You are on page 1of 8

Aula 10 Probabilidade: Variveis Aleatrias Discretas

Prof Maurcio Guy de Andrade

Disciplina de Matemtica e Estatstica

Introduo

Como comentado em aulas anteriores, os dados estatsticos podem ser distribudos


pela frequncia, o que chamamos de distribuio de frequncia de amostras, porm quando
o tamanho da amostra (n) for muito grande, podemos esperar que a distribuio de
frequncia seja uma aproximao da distribuio de probabilidade da populao.

Quando se pretende estudar as variveis de uma populao, as distribuies de


probabilidade so as mais adequadas, possibilitando a construo de modelos que auxiliam
na compreenso de fenmenos.

Variveis Aleatrias

Para entendermos melhor o prximo contedo da disciplina, devemos


primeiramente compreender que muitos experimentos aleatrios fornecem resultados
numricos, como por exemplo, o lanamento de um dado. Porm, outros experimentos tem
como resultado dados no numricos, como por exemplo, o lanamento de uma moeda
(cara ou coroa). No caso do lanamento de uma moeda, podem-se associar nmeros aos
resultados possveis, podendo, ser nmero 1 para cara e nmero 2 para coroa. Quando uma
funo X, que associe a elemento um nmero real X, denomina-se varivel aleatria.

A varivel aleatria (v.a) pode ser do tipo discreta e contnua. Uma varivel aleatria
discreta se sua imagem (ou conjunto de valores que ela pode tomar) um conjunto finito
ou enumervel. Se a imagem um conjunto no enumervel dizemos que a varivel
aleatria contnua.

Exemplos:

- Moeda: Cara e coroa (Discreta)

- Massa de um animal em um determinado zoolgico (Contnua)


- Nmero de pessoas que vo nascer amanh (Discreta)

- Tempo para completar uma corrida (Contnua)

Varivel Aleatria Discreta

Seja X uma varivel aleatria. Se o nmero de valores possveis de X for finito ou


infinito numervel, denominaremos X de varivel aleatria discreta.

Exemplo:

Dentre os 5 alunos de um curso com coeficiente de rendimento (CR) superior 8,5, dois sero
sorteados para receber uma bolsa de estudos. Os CRs desses alunos so: 8,8; 9,2; 8,9; 9,5;
9,0.

a) Designando por A, B, C, D e E os alunos, defina um espao amostral para esse


experimento.

b) Seja X = CR mdio dos alunos sorteados. Liste os possveis valores de X.

c) Liste o evento X 9, 0.

Soluo:
(a) Note que aqui a ordem no importa; logo S={(A, B) , (A, C) , (A, D) , (A, E) , (B, C) , (B, D) ,
(B, E) , (C, D) , (C, E) , (D, E)}
(b) Usando uma tabela de duas entradas podemos representar os valores de X da seguinte
forma:

(c) {X 9} = {(A, B) , (A, D) , (B, C) , (B, D) , (B, E) , (C, D) , (D, E)} .

Exemplo:
Um homem possui 4 chaves em seu bolso. Como est escuro, ele no consegue ver qual a
chave correta para abrir a porta de sua casa. Ele testa cada uma das chaves at encontrar a
correta.
(a) Defina um espao amostral para esse experimento.
(b) Defina a v.a. X = nmero de chaves experimentadas at conseguir abrir a porta (inclusive
a chave correta). Quais so os valores de X?
Soluo:
(a) Vamos designar por C a chave da porta e por E1, E2 e E3 as outras chaves. Se ele para de
testar as chaves depois que acha a chave correta, ento o espao amostral : S = {C, E1C,
E2C, E3C, E1E2C, E2E1C, E1E3C, E3E1C, E2E3C, E3E2C, E1E2E3C,E1E3E2C, E2E1E3C, E2E3E1C,
E3E1E2C, E3E2E1C}
(b) X = 1, 2, 3, 4

Funo de Distribuio de Probabilidade

Seja X uma v.a. discreta. A funo de distribuio de probabilidades de X a funo


pX (x) que associa, a cada valor possvel x de X, sua respectiva probabilidade, calculada da
seguinte forma: pX (x) a probabilidade do evento {X = x} consistindo de todos os
resultados do espao amostral que deram origem ao valor x.
Tal que:
p(x) 0 e p(x) = 1

Exemplo:

Consideremos o lanamento de dois dados equilibrados. O espao amostral desse


experimento formado pelos pares ordenados (i, j) onde i, j = 1, 2, 3, 4, 5, 6. Esse um
experimento onde o espao amostral no formado por nmeros. Suponhamos que nosso
interesse esteja no mximo das faces dos dois dados.

Sendo assim, natural perguntarmos qual a probabilidade do valor x? No


exemplo do mximo das 2 faces de um dado 1, por exemplo, o valor 6 da v.a. imagem de
11 pontos do espao amostral, enquanto o valor 2 imagem de apenas 3 pontos. Sendo
assim, de se esperar que o valor 6 seja mais provvel que o valor 2. Na verdade, temos a
seguinte equivalncia de eventos: se chamamos de X a v.a. mximo dos 2 dados, ento
{X = 6} {(6, 1) , (6, 2) , (6, 3) , (6, 4) , (6, 5) , (6, 6) , (1, 6) , ((2, 6) , ((3, 6) , ((4, 6) , ((5, 6)}
e, assim:

Pr ({X = 6}) = Pr{(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6) (1, 6) ((2, 6) ((3, 6) (4,
6) (5, 6)}

Como os eventos no lado direito da expresso acima so mutuamente exclusivos e


igualmente provveis, resulta que
 
Pr ({X = 6}) = 11   = 

Da mesma forma:

Pr ({X = 1}) = 

Pr ({X = 2}) = 

Pr ({X = 3}) = 

Pr ({X = 4}) =


Pr ({X = 5}) = 

Pr ({X = 6}) =

Sendo assim a sua f.d.p. apresentada abaixo:

Exerccio:

1) Considerando agora o lanamento de dois dados mas agora vamos definir a seguinte
v.a. X = soma das 2 faces. Qual a f.d.p. dessa v.a. discreta?

Exerccio:

2) Encontre a distribuio discreta de probabilidade da varivel aleatria nmero de


caras encontradas no lanamento de trs moedas.

Funes de Variveis Aleatrias

Dada uma v.a. X, podemos obter outras variveis aleatrias atravs de funes de X
e, da mesma forma que calculamos a fdp de X, podemos calcular a fdp dessas novas
variveis.

Considere a v.a. X cuja fdp dada na tabela abaixo:

Consideremos a funo Y = g(x) = x2. Ento, Y uma nova varivel aleatria, cujos
possveis valores so 0, 1, 4, 9. Para calcular as probabilidades desses valores, temos que
identificar os valores de X que originaram cada um deles. Temos a seguinte equivalncia de
eventos:

{Y = 0} {X = 0}
{Y = 1} {X = 1} {X = 1}
{Y = 4} {X = 2} {X = 2}
{Y = 9} {X = 3}
Como os eventos so mutuamente exclusivos, segue que:

Pr (Y = 0) = Pr (X = 0) = 0, 2
Pr (Y = 1) = Pr (X = 1) + Pr (X = 1) = 0, 5
Pr (Y = 4) = Pr (X = 2) + Pr (X = 2) = 0, 2
Pr (Y = 9) = Pr (X = 3) = 0, 1

e podemos resumir essa fdp como:

Distribuio de Probabilidade

Em relao distribuio de probabilidade, existem alguns modelos probabilsticos


discretos principais, que so: uniforme discreto, Bernoulli, binomial, geomtrico, Poisson e o
Hipergeomtrico. A seguir veremos trs destes: Poisson, Bernoulli e Binomial.

- Distribuio de Poisson

Uma distribuio comum a distribuio Poisson, e frequentemente usada para


modelar o nmero de ocorrncias de um evento por certo perodo de tempo ou por certo
volume ou por certa rea. Por exemplo, para descrever o nmero de nematides
encontrados em amostras de solo ou o nmero dirio de novos casos de cncer. aplicvel
a ocorrncias de um evento em um intervalo especificado.

Outros exemplos:

- Usurios de computador ligados Internet

- Clientes chegando ao caixa de um supermercado

- Acidentes com automveis em uma determinada estrada

- Nmero de peas defeituosas substitudas num veculo durante o primeiro ano de


vida

Em todas estas situaes, temos um conjunto de ocorrncias que satisfazem as


seguintes condies: z o nmero de ocorrncias de um evento em um intervalo de tempo
(espao) independente do nmero de ocorrncias do evento em qualquer outro intervalo
disjunto ocorrncias independentes umas das outras z a probabilidade de duas ou mais
ocorrncias simultneas praticamente zero z o nmero mdio de ocorrncias por unidade
de tempo (espao) constante ao longo do tempo (espao) ocorrncias distribudas
uniformemente sobre o intervalo considerado z o nmero de ocorrncias durante qualquer
intervalo depende somente da durao ou tamanho do intervalo; quanto maior o intervalo,
maior o nmero de ocorrncias

A distribuio Poisson tem apenas um parmetro, que interpretado como uma


taxa mdia de ocorrncia do evento, e a probabilidade de ocorrerem
exatamente eventos dada por

em que ,e .

A varincia de uma Poisson igual sua mdia, .

- Distribuio Bernoulli

Quando executamos um experimento (ensaio) do tipo Bernoulli, associado a este


ensaio, temos uma varivel aleatria com o seguinte comportamento: Suponhamos a
realizao de um experimento E, cujo resultado pode ser um sucesso (se acontecer o evento
que nos interessa) ou um fracasso ( o evento no se realiza). Seja p a probabilidade de
sucesso e q a probabilidade de fracasso, com p + q = 1. Definimos a seguinte v.a. discreta: X
: n de sucessos em uma nica tentativa do experimento.

A distribuio de Bernoulli um caso especial da distribuio Binomial, com n=1.

- Distribuio Binomial

Se executarmos um experimento tipo Bernoulli, independentemente, n vezes


podemos ter de 0 a n sucessos.

Considerando um experimento realizado vezes, sob as mesmas condies, com as


seguintes caractersticas:

1. cada repetio do experimento (ou ensaio) produz um de dois resultados possveis,


denominados tecnicamente por sucesso (S) ou fracasso (F), e os resultados so
dicotmicos.
2. a probabilidade de sucesso, P(S) = p , a mesma em cada repetio do experimento.
(Note que P(F) = 1 p).
3. os ensaios so independentes, e o resultado de um ensaio no interfere no resultado
do outro.

A probabilidade pode ser encontrada como:


uma das distribuies mais comuns em Estatstica. Como dito anteriormente, uma
varivel aleatria tem distribuio binomial quando o experimento ao qual est relacionada
apresenta apenas dois resultados (sucesso ou fracasso).

Exemplo:

Qual a probabilidade de obtermos 4 vezes o nmero 3 ao lanarmos um dado 7 vezes?


A cada lanamento a probabilidade de cair o nmero 4 de 1 possibilidade em 6, ou
1
seja, /6 a probabilidade de obtermos o nmero 4 em cada lanamento.
Quando lanamos o dado e obtemos um 4, temos um sucesso no lanamento, pois
este o resultado que pretendemos obter, no entanto quando obtemos um outro resultado
qualquer, estamos diante de um fracasso. Note que s h duas
possibilidades: Sucesso quando d o nmero 4, ou fracasso quando d qualquer outro.
Observe que cada lanamento no interfere na probabilidade de qualquer outro
lanamento, eles so independentes.
Note tambm que a probabilidade de sucesso ou fracasso sempre a mesma em
cada lanamento.
Nestas condies a probabilidade de obtermos k sucessos e n - k fracassos
em n tentativas, obtida pelo termo geral do Binmio de Newton:

L-se como nmero binomial de numerador n e denominador k, ou ento como nmero


binomial n sobre k.
Na equao acima P representa a probabilidade procurada n o total de
tentativas, k o nmero de tentativas que resultam em sucesso, p a probabilidade de
obtermos um sucesso e q representa a probabilidade de obtermos um fracasso.

Note que n - k representa o nmero de tentativas que resultam em fracasso, assim


como q igual a 1 - p, ou seja, sendo p a probabilidade de sucesso, q a probabilidade de
fracasso que a complementa, pois s podemos obter um sucesso ou um fracasso, no h
uma outra possibilidade.
Sendo n k, o nmero binomial dado por:

Para vermos a utilizao da frmula, vamos resolver o problema do incio deste tpico.
Exemplo

Qual a probabilidade de obtermos 4 vezes o nmero 3 ao lanarmos um dado 7 vezes?


O espao amostral do lanamento de um dado :
S = { 1, 2, 3, 4, 5, 6 }
Como estamos interessados apenas nos resultados iguais a 3, representamos tal evento por:
E={3}
Em relao ao nmero de elementos temos que n(E) = 1 e n(S) = 6, portanto a probabilidade
da ocorrncia de um 3em um lanamento :
p a probabilidade de sucesso em um lanamento, a probabilidade de fracasso dada
por q = 1 - p, portanto q = 5/6.
n o nmero total lanamentos, ento n = 7.
k o nmero de sucessos, logo k = 4.
Antes de utilizarmos a frmula , vamos calcular o nmero
binomial :

Agora sim temos todos os dados para podermos aplicar na frmula. Vejamos:

A probabilidade 4375/279936 tambm pode ser representada na sua forma decimal, bastando
realizarmos a diviso de 4375 por 279936, que resulta em aproximadamente 0,0156 e
tambm na forma de porcentagem, bastando multiplicarmos 0,0156 por 100% que
d 1,56%.

Exerccio

3) Suponha que numa linha de produo a probabilidade de se obter uma pea defeituosa
(sucesso) . Toma-se uma amostra de 10 peas para serem inspecionadas. Qual a
probabilidade de se obter:

a) Uma pea defeituosa?

b) Nenhuma pea defeituosa?

b) Duas peas defeituosas?

Bibliografia

- Bsica e Complementar da Disciplina, conforme plano de ensino.

- Material Didtico da UFF Estatstica, disponvel em :

http://www.professores.uff.br/patricia/images/stories/arquivos/2_vadiscreta.pdf