 0,2454 0,2764 0,3051 0,3315 0,2486 0,2794 0,3078 0,3340 0,2517 0,2823 0,3106 0,3365 0,2549 0,2852 0,3133 0,3389 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621 0,3665 0,3686 0,3 708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015 0,4049 0,4207 0,4345 0,4463 0,4564 0,4649 0,4719 0, 4778 0,4066 0,4222 0,4357 0,4474 0,4573 0,4656 0,4726 0,4783 0,4082 0,4236 0,437 0 0,4484 0,4582 0,4664 0,4732 0,4788 0,4099 0,4251 0,4382 0,4495 0,4591 0,4671 0 ,4738 0,4793 0,4115 0,4265 0,4394 0,4505 0,4599 0,4678 0,4744 0,4798 0,4131 0,42 79 0,4406 0,4515 0,4608 0,4686 0,4750 0,4803 0,4147 0,4292 0,4418 0,4525 0,4616 0,4693 0,4756 0,4808 0,4162 0,4306 0,4429 0,4535 0,4625 0,4699 0,4761 0,4812 0,4 177 0,4319 0,4441 0,4545 0,4633 0,4706 0,4767 0,4817 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857 0,4864 0,4868 0,4 871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0, 4934 0,4936 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952 0,495 5 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964 0,4966 0,4967 0,4968 0 ,4969 0,4970 0,4971 0,4972 0,4973 0,4974 0,4975 0,4982 0,4987 0,4991 0,4976 0,49 82 0,4987 0,4991 0,4977 0,4983 0,4988 0,4991 0,4977 0,4984 0,4988 0,4992 0,4978 0,4984 0,4989 0,4992 0,4979 0,4985 0,4989 0,4992 0,4979 0,4985 0,4989 0,4992 0,4 980 0,4986 0,4990 0,4993 0,4981 0,4986 0,4990 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995 0,4995 0,4995 0,4 996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0, 4998 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,499 9 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0 ,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,5000 0,5000 0,5000 0,5000 0,5000 0,50 00 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000

P(0<Z<Z ) 0,60 0,70 2,20 2,30 3,80 3,90

Parte inteira da rimeira de imal de Z 0,00 0,10 0,20 0,30 0,40 0,50 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50 1,60 1,70 1,80 1,90 2,00 2,10 2,40 2,50 2,60 2,70 2,80 2,90 3,00 3,10 3,20 3,30 3,40 3,50 3,60 3,70 4,00 Segunda de imal de Z 0,03 0,04 0,05 0,06

ANEXO 1: Tabela I

Distribuio Normal Padro Z~N(0,1)

40

UNIVERSIDADE FEDERAL DO PIAU Cam us Universitrio Pro a. Cinobelina Elvas Bom Jesus, PI Lista de exer ios: Variveis aleatrias 1. Cite elo menos 5 exem los de variveis aleatrias dis retas e 5 exem los de variveis aleatrias ontnuas na rea de seu urso. Con eitualmente, omo vo di eren iaria essas variveis das quantitativas dis retas e ontnuas? 2. Seja X uma varivel aleatria dis reta om a seguinte distribuio de ro babilidade: xi P(X=xi) 2 1/4 1 1/8

2 1/2 4 1/8 Total 1,0 a) Traar o gr i o da distribuio de robabilidade b) Cal ular E(X) ) Cal ular V(X) d ) Cal ular E(X 2)2 e) Cal ular V(3X 4) Res osta: a) 2,625 b) 4,625 ) 38,106

41

3. Dado X,Y njunta: X 1 X + Y), Cov e 1 b) 0,6; 0,1

uma varivel 3 Cal ular: a) (X,Y) e rxy d) 9,24 e 3,04 )

aleatria dis reta bidimensional om a seguinte distribuio o E (X), V (X) e DP (X) b) E (Y), V (Y) e DP (Y) ) E ( X e Y so inde endentes? Justi ique. Res osta: a) 2; 1 2,6; 1,2 e 0,395 d) no Y 3 0,1 0,3 2 0,2 0,1 4 0,2

4. Dado X,Y uma varivel aleatria dis reta bidimensional om a seguinte distribuio o njunta: X 2 0 1 Cal ular: a) E (X), V (X) e DP (X) b) E (Y), V (Y) e DP (Y) ) E Y 3 1/15 8/30 2/30 2 1/15 4/30 1/30 1 3/30 2/15 4/30 X 2 2Y 10 , 5 3

d) Cov (X,Y), rxy. X e Y so inde endentes? Justi ique. Res osta: a) 7/30; 1,112 e 1,055 b) 61/30; 0,766 e 0,875 ) 8,798 d) no

42

5. Seja a varivel dis reta bidimensional (X, Y), uja distribuio de robabilidade onjunta dada ela tabela: X 2 0 1 Cal ular: a) E (X) b) E (Y) ) V (X) d) V (Y) e) E (XY) ) Cov (X,Y). Inter rete. g) rxy Inter rete Res osta: a) 0,45 b) 0, 22 ) 1,353 d) 0 e) 0 Y 3 1/9 0 1/9 0 0 2/9 1/9 1 2/9 2/9 0

1/2, (x) = se 0 x 1 1/4(x 3), se 1 x 3 0, ara outros valores de x.

Cal ular: a) E(X) b) V (X) ) V(12X 8) d) P (0,5 x 1,5) Res osta: a) 1,083 7. Da da a uno: b) 1,667 ) 240,048 d) 0,469 k(2 x), (x) = se 0 x < 1

g) P(X = 1) h) P(1/2 x < 1,0) Res osta: a) 2/5 g) 0 h) 3/5 b) 0,867 ) 1,267 d) 1,1 e) 110 ) 0,45

(x,y) =

3 y , 16 se 0 x < 4 se 0 y < 2 0, ara outros valores de x e y. 43

8. Dada uno de densidade a:

robabilidade onjunta da varivel X,Y bidimensional ontnu

a) Determinar o valor de k ara que (x) seja . d. . b) E(X) e) V(10X 2) ) P(1/2 x < 3/2)

k, se 1 x 2 0,

ara outros valores de x. ) E(X 2) d) V(X)

6. Dada a unao de densidade

robabilidade ( .d. .) abaixo:

E as unes de densidade robabilidade marginais so: (x) =

1 , 4 se 0 x < 4 0, ara outros valores de x. 1 (3 y ) , 4 se 0 y < 2 (y) =

0, ara outros valores de y.

(x,y) =

x 1 , 2 se 1 < x 2 se 2 < x < 3 2<y<4 2<y<4 x+3 2 0, ara outros valores de x e y. E unes de densidade robabilidade marginais: (x 1) (x) = se 1 < x 2 ( x + 3) se 2 < x < 3 0, ara outros valores de x. 1 , 2 se 2 < y < 4 (y) =

0, ara outros valores de y. 44

Cal ular: a) E (X) b) E . g) rxy Inter rete Res de uma ha a retangular s om a seguinte uno e) 0,33 ) 1,996

(Y) ) V (X) d) V (Y) e) E (XY) ) Cov (X,Y). Inter rete osta: a) 2,0 g) 0,86 9. Su onha que as dimenses, X e Y, de metal ossam ser onsideradas variveis aleatrias ontnua de densidade robabilidade onjunta: b) 0,83 ) 5,33 d) 1,0

Cal ular: a) E (X) b) E (Y) ) V (X) d) V (Y) e) E (XY) ) Cov (X,Y). Inter rete . g) rxy Inter rete Res osta: a) 1,83 b) 3,0 ) 4,17 d) 9,33 e) 6,0 ) 0,51

g) 0,082 10. Numa amlia de 4 ilhos, seja X = nmero de meninos e Y = nmero de variaes na seq a de mesmo sexo. Rela ionar o es ao amostral e, ento: a) Construir a distribuio de robabilidade onjunta de X e Y; a) X e Y so inde endentes? 11. Demonstre, om bas e nas rmulas gerais de mdia e varin ia de uma varivel aleatria dis reta que, a mdia u valor mdio e a varin ia de uma varivel aleatria binomial X [X Bin (n; p)] correspo ndem a E(X) = np e V(X) = npq, respectivamente. Ca cu e a mdia e a varincia de uma v. A. X Bin (10; 0,3)]. Resposta: E(X) = 3 V(X) = 2,1 12. Entre 2000 fam ias com 4 crianas cada uma, quantas se esperaria que tivessem: a) Pe o menos um menino? b) Exatamente dois meninos? Resposta: a) 1875 b) 750 13. Supondo que o nmero de sementes que germine (Y) de uma espcie forrageira siga distribuio binomia , e a probabi idade de uma semente germinar 70%. Pede-se: a) Qu a a probabi idade, em um experimento com um vaso com n = 5 sementes, de pe o me nos 4 germinarem? b) Sabe-se que X representa o nmero de vasos que tem pe o menos 4 sementes germinadas dessa espcie (originadas do item a), ento qua o nmero (tama nho da amostra) de vasos, semeados com 5 sementes, necessrio para que um experime nto venha a ser rea izado com um nmero no inferior a 200 p antas. Resposta: a) 0,5 28 ou 52,8% 45

14. Suponha que a peste suna siga a distribuio binomia , ocorrendo, em mdia em 1 a c ada 50 animais em uma popu ao de sunos de certa regio. Qua a probabi idade de que e m uma amostra a eatria de n = 100 sunos, seja encontrado, pe o menos, um com a doe na? Resposta: 0,87 ou 87% 15. Um fabricante de certo tipo de peas garante que uma caixa de suas peas conter, no mximo, duas defeituosas. Se a caixa contm 20 peas e a e xperincia tem demonstrado que o processo de fabricao produz 5% de peas defeituosas. a) Ca cu e a probabi idade de que uma caixa satisfaa a garantia; b) Considerando que a caixa vendida determina um ucro de R$ 120,00, caso esteja conforme a gara ntia, e um prejuzo de R$ 50,00, se no corresponder garantia, indique qua ser o uc ro mdio por caixa vendida. Resposta: a) 0,924 ou 9,24% b) R$ 107,08

16. Sementes certificadas de feijo so vendidas em um saco de 15 kg ao preo de R$ 20 ,00 cada. caracterstica de produo que 20% das sementes apresentem poder germinativo abaixo do especificado. Um comprador fez a seguinte proposta ao produtor de sem entes: de cada saco esco he 25 sementes, ao acaso, e paga por saco: - R$ 25,00 s e todas as sementes germinarem; - R$ 17,00 se uma ou duas sementes no germinarem; - R$ 10,00 se trs ou mais sementes no germinarem. O que me hor para o produtor, m anter o seu preo de 20,00 u.m. por saco ou aceitar a proposta do comprador? Suges to: encontrar o preo mdio esperado pe o produtor. Resposta: O vendedor no deve aceit ar a proposta do comprador [E(X) = 19,51)] 17. Suponhamos que a porcentagem de g erminao de sementes de feijo seja de 70%. Vo ser semeadas 4 sementes por cova, as qu ais sero espaadas de 0,40m entre inhas e 0,20m entre covas. Supondo-se que cada c anteiro a ser semeado conste de 6 inhas de 5m de comprimento, qua o nmero mdio e sperado de covas fa hadas (nem uma semente germinou, das quatro semeadas) por ca nteiro? Resposta: 0,9919 ou 99,19% 18. Um contador e etrnico de bactrias registra em mdia 5 bactrias por cm3 de um quido. Admitindo-se que esta varive tenha distrib uio de Poisson: a) qua o desvio padro do nmero de bactrias por cm3? b) Encontre a p obabi idade de que pe o menos duas bactrias ocorram num vo ume de quido de 1cm3. 46

Resposta: a) V(X) = 5 b) 95,96% 19. Numa rea dividida em quadrantes de 0,50m2, foram encontrados em mdia 2,5 espcim es. Considerando que o mode o de Poisson adequado, e seja X o nmero de espcimes po r 0,5m2. a) Qua a probabi idade de se encontrar num quadrante exatamente 4 espci mes? b) Qua a probabi idade de encontrar no mximo 1 espcime por quadrante? Respos ta: a) 13,36% b) 28,7% 20. Numa p aca de microscpio, dividida em quadrantes de 1mm2, encontra-se em mdia 5 co nias por mm2. Considerando que a distribuio de Poisson adequada, ou seja: as c o nias distribuem-se a eatoriamente na p aca e, o nmero mdio de co nias por mm2 perm anece constante e baixo. a) Qua a probabi idade de um quadrante ter exatamente uma co nia? b) Qua a probabi idade de encontrar duas co nias por mm2? c) Qua a p robabi idade de encontrar oito co nias em 2 mm2? Resposta: a) 3,37% b) 8,42% c) 1 1,26% 21. Supondo que o peso de animais da raa Charo s, com dois meses de idade, obedea a uma distribuio norma com mdia igua a 75kg e desvio padro de 10kg. Ca cu e a probab i idade de que, um bovino dessa raa e dessa idade, esco hido ao acaso, pese: a) mais de 69,8kg b) menos de 97,2kg c) entre 77,7kg e 82,2kg d) menos de 77,7kg e mais de 82,2kg Resposta: a) 69,85% b) 98,68% c) 15,78% c) 84,22% 22. Uma raa de coe hos hbrida, Norfo k, possui peso ao abate aos 90 dias X com dis tribuio N (2,60; 0,04). Obter: a) P (X > 2,70) b) P (X < 2,45) c) P (2,55 < X < 2, 65) d) P (X > x) = 0,80 e) P (-x < X < x) = 0,95 f) P (-x < X < x) = 0,90 47

23. Um agricu tor usa uma mquina automtica para encher sacos de trigo, cada um com um peso nomina de 112 b de gro. No entanto, devido a f utuaes a eatrias do mecani smo de pesagem, o peso de cada saco uma V.A. Norma de mdia 112,375 b e desvio p adro 0,226 b; a) Ca cu e a probabi idade de um saco esco hido ao acaso conter me nos do que o peso nomina ; b) O agricu tor fornece o trigo a um mo eiro com a co ndio de que no mais do que 5% dos sacos so sub-pesados. Determine o va or mais baixo do peso mdio de cada saco que satisfaa a esta condio. Resposta: a) 4,85% b) 112,002 1

24. Num povoamento f oresta temos uma distribuio aproximadamente norma dos Dimetr os na a tura do peito (D.A.P.) das rvores, com mdia de 12,6 cm e varincia de 3,1 cm . Se cortarmos todas as rvores de menos de 15 cm de dimetro, qua a porcentagem de rvores que restaro de p? Resposta: 8,69% 25. As vendas de sementes de mi ho tm dist ribuio norma com mdia igua a 500 sacos e desvio padro 50 sacos. Se a empresa decid e produzir 600 sacos no ms em estudo, qua a probabi idade de que no possa atender a todos os pedidos do ms, por estar com a produo esgotada? Resposta: 22,28% 26. Sa be-se que o comprimento de pta as de uma popu ao de p antas da espcie X norma mente distribuda com mdia = 3,2 cm e = 1,8 cm. Qual ro oro na o ulao ter um com rim tala : a) Maior do que 4,5 cm? b) Entre 2,9 e 3,6 cm? c) Determinar o valor do com rimento de tala que u erado or 65% da lanta . Re o ta: a) 23,89% b) 15 ,46% c) 4,874 cm 48