Beruflich Dokumente
Kultur Dokumente
Departamento de Estatstica
ICE UFJF
Reviso e digitao:
Ana Darc da Silva
Bruno Alves Simes
Diego Augusto
Elisa Lancini Nogueira
Letcia Vale de Lima
Lucas Silva Novais
Marcelle Souza Pinto
Mirela Rigolon Valinote
Natlia Ferreira de Azevedo
Paula Bottoni
Ramon Goulart
Rosiany Grosman
Stfani Ferreira
Vanessa Castro Abreu
Victor Lopes Costa Serra
Willian Costa
Apresentao
Esta Apostila o segundo volume de um conjunto de textos preparados para os alunos
dos cursos de Graduao e Ps-Graduao que possuem disciplinas de Estatstica em
sua grade curricular. Os textos abordam os seguintes temas:
Apostila Contedo
I Estatstica Descritiva
II Clculo de Probabilidades
III Teoria da Amostragem, Inferncia e Testes Estatsticos
http://www.ufjf.br/antonio_beraldo
A. F. Beraldo iii
Agradecimentos
Este um trabalho que reflete a experincia - e aprendizagem - do ensino de
Estatstica e a valiosssima contribuio dos alunos nestes 23 anos de atividades na
Universidade Federal de Juiz de Fora, como tambm a prtica da aplicao da Estatstica
em dezenas de dissertaes e teses de mestrandos e doutorandos de diversas IES do Pas.
Sem esta contribuio, este trabalho no existiria.
A todos os alunos que, com suas crticas e sugestes, me ensinaram o como, o quando
e o qu.
Gabi
(1994 - 2006)
A. F. Beraldo v
Sumrio
Sumrio vi
vi A. F. Beraldo
SUMRIO
A. F. Beraldo vii
1 Introduo ao Clculo de Probabilidades
No fundo, a Teoria das Probabilidades
apenas o bom senso, expresso em nmeros.
Laplace1
Conta a Histria que, por volta de 1650, o Chevalier de Mr2 (1607-1684), um nobre
francs, encontrou-se com o matemtico Blaise Pascal, em uma viagem. Comearam
a conversar para fazer passar o tempo, e de Mr pediu a Pascal uma soluo para
um problema que intrigava os jogadores havia muito tempo: se um jogo tivesse que ser
interrompido, por um motivo qualquer, como seriam determinadas as perdas e os ganhos
de cada jogador? E mais: ser que no haveria, por trs dos resultados dos jogos de
azar, alguma regra, ou algum clculo que nos permitisse prever estes resultados? Pascal
achou o problema interessante, e comeou a pensar sobre o assunto. Era uma poca em
que a intensa matematizao das Cincias Naturais comportava anseios deste tipo: uma
explicao matemtica para um fenmeno aparentemente aleatrio...
A. F. Beraldo 1
1. Introduo ao Clculo de Probabilidades
Mas, afinal, o que quer dizer esta palavra, probabilidade? Se voc recorrer ao
dicionrio, encontrar algumas definies genricas ou tautolgicas, como qualidade
daquilo que provvel. Isto no nos serve, em termos de Estatstica. O Clculo das
Probabilidades, assim como as outras Matemticas, como a Geometria ou a lgebra,
parte de algumas definies bsicas, de alguns conceitos iniciais, sobre os quais se
desenvolve a teoria e a prtica. Este captulo trata disso.
4
Laplace, Pierre Simon, Thorie Analytique des Probabilits, 1812
2 A. F. Beraldo
1.1 Conceitos e definies
#
1.1.1 Caractersticas de um Experimento Aleatrio
As caractersticas de um Experimento Aleatrio no-determinstico so:
A. F. Beraldo 3
1. Introduo ao Clculo de Probabilidades
4 A. F. Beraldo
1.1 Conceitos e definies
Joo gosta de apostar no jogo do bicho, todos os dias, e aposta sempre no elefante
(12). Segundo suas contas, j apostou 2.350 vezes, e acertou mais de 200 vezes, e
diz que seu mtodo infalvel, pois, a cada 25 dias, sempre haver um dia que vai
dar elefante.
Jos se prepara para o vestibular, e o primeiro lugar no cursinho onde estuda alm
de ter sido sempre um dos melhores alunos nas escolas por onde passou. Assim,
no h dvida de que seu lugar na universidade est garantido.
Meu time vai ganhar o campeonato, sem dvida! Li no jornal que toda vez que um
time perde no primeiro jogo, em noite de lua nova, com 3 jogadores cujos nomes
comeam com a letra C, termina invariavelmente em primeiro lugar?
Respostas comentadas
6
Ver Colunas aeronuticas, em http://www.airandinas.com/shuttle.html
A. F. Beraldo 5
1. Introduo ao Clculo de Probabilidades
A Joo gosta de apostar no jogo do bicho, todos os dias, e aposta sempre no elefante
(12). Segundo suas contas, j apostou 2.350 vezes, e acertou mais de 200 vezes, e
diz que seu mtodo infalvel, pois, a cada 25 dias, sempre haver um dia que vai
dar elefante.
H um tendncia natural das pessoas em tentar achar leis que predeterminam
resultados de um jogo alm das famosas interpretaes de sonhos, nada
freudianas. O raciocnio de Joo est parcialmente correto, ou seja, a esperana7
deste palpite que d elefante em um dia, a cada 25 dias (so 25 bichos no jogo).
Mas isto no infalvel, assim como pode acontecer de dar elefante em 10 dias
seguidos! Porm, a chance disto acontecer 0,00000000000001, ou seja, nenhuma.
A Meu time vai ganhar o campeonato, sem dvida! Li no jornal que toda vez que um
time perde no primeiro jogo, em noite de lua nova, com 3 jogadores cujos nomes
comeam com a letra C, termina invariavelmente em primeiro lugar?
Isto pura conversa fiada de jornal .. para vender jornal. Embora sorte (e azar)
estejam quase sempre presentes no esporte e isso faz parte do seu encanto, assim
como a superstio e todo o folclore que no para de crescer, no se pode tratar uma
competio esportiva nem como um fenmeno determinstico nem como aleatrio.
E, tambm, no se pode considerar palpites, mesmo vindo de especialistas,
como algo matematicamente tratvel. No entanto, h um campo no Clculo de
Probabilidades que tem se desenvolvido muito o que se convencionou chamar
de probabilidade epistmica ou subjetivista8 . Procura-se, atravs de modelos
elaborados por pessoas conhecedoras do esporte, diminuir o nvel de aleatoriedade
das previses. Mas, muitas vezes aparece um azaro para complicar?
7
Esperana um termo tcnico do Clculo de Probabilidades. um conceito que ser estudado
no captulo 2.
8
A este propsito, ver
http://www.ilea.ufrgs.br/episteme/portal/pdf/numero18/episteme18_artigo_portugal1.pdf
6 A. F. Beraldo
1.1 Conceitos e definies
1.1.2 Eventos
Um resultado possvel do Experimento Aleatrio, ou um conjunto de resultados
possveis, chamado evento. Por exemplo, as faces do dado so cada uma delas um
evento, chamado evento unitrio (aquele que no pode ser decomposto). Os eventos
de um experimento podem ser tratados como conjuntos. Assim, temos:
Na Figura 1.3, temos dois conjuntos, A e B (ou dois eventos, A e B) que possuem
um conjunto interseo (leia-se A e B). Na Figura 1.4, os eventos A e B no possuem
elementos em comum, logo o conjunto interseo vazio.
A. F. Beraldo 7
1. Introduo ao Clculo de Probabilidades
1. lanamento de um dado;
2. sexo de um recm-nascido;
4. estado de um equipamento;
8 A. F. Beraldo
1.1 Conceitos e definies
1. Lanamento de um dado
Este um experimento aleatrio clssico. Os eventos unitrios so 6 (seis) o
dado um slido regular com 6 lados iguais (um cubo, ou hexaedro), ou 6 faces
iguais. Podemos, ento, descrever o espao amostral como composto de 6 eventos
unitrios:
= {F 1, F 2, F 3, F 4, F 5, F 6}
2. Sexo de um recm-nascido
Supondo que o sexo de uma criana recm-nascida seja um evento aleatrio, e
sendo que existem 2 sexos (masculino e feminino), dizemos que o espao amostral
como composto de 2 eventos unitrios:
= {M, F }
Ou, melhor
= {M, M }
= {A, 2, 3, 4, , K, A, 2, 3, K, , A, , K}
4. Estado de um equipamento
Seja, por exemplo, um aparelho de TV. Podemos adotar, para simplificar, dois
estados: funcionando (F ), e no funcionando (F )
= {V, E, D}
A. F. Beraldo 9
1. Introduo ao Clculo de Probabilidades
= {1o , 2o , 3o , , 9o , 10o }
= {E1 , E2 , E3 , , En }
nE
P (E) = (1.1)
9
Evento unitrio aquele que no pode ser decomposto. Por exemplo, Face 4 um evento unitrio,
Face 4 ou 5 um evento composto.
10 A. F. Beraldo
1.2 Probabilidade: definies
P(bola azul) = 2/10 , pois temos 2 bolas azuis possveis de serem sorteadas, num
total de dez bolas;
P(bola preta) = 5/10 , pois temos 5 bolas pretas possveis de serem sorteadas,
num total de dez bolas.
Note tambm que as bolas s possuem uma cor, cada, ou seja, no existem bolas
com duas cores.
2+5 7
P (A ou P ) = =
10 10
P (A P )
Outro exemplo: ao lanarmos um dado, o espao amostral gerado por este experi-
mento dado por
= {F 1, F 2, F 3, F 4, F 5, F 6}
A. F. Beraldo 11
1. Introduo ao Clculo de Probabilidades
Assumindo que uma face do dado tem a mesma probabilidade de sair como
qualquer outra face, temos outro espao amostral equiprovvel10 , e que, por exemplo,
a probabilidade de sair face 4, P (F 4) dada por
1
P (F 4) =
6
pois o dado possui 6 faces distintas, equiprovveis, e apenas uma face a face 4.
10
Esta caracterstica de alguns espaos amostrais serem constitudos de eventos equiprovveis aceita
intuitivamente, mas no demonstrvel. Admite-se, simplesmente, que uma face de um dado possui
a mesma probabilidade de ocorrer do que qualquer outra - uma vez que no h razes para supor que
isto no seja verdade.
12 A. F. Beraldo
1.2 Probabilidade: definies
A. F. Beraldo 13
1. Introduo ao Clculo de Probabilidades
14 A. F. Beraldo
1.2 Probabilidade: definies
Note que, a medida em que o tempo passa, e vo nascendo cada vez mais crianas, a
frequncia acumulada de nascimentos tambm vai aumentando. A proporo de crianas
do sexo masculino tende a ser igual proporo de crianas do sexo feminino - ambos
os nmeros convergem para 50%.
O percentual mdio, para esta amostra, foi de 49,4% para nascimentos de crianas
do sexo masculino e de 50,6% de crianas do sexo feminino. Isto nos permite dizer que
a prxima criana a nascer ter uma probabilidade em torno de 49% de ser do
sexo masculino e de 51% de ser do sexo feminino11 .
P (E) = n
lim f r(E) (1.2)
Comentrios:
A. F. Beraldo 15
1. Introduo ao Clculo de Probabilidades
5. Ainda em relao ao Bacuri F.C.: mesmo que o Bacuri ganhasse do Flamengo, isto
no invalida o nosso raciocnio. A probabilidade frequencista aplicada a partir
de um histrico de centenas ou milhares de repeties do experimento. Ento,
devemos dizer que, em cem jogos entre o Flamengo e o Bacuri, este ganharia um
jogo (1% de chances).
16 A. F. Beraldo
1.2 Probabilidade: definies
Esta definio muito til para o estudo das variveis aleatrias (Captulo 2), quando
no ir importar muito qual a origem do nmero chamado probabilidade - se foi
calculado a partir da definio clssica ou da frequencista.
A. F. Beraldo 17
1. Introduo ao Clculo de Probabilidades
Exemplo 1.3. Suponha que o fenmeno nascimento de uma criana seja equivalente,
em termos da varivel sexo, ao sorteio (retirada, com reposio) de bolas de uma urna,
que contm duas bolas: uma vermelha e uma azul. Faa uma comparao entre os dois
experimentos, utilizando as definies de probabilidade estudadas e os grficos (figuras
1.8 e 1.9).
Resposta comentada
Imagino que voc deve ter utilizado a definio clssica para o caso da retirada de
bolas de uma urna, e a definio frequencista para o sexo das crianas. Assim, voc deve
ter formulado a seguinte relao (sendo p a proporo de crianas do sexo masculino):
nA
P (A) = p = = lim p = 0, 5
N
onde A pode ser bola vermelha ou bola azul, nA = 1, = 2 . Para que esta
resposta esteja completa, voc deve ter escrito sobre:
18 A. F. Beraldo
1.3 A Lei da Soma
A. F. Beraldo 19
1. Introduo ao Clculo de Probabilidades
P (F 1 F 4) =P (F 1) + P (F 4) P (F 1 F 4)
1 1
P (F 1 F 4) = + 0
6 6
12
Jogos de azar so excelentes exemplos do jogo das probabilidades. No caso do baralho, pela
grande quantidade de cartas (eventos unitrios), pelo nmero infinito de jogos e seqncias (espao
amostral), a riqueza inesgotvel. O baralho tem origem oriental, sendo derivado do tar - que algo
muito mais srio. Na poca em que se comeou a formular as bases tericas do Clculo de Probabilidades,
o jogo de cartas era o divertimento preferido da realeza e, de certa forma, reflete o jogo do poder. A
sociedade da poca continua sendo representada, at hoje, pelos naipes copas (clero), paus (o povo),
espadas (a nobreza) e ouros (a burguesia); continuamos tendo, no baralho, reis (Kings), rainhas
(Queens), Ases (Aces) e Valetes (Jokers).
20 A. F. Beraldo
1.3 A Lei da Soma
A. F. Beraldo 21
1. Introduo ao Clculo de Probabilidades
A probabilidade deste evento pode ser escrita P (scopas). Pela Lei da Soma, temos
que P (s copas) = P (s) + P (copas) P (s copas) e P (s copas) > 0, pois o evento
(s copas) o prprio s de copas. Da,
4 13 1 16
P (s copas) = P (s) + P (copas) P (s copas) = + =
52 52 52 52
interessante fazer os clculos utilizando fraes, pois desta forma pode-se ter uma
idia mais definida do quantitativo do espao amostral e do numerador da probabilidade
clssica.
Seja, por exemplo, a retirada de duas cartas do baralho, uma aps a outra. Qual a
probabilidade de ambas serem ases? Pela Lei da Multiplicao, temos que:
P (A1 A2 ) = P (A1 ) P (A2 |A1 )
22 A. F. Beraldo
1.4 A Lei da Multiplicao
4 4 16
P (A1 A2 ) = P (A1 ) P (A2 |A1 ) = = = 0, 006 = 0, 6%
52 52 2704
4 3 12
P (A1 A2 ) = P (A1 ) P (A2 |A1 ) = = = 0, 0045 = 0, 45%
52 51 2652
Comentrios
A. F. Beraldo 23
1. Introduo ao Clculo de Probabilidades
Supondo que no haja nenhum motivo para que seja sorteada qualquer uma das
1
urnas, temos P(U1) = P(U2) = ; a probabilidade de extrao de bolas brancas
2
25 20
P(B |U1) = , e P(B |U2) = . Leia P(B |U1) como probabilidade de sortearmos
70 70
bola branca na urna U1, e P(B |U2) como probabilidade de sortearmos bola branca na
urna U2. Considerando as duas urnas, temos que a probabilidade de extrao de bolas
1 25 1 20 45
brancas dada por P(U1) P(B |U1) + P(U2) P(B |U2) = + = ,
2 70 2 70 140
como pode ser observado na figura 1.16. A probabilidade que procuramos P(U2 | B),
probabilidade de que a bola tenha sado da urna U2, dado que seja branca. Ento,
pela definio clssica, temos:
1 20 20
20
2 70
P (U 2|B) = 1 25 140
1 20 = 45 = 45 = 0, 44
+
2 70 2 70 140
24 A. F. Beraldo
1.5 Probabilidade Condicional: o Teorema de Bayes
P (A B) = P (A) P (B|A)
P (B A) = P (B) P (A|B)
e, portanto
P (A) P (B|A)
P (A|B) = (1.5)
P (B)
A. F. Beraldo 25
1. Introduo ao Clculo de Probabilidades
P (Ai )P (B|Ai )
P (Ai |B) = (1.6)
P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) + + P (An )P (B|An )
ou
P (Ai ) P (B|Ai )
P (Ai |B) = Pn (1.7)
1 P (Ai ) P (B|Ai )
26 A. F. Beraldo
1.5 Probabilidade Condicional: o Teorema de Bayes
O conjunto B pode ser descrito como B = (A1 B) (A2 B) (A3 B) (A4 B).
Veja a ilustrao abaixo:
P (Ai )P (B|Ai )
P (Ai |B) =
P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) + + P (An )P (B|An )
P (Ai ) P (B|Ai )
P (Ai |B) = Pn
1 P (Ai ) P (B|Ai )
A. F. Beraldo 27
1. Introduo ao Clculo de Probabilidades
28 A. F. Beraldo
2 Distribuies de Probabilidades de
Variveis Aleatrias Discretas
2.1 Variveis Aleatrias
Imagine o seguinte experimento aleatrio: dois globos, destes de sorteio de loterias,
contm, cada um, 10 bolinhas numeradas de 1 a 10. Os globos so postos a girar e, de
cada um, fazemos com que saia uma bolinha. Em seguida, somamos os nmeros das
bolinhas sorteadas:
Os possveis resultados da soma dos nmeros das duas bolinhas esto no quadro
abaixo. No cabealho do quadro, esto os nmeros possveis de sair na bolinha 1:
1, 2, 3, 4, , 8, 9, 10. Na primeira coluna da esquerda, os nmeros possveis de sair na
bolinha 2: 1, 2, 3, , 8, 9, 10. No corpo do quadro esto as possveis somas dos nmeros:
A. F. Beraldo 29
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
P (soma = 2) = 1/100 ou 1%
P (soma = 20) = 1/100 ou 1%
30 A. F. Beraldo
2.1 Variveis Aleatrias
19
X
P (Si ) = 1
1
ou, genericamente,
n
X
P (xi ) = 1 (2.1)
1
A. F. Beraldo 31
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Note o formato grfico: parece um tringulo - da que esta chamada, tambm, uma
distribuio triangular de probabilidades. Se voc somar as reas dos retngulos1 ,
encontrar o valor 100%, ou 1.
1
Lembrando que a rea de um retngulo, no grfico considerado, igual ao produto da base por
sua altura. Todos os retngulos possuem bases de largura igual, que consideramos unitria. Assim, a
rea do primeiro retngulo esquerda igual a 1 x 1% , a rea do segundo retngulo igual a 1 x 2%,
e assim por diante. Ento, a soma das reas dos retngulos ser igual a (1 1%) + (1 2%) + (1 +
3%) + + (1 3%) + (1 2%) + (1 1%) = 100%
32 A. F. Beraldo
2.1 Variveis Aleatrias
A. F. Beraldo 33
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Este um grfico de pontos, uma vez que, na prtica, S s assume valores inteiros,
entre 2 e 20. No entanto, podemos unir estes pontos por uma linha suave, obtendo um
grfico de melhor visualizao e leitura embora no seja rigorosamente correto, para
variveis aleatrias discretas.
34 A. F. Beraldo
2.1 Variveis Aleatrias
que aproximadamente igual a 48% (verifique voc mesmo). claro que esta uma
probabilidade terica.
A probabilidade de S estar entre dois valores, que uma informao tambm muito
importante, pode ser visualizada neste exemplo: queremos saber a probabilidade de S
estar entre 8 e 14, inclusive, ou, escrevendo de outra forma P (8 S 14). Para
determinar esta probabilidade, podemos utilizar a ilustrao abaixo:
2
Notar que as somas que no pertencem a este intervalo (8 S 14) so em nmero de 42. Isto
atende ao critrio de um modelo de probabilidades em que P (A B) = 1, se A B = , o que o
presente caso. Se considerarmos A = (8 S 14), e B = (S < 8 S > 14), temos P (A) = 58% e
P (B) = 42%, e P (A) + P (B) = 100%.
A. F. Beraldo 35
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
36 A. F. Beraldo
2.1 Variveis Aleatrias
Este exemplo ilustra algumas das caractersticas das variveis aleatrias. Vamos
agora definir melhor alguns destes conceitos:
Varivel Aleatria: Seja um experimento aleatrio e que gera uma srie de eventos
e1 , e2 , e3 , ...en . O conjunto destes eventos chamado, como vimos, espao amostral ().
Se a cada um destes eventos pudermos atribuir um nmero (ou se j forem resultados
numricos, per si), esta coleo de nmeros chamada de valores de uma varivel
aleatria. A soma S das bolinhas sorteadas, conforme mostrado anteriormente, uma
varivel aleatria que pode assumir os valores 2, 3, 4, ..., 20.
As faces de um dado;
A. F. Beraldo 37
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
nmero de vitrias do seu time, num campeonato com 10 jogos (para cada time);
P (X = x) = f (x) (2.2)
Para que uma funo qualquer seja uma funo de probabilidade de Varivel Alea-
tria Discreta (VAD), so necessrias duas condies:
38 A. F. Beraldo
2.2 Distribuio de Probabilidades
Exemplo 2.1. Em uma urna so colocadas 20 bolas coloridas, sendo 10 bolas verdes,
5 azuis, 3 pretas e 2 brancas. O experimento consiste em retirarmos 4 bolas, com
reposio. Qual a distribuio de probabilidades para o nmero de bolas verdes?
10 10 bolas verdes
P (V ) = =
20 20 bolas na urna
A. F. Beraldo 39
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
40 A. F. Beraldo
2.2 Distribuio de Probabilidades
k
X
P (X xk ) = F (xk ) = f (xi ) (2.5)
1
Exemplo 2.2. Seja a distribuio de probabilidades dada por x, p(x) cujos valores esto
na tabela a seguir:
x p(x)
0 0,0313
1 0,1563
2 0,3125
3 0,3125
4 0,1563
5 0,0313
Tabela 2.4: Distribuio de probabilidades
x p(x) P (x)
0 0,0313 0,0313
1 0,1563 0,1875
2 0,3125 0,5000
3 0,3125 0,8125
4 0,1563 0,9668
5 0,0313 1,0000
Tabela 2.5: Distribuio de probabilidades
A. F. Beraldo 41
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
42 A. F. Beraldo
2.3 Esperana Matemtica E(X)
n
X
E(X) = xi p(xi ) (2.6)
1
O valor mais provvel a soma 11, como se pode ver na ilustrao acima (diagonal
sombreada). A soma 11 ocorre 10 vezes em 100 resultados possveis. A tabela a seguir
a distribuio de probabilidades deste caso:
3
Realmente, se compararmos as frmulas da mdia de uma distribuio de Frequncia (utilizando as
Frequncias relativas) e a da Esperana Matemtica para as variveis aleatrias discretas, existe muita
semelhana. Veja:
xi f riP(onde xi o ponto mdio da classe e f ri a Frequncia relativa da classe) e
E(x) = i xi p(xi ), e se, segundo a definio frequencista de probabilidade, podemos dizer que
fr
= p(x), as expresses se equivalem.
A. F. Beraldo 43
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
44 A. F. Beraldo
2.4 Varincia de Variveis Aleatrias
n
X
E(S) = Si p(Si ) = 11
1
3. E(X + Y ) = E(X) + E(Y ) onde Y uma varivel aleatria com esperana E(Y )
O que diz esta tabela? Temos que a metade dos cabeotes tem durabilidade inferior
a 4.000 horas, sendo que 20% dos cabeotes so de qualidade bem inferior, durando
at 2.000 horas. Por outro lado, a outra metade dos cabeotes dura acima de 4.000
horas, com 20% de qualidade muito superior, chegando a durar 6.000 horas. Existe
uma disperso muito grande para a varivel aleatria e pode ser que a Esperana E(X)
seja enganosa. Precisamos de uma medida estatstica para avaliar a esperana. Uma
A. F. Beraldo 45
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
destas medidas a varincia, aqui notada por Var(x), ou 2 e definida, para variveis
discretas, como:
n
(xi E(x))2 p(xi )
X
Var(x) = (2.7)
1
q
(x) = s(x) = Var(x) (2.8)
46 A. F. Beraldo
2.4 Varincia de Variveis Aleatrias
A. F. Beraldo 47
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Comentrios
Ainda dessa vez, no se preocupe muito com o significado desta estatstica (vari-
ncia). Preocupe-se com o significado do desvio padro, que uma das medidas mais
importantes de um processo. Para o estudo das variveis aleatrias, podem ser feitas as
mesmas consideraes do Captulo 3 da Apostila de Estatstica Descritiva.
3. Var(X + k) = Var(X)
48 A. F. Beraldo
2.5 Assimetria e Curtose
2.5.1 Assimetria
Uma distribuio de varivel aleatria assimtrica (positiva ou negativa) quando
as maiores densidades de probabilidades ocorrem nos valores inferiores ou superiores do
domnio da varivel. Veja os grficos a seguir:
A. F. Beraldo 49
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
50 A. F. Beraldo
2.5 Assimetria e Curtose
(x E(x))3 p(x)
P P 3
d p(x)
3 = = , fazendo d = x E(x) (2.10)
s(x)3 s3
2.5.2 Curtose
Curtose a caracterstica (visual) de achatamento, maior ou menor, de uma dis-
tribuio de probabilidades. Em termos de concentrao de probabilidades, quanto
mais concentradas as probabilidades em uma regio do domnio da varivel aleatria,
menos achatado nos parece o grfico da funo densidade. Assim, as distribuies
das variveis aleatrias podem ser platicrticas (muito achatadas) ou leptocrticas
(pontiagudas), ou mesocrticas (uma categoria intermediria). Observe a seguir:
A. F. Beraldo 51
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Uma distribuio platicrtica mais achatada, mais espalhada, com altos desvios
padres.
52 A. F. Beraldo
2.5 Assimetria e Curtose
(x E(x))4 p(x)
P P 4
d p(x)
4 = 3= 3, fazendo d = x E(x) (2.11)
s(x)3 s4
P 4
d p(x)
4 =
s4
4
Ver Captulo 3.
A. F. Beraldo 53
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Exemplos:
54 A. F. Beraldo
2.6 Pensando Probabilisticamente: os Modelos de Probabilidades
Esta probabilidade pode ser calculada de diversas formas, sendo as mais usuais:
a) O clculo a priori, quando se conhece perfeitamente o espao amostral, e
considera-se os eventos unitrios equiprovveis.
b) O clculo a posteriori, quando possui-se uma coleo de informaes re-
trospectivas de ocorrncia dos eventos e pode-se imaginar que, sob as
mesmas condies, os prximos resultados do fenmeno repetiro, aproxi-
madamente, o j ocorrido.
A partir destes critrios, temos condio de modelar uma vasta quantidade de fen-
menos, naturais ou no. As cincias utilizam a Estatstica Probabilstica para estudar os
fenmenos de suas reas: as cincias econmicas estudam o comportamento das relaes
entre as entidades econmicas, ora determinstico, ora apenas previsvel; as cincias
A. F. Beraldo 55
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
biolgicas utilizam modelos probabilsticos na descrio dos hbitos dos espcimes e sua
evoluo; a Qumica e a Fsica modelam probabilisticamente o infinitamente pequeno e
o infinitamente grande, e assim por diante. Modelos de Probabilidade explicam
desde a migrao das aves at as estratgias de marketing do comrcio, desde o trnsito
catico das grandes cidades at a incerteza da posio de eltrons no tomo, desde a
proliferao de doenas at os testes dos medicamentos inventados para combat-las.
Depois que aprendermos a lidar com modelos de variveis aleatrias, o aluno, muitas
vezes, incorre numa distoro do entendimento do que seja probabilidade: se, num lance
de dois dados, a esperana da varivel soma que d soma 7, com probabilidade
1/6, h uma tendncia a se imaginar que, forosamente, sair soma 7. No assim.
Um modelo estabelecido, seja a priori ou a posteriori, para que, nas muitas
outras vezes em que o experimento for repetido, sob as mesmas condies,
as ocorrncias dos eventos se aproximem do previsto no modelo5 . Se isto
acontecer, o modelo est correto; se no acontecer, indicao de que ou o modelo est
incorreto ou que as condies do experimento j no so mais as mesmas.
Outro engano, tambm muito comum, de se imaginar que, uma vez tendo o
modelo se afirmado como satisfatrio, esta seja uma verdade eterna, cristalizada, sobre a
realidade. H que se testar continuamente a aplicao do modelo, verificar as condies,
aperfeioar e aprofundar o conhecimento sobre o comportamento das variveis.
56 A. F. Beraldo
2.7 As Provas de Bernoulli
Relaes:
EE =
EE =
A. F. Beraldo 57
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
58 A. F. Beraldo
2.8 Distribuio Geomtrica
Modelo
P (X = N ) = q N 1 p (2.14)
Esperana
1
E(x) = (2.15)
p
Varincia
q
2 = Var(x) = (2.16)
p2
Assimetria
2p
3 = (2.17)
q
Curtose
p2
4 = 6 + (2.18)
q
Exemplo 2.4. Um jogador lana um dado N vezes, at que saia a Face 6 . Qual a
probabilidade de a Face 6 s saia no dcimo lanamento?
O dado tem seis faces, das quais apenas uma Face 6. Portanto, P(Face 6) = 1/6.
O sucesso pesquisado (F6) tem probabilidade p = 1/6; o evento no-sucesso tem
probabilidade q, sendo q = 1p, ou q = 1 1/6 = 5/6. A ilustrao abaixo se refere a
um lanamento qualquer:
O restante dos eventos do espao amostral (F1, F2, F3, F4, F5), que poderiam
ser chamados de no-Face 6, que chamado de no-sucesso. Sua probabilidade
q = 5/6.
A. F. Beraldo 59
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
F6 F6 F6 F6 F6 F6 F6 F6 F6 F6
que pode ser lido como no-face 6 e no-face 6 e no-face 6 e ... e face 6.
Aplicando-se a Lei da Multiplicao, temos:
P (F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6) =
5 5 5 5 5 5 5 5 5 1
= =
6 6 6 6 6 6 6 6 6 6
9
5 1 1953125
= = = 0, 03230112 = 0, 032 ou 3%
6 6 60466176
60 A. F. Beraldo
2.8 Distribuio Geomtrica
9
1 5
P (X = k) = p q k1 = = 0, 032
6 6
Exemplo 2.5. Seja uma urna com 10 bolas, sendo 3 bolas brancas e 7 bolas azuis. O
experimento aleatrio consiste em retirarmos uma bola, e verificarmos sua cor. Se for
branca, interrompemos o experimento. Se for azul, a bola retorna urna e continuamos
com o experimento. Elaborar a distribuio de probabilidades com a bola branca saindo
apenas na k-sima tentativa, com k variando de 1 a 10.
A. F. Beraldo 61
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
No entanto, isto no quer dizer que quanto mais se repetem as provas de Bernoulli,
mais difcil a ocorrncia do sucesso, e, sim, que a ocorrncia do sucesso, que mais
provvel na primeira repetio ( a moda do modelo), mais improvvel quando N
grande o sucesso deve ter ocorrido antes.
62 A. F. Beraldo
2.8 Distribuio Geomtrica
1 1
A esperana E(X) dada por E(X) = = = 3, 33, e a varincia e o desvio
p 0, 3
q 0, 7 q
padro, por Var(x) = 2 = 2 = = 7, 8 e = Var(x) = 7, 8 = 2, 8
p (0, 3)2
A. F. Beraldo 63
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Notar que P = (x = 1) = p.
64 A. F. Beraldo
2.9 Distribuio Binomial
Modelo !
N k N k
P (X = k) = p q (2.19)
k
Esperana
E(x) = N p (2.20)
Varincia
Var(x) = N pq (2.21)
Assimetria
qp
3 = (2.22)
N pq
Curtose
1 6pq
4 = 3 + (2.23)
N pq
A Distribuio (ou Modelo) Binomial pode ser visto como uma extenso da
Distribuio Geomtrica. Suas caractersticas so quase as mesmas:
A. F. Beraldo 65
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
P (E) = p
P (E) = q
66 A. F. Beraldo
2.9 Distribuio Binomial
Resumindo:
Voc talvez deve ter notado que o nmero de sequncias possveis para k sucessos em
N tentativas o coeficiente do binmio de Newton para o desenvolvimento de expresses
do tipo (a + b)N . Este coeficiente dado pela expresso:
!
N N!
= (2.24)
k k!(N k)!
!
N
Onde a combinao de N objetos, tomados k a k, e N ! (l-se N fatorial)
k
igual a N (N 1)(N 2)(N 3)
!
N k N k
P (X = k) = p q (2.25)
k
Exemplo 2.6. Seja a mesma urna do exemplo 2.5 da seo anterior (urna com 10 bolas,
sendo 3 bolas brancas e 7 bolas azuis). A probabilidade de sair uma bola branca em uma
tentativa qualquer de 0,3. Na distribuio geomtrica, pesquisa-se a probabilidade de
A. F. Beraldo 67
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
p = 0, 3
q = 1 p = 1 0, 3 = 0, 7
k = 2 (duas bolas brancas, entre as seis retiradas. Portanto, as outras quatro bolas
so no brancas).
!
N k N k
A frmula P (X = k) = p q . Com os parmetros do exemplo, temos:
k
!
6
P (X = 2) = (0, 3)2 (0, 7)62
2
!
6
P (X = 2) = (0, 3)2 (0, 7)4 = 5 (0, 09) (0, 2401)
2
P (X = 2) =0, 3241 = 32, 41%
Como seria para outros valores de k, isto , para os diversos valores que k pode
assumir? Em 6 retiradas de bolinhas, com reposio podemos ter desde k = 0 (nenhuma
bolinha branca) at k = 6 (todas as bolinhas brancas). Utilizando o modelo:
!
N k N k
P (X = k) = p q
k
7
Os experimentos descritos pela distribuio binomial so feitos com reposio. Isto garante a
constncia do tamanho do espao amostral e das probabilidades p e q, de sucesso e no-sucesso,
respectivamente.
68 A. F. Beraldo
2.9 Distribuio Binomial
A. F. Beraldo 69
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Exemplo 2.7. Imagine uma famlia com 10 filhos. Estes podem ser do sexo masculino
ou feminino. A probabilidade de uma criana ser do sexo masculino de 0,5 ou 50%
( a mesma para crianas do sexo feminino, como vimos). Supondo que o nascimento
de meninas e meninos seja um experimento aleatrio, qual a probabilidade de termos k
meninas nesta famlia, com k variando de 0 a 10 (de nenhuma menina a todas meninas)?
N = 10
p = 0,5
q = 0,5
k = 0, 1, 2, 3, 4,..., 10
Os clculos so os seguintes:
!
10
Para nenhuma menina, P (X = 0) = (0, 5)0 (0, 5)10 = 0, 001
0
!
10
Para uma menina, P (X = 1) = (0, 5)1 (0, 5)9 = 0, 010
1
!
10
Para duas meninas, P (X = 2) = (0, 5)2 (0, 5)8 = 0, 044
2
!
10
Para trs meninas, P (X = 3) = (0, 5)3 (0, 5)7 = 0, 1172
3
!
10
Para quatro meninas, P (X = 4) = (0, 5)4 (0, 5)6 = 0, 2050
4
!
10
Para cinco meninas, P (X = 5) = (0, 5)5 (0, 5)5 = 0, 2461
5
!
10
Para seis meninas, P (X = 6) = (0, 5)6 (0, 5)4 = 0, 2050
6
!
10
Para sete meninas, P (X = 7) = (0, 5)7 (0, 5)3 = 0, 1172
7
!
10
Para oito meninas, P (X = 8) = (0, 5)8 (0, 5)2 = 0, 044
8
70 A. F. Beraldo
2.9 Distribuio Binomial
!
10
Para nove meninas, P (X = 9) = (0, 5)9 (0, 5)1 = 0, 010
9
!
10
Para dez meninas, P (X = 10) = (0, 5)10 (0, 5)0 = 0, 001
10
A. F. Beraldo 71
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Estude bem este exemplo, que ser de muita importncia quando tratarmos
de outras distribuies (modelo normal, por exemplo). Veja a forma do grfico, uma
curva simtrica, em forma de sino. Este um caso especial, quando p = 0, 5. Leia os
comentrios a seguir:
Comentrios:
72 A. F. Beraldo
2.9 Distribuio Binomial
2. Probabilidade de sucesso p = 0, 5:
Quando a probabilidade p igual a 0,5, a curva sempre simtrica, mas comea a
tomar a forma de sino (mais suave) a partir de N = 5. Veja o grfico a seguir:
Outra coisa: quando p = 0, 5, a esperana E(x) pode ser calculada pela expresso
N/2. Veja, no grfico acima, que a probabilidade da esperana decrescente,
medida que N aumenta.
A. F. Beraldo 73
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
74 A. F. Beraldo
2.9 Distribuio Binomial
Note que cada nmero, no interior do tringulo, igual soma dos dois valores,
esquerda e direita, na linha de cima. Por exemplo, o valor 126 igual soma
70 + 56. Veja abaixo:
A. F. Beraldo 75
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Modelo !
N 1 k
P (X = N ) = p q N k (2.28)
k1
Esperana
k
E(x) = (2.29)
p
Varincia
kq
Var(x) = (2.30)
p2
O jogo, portanto, ser interrompido quando sair F4 na 6a rodada, e coincide com a 3a vez
que sai a F4. Trata-se de uma distribuio de Pascal 8 , pelas suas caractersticas. A face F4
j saiu 2 vezes, nas 5 jogadas anteriores. Portanto, aplicando a expresso do modelo, temos:
! !
N 1 3 63 5 3 3
P (X = 6) = p q = p q
k1 2
!
5
P (X = 6) = (0, 167)3 (0, 833)3 = (10)(0, 005)(0, 579) = 0, 0268
2
8
Alis, este o problema que iniciou a troca de cartas entre Pascal e Fermat, com algumas variaes.
76 A. F. Beraldo
2.11 Distribuio Hipergeomtrica
Modelo ! !
a N a
k nk
P (X = k) = ! (2.31)
N
n
Esperana
a a b b
p= = q= =
a+b N a+b N
a
E(x) = n = np (2.32)
a+b
Varincia
nab(a + b n) npq(N n)
Var(x) = = (2.33)
(a + b) (a + b 1)
2 N 1
n
A razo NN 1
torna-se igual a 1 quando N >> n. Neste
caso, a distribuio hipergeomtrica comporta-se da mesma
forma que a binomial. Em outras palavras, quando N , a
amostragem sem reposio praticamente igual com reposio.
A. F. Beraldo 77
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Exemplo 2.9. Suponha que uma mquina fabrique N peas de automvel, em um dia.
As peas podem ser defeituosas (com probabilidade p = a/N , sendo a o nmero de
peas defeituosas) ou no-defeituosas (com probabilidade q = (N a)/N ). O controle
de qualidade da fbrica sorteia uma amostra de n peas, das N fabricadas naquele dia.
Qual ser a probabilidade de termos k peas defeituosas, na amostra?
! !
a b
k nk
P (X = k) = !
N
n
! !
5 20
2 13
P (X = 2) = ! = 0, 237
= 23, 7%
25
15
an (5)(15)
E(x) = = =3
N (25)
a N a N n
Var(x) = n =1
N N N 1
78 A. F. Beraldo
2.11 Distribuio Hipergeomtrica
Comentrios
1. Se a amostragem fosse feita com reposio, teramos uma distribuio (ou modelo)
binomial.
2. Na prtica, quando o tamanho da amostra for muito menor do que o do Universo
n
N
0, 01 podemos utilizar modelo binomial.
N n
3. A expresso chamada de fator de correo finita, e ser abordado
N 1
novamente na apostila Estatstica III, Amostragem, Inferncia e Testes. Notar
que, quando N >> n , a razo tende a 1, o que conduz ao Comentrio 2, acima...
A. F. Beraldo 79
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Modelo
n!
P (X = x1 , X = x2 , X = x3 , ..., X = xk ) = px1 px2 px3 ...pxk k
x1 !x2 !x3 !...xk ! 1 2 3
ou
n!
P (X = x1 , X = x2 , X = x3 , ..., X = xk ) = k pxi (2.34)
x1 !x2 !x3 !...xk ! 1 i
Var(xi ) = N pi (1 pi ) (2.36)
80 A. F. Beraldo
2.12 Distribuio Multinomial
E1 E2 E3 E4 =
E1 E2 E3 E4 =
N!
P (X = k1 , k2 , k3 , , kn ) = = pk11 pk22 pk33 ...pknn (2.37)
k1 !k2 !k3 ! + ... + kn !
Esperana E(xi ) = N pi
Varincia Var = N pi (1 pi )
A. F. Beraldo 81
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
Exemplo 2.10. Em uma turma de alunos de um curso noturno, 60% dos alunos so
solteiros, 30% so casados, e os demais so divorciados. Extrada uma amostra de 10
alunos, qual a probabilidade de obtermos exatamente 5 solteiros, 3 casados e 2 alunos
divorciados?
10!
P (x1 = 5, x2 = 3, x3 = 2) = (0, 6)5 (0, 3)3 (0, 1)2 = 0, 0529
5!3!2!
10!
P (x1 = 6, x2 = 3, x3 = 1) = (0, 6)6 (0, 3)3 (0, 1)1 = 0, 106
6!3!1!
82 A. F. Beraldo
2.13 Distribuio de Poisson
Modelo
k e
P (x = k) = (2.38)
k!
Esperana
E(x) = (2.39)
Varincia
Var(x) = (2.40)
Assimetria
1
3 = (2.41)
Curtose
1
4 = 3 + (2.42)
k e
P (X = k) =
k!
A. F. Beraldo 83
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
k e4
P (X = k) =
k!
Nenhuma solicitao:
0 e4
P (X = 0) = = 0, 01832
0!
Uma solicitao
1 e4
P (X = 1) = = 0, 07326
1!
Duas solicitaes
2 e4
P (X = 2) = = 0, 14653
2!
Trs solicitaes
3 e4
P (X = 3) = = 0, 19537
3!
Quatro solicitaes
4 e4
P (X = 4) = = 0, 19537
4!
De duas a quatro solicitaes
P (X = 2) + P (X = 3) + P (X = 4) = 0, 537
84 A. F. Beraldo
2.13 Distribuio de Poisson
P (X = 0) + P (X = 1) + P (X = 2) = 0, 2380
A. F. Beraldo 85
Modelo Caractersticas Modelo e Parmetros
Geomtrico As Provas de Bernoulli so repetidas k
A. F. Beraldo
(Pgina 59) vezes, at que o sucesso ocorra (na k- P (X = k) = q k1 p
sima e ltima tentativa). 1 q
E(X) = V (X) =
p p2
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas
86
2.13 Distribuio de Poisson
A. F. Beraldo 87
3 Modelos de Variveis Aleatrias Contnuas
3.1 Variveis Aleatrias Contnuas
No captulo anterior, estudamos as distribuies e os modelos mais comuns de
Varivel Aleatria Discreta. Neste captulo, estudaremos as distribuies e os modelos
mais usuais de Variveis Aleatrias Contnuas (VAC).
Uma Varivel Aleatria Contnua (VAC) pode assumir qualquer valor do con-
junto dos nmeros Reais (x ). R
Exemplos de Varivel Aleatria Contnua:
As condies para que f (x) seja uma funo de probabilidades de uma Varivel
Aleatria Contnua (VAC) so:
A. F. Beraldo 89
3. Modelos de Variveis Aleatrias Contnuas
Comentrios
Z b
P (a < X < b) = f (x)dx
a
Exemplo 3.1. Seja a funo definida como f (x) = 2x, para 0 x 1, e f (x) = 0,
para x > 1, f (x) = 0, para x < 0.
Esta uma funo de probabilidades, uma vez que cumpre as duas condies:
90 A. F. Beraldo
3.1 Variveis Aleatrias Contnuas
A. F. Beraldo 91
3. Modelos de Variveis Aleatrias Contnuas
R0 R1 R +
Para a condio 2, temos que 0dx + 0 2xdx + 1 0dx, ou
1
Z +
2x2
f (x)dx = 0 + + 0 = 0 + (12 02 ) = 1
2
0
Z x
F (x) = P (X x) = f (x)dx (3.3)
Da podermos definir, com maior rigor, uma varivel aleatria contnua (VAC). Esta
possui uma funo de distribuio F(x) que cumpre as seguintes condies:
dF (x)
2. = f (x)
dx
Exemplo 3.2. Seja a fdp definida comof (x) = 3x2 /8, para 0 x 2. Sua funo
distribuio dada por:
Z x
3x2 x3
F (x) = dx = ,
0 8 8
para 0 x 2. Veja a figura a seguir:
92 A. F. Beraldo
3.2 Parmetros
3.2 Parmetros
3.2.1 Esperana Matemtica
A Esperana Matemtica, Expectncia ou Valor Esperado de uma varivel
aleatria contnua, que simbolizamos por E(X), dada pela expresso:
Z +
E(X) = xf (x)dx (3.4)
Exemplo 3.3. Seja uma VAC com fdp dada por f (x) = 3x2 , para 0 x 1, e f (x) = 0,
para valores de x fora deste intervalo. A esperana desta distribuio dada por:
Z + Z 1
E(x) = = xf (x)dx = x3x2 dx =
0
Z 1
3(1)4 3(0)4 3
= 3x3 dx = =
0 4 4 4
A. F. Beraldo 93
3. Modelos de Variveis Aleatrias Contnuas
3.2.2 Varincia
Para distribuies contnuas de probabilidade, temos a expresso:
Z
Var(x) = (x E(x))2 f (x)dx (3.5)
e, tambm, a expresso:
Z
Var(x) = x2 f (x)dx [E(x)]2 (3.6)
94 A. F. Beraldo
3.2 Parmetros
Exemplo 3.4. Seja uma VAC com fdp dada por f (x) = 3x2 , para 0 x 1, e f (x) = 0,
para valores de x fora deste intervalo. A esperana desta distribuio foi calculada igual
a: 3/4. A varincia da funo dada por:
Z 1
Var(x) = x2 (3x2 )dx [E(x)]2 =
0
1
2
Z 1
3 3x5
(3x4 )dx = 0, 5625
0 4 5
0
3
Var(x) = 0, 5625 = 0, 0375
5
A. F. Beraldo 95
3. Modelos de Variveis Aleatrias Contnuas
Esperana Z +
E(X) = = xf (x)dx
Varincia
Z + Z +
Var(x) = 2 = (x )2 f (x)dx = x2 f (x)d(x) 2
Desvio padro
s(x) = = 2
Funo distribuio
Z x0
F (x0 ) = f (x)dx
96 A. F. Beraldo
3.3 Distribuio Uniforme
Funo densidade
1
f (x) = (3.7)
ba
Funo distribuio
F (x) = 0 , para x < a (3.8)
xa
F (x) = , para a x b (3.9)
ba
F (x) = 1 , para x > b (3.10)
Esperana
a+b
E(x) = (3.11)
2
Varincia
2 (b a)2
s (x) = (3.12)
12
Assimetria
3 = 0 (3.13)
Curtose
6
4 = (3.14)
5
A. F. Beraldo 97
3. Modelos de Variveis Aleatrias Contnuas
Exemplo 3.5. Seja uma distribuio uniforme, dada por f (x) = 0, para x > 3,
1 1
f (x) = = = 0, 25, para 3 x 7 e f (x) = 0, para x > 7
ab 73
Os grficos para esta distribuio so os seguintes:
98 A. F. Beraldo
3.3 Distribuio Uniforme
Esperana
a+b 3+7
E(x) = = = 5, 0
2 2
Varincia
(b a)2 (7 3)2 16
Var(x) = 2 = = = = 1, 33
12 12 12
Exemplo 3.6. Um cabo de alta tenso desenrolado de uma bobina com 200m.
Suponha que a probabilidade de rompimento igual e constante para toda a extenso
do cabo. Calcule a E(x), a V ar(x) e a probabilidade do cabo se romper entre 100m e
120m.
1 1
A funo densidade , portanto, f (x) = = = 0, 005, para 0 x 200
ab 200 0
e f (x) = 0 para x < 0 e x > 200
A. F. Beraldo 99
3. Modelos de Variveis Aleatrias Contnuas
a+b 0 + 200
E(x) = = = 100
2 2
s(x) = 2 = 3333, 33 = 57, 74m
#120
Z 120
1
p(100 < x < 120) = dx = 0, 005x = 0, 6 0, 5 = 0, 10
100 200 100
100 A. F. Beraldo
3.4 Distribuio Exponencial
Funo densidade
f (x) = ex para > 0 e x > 0 (3.15)
e = 2, 7182
Funo distribuio
Z x
F (x) = ex dx = 1 ex , para x > 0 (3.16)
0
Esperana
1
E(x) = (3.17)
Varincia
1
Var(x) = 2 = (3.18)
2
Assimetria
3 = 2 (3.19)
Curtose
4 = 3 (3.20)
A frase aumenta em uma taxa constante sugere que esta distribuio muito til
para modelar fenmenos que envolvem durabilidade - componentes sujeitos ao desgaste.
A. F. Beraldo 101
3. Modelos de Variveis Aleatrias Contnuas
1 1
Pelos dados do exemplo, temos que E(x) = 200, portanto = = = 0, 005,
E(x) 200
e a funo densidade (exponencial) dada por f (x) = 0, 005e0,005x (veja o grfico a
seguir).
102 A. F. Beraldo
3.4 Distribuio Exponencial
A. F. Beraldo 103
3. Modelos de Variveis Aleatrias Contnuas
Z T
0, 005e0,005x dx = 0, 50 ou P (x > T ) = 0, 50
0
0, 693
Sabendo que ln(0, 50) = 0, 693, temos que 0, 005T = 0, 693, e T = = 140
0, 005
dias. Veja o grfico a seguir:
104 A. F. Beraldo
3.4 Distribuio Exponencial
ln 2 ln 4ln 3 ln 4
Mediana = Q1 = Q3 =
ln 4 ln 3 0, 288
Q1 = =
ln 2 0, 693
Q2 = Mediana = =
ln 4 1, 386
Q3 = =
A. F. Beraldo 105
3. Modelos de Variveis Aleatrias Contnuas
Funo densidade
1 x 2
e 2 ( )
f (x) = (3.21)
2
Esperana
E(x) = (3.22)
Varincia
Var(x) = 2 (3.23)
Assimetria
3 = 0 (3.24)
Curtose
4 = 3 (3.25)
106 A. F. Beraldo
3.5 Distribuio Normal
assimetria = 0, 009.
A. F. Beraldo 107
3. Modelos de Variveis Aleatrias Contnuas
108 A. F. Beraldo
3.5 Distribuio Normal
1 2 2
f (x) = e(x) /2 (3.26)
2
x
z= (3.27)
1
Os americanos chamam a distribuio normal de the bell curve.
A. F. Beraldo 109
3. Modelos de Variveis Aleatrias Contnuas
Esta transformada permite que tenhamos qualquer varivel real expressa em termos
de uma varivel gaussiana2 . A partir desta transformada, obtemos o grfico da funo
1 2
f (x) = ez /2 , a seguir:
2
Z b
1 2
P (a < x < b) = ez /2 dz (3.28)
a 2
2
Esta operao chamada padronizao de uma varivel. Se esta varivel for normalmente
distribuda, temos a chamada normalizao da varivel.
110 A. F. Beraldo
3.5 Distribuio Normal
A. F. Beraldo 111
3. Modelos de Variveis Aleatrias Contnuas
112 A. F. Beraldo
3.5 Distribuio Normal
x x 52
z= =
18
Assim, um candidato que fez 68 pontos, por exemplo, tem sua nota padronizada
para:
x 68 52
z= = = 0, 89
18
x 52 52
O valor da mdia (52 pontos), corresponde a um z = 0, pois, z = = =
18
0.
Veja que a curva simtrica em relao a um eixo que passa por z = 0 (ou por x
= 52). Assim, cada valor de x tem o seu correspondente z que, como vimos, mede a
distncia que determinado valor de x est acima ou abaixo da mdia do conjunto, e
esta distncia expressa em unidades de desvio padro. Veja o quadro a seguir:
X: nmero de z
pontos
4 2, 667
16 -2,000
30 1, 222
34 -1,000
45 0, 389
52 0,000
65 0,722
70 1,000
80 1,556
2,000
100 2,667 Figura 3.20: Pontos no concurso
A. F. Beraldo 113
3. Modelos de Variveis Aleatrias Contnuas
114 A. F. Beraldo
3.5 Distribuio Normal
Queremos encontrar a rea entre 0 e +1, 0. Os valores de z, com uma casa decimal,
esto na primeira coluna:
A. F. Beraldo 115
3. Modelos de Variveis Aleatrias Contnuas
116 A. F. Beraldo
3.5 Distribuio Normal
A. F. Beraldo 117
3. Modelos de Variveis Aleatrias Contnuas
118 A. F. Beraldo
3.5 Distribuio Normal
Supondo que so 120 vagas e 4.800 candidatos, qual ser a nota de corte para
aprovao?
z = 1, 645
3
Lembra que em distribuies contnuas de probabilidade, no faz sentido calcular a probabilidade
no ponto. Por exemplo, no se calcula a probabilidade de algum ter conseguido fazer exatamente 68
pontos.
A. F. Beraldo 119
3. Modelos de Variveis Aleatrias Contnuas
z = 1, 96
z = 2, 58
120 A. F. Beraldo
3.5 Distribuio Normal
!
N k N k
P (X = k) = p q
k
!
90 100!
P (X = 10) = 0, 210 0, 890 = = (0, 000000102400)(0, 000000001897)
10 90!10!
!
90
O valor de muito grande, como voc pode imaginar4 . Portanto, temos a
10
multiplicao de nmeros muito grandes por nmeros muito pequenos, o que causa este
efeito de perda de aderncia. No entanto, se N grande e se p e q no so muito
pequenos (prximos de zero), podemos aproximar valores de P utilizando a Distribuio
Normal fazendo:
= E(X) = N p;
= N pq e
x Np
z= .
N pq
1 R b z2 /2dz
Calculamos P (a x b) = a e , que a j nossa conhecida expresso
2
dos valores sob a curva normal padronizada, cujos valores so tabelados. Esta estimativa
de P tanto melhor quanto maior N e se tanto N p quanto N q so maiores que 5.
A. F. Beraldo 121
3. Modelos de Variveis Aleatrias Contnuas
122 A. F. Beraldo
3.5 Distribuio Normal
Exemplo 3.9. Uma moeda jogada 100 vezes. Qual a probabilidade de obtermos
entre 40 e 60 caras?
!
Pk=60 100
Como seria muito trabalhoso calcular P (40 x 60) = k=40 (0, 5)k (60)100k ,
k
procedemos da seguinte forma:
= E(X) = N p = (100)(0, 5) = 50 e
q
= N pq = (100)(0, 5)(0, 5) = 25 = 5,
2. Calculamos os valores de z = x
, utilizando valores fracionrios de x , como
se o nmero de caras fosse uma varivel contnua. Assim, fazemos x1 = 39, 5 e
x2 = 60, 5 e iremos calcular P (39, 5 x 60, 5) utilizando a distribuio normal
de probabilidades.
A. F. Beraldo 123
3. Modelos de Variveis Aleatrias Contnuas
Modelo !(+1)/2
+1
2 t2
f (t) = 1+ (3.29)
2
Esperana
E(t) = = 0 (3.30)
Varincia
Var(t) = para > 2 (3.31)
2
Assimetria
3 = 0 (3.32)
Curtose
6
4 = para > 4 (3.33)
4
=n1
124 A. F. Beraldo
3.6 Distribuio t de Student
Pode-se ver que a distribuio t possui muita semelhana com a distribuio normal:
o mesmo formato de sino e a simetria em torno de t. Tambm os valores da rea sob a
curva da distribuio t esto tabelados (veja Anexo I Tabelas), em funo dos valores
de t e do grau de liberdade. A rea sob a curva tabelada, no entanto, em termos
de percentis de rea. Por exemplo, para 10 graus de liberdade (um conjunto de 11
valores), um valor de t = 1, 372 determina uma rea de 90% sob a curva:
xX
t= (3.34)
s
n
A. F. Beraldo 125
3. Modelos de Variveis Aleatrias Contnuas
Modelo
1
f (x) = x(/2)1 ex/2 (3.35)
2/2 (/2)
Esperana
E(x) = (3.36)
Varincia
Var(x) = 2 (3.37)
Assimetria
3 = 8 (3.38)
Curtose
12
4 = (3.39)
126 A. F. Beraldo
3.7 Distribuio do Qui-quadrado
Comentrios
n Pn
1 xi
2 2n1
X
(x1 X) , onde X =
1 n
1h i2
Xx2 = z + 2 1
2
A. F. Beraldo 127
3. Modelos de Variveis Aleatrias Contnuas
Y
T =s
X
128 A. F. Beraldo
3.7 Distribuio do Qui-quadrado
A. F. Beraldo 129
4 Formulrios e tabelas
4.1 Lista de somatrios e sries
k
X k(k + 1)
i = 1 + 2 + 3 + + k = (4.1)
i=1 2
k
k(k + 1)(2k + 1)
i2 = 1 + 4 + 9 + + k 2 =
X
(4.2)
i=1 6
k
x2 x3 xk X xi
ex = 1 + x + + + + = , x (4.3)
2! 3! k! i=0 i!
k
x ln a (x ln a)2 (x ln a)3 (x ln a)i
ax = 1 +
X
+ + + = , x (4.4)
1! 2! 3! i=0 i!
3 5 k 2i+1
" #
x1 1 x1 1 x1 1 x1
X
ln x = 2 + + + = 2 ,x>0
x+1 3 x+1 5 x+1 i=0 2i + 1 x + 1
(4.5)
k
xi
!
x 2 x3 x4
+ = (1)1i
X
ln(1 + x) = x + , 1 < x +1 (4.6)
2 3 4 i=1 i
Por exemplo, ln 2
k
1 1 1 1 1
ln 2 = 1 + + = (1)i1
X
2 3 4 5 i=1 i
A. F. Beraldo 131
4. Formulrios e tabelas
Por exemplo:
Teorema multinomial
k
!
n
n
an1 1 an2 2 an3 3 ank k
X
(a1 + a2 + a3 + + ak ) = (4.8)
i=1 n1 , n2 , n3
Por exemplo:
132 A. F. Beraldo
4.2 Tbua de Derivadas e Integrais
c0 = 0 x0 = 1 (cx)0 = c (4.9)
Assim,
0
1 0 1
= x1 = x2 = (4.11)
x x2
0
1 c
0
= xc = cx(c+1) = (4.12)
xc xc+1
0 1
0 1 1 1
x = x2 = x 2 = x>0 (4.13)
2 2 x
Exponencial e Logaritmica
(ex )0 = ex (4.15)
1
(logc x)0 = c > 0 , c 6= 1 (4.16)
x ln c
Outras funes
1
(ln x)0 = x 6= 0 (4.17)
x
1
(ln |x|)0 = (4.18)
x
(xx )0 = xx (1 + ln x) (4.19)
A. F. Beraldo 133
4. Formulrios e tabelas
d f 0 (x)
[ln(f (x))] = (4.20)
dx f (x)
!
1 1 1
0
X
((x)) = (x) ln 1 + = (x)(x) (4.23)
n=1 n x+n x
4.2.2 Integrais
Regras gerais de integrao
Z Z
kf (x)dx = k f (x)dx (4.24)
Z Z Z
[f (x) + g(x)] dx = f (x)dx + g(x)dx (4.25)
Z Z Z Z
0
f (x)g(x)dx = f (x) g(x)dx f (x) g(x)dx dx (4.26)
Integrais de Funes Racionais
Z
dx = x (4.27)
Z
xn+1
xn dx = para n = 1 (4.28)
n+1
Z
1
Z
1
x dx = dx = ln |x| para n 6= 1 (4.29)
x
Z
1 1
dx = ln |ax + b| (4.30)
(ax + b) a
134 A. F. Beraldo
4.2 Tbua de Derivadas e Integrais
Z
a(n + 1)x b
x(ax + b)n dx = (ax + b)n+1 para n
/ {1, 2} (4.31)
a2 (n + 1)(n + 2)
Z
ekx
ekx dx = (4.33)
k
Z
ekx
exkx dx = (kx 1) (4.34)
k2
Z
xn ekx n Z n1 kx
x2 ekx dx = x e dx (4.35)
k k
Z
x ax
a dx = para a > 0 , a 6= 1 (4.36)
ln a
Z
akx
akx dx = para a > 0 , a 6= 1 (4.37)
k ln a
A. F. Beraldo 135
4. Formulrios e tabelas
136 A. F. Beraldo
4.3
4.3.1
A. F. Beraldo
Tabelas
N, k 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1
objetos, tomados k a k: Nk
9 1 9 36 84 126 126 84 36 9 1
137
4.3 Tabelas
4. Formulrios e tabelas
4.3.2 Fatorial de N N !
N N!
0 1
1 1
2 2
3 6
4 24
5 120
6 720
7 5.040
8 40.320
9 362.880
10 3.628.800
11 39.916.800
12 479.001.600
13 6.227.020.800
14 87.178.291.200
15 1.307.674.368.000
16 20.922.789.888.000
17 355.687.428.096.000
18 6.402.373.705.728.000
19 121.645.100.408.832.000
20 2.432.902.008.176.640.000
21 51.090.942.171.709.400.000
22 1.124.000.727.777.610.000.000
23 25.852.016.738.885.000.000.000
24 620.448.401.733.239.000.000.000
25 15.511.210.043.331.000.000.000.000
26 403.291.461.126.606.000.000.000.000
27 10.888.869.450.418.400.000.000.000.000
28 304.888.344.611.714.000.000.000.000.000
29 8.841.761.993.739.700.000.000.000.000.000
30 265.252.859.812.191.000.000.000.000.000.000
O fatorial de nmeros maiores de n(n inteiro positivo) pode ser calculado pela frmula de
Stirling:
n! = 2n(nn en ) (4.38)
138 A. F. Beraldo
4.3 Tabelas
4.3.3 Valores de e
e = 2, 718281828
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 1,0000 0,9900 0,9802 0,9704 0,9608 0,9512 0,9418 0,9324 0,9231 0,9139
0,1 0,9048 0,8958 0,8869 0,8781 0,8694 0,8607 0,8521 0,8437 0,8353 0,827
0,2 0,8187 0,8106 0,8025 0,7945 0,7866 0,7788 0,7711 0,7634 0,7558 0,7483
0,3 0,7408 0,7334 0,7261 0,7189 0,7118 0,7047 0,6977 0,6907 0,6839 0,6771
0,4 0,6703 0,6637 0,6570 0,6505 0,6440 0,6376 0,6313 0,6250 0,6188 0,6126
0,5 0,6065 0,6005 0,5945 0,5886 0,5827 0,5769 0,5712 0,5655 0,5599 0,5543
0,6 0,5488 0,5434 0,5379 0,5326 0,5273 0,5220 0,5169 0,5117 0,5066 0,5016
0,7 0,4966 0,4916 0,4868 0,4819 0,4771 0,4724 0,4677 0,4630 0,4584 0,4538
0,8 0,4493 0,4449 0,4404 0,4360 0,4317 0,4274 0,4232 0,4190 0,4148 0,4107
0,9 0,4066 0,4025 0,3985 0,3946 0,3906 0,3867 0,3829 0,3791 0,3753 0,3716
Exemplo de clculo:
1 2 3 4 5 6 7 8 9 10
e 0,3679 0,1353 0,0498 0,0183 0,0067 0,0025 0,0009 0,0003 0,0001 0,0000
Exemplo de clculo:
A. F. Beraldo 139
4. Formulrios e tabelas
1 2
Z z
e 2 z
P (0 < x < z) =
0 2
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
140 A. F. Beraldo
4.3 Tabelas
A. F. Beraldo 141
4. Formulrios e tabelas
1h i2
2x = z + 2 1
2
142 A. F. Beraldo
Diagramao em LATEX, composta em Latin Modern.