ESTATSTICA AULA 8

VARIVEIS ALEATRIAS DISCRETAS

Parmetros que caracterizam uma distribuio

de probabilidades

Na Estatstica Descritiva o objetivo

consistia em sintetizar a massa de dados,
usando um nico nmero.

Aqui, o objetivo continua sendo o mesmo,

isto , definir a Medida de Tendncia
Central e de Disperso para as
Distribuies de Probabilidade.

Os chamados Parmetros Estatsticos

so valores caractersticos da distribuio
como a mdia e o desvio-padro.

1
Esperana Matemtica

A mdia, valor esperado ou esperana de uma

varivel aleatria (v.a) X dada pela
expresso:

Uma notao alternativa representar por

.

Exemplo 1: Um lojista mantm extensos

registros das vendas dirias de certo aparelho.
O quadro a seguir d o nmero X de aparelhos
vendidos em uma semana e sua respectiva
probabilidade f(x).

2
 x 0 1 2 3 4 5 Total

P(X = x) 0,1 0,1 0,2 0,3 0,2 0,1 1

Determine o nmero esperado de aparelhos

vendidos E(X).

Propriedades de E(X)

Se a e b so constantes e X uma varivel

aleatria, ento:

E(a) = a

E(aX) = a E(X)

E(X + a) = E(X) + a

E(a + bX) = a + b E(X)

3
Varincia

Seja X uma v.a com ,

i=1,2,3,...,k e mdia . A varincia de X dada
por:

Podendo ser reescrita como:

Propriedades de Var(X)

Se a e b so constantes e X uma varivel

aleatria, ento:

Var(X) 0

Var( X + a) = Var(X)

4
 Var(bX) = b2 Var(X)

Var(a + bX) = b2 Var(X)

Exemplo 2: Considere a seguinte distribuio

de probabilidades

i 1 2 3 4 5
Total
xi 0 2 4 6 8

f(xi) 0,2 0,2 0,2 0,2 0,2 1

Determine:
(a) E(X)
(b) Var(X)
(c) E(2X 1)
(d) Var(1 + 3X)

5
Exemplo 3: Uma mercearia compra um lote
com cinco caixas de leite ao preo de atacado
de 1,20 reais por caixa e revende cada caixa
por 1,65 reais. Depois da data de validade, o
leite no vendido retirado da prateleira e a
mercearia recebe, do distribuidor, um crdito
igual de 0,90 reais por caixa. Sabe-se que a
varivel aleatria X, o nmero de caixas
vendidas do lote, tem distribuio de
probabilidade com mdia igual a 3 caixas e
varincia igual a 6/5. Encontre a mdia e a
varincia do lucro do vendedor por lote.

Principais Modelos Discretos

Para utilizar a teoria das probabilidades no

estudo de um fenmeno concreto, devemos
encontrar um modelo probabilstico adequado a
tal fenmeno.

6
MODELO BERNOULLI

Um experimento aleatrio de Bernoulli tem as

seguintes propriedades:
Resulta em um de dois eventos
excludentes: sucesso ou fracasso;
A probabilidade de sucesso (p) constante
em todas as repeties do experimento, ou
seja, as repeties geram resultados
independentes.

Funo discreta de probabilidade do Modelo

Bernoulli:

, x = 0,1.

A contagem dos sucessos em repeties de

ensaios de Bernoulli d origem mais
importante varivel aleatria discreta, a
Binomial.

7
MODELO BINOMIAL

Exemplo 4: Sabe-se que a eficincia de uma

vacina de 0,70%. Um grupo de trs animais
sorteado, dentre a populao vacinada, e
submetido a testes para averiguar se a
imunizao foi efetiva. Determine a funo de
probabilidade da varivel X: nmero de animais
imunizados neste grupo.

Como seria possvel escrever estas

probabilidades atravs de uma expresso?

Considere um experimento realizado n vezes,

sob as mesmas condies, com as seguintes
caractersticas:

1. Cada repetio do experimento produz um

de dois resultados possveis, denominados

8
 tecnicamente por sucesso (S) ou fracasso
(F), isto , os resultados so
dicotmicos;

2. A probabilidade de sucesso, P(S) = p,

constante em cada repetio do
experimento (prova ou ensaio);

3. As provas so independentes, isto , o

resultado de um ensaio no interfere no
resultado do outro.

Exemplo 5: nmero de machos em uma

ninhada de gatos (v.a. binomial).
Dicotomia de eventos (o filhote macho
(M) ou no (F));
Probabilidade de ser macho constante
em cada nascimento;
Os nascimentos so independentes.

9
Seja X o nmero de sucessos em n realizaes.
O espao amostral da varivel aleatria X o
conjunto

= {0, 1, 2, ..., n}.

A funo de probabilidade de X dada por:

n!
PX x px 1 p ,
n x
x 0,1, ,n
x! n x !

As quantidades n e p so os parmetros do
modelo binomial.

Notao: X ~ B(n, p) = np e 2 = np(1-p).

10
O grfico de distribuio de probabilidades da
Binomial pode ser simtrico ou assimtrico.

Os grficos abaixo exemplificam essa

propriedade da Binomial, apresentando as
probabilidades de ocorrncia dos resultados
numa Binomial com n=10 e p=0,1; 0,5 e 0,9.

Binomial (10, 0,1)

45
40
35
30
P(X=x).100%

25

20
15

10
5
0

0 1 2 3 4 5 6 7 8 9 10
x

11
 Binomial (10, 0,5)

45
40

35
30
P(X=x).100%

25

20
15

10

0 1 2 3 4 5 6 7 8 9 10
x

Binomial (10, 0,9)

45
40

35
30
P(X=x).100%

25

20
15

10

5
0

0 1 2 3 4 5 6 7 8 9 10
x

12
Exemplo 6: Uma mercearia compra um lote
com cinco caixas de leite. Se a probabilidade
de uma caixa ser vendida de 3/5 e as caixas
so vendidas de modo independente,
determine a funo de probabilidade do
nmero de caixas vendidas por lote. Calcule
E[X] e Var[X].

Exemplo 7: De acordo com a teoria Mendeliana

da hereditariedade de caracteres, um
cruzamento de determinada espcie de plantas
com flores vermelhas e brancas produz uma
nova planta que tem 25% de chance de ter
flores verme\lhas. Cinco cruzamentos dessa
espcie de planta foram realizados. Determine:
(a) A funo de probabilidade do nmero de
plantas com flores vermelhas;
(b) a probabilidade de se obter pelo menos uma
planta com flor vermelha.

13
(c) A probabilidade de se obter trs plantas com
flores vermelhas, sabendo-se que pelo menos
uma planta possui flor vermelha.

Exemplo 8: No processo de fabricao de uma

peca, admite-se que no Maximo 5% sejam
produzidas com defeito. Todos os dias, cerca
de 15 unidades so selecionadas para
inspeo. Se uma ou mais peas defeituosas
so encontradas nesta amostra, o processo de
produo paralisado. Calcule a probabilidade
de o processo ser paralisado quando:
(a) Cinco por cento das pecas inspecionadas
so produzidas com defeito.
(b) Sete por cento das pecas inspecionadas
so produzidas com defeito.

14
MODELO DE POISSON

Consideremos a v.a

X: nmero de ocorrncias de um evento em um

perodo de tempo (espao ou volume).

Uma v.a tem distribuio de Poisson com

parmetro > 0, se sua funo de
probabilidade dada por:

e x
P X x , x 0, 1, ...
x!

e 2,7183 x! = 1 * 2 * ... * x

O parmetro interpretado como a taxa

mdia de ocorrncias, isto , o nmero mdio
de ocorrncias por unidade de tempo.

No h limite superior para as contagens que

podem ser observadas.

15
 Simetria pode ser simtrica ou assimtrica,
dependendo do valor de . Tendem a ser
assimtricas para valores pequenos de .

A concentrao das probabilidades ocorre em

torno da mdia ().

Suposies bsicas:

As condies do experimento permanecem

constantes no decorrer do tempo;

Intervalos de tempo disjuntos so

independentes (a informao sobre o n de
ocorrncias em um intervalo nada revela
sobre o n de ocorrncias em outro intervalo).

Exemplos:

Nmero de impulsos recebidos por um

neurnio por unidade de tempo;
16
 N de bactrias em um litro de gua de um
lago;

N de rvores atacadas por uma praga em

certa rea.

Exemplo 9: X: N de partculas emitidas por um

material radioativo por segundo.

X ~ Poisson (3)
e3 3x
P X x , x 0, 1, ...
x!

x P(X=x) x P(X=x) x P(X=x)

0 0,0498 4 0,1680 8 0,0081
1 0,1494 5 0,1008 9 0,0027
2 0,2240 6 0,0504 10 0,0008
3 0,2240 7 0,0216 11 0,0002

17
Exemplo 10: Suponha que se possa assumir
que o nmero de navios petroleiros que
chegam por dia a um porto tenha distribuio
de probabilidade de Poisson com mdia igual a
10 navios-dia. As instalaes do porto podem
suportar at 15 navios por dia. Qual a
probabilidade de que, em certo dia, os navios
que chegarem no consigam aportar?

Exemplo 11: Assuma que o nmero de raios

que atingem uma regio por ms possa ser
descrito por um modelo de Poisson com mdia
igual a 2. Supondo que essa media se
mantenha constante ao longo do ano, qual a
probabilidade de que 12 raios atinjam esta
regio no prximo ano?

18
Aproximao da Binomial pela Poisson

Apesar da definio das variveis aleatrias

Binomial e Poisson serem diferentes, as duas
distribuies de probabilidade so muito
semelhantes quando, na Binomial, n muito
grande e p muito pequeno, e, na Poisson,
toma-se =np.

Mais claramente, se X~ B(n;p), a distribuio

de probabilidade de X aproxima-se da
distribuio de Poisson com mdia =np a
medida que n cresce e p decresce. Isso quer
dizer que os valores de

ficam cada vez mais prximos a medida que n

cresce e p decresce.

19
Exemplo 12: considerando n=100 e p=0,01,
calcule a probabilidade do valor x=0 usando as
duas funes de probabilidade. Repita para o
clculo n=1000 e p=0,01.

Exemplo 13: O fabricante um uma bicicleta

infantil recebeu diversas reclamaes de um
defeito no freio. Teste preliminares haviam
determinado que este tipo de defeito ocorreria
em 1 a cada 10 mil produtos, ou seja, com
probabilidade igual a 0,0001. Decidiu-se retirar
uma amostra aleatria de 200 bicicletas da
produo, encontrando-se 5 delas com defeito
no freio. Comente a afirmao do fabricante de
que tal defeito ocorre em 1 a cada 10 mil
usando um argumento probabilstico. Use a
aproximao da Binomial pela Poisson.

20