Beruflich Dokumente
Kultur Dokumente
V - VARIVEIS ALEATRIAS
1. INTRODUO
Ao descrever o espao amostral de um experimento aleatrio, o resultado individual
no necessariamente um nmero. Por exemplo: no lanamento de duas moedas consecutivas
podemos obter: S = {cara-cara, cara-coroa, coroa-cara, coroa-coroa}. Contudo, em muitas
situaes experimentais, estaremos interessados na mensurao de alguma coisa e no seu
registro como um nmero. Ou seja, desejamos atribuir um nmero real x a todo elemento a do
espao amostral S. Portanto, no caso do 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 seja, 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 pertencentes
a S um nmero real, X(a), denominada VARIVEL ALEATRIA.
2. CONCEITOS DE VARIVEL ALEATRIA
Definio simplificada: Uma vez que os valores da varivel esto relacionados a um
experimento 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 experimento, em geral, consegue-se descrever o conjunto de todos os
resultados possveis que podem ocorrer. As variaes de resultados, de experimento
para experimento, so devidas a uma multiplicidade de causas que no podemos
controlar, as quais denominam acaso.
acaso
v.a.X
X(a)
Cara-cara
Cara-coroa
Coroa-cara
Coroa-coroa
0
1
2
Em que,
S = espao amostral original correspondente a todos os possveis resultados do experimento
(numrico ou no);
R = novo espao amostral associado varivel aleatria X, representando todos os valores
numricos de interesse (todos os valores possveis e definidos de X(a) de a em S).
Observaes:
a) Apesar da terminologia varivel aleatria, ela uma funo cujo domnio o
conjunto S e o contradomnio o conjunto R;
b) O uso de variveis aleatrias equivale a descrever 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 diferentes X(a), a relao no poder se caracterizar uma relao funcional
ou funo.
Lembrete: Uma quantidade 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 que os valores de x podem ser tomados chamado de domnio da funo, e o
conjunto dos valores 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 variaes) dessas variveis em um dado elemento da populao sero
sempre representadas por letras minsculas (x, y, z, w, etc.).
Quando o resultado do experimento probabilstico for registrado como um nico
nmero x ter-se- uma VARIVEL ALEATRIA UNIDIMENSIONAL, que poder ser
discreta ou contnua.
Porm, quando para um determinado experimento, cada resultado proveniente da
avaliao simultnea de dois caracteres, como por exemplo, estudar a estatura X e o peso Y,
de alguma pessoa escolhida ao acaso, o resultado ser (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 unidimensionais assumem.
v.a.X
X(a)
a
S
v.a.Y
Y(a)
P( x ) = 1 = P( S )
i
nenhum problema em comprovar que cada xi contribui com uma quantidade f(xi) ao total, de
modo que,
i =1
i =1
i =1
f ( xi ) = p ( x i ) = P ( X = x i ) = 1
aleatria discreta
dada por:
xi
x1
x2
xn
P(X=xi)
P(x1)
P(x2)
...
P(xn)
1,0
aleatria discreta
obtida alocando-se no eixo das abscissas os valores de x e no eixo das coordenadas
os valores de suas respectivas probabilidades. Uma linha horizontal feita em cada valor de x
na altura de sua respectiva probabilidade.
Exemplo 1:
xi
P(X=xi)
1/4
2/4
1/4
1,0
Em que,
P (xi) 0 e
P[ X = x ] = 1
i
i =1
Nota-se que para uma varivel aleatria discreta as probabilidades de cada valor x
correspondem prpria
funo,
PROBABILIDADE.
5
2/4
1/4
Exemplo 2:
Tem-se 5 animais: 2 animais de uma raa bovina A (A1 e A2) e 3 animais de uma raa
bovina B (B1, B2 e B3). Deseja-se obter uma amostra de 2 animais da raa A, escolhidos ao
acaso dentre os 5 animais.
a) Obter o espao amostral desse experimento aleatrio
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 fcil utilizar valores numricos do que trabalhar
diretamente com elementos de um espao 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 do espao amostral, define-se uma
funo sobre cada elemento desse espao. Essas funes sobre os elementos do espao so as
variveis aleatrias. No caso, tem-se uma varivel aleatria 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 DE ANIMAIS DA RAA A, a representao tabular da
funo de probabilidade da varivel nmero de animais da raa A dada por:
xi
P(X=xi)
3
10
6
10
1
10
1,0
Em que,
P (xi) 0 e
P[ X = x ] = 1
i
i =1
6/10
3/10
1/10
Este o caso mais simples de varivel aleatria discreta, em que cada possvel valor
ocorre com a mesma probabilidade.
Definio: A varivel aleatria discreta X, assumindo os valores x1, x2, ..., xn, tem distribuio
uniforme, se e se somente se:
f(x) = P (X = xi) = P (xi) = p =
1
, para todo i = 1, 2, , n
n
Exemplo:
xi
P(X=xi)
1/6
1/6
1/6
1/6
1/6
1/6
1,0
1/6
Seja X uma varivel aleatria (v.a.). Se o nmero de valores possveis de X(a) (isto o seu
contradomnio) for infinito no-enumervel como, por exemplo, um intervalo, X ser
denominada de varivel aleatria contnua.
Consideremos por exemplo o experimento que consiste em selecionar, ao acaso, um fruto
de tomate de uma rea de produo e determinar 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 = PESO DO FRUTO pode assumir um valor qualquer em
um determinado intervalo da reta real, sendo, portanto, uma varivel aleatria contnua.
Como uma varivel aleatria contnua pode 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
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 ( ) ,
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 ocorrncia 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 negativas.
+
b)
f ( x )dx = 1
c) P(a X b) =
f ( x )dx
kx,
se
10 x 20
f(x) =
0, outros valores de x.
Dada a funo desta varivel, calcule k de modo que f (x) seja uma f.d.p.
Resposta:
+
f ( x )dx = 1 .
Assim,
+
f ( x)dx = 1
20
(kx)dx = 1
10
20
k .(
x2
) =1
2 10
1
1
k . (20 2 10 2 ) =
2
150
1
P(10 x 12) = (
x)dx = ?
150
10
12
1 x2
P(10 x 12) =
.( )
150 2 10
P(10 x 12) =
1
(12 2 10 2 ) = 0,15 ou 15%
300
10
se
k(1 - x),
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 condies f ( x ) 0 para todo x
f ( x )dx = 1 .
Assim,
+
f ( x)dx = 1
1/ 2
1/ 2
(kx)dx + [k (1 x)]dx = 1
1/ 2
k .(
x2
x
x2
) + k .( ) k .( ) = 1
2 0
1 1/ 2
2 1/ 2
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
Logo, k = 4
Portanto,
4x,
f(x) =
se
4(1 - x),
0 x 1/2
se 1/2 x 1
0, outros valores de x.
b) Calcular a probabilidade de que a demanda diria do produto esteja entre 250 e 750g.
Sabe-se que para a demanda diria entre 0 e 500 g (ou 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 nos intervalos de 250 a 500g (ou 1/4
e 1/2) e de 500 a 750g (ou 1/2 e 3/4). Ou seja:
11
750
1/ 2
f ( x)dx =
250
750
f ( x)dx =
250
750
f ( x)dx =
250
750
250
f ( x)dx =
3/ 4
f ( x)dx +
f ( x)dx
1/ 4
1/ 2
1/ 2
3/ 4
1/ 4
1/ 2
1/ 2
3/ 4
1/ 4
1/ 2
1/ 2
3/ 4
3/ 4
1/ 4
1/ 2
1/ 2
(4 x)dx +
(4 x)dx +
(4 4 x)dx
(4)dx
1/ 2
750
3/ 4
(4 x)dx
3/ 4
x2
x
x2
f
(
x
)
dx
=
4
.
(
)
+
4
.
(
)
4
.
(
)
2 1/ 4
1 1/ 2
2 1/ 2
250
750
f ( x)dx = 2 .[(1 / 2)
250
4
+ (1 / 4) 2 ] + 4.(3 / 4 1 / 2) .[(3 / 4) 2 (1 / 2) 2 ]
2
750
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
, para a x b
f ( x) = b a
0, para outros valores de x
12
i = 1, 2, ..., n
j = 1, 2, ..., m
dada por:
P ( X = x i , Y = y j ) = P ( xi , y j )
Em que a cada valor de (xi, yi) 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)
m
ii)
P( x , y
i
) = 1 ,0
j =1 i =1
j = 1, 2, ..., m
y1
y2
ym
Total
m
x1
P(x1, y1)
P(x1, y2)
P(x1, ym)
X2
P(x2, y1)
P(x2, y2)
P(x2, ym)
P(xn, ym)
j =1
xn
Total
P(xn, y1)
P(xn, y2)
P(Y = y1) =
P(y1)
P(Y = y2) =
P(y2)
= P( xi , y1 )
i =1
= P( xi , y 2 )
i =1
P(Y = ym) =
P(ym)
n
= P( xi , y m )
j =1
1,0
i =1
13
P( x , y
i
j =1
Para Y:
P( x , y
i
i =1
x1
x2
xn
P(X=xi)
P(x1)
P(x2)
...
P(xn)
yi
y1
y2
ym
P(Y=yi)
P(y1)
P(y2)
...
P(ym)
Para Y:
14
Exemplo:
Seja a varivel discreta bidimensional (X, Y), cuja distribuio de probabilidade conjunta
dada pela tabela:
Y
-3
-2
1/9
2/9
2/9
2/9
1/9
1/9
Para X:
P( x , y
i
j =1
Logo,
P( x , y
i
j =1
Ou seja,
Para Y:
xi
-2
P(X = xi)
3/9
4/9
2/9
1,0
P( x , y
i
i =1
P( x , y
i
i =1
Ou seja,
yi
-2
P(Y = yi)
2/9
3/9
4/9
1,0
15
Se a varivel (X,Y) puder assumir todos os valores em algum conjunto infinito noenumervel, 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
probabilidade conjunta de X e Y, se satisfazer as seguintes condies.
i) f(x,y) 0, todo (x,y)
m
f ( x, y)dx.dy = 1
ii)
j =1 i =1
f ( x) =
f ( x, y)dy
f ( y) =
f ( x, y)dx
Exemplo:
se 2 x 6
0 y 5
a) Calcular o valor de k
f ( x, y )dxdy = 1,0
k (2 x + y)dxdy = 1,0
6
k (2 x)dxdy +
(ky)dxdy = 1,0
0
16
5
x2
x1
2
k
.
(
)
dy
+
ky
.
(
0 2
2 1 ) dy = 1,0
2
2
5
k.(6
2 2 ) dy + ky.(6 2) dy = 1,0
2
y1
y2
32k ( ) + 4k ( ) = 1,0
1 0
2 0
32k (5 0) + 2k (5 2 0 2 ) = 1,0
160k + 50 = 1,0
210k = 1,0
k=
1
210
f ( x) =
1
(2 x + y )dy
210
5 y
2x
dy +
dy
0 210
210
5
2x 5
1 y2
f ( x) =
y0 +
.
210
210 2
f ( x) =
x
1 2
5 0
(5 0) +
105
420
f ( x) =
x
5
+
21 84
f ( x) =
4x + 5
84
Funo marginal de Y:
f ( y) =
f ( x) =
1
(2 x + y )dx
210
6 y
2x
dx +
dx
2 210
210
17
2 x2
f ( y) =
210 2
y
+
.x
210 2
1 2
y
f ( y) =
x +
.x
210 2 210 2
f ( y) =
1
y
(6 2)
(6 3 2 3 ) +
210
210
f ( y) =
1
y
(216 8) +
4
210
210
f ( y) =
208 4 y
+
210 210
f ( y) =
16 2 y
+
105 105
f ( y) =
16 + 2 y
105
x .P ( X
i
= xi )
i 1
Exemplo:
18
E(X) =
x .P ( X
i
1
4
2
4
= x i ) = 0. + 1. + 2
i 1
1
= 1,0
4
Interpretao: Se esse experimento aleatrio constitudo pelo lanamento de duas moedas for
realizado n vezes, espera-se, em mdia, obter 1,0 coroa.
x. f ( x ) dx
Exemplo: Seja X a varivel dimetro (em mm) de frutos de mamo colhidos no estado
1
x,
150
se
10 x 20
0, outros valores de x.
20
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
19
Em que, E ( X 2 ) = xi2 .P ( xi )
i =n
Exemplo:
i 1
i =n
1
4
2
4
2
2
2
2
2
xi .P ( X = xi ) = 1,0 e E ( X ) = xi .P( xi ) = 0 .1 + 1 . + 2
1
=
4
20
Em que E ( X 2 ) =
. f ( x)dx
Exemplo: Seja X a varivel dimetro (em mm) de frutos de mamo colhidos no estado
1
x,
150
se
10 x 20
0, outros valores de x.
20
1
V (X ) = x2 (
x)dx [15,56] 2
150
10
20
1
V (X ) = x2 (
x)dx [15,56] 2
150
10
20
1 x4
V (X ) =
.( ) - [242,1136]
150 4 10
V (X ) =
1 1
. (20 4 10 4 ) - [242,1136] = 7,8864 mm2
150 4
uma medida de associao entre variveis aleatrias. necessrio que se tenha pelo
menos duas variveis para que se obtenha a covarincia.
21
E(X ) =
x .P ( X
i
= x i ) e E ( XY ) =
i 1
x. f ( x ) dx
j =1 i 1
E(X ) =
x y
+ +
e E ( XY ) =
xy . f ( x , y ) dx dy
Como a covarincia , por definio, a mdia dos produtos dos desvios (X - x) por (Y y), a covarincia ser positiva se ocorrerem desvios do mesmo sinal com maior
22
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
X
Y
-1
P (yi)
1/9
2/9
3/9
3/9
1/9
2/9
6/9
P(xi)
4/9
3/9
2/9
1,0
23
E(X) =
x .P ( x ) = 1 . 9 + 0 . 9 + 2 . 9
i
=0
i 1
E(Y) =
.P ( y j ) = 1 .
j 1
E(XY) =
3
6
+ 3 . = 2,33
9
9
x .y
i
.P ( x i , y j ) = 1 .( 1).
j =1 i 1
1
2
3
1
2
+ 1 .0 . + 1 .2 .0 + 3 .( 1). + 3 .0 . + 3 .2 . = 0,22
9
9
9
9
9
1
(2x +y),
210
f(x,y) =
se 2 x 6
0y5
4x + 5
84
se 2 x 6
f(y) =
16 + 2 y
105
se 0 y 5
E ( XY ) =
xy . f ( x , y ) dx dy
5 6
E ( XY ) =
xy . 210 (2 x + y ) dx dy
0 2
24
E ( XY ) =
E ( XY ) =
E ( XY ) =
6 2 x 2 y xy 2
dx dy
+
2
210
210
2y
210
x 2 dx +
2y x3
210 3
y2
210
xdx dy
6
y2 x2
+
dy
210 2 2
E ( XY ) =
[0,00317 y (6
E ( XY ) =
E ( XY ) =
2 3 ) + 0,00238 y 2 ( 6 2 2 2 ) dy
0,65936 ydy +
0 ,07616 y 2 dy
y2
2
+ 0 ,07616
0
y3
3
E ( XY ) = 0,32968 (5 2 0 2 ) + 0 ,0254 (5 3 0 3 )
E ( XY ) = 11, 4153
E(X ) =
x. f ( x ) dx =
E (Y ) =
y. f ( y ) dy =
4x + 5
x
dx = 4 , 2540
84
16 + 2 y
y
dy = 2,1429
105
25
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
Y
X
X X Y Y
E
Y
X
OU
( X ) 2 (Y ) 2
( X X ) (Y Y )
X
Y
0
+
2
E
X
Y
X
Y
1
2
X
E( X X ) 2 +
2
Y
E (Y Y ) 2 2
XY
[( X X )(Y Y )] 0
Como, E( X X ) 2 = X2
E(Y Y ) 2 = Y2
E [( X X )((Y Y )]
XY
, tem-se,
X2 Y2
+
2 0
X2 Y2
22>0
ou
26
27
Foi visto nos assuntos anteriores como os dados de uma investigao cientfica so
representados e como parmetros da forma da distribuio, valores mais freqentes e medidas
de posio e variabilidade, so estimados. Foram vistas, tambm, formas para lidar e
apresentar dados em funo de seus tipos. Todavia, alm da descrio amostral dos dados, a
estatstica como parte integrante do mtodo cientfico, lida tambm com aspectos que
envolvem a modelagem terica das realizaes das variveis aleatrias nos fenmenos
estudados. Essa modelagem envolve os modelos probabilsticos, cujo conhecimento auxilia o
investigador cientfico na escolha do modelo mais adequado para estudar um determinado
fenmeno e daquele que mais se aproxima de uma situao real. Aqui, iremos estudar os
modelos probabilsticos de algumas variveis aleatrias discretas e contnuas.
As distribuies de probabilidade (discretas e contnuas) ficam completamente
definidas conhecendo-se os diversos valores que a varivel aleatria pode assumir, dentro do
seu intervalo de definio, e as respectivas probabilidades. O conhecimento da distribuio de
uma varivel aleatria importante na descrio dos fenmenos, na especificao dos testes
dos processos da teoria de deciso estatstica e na teoria da estimao. Pode-se afirmar que, de
forma geral, os modelos probabilsticos formam a base da teoria estatstica, e a linguagem
aplicada representa o fundamento da linguagem cientfica empreendida nos processos de
deciso e estimao.
3.1. DISTRIBUIES DE PROBABILIDADE DISCRETAS
3.1.1. Distribuio de Bernoulli
28
xi
P(xi)
1-p
V (X) = 1 p = q
Quando uma varivel aleatria X tem distribuio de Bernoullii representamos
simbolicamente por X ~ B (p; q). L-se: X tende para uma distribuio de Bernoulii cujos
parmetros so p e q.
3.1.2. Distribuio Binomial
nk
Como os k sucessos podem ocorrer em qualquer uma das ordens possveis nos n
experimentos 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 )!
n
k
. p k .q n k
C xn
serem os coeficientes
30
31
e t ( t ) k
, k = 0,1,2,3,...
k!
e t ( ) k
k!
V(X) =
Exemplo: Sabendo-se que na fabricao de determinadas chapas aparecem defeitos taxa
= t = 0,5.5 = 2,5
P( X = 0) =
e 2,5 .2,5 0
=0,082 ou 8,2%
0!
= 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
2,
2
que representamos do modo X ~ N ( , ), se sua funo densidade probabilidade for:
2
f(x)=
1
2
( x )
2
O suporte da distribuio todo conjunto dos nmeros reais, de modo que a maior
parte da massa de probabilidade (rea compreendida entre a curva e o eixo de abscissa) se
encontra concentrado ao redor da mdia e as ramificaes da curva se estendem
33
assintoticamente aos eixos, de modo que qualquer valor muito distante da mdia possvel
mesmo que pouco provvel.
A forma do sino de Gauss depende dos parmetros e . O parmetro indica a
posio do sino de Gauss (parmetro de centralizao) e 2 (ou equivalente, ) ser o
parmetro de disperso. Quanto menor for, maior ser a quantidade de massa de probabilidade
concentrada ao redor da mdia (grfico de f muito pontiagudo em torno de ) e, quanto
maior for, mais achatado ser.
Figura 3. Distribuies gaussianas com mdia igual, mas com varincias diferentes.
simtrica em relao a ;
Quando
(z ) =
1
2
z2
e 2
x
2
Logo, se X ~ N ( , ), ento a varivel aleatria definida por z =
, ter
hachurada da figura.
b
P( a <X<b)= f ( x )dx
a
Como a clculo dessa integral no trivial, usam-se as tabelas obtidas a partir da curva
normal padronizada.
Vejamos, ento, como obter probabilidades a partir da Tabela (ANEXO 1). Essa tbua d
as probabilidades sob uma curva normal padro, que nada mais so do que as correspondentes
reas sob a curva.
P ( 0 Z zc )
onde, Z ~ N (0,1)
35
(a) P (0 Z 1,73) =
(b) P (-1,73 Z 0) =
(c) P (Z 1,73) =
(d) P (Z 0) =
(e) P (0,47 Z 1,73) =
2
Suponha, agora, que X seja uma v. a. N ( , ), com
=3e
2 = 16, e queiramos
2 X 5
P(2 X 5)= P
2 3 X 5 3
P
4
4
considerando uma determinada raa e rebanho segue a distribuio normal e possui mdia
9,87kg/dia/animal e varincia 8,87(kg/dia/animal)2. Calcule: a probabilidade de um animal
produzir menos de 3kg/dia, a probabilidade de um animal produzir mais de 8kg/dia e a
probabilidade de um animal produzir entre 10kg/dia e 12kg/dia.
2.2.2. Distribuio Qui-quadrado (2)
36
2 = X i = Z 2i =
i =1
i =1
i =1
( X i )2
Uma varivel aleatria X que segue uma distribuio de Qui-quadrado tem densidade
dada por:
n
1/ 2 1 2 2 x
f ( x) =
x e
(1 / 2) 2
em que x > 0
2 =
i =1
( X i X )2
Se, 2 =
( X i X )2
obtido de uma amostra aleatria de uma distribuio normal com
n 1
(n 1). 2
37
Z
1 2
n
n
1 X i i
n i =1 i
n
38
n i =1 i
F
F=
n,m
2
1 m Y j m j
m j =1 j
39
P(0<Z<Zc)
Segunda decimal de Zc
0,03
0,04
0,05
0,06
0,00
0,0000
0,10
0,20
0,0398
0,0793
0,30
0,40
0,50
0,1179
0,1554
0,1915
0,60
0,70
0,80
0,90
0,2257
0,2580
0,2881
0,3159
0,2291
0,2611
0,2910
0,3186
1,00
1,10
1,20
0,3413
0,3643
0,3849
1,30
1,40
1,50
1,60
0,4032
0,4192
0,4332
0,4452
0,4049
0,4207
0,4345
0,4463
0,4066
0,4222
0,4357
0,4474
0,4082
0,4236
0,4370
0,4484
0,4099
0,4251
0,4382
0,4495
0,4115
0,4265
0,4394
0,4505
0,4131
0,4279
0,4406
0,4515
0,4147
0,4292
0,4418
0,4525
0,4162
0,4306
0,4429
0,4535
0,4177
0,4319
0,4441
0,4545
1,70
1,80
1,90
2,00
0,4554
0,4641
0,4713
0,4772
0,4564
0,4649
0,4719
0,4778
0,4573
0,4656
0,4726
0,4783
0,4582
0,4664
0,4732
0,4788
0,4591
0,4671
0,4738
0,4793
0,4599
0,4678
0,4744
0,4798
0,4608
0,4686
0,4750
0,4803
0,4616
0,4693
0,4756
0,4808
0,4625
0,4699
0,4761
0,4812
0,4633
0,4706
0,4767
0,4817
2,10
2,20
2,30
0,4821
0,4861
0,4893
2,40
0,4918
2,50
2,60
2,70
0,4938
0,4953
0,4965
2,80
2,90
3,00
3,10
0,4974
0,4981
0,4987
0,4990
0,4975
0,4982
0,4987
0,4991
3,20
3,30
3,40
0,4993
0,4995
0,4997
3,50
3,60
0,4998
0,4998
3,70
3,80
0,4999
0,4999
3,90
4,00
0,5000
0,5000
0,01
0,02
0,2324
0,2642
0,2939
0,3212
0,4976
0,4982
0,4987
0,4991
0,2357
0,2673
0,2967
0,3238
0,4977
0,4983
0,4988
0,4991
0,2389
0,2704
0,2995
0,3264
0,4977
0,4984
0,4988
0,4992
0,2422
0,2734
0,3023
0,3289
0,4978
0,4984
0,4989
0,4992
0,2454
0,2764
0,3051
0,3315
0,4979
0,4985
0,4989
0,4992
0,07
0,2486
0,2794
0,3078
0,3340
0,4979
0,4985
0,4989
0,4992
0,08
0,2517
0,2823
0,3106
0,3365
0,4980
0,4986
0,4990
0,4993
0,09
0,2549
0,2852
0,3133
0,3389
0,4981
0,4986
0,4990
0,4993
40
xi
-2
-1
Total
P(X=xi)
1/4
1/8
1/2
1/8
1,0
b) 4,625
c) 38,106
3. Dado X,Y uma varivel aleatria discreta bidimensional com a seguinte distribuio conjunta:
Y
-3
0,1
0,2
0,2
0,3
0,1
0,1
Calcular:
a) E (X), V (X) e DP (X)
b) E (Y), V (Y) e DP (Y)
c) E (X + Y), Cov (X,Y) e rxy
d) X e Y so independentes? Justifique.
Resposta:
a) 2; 1 e 1
d) no
41
4. Dado X,Y uma varivel aleatria discreta bidimensional com a seguinte distribuio conjunta:
Y
-3
-2
-1
-2
1/15
1/15
3/30
8/30
4/30
2/15
2/30
1/30
4/30
Calcular:
a) E (X), V (X) e DP (X)
b) E (Y), V (Y) e DP (Y)
X 2 2Y
10 ,
5
3
c) E
c) -8,798
d) no
5. Seja a varivel discreta bidimensional (X, Y), cuja distribuio de probabilidade conjunta dada
pela tabela:
Y
-3
-2
1/9
2/9
2/9
2/9
1/9
1/9
Calcular:
a) E (X)
b) E (Y)
c) V (X)
d) V (Y)
e) E (XY)
f) Cov (X,Y). Interprete.
g) rxy Interprete
Resposta:
a) -0,45
b) -0,22
c) 1,353
d) 0
e) 0
42
1/2,
se 0 x 1
-1/4(x 3), se 1 x 3
f(x) =
Calcular:
a) E(X)
b) V (X)
c) V(12X 8)
d) P (0,5 x 1,5)
Resposta: a) 1,083
b) 1,667
c) 240,048
d) 0,469
7. Dada a funo:
k(2 x),
se 0 x < 1
k, se 1 x 2
f(x) =
g) P(X = 1)
h) P(1/2 x < 1,0)
Resposta: a) 2/5
g) 0
b) 0,867
c) -1,267
d) 1,1
e) 110
f) 0,45
h) 3/5
f(x,y) =
3 y
,
16
se 0 x < 4
se 0 y < 2
43
f(x) =
f(y) =
1
,
4
se 0 x < 4
se 0 y < 2
Calcular:
a) E (X)
b) E (Y)
c) V (X)
d) V (Y)
e) E (XY)
f) Cov (X,Y). Interprete.
g) rxy Interprete
Resposta: a) 2,0
b) 0,83
c) 5,33
d) 1,0
e) -0,33
f) -1,996
g) -0,86
9. Suponha que as dimenses, X e Y, de uma chapa retangular de metal possam ser consideradas
variveis aleatrias contnuas com a seguinte funo de densidade probabilidade conjunta:
f(x,y) =
x 1
,
2
se 1 < x 2
2<y<4
x+3
2
se 2 < x < 3
2<y<4
(x 1)
f(x) =
se 1 < x 2
(- x + 3) se 2 < x < 3
0, para outros valores de x.
f(y) =
1
,
2
se 2 < y < 4
44
Calcular:
a) E (X)
b) E (Y)
c) V (X)
d) V (Y)
e) E (XY)
f) Cov (X,Y). Interprete.
g) rxy Interprete
Resposta: a) 1,83
b) 3,0
c) 4,17
d) 9,33
e) 6,0
f) 0,51
g) 0,082
10. Numa famlia de 4 filhos, seja X = nmero de meninos e Y = nmero de variaes na seqncia de
mesmo sexo. Relacionar o espao amostral e, ento:
a) Construir a distribuio de probabilidade conjunta de X e Y;
a) X e Y so independentes?
11. Demonstre, com base nas frmulas gerais de mdia e varincia de uma varivel aleatria discreta
que, a mdia ou valor mdio e a varincia de uma varivel aleatria binomial X [X Bin (n; p)]
correspondem a E(X) = np e V(X) = npq, respectivamente. Calcule 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 famlias com 4 crianas cada uma, quantas se esperaria que tivessem:
a) Pelo 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
binomial, e a probabilidade de uma semente germinar 70%. Pede-se:
a) Qual a probabilidade, em um experimento com um vaso com n = 5 sementes, de pelo menos 4
germinarem?
b) Sabe-se que X representa o nmero de vasos que tem pelo menos 4 sementes germinadas dessa
espcie (originadas do item a), ento qual o nmero (tamanho da amostra) de vasos, semeados com 5
sementes, necessrio para que um experimento venha a ser realizado com um nmero no inferior a
200 plantas.
Resposta: a) 0,528 ou 52,8%
45
14. Suponha que a peste suna siga a distribuio binomial, ocorrendo, em mdia em 1 a cada 50
animais em uma populao de sunos de certa regio. Qual a probabilidade de que em uma amostra
aleatria de n = 100 sunos, seja encontrado, pelo menos, um com a doena?
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 experincia tem demonstrado que o processo de
fabricao produz 5% de peas defeituosas.
a) Calcule a probabilidade de que uma caixa satisfaa a garantia;
b) Considerando que a caixa vendida determina um lucro de R$ 120,00, caso esteja conforme a
garantia, e um prejuzo de R$ 50,00, se no corresponder garantia, indique qual ser o lucro mdio
por caixa vendida.
Resposta: a) 0,924 ou 9,24%
b) R$ 107,08
46
Resposta: a) V(X) = 5
b) 95,96%
19. Numa rea dividida em quadrantes de 0,50m2, foram encontrados em mdia 2,5 espcimes.
Considerando que o modelo de Poisson adequado, e seja X o nmero de espcimes por 0,5m2.
a) Qual a probabilidade de se encontrar num quadrante exatamente 4 espcimes?
b) Qual a probabilidade de encontrar no mximo 1 espcime por quadrante?
Resposta: a) 13,36%
b) 28,7%
20. Numa placa de microscpio, dividida em quadrantes de 1mm2, encontra-se em mdia 5 colnias
por mm2. Considerando que a distribuio de Poisson adequada, ou seja: as colnias distribuem-se
aleatoriamente na placa e, o nmero mdio de colnias por mm2 permanece constante e baixo.
a) Qual a probabilidade de um quadrante ter exatamente uma colnia?
b) Qual a probabilidade de encontrar duas colnias por mm2?
c) Qual a probabilidade de encontrar oito colnias em 2 mm2?
Resposta: a) 3,37%
b) 8,42%
c) 11,26%
21. Supondo que o peso de animais da raa Charols, com dois meses de idade, obedea a
uma distribuio normal com mdia igual a 75kg e desvio padro de 10kg. Calcule a
probabilidade de que, um bovino dessa raa e dessa idade, escolhido 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 coelhos hbrida, Norfolk, possui peso ao abate aos 90 dias X com distribuio 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 agricultor usa uma mquina automtica para encher sacos de trigo, cada um com um peso
nominal de 112 lb de gro. No entanto, devido a flutuaes aleatrias do mecanismo de pesagem, o
peso de cada saco uma V.A. Normal de mdia 112,375 lb e desvio padro 0,226 lb;
a) Calcule a probabilidade de um saco escolhido ao acaso conter menos do que o peso nominal;
b) O agricultor fornece o trigo a um moleiro com a condio de que no mais do que 5% dos sacos so
sub-pesados. Determine o valor mais baixo do peso mdio de cada saco que satisfaa a esta condio.
Resposta: a) 4,85%
b) 112,0021
24. Num povoamento florestal temos uma distribuio aproximadamente normal dos Dimetros na
altura 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, qual a porcentagem de rvores que restaro de p?
Resposta: 8,69%
25. As vendas de sementes de milho tm distribuio normal com mdia igual a 500 sacos e desvio
padro 50 sacos. Se a empresa decide produzir 600 sacos no ms em estudo, qual a probabilidade de
que no possa atender a todos os pedidos do ms, por estar com a produo esgotada?
Resposta: 22,28%
26. Sabe-se que o comprimento de ptalas de uma populao de plantas da espcie X normalmente
distribuda com mdia = 3,2 cm e = 1,8 cm. Qual proporo na populao ter um comprimento
de ptalas:
a) Maior do que 4,5 cm?
b) Entre 2,9 e 3,6 cm?
c) Determinar o valor do comprimento de ptalas que superado por 65% das plantas.
Resposta: a) 23,89%
b) 15,46%
c) 4,874 cm
48