Probab Il I Dade

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus I
UNIDADE ACADMICA DE MATEMTICA E ESTATSTICA

Disciplina: Probabilidade e Estatstica (6 crditos) Perodo 2009.2
Prof. Gilberto Matos e Areli Mesquita
Aluno(a): .
1
a
NOTA DE AULA
1 Introduo Estatstica
1.1 A Cincia Estatstica
O conceito de Estatstica pode ser considerado de duas maneiras. O primeiro conceito,
logo relaciona a Estatstica com tabelas e grcos nos quais os dados obtidos so represen-
tados, ou melhor, relaciona nmeros especcos. Ouvimos, assim, falar em estatsticas
do IBGE, estatsticas relacionadas sade e educao, ndices econmicos, pesquisas de
opinio, etc. Um segundo conceito refere-se ao conjunto de processos ou tcnicas em-
pregadas na investigao e anlise de fenmenos. Neste caso, a Estatstica a cincia
ou mtodo cientco que estuda os fenmenos aleatrios e, procura inferir as leis que os
mesmos obedecem. Assim, um conceito mais abrangente e absoluto deve englobar tanto o
primeiro conceito, o qual o mais popular, quanto o segundo, o qual normalmente escapa
noo corrente.
Denio 1.1 (Estatstica). A Estatstica uma cincia que se preocupa com a
coleta, organizao, descrio, anlise e interpretao dos dados, a m de extrair in-
formaes a respeito de uma populao.
Dentro dessa idia, podemos considerar a Cincia Estatstica como dividida basica-
mente em duas partes:
1. Estatstica Descritiva - que se preocupa com a organizao e descrio dos dados
experimentais;
2. Estatstica Inferencial - que, a partir da observao de alguns dados experimentais,
realiza a anlise e interpretao de dados com o objetivo de generalizar e prever
resultados, utilizando-se para isto da Teoria das Probabilidades.
Nesta disciplina, sero abordados tpicos referentes estatstica descritiva, conceitos
fundamentais de probabilidade e os modelos probabilsticos mais importantes para o estudo
da inferncia estatstica.
1
1.2 Estatstica: Uma Viso Sistmica
(Desenhar figura representando uma viso sistmica da estatstica)
1.3 Conceitos Fundamentais
Um dos principais conceitos utilizados na estatstica o de populao.
1.3.1 Populao e Amostra
Denio 1.2 (Populao). A populao um conjunto de todos os elementos
(pessoas, objetos, etc) que possuem pelo menos uma caracterstica em comum, a(s)
qual(is) os relacionam ao problema que est sendo estudado.
Exemplo 1. Se o problema a ser pesquisado est relacionado com a qualidade de um
certo produto produzido numa indstria, a populao pode ser composta por todas as
peas produzidas numa determinada hora, turno, dia ou ms, dependendo dos objetivos;
Exemplo 2. Se o objetivo de um estudo pesquisar o nvel de renda familiar de uma
certa cidade, a populao seria todas as famlias desta populao. Mas, se o objetivo
fosse pesquisar apenas a renda mensal do chefe da famlia, a populao a ser pesquisada
seria composta por todos os chefes de famlia desta cidade.
2
A Populao pode ser:
1. Finita - quando o nmero de unidades de observao pode ser contado e limitado;
2. Innita - quando a quantidade de unidades de observao ilimitada;
Podemos citar como exemplo de populao nita o conjunto formado pelos alunos
que cursam a disciplina de estatstica num determinado semestre da UFCG. Um exemplo de
populao innita seria o conjunto formado por todos os alunos de estatstica do Brasil,
pois este conjunto composto por um nmero incontvel de elementos.
Denio 1.3 (Amostra). A amostra apenas uma parte da populao, ou seja,
um subconjunto da populao.
Vrios motivos levam a necessidade de se observar apenas uma parte da populao,
como, por exemplo: a falta de tempo, recursos nanceiros e/ou humanos. A amostra deve
ser obtida atravs de tcnicas de amostragem, as quais tem como objetivo principal
garantir a representatividade da populao, ou seja, fazer com que a amostra seja um
retrato el da populao.
Exemplos de amostra podem ser conjuntos formados por apenas uma parte dos ele-
mentos populacionais descritos nos Exemplos 1 e 2.
1.3.2 Parmetro e Estatstica
Dois novos conceitos estreitamente relacionados com os de populao e amostra so
os de Parmetro e Estatstica, tendo em vista que:
Denio 1.4 (Parmetro). uma medida numrica que descreve uma caracterstica
da populao, ou ainda, que obtida a partir de todos os dados populacionais (atravs
de um censo).
Denio 1.5 (Estatstica). uma medida numrica que descreve uma caracterstica
da amostra, ou ainda, que obtida a partir de dados amostrais (de uma parte da
populao).
Exemplos de algumas medidas numricas so: proporo, mdia, moda, ndices, etc.
3
1.3.3 Variveis (ou Dados) e Tipos de Variveis
Denio 1.6 (Varivel). Uma Varivel nada mais que uma caracterstica (ou
dado) associada a cada elemento da populao ou amostra. A varivel apresenta dife-
rentes valores, quando sujeita a mensuraes sucessivas, e, em geral, denotada pelas
letras maisculas: X, Y ou Z.
Antes de realizar qualquer tratamento estatstico de um conjunto de dados, impor-
tante identicar qual o tipo de dado (ou varivel) que ser analisado, pois, mediante
a este conhecimento que o pesquisador poder ou no adotar determinadas tcnicas esta-
tsticas para a resoluo de problemas. Por exemplo, ser que possvel calcular o peso
mdio de lutadores de boxe, quando os dados so coletados segundo a categoria de peso:
Leve, Mdio ou Pesado?
Tipos de Variveis
Basicamente, as variveis podem ser classicadas como sendo Qualitativas ou Quan-
titativas.
1. Variveis Qualitativas - quando os valores que elas podem receber so referentes
qualidade, atributo ou categoria. Exemplos so:
Raa: podendo assumir os valores Branco ou Negro;
Sexo: Masculino ou Feminino;
Escolaridade: 1
grau completo, 2
grau completo, superior, ps-graduado;

Conceito de qualidade: pssima qualidade, regular ou boa qualidade.
As variveis qualitativas podem, ainda, ser classicadas como: Nominais ou Ordi-
nais.
(a) As variveis qualitativas nominais - so caracterizadas por dados que se
apresentam apenas sob o aspecto qualitativo (Ex: raa e sexo).
(b) As variveis qualitativas ordinais - so caracterizadas por categorias que
aprentam uma ordenao natural. Por exemplo: escolaridade e conceito de
qualidade.
2. Variveis Quantitativas - quando os valores que ela pode assumir so numricos,
os quais podem ser obtidos atravs de uma contagem ou mensurao.
As variveis quantitativas podem ser classicadas de acordo com o processo de ob-
teno; podendo ser: Discreta ou Contnua.
(a) As variveis quantitativas discretas - so variveis numricas obtidas a partir
de procedimento de contagem. Por exemplo: Quantidade de pessoas numa
famlia, quantidade de acidentes numa indstria, etc.
4
(b) As variveis quantitativas contnuas - so variveis numricas cujos valores
so obtidos por um procedimento de mensurao, podendo assumir quaisquer
valores num intervalo dos nmeros reais, como por exemplo, a temperatura,
altura, salrio, etc..
Observao 1. O fato de uma varivel poder ser expressa por nmeros no signica
que ela seja necessariamente quantitativa, por que a classicao da varivel depende
de como foi medida. Por exemplo, para a varivel peso de um lutador de boxe, se
for anotado o peso marcado na balana, a varivel quantitativa contnua; por outro
lado, se esse peso for classicado segundo as categorias do boxe, a varivel qualitativa
ordinal.
1.4 Fases do Mtodo Estatstico
Assim como qualquer cincia, a estatstica utiliza o mtodo cientco, que consiste das
cinco etapas bsicas seguintes:
1. Denir cuidadosamente o problema.
Nesta etapa o pesquisador deve certicar-se de que clara a nalidade de um estudo
ou anlise. Ao denir o que se quer estudar, ou seja, o problema, necessrio que
se faa um levantamento sobre quais estudos j realizados no campo de pesquisa
abordado. Deve-se tambm especicar quem ou o qu ser observado no estudo, ou
seja, a populao a ser pesquisada.
2. Formular um plano para a coleta dos dados adequados.
Nesta fase, o pesquisador dever listar as variveis (caractersticas ou dados) que
sejam relevantes para se atingir os objetivos propostos pela pesquisa. Alm disso,
deve-se decidir se a coleta dos dados ser realizada atravs de um censo ou amos-
tragem, ou seja, se todos os elementos da populao sero observados ou se apenas
uma parte da populao que ser observada e neste ltimo caso deve-se decidir por
alguma tcnica de amostragem, podendo ser probabilstica ou no.
Os dados podem ser classicados quanto forma de coleta, como:
a. Dados primrios - quando o prprio pesquisador quem elabora e aplica os
instrumentos necessrios para a coleta dos dados, ou seja, quando a Coleta Direta;
b. Dados secundrios - quando o pesquisador utiliza informaes j colhidas por
outrem, retirando-as de livros, revistas, mapas anurios, etc.
3. Coligir ou apurar os dados.
Esta fase consiste em resumir os dados, atravs de sua contagem e agrupamento.
possvel que nesta fase seja identicado a presena de dados absurdos fazendo-se
necessrio a eliminao ou correo destes tipos de dados.
4. Analisar e interpretar os dados.
5. Relatar as concluses de maneira que sejam facilmente entendidas por quem as for
usar na tomada de decises.
5
1
a
LISTA DE EXERCCIOS
1 - Dena e/ou explique com suas prprias palavras, o que voc entende por Cincia
Estatstica e quais os principais ramos (partes) da Estatstica.
2 - Atravs de um exemplo, dena: Populao e Amostra.
3 - Considere as seguintes situaes:
1) Em uma pesquisa, feita pela EMPETUR com 1015 pousadas escolhidas aleato-
riamente, 269 (ou 26,5%) possuam Home-page na Internet para divulgao e
prestao de servios ao turista.
2) Outra pesquisa feita entre as 50 Agncias de Viagens de uma certa localidade
mostra que 42 (ou 84%) prestam servios pela Internet.
Identique em qual das situaes ns temos um exemplo de Parmetro e outro de
Estatstica (no sentido de medida). Justique sua resposta.
4 - O que voc entende por varivel? Justique a sua resposta por intermdio de um
exemplo.
5 - Como voc diferencia uma varivel discreta de uma varivel contnua? Utilize um
exemplo para melhor ilustrar.
6 - Dena e/ou explique com suas prprias palavras, o que voc entende por amostragem.
7 - Qual o principal objetivo de qualquer plano de amostragem?
8 - As estatsticas geradas por intermdio de uma amostra devem ser representativas
desta amostra ou da populao de origem? Justique a sua resposta.
9 - Para que uma amostra seja representativa, necessrio apenas que a mesma tenha
um tamanho apropriado? Justique a sua resposta.
10 - A Revista dos Eventos, N 13, tentando sanar, ao menos parcialmente, a carncia
de informaes precisas sobre a indstria de eventos, promoveu a 1
a
PESQUISA -
O Mercado de Congressos no Brasil. Os resultados desta pesquisa se baseiam em
40 questionrios respondidos sobre um total de 1000, os quais foram encaminhados
por entrega pessoal a dirigentes de entidades integrantes do cadastro da prpria
Revista dos Eventos. Qual o problema ou a limitao desta pesquisa? Pelo menos
teoricamente, qual seria o melhor procedimento para este tipo de pesquisa, j que a
empresa possui um cadastro das entidades?
11 - Classique cada uma das informaes (variveis) abaixo, de acordo com os tipos de
variveis.
a) Nome b) Nvel de satisfao
c) Idade d) Nmero de dias hospedado
6
Aluno(a): .
2
a
NOTA DE AULA
2 Anlise Exploratria de Dados / Estatstica Des-
critiva
2.1 Introduo
A estatstica pode ser considerada como um instrumento ou um conjunto de mtodos
matemticos que devem ser utilizados quando se pretende transformar dados em informao.
Para ilustrar este processo, veja a Figura 1:
12 15 18
15 12 18
18 15 18
17 19 20
Conjunto de dados
Mdia
Moda
Mediana
Proporo
Quantis
Conjunto de informaes
Figura 1:
No primeiro retngulo, tem-se um conjunto de observaes da varivel idade de um
grupo de 12 pessoas e, no segundo retngulo, as estatsticas (informaes) que podem
representar esses nmeros.
2.2 Organizao de dados: Tabelas e Grcos
2.2.1 Distribuio de Frequncias
O primeiro passo para se resumir um conjunto de dados orden-los em ordem cres-
cente ou decrescente, e proceder a contagem do nmero de ocorrncia (freqncia) de cada
dado. ordenao dos dados denominamos de Rol. Assim, o rol para o conjunto de dados
da Figura 1 ca:
Rol de dados: (Organize!)
7
Desta maneira, ca fcil vericar a freqncia com que cada um dos dados foi obser-
vado, por exemplo: o valor 12 ocorreu 2 vezes; o valor 15 ocorreu 3 vezes, e assim por
diante.
Uma maneira adequada de apresentar os dados e suas respectivas freqncias atravs
de uma Tabela de Freqncias, a qual constituda por uma coluna referente aos
dados e outra referente s freqncias associadas a cada valor observado (n
i
). Veja
como ca para o conjunto de dados da Figua 1:
Tabela 1: Tabela de Freqncias da varivel
idade, para um grupo de 12 pessoas.
Idade Frequncia (n
i
)
12 2
15 3
17 1
18 4
19 1
20 1
Total de observaes (n) 12
Uma medida bastante til na interpretao de tabelas de freqncias a freqncia
relativa (f
ri
), a qual dada pela razo entre a freqncia do i-simo valor observado, n
i
e
o total de dados observados, n. Pode-se, ainda, representar a freqncia relativa em termos
de porcentagem, bastando para isso multiplicar a freqncia relativa f
ri
por 100.
Para alguns tipos de variveis, tais como a qualitativa ordinal e as quantitativas (dis-
creta ou contnua), pode ser til tambm, a informao de quantas observaes apresentam
valores menores ou iguais a um certo valor xado. Este tipo de informao denominado
de freqncia acumulada, f
ac
, a qual tambm pode ser expressa em termos relativos ou
por porcentagens.
Vejamos, agora, como ca a tabela de freqncias anterior com estas informaes
adicionadas:
Tabela 2: Tabela de Freqncias da varivel
idade, para um grupo de 12 pessoas.
Idade n
i
f
ri
f
ri
100 (%) f
ac
(%)
12 2 0,1667 16,67 16,67
15 3 0,2500 25,00 41,67
17 1 0,0833 8,33 50,00
18 4 0,3333 33,33 83,33
19 1 0,0833 8,33 91,67
20 1 0,0833 8,33 100,00
Total (n) 12 1,0000 100,00
Observao: Ao conjunto de todos os pares de valores, referentes a cada dado obser-
vado e sua respectiva freqncia, denominamos de Distribuio de Freqncias. Desta
8
forma, os pares (12, 2), (15, 3), (17, 1), (18, 4), (19, 1) e (20, 1) representam a distribuio
de freqncias da varivel idade para esse grupo de pessoas.
Representao Grca
Uma representao grca da distribuio de freqncias de uma varivel tem a van-
tagem de, numa maneira rpida e concisa, informar sobre a variabilidade da mesma.
Grco de Colunas - mais adequado para variveis discretas mas tambm pode ser
utilizado para variveis qualitativas ordinais, ou ainda, para variveis qualitativas nominais
cujos nomes das categorias so pequenos.
Neste grco, cada valor observado representado por retngulos de mesma base
e alturas proporcionais s freqncias. Para ilustrar, veja como ca este grco para a
distribuio de freqncias da varivel idade, utilizando a freqncia absoluta e relativa em
termos de porcentagem:
Figura 1:
Distribuio de freqncias da varivel idade
2
3
1
4
1 1
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
12 15 17 18 19 20
Idade (anos)
F
r
e
q
n
c
i
a

(
n
_
i
)
Figura 2:
Distribuio de freqncias da varivel idade
16.7%
25.0%
8.3%
33.3%
8.3% 8.3%
0.0%
5.0%
10.0%
15.0%
20.0%
25.0%
30.0%
35.0%
40.0%
45.0%
50.0%
12 15 17 18 19 20
Idade (anos)
F
r
e
q
n
c
i
a

(
%
)
9
Exerccio de Fixao
1 - O seguinte conjunto de dados referente ao nmero de acidentes por dia em certo
trecho de rodovia no ms de setembro de certo ano:
2 0 1 2 3 1 6 1 0 0
1 2 2 1 2 0 1 4 2 3
0 1 0 2 1 2 4 1 1 1
Responda as seguintes questes:
a) Qual o nmero mnimo de acidentes, num certo dia? E o nmero mximo?
b) Freqntemente, ocorreram quantos acidentes por dia? E o que isso representa
em termos de percentuais?
c) Represente gracamente a distribuio de frequncia da varivel nmero de
acidentes por dia, no ms de setembro.
d) Faa um grco de colunas para o percentual acumulado.
2.2.2 Distribuio de Frequncias para Dados Agrupados em Classes
Em algumas situaes, necessrio o agrupamento de dados em categorias ou classes
para se proceder a construo de uma tabela de freqncias. Por exemplo, em um conjunto
de dados contnuos, um mesmo valor no ocorrer com grande freqncia, ou at mesmo,
no se repetir por mais de uma vez. Uma vantagem em agrupar os dados em classes
consiste na organizao de grandes conjuntos de dados de forma mais clara e objetiva.
Por outro lado, uma desvantagem, consiste na perda de informaes por no se saber
exatamente quais os valores ocorridos dentro de cada classe.
Para ilustrar como proceder a construo de uma tabela de freqncias em classes,
considere o seguinte conjunto de dados:
Tabela 2: Dados referentes s notas no 1
o
estgio de 20 estudantes de estatstica.
Cdigo do aluno 1 2 3 4 5 6 7 8 9 10
Nota 7,5 8,0 9,0 7,3 6,0 5,8 10,0 3,5 4,0 6,0
Cdigo do aluno 11 12 13 14 15 16 17 18 19 20
Nota 7,5 7,0 8,5 6,8 9,5 9,8 10,0 4,8 5,5 7,0
Note que, no haver vantagem alguma se organizarmos estes dados numa tabela de
freqncias, uma vez que os dados pouco se repetem. Assim, torna-se til o agrupamento
dos dados, que, de um modo geral, pode ser feito de acordo com os seguintes passos:
1. Organizar os dados num Rol.
10
2. Estabelecer o Nmero de Intervalos (categorias ou classes) para se dividir o con-
junto de dados.
A escolha do nmero de classes arbitrria, a qual pode ser estabelecida de acordo
com o bom senso do pesquisador ou obtido por alguma frmula matemtica
construda para este m. Uma sugesto prtica a escolha entre 5 e 15 classes com
a mesma amplitude e duas frmulas matemticas que podem orientar na escolha do
nmero de classes, so:
(a) k =
n
(b) k = 1 + 3, 3 log(n)
Onde k o nmero de classes e n o nmero total de observaes.
3. Calcular a Amplitude Total:
A
Tot
= x
m ax
x
m
in
Onde x
m ax
e x
m
in
o valor mximo e mnimo observado no conjunto de dados.
4. Determinar a Amplitude de Classe:
h =
A
Tot
k
5. A partir do menor valor observado no conjunto de dados, ou de algum valor imedia-
tamente inferior e adequadamente escolhido, delimitar as classes, ou seja, determinar
os limites inferiores e superiores de cada classe.
Neste momento, os seguintes smbolos so teis:
(a) l
i
| L
i
- para indicar que o valor extremo inferior (l
i
) no pertence
i-sima classe, enquanto que o valor extremo superior (L
i
) pertence.
(b) l
i
| L
i
- para indicar que o valor extremo inferior (l
i
) pertence
i-sima classe, enquanto que o valor extremo superior (L
i
) no pertence.
6. Aps todos estes passos, s resta proceder a contagem do nmero de observaes
pertencentes cada uma das classes e organizar estas informaes numa tabela de
freqncias para dados agrupados.
De acordo com estes passos, o conjunto de dados anterior pode ser organizado como:
11
(Construir a tabela de freqncias para dados agrupados)
Representao Grca de uma Varivel Quantitativa Contnua - Histograma
Para a representao grca de variveis quantitativas contnuas necessrio alguma
adaptao do grco de colunas, uma vez que, em geral, necessrio agrupar os dados em
classes e conseqentemente h perda de informaes.
Histograma - um grco indicado para representar dados agrupados em classes.
Este grco uma adaptao do grco de colunas, onde as bases correspondem aos
intervalos de classe e as alturas so proporcionais s freqncias de classe. Veja como ca
o histograma para a distribuio das notas:
(Construir o histograma para a distribuio de freqncias em classes)
12
Exerccios de Fixao
1 - Segue abaixo os dados da varivel taxa de mortalidade infantil de 34 municpios:
32,3 62,2 10,3 22,0 13,1 9,9 11,9 20,0 36,4 23,5
18,0 22,6 20,3 38,3 19,6 27,2 28,9 18,4 27,3 21,7
23,7 13,9 36,3 32,9 29,7 25,4 23,8 15,7 17,0 39,2
22,7 29,9 18,3 33,0
Obtenha uma distribuio de frequncias com 7 classes, comeando do valor 0 (in-
cluso) e com amplitudes de classe iguais a 10. Apresente alguns comentrios sobre a
taxa de mortalidade infantil dos 34 municpios.
2 - Em uma pesquisa foram anotados os tempos decorridos entre a incidncia de uma
certa doena e sua cura, em 50 pacientes. Estes tempos so os seguintes, em horas:
21 44 27 323 99 90 20 66 39 16
47 96 127 74 82 92 69 43 33 12
41 84 02 61 35 74 02 83 03 13
41 10 24 24 80 87 40 14 82 58
16 35 114 120 67 37 126 31 56 04
Construa um histograma e comente sobre alguns aspectos relevantes desta distribui-
o.
13
Aluno(a): .
3
a
NOTA DE AULA
2.3 Medidas Resumo para Variveis Quantitativas
Nesta seo veremos algumas medidas que tem como objetivo resumir um conjunto
de dados em um nico valor o qual possa fornecer informaes sobre o comportamento dos
dados, ou seja, sobre a distribuio de freqncias da varivel.
2.3.1 Medidas de Tendncia Central
As medidas de tendncia central so bastante utilizadas e representam o centro ou o
meio de um conjunto de dados. As principais so: a mediana, a moda, e a mdia aritmtica.
A seguir estas medidas so denidas e obtidas para os dois seguintes conjuntos de
dados que representam o nmero de gols registrados em cada partida de futebol, durante
5 e 6 jogos, respectivamente:
Conjunto de dados 1: Nmero de gols por partida de futebol, em 5 jogos.
3 2 1 2 5
Conjunto de dados 2: Nmero de gols por partida de futebol, em 6 jogos.
5 3 2 1 2 5
1. Mediana - o valor que divide o conjunto de dados ordenados em duas partes
iguais, ou seja, 50% das unidades observadas possuem valores menores ou iguais ao
valor mediano e as demais 50% possuem valores acima da mediana.
Para se obter o valor da mediana necessrio os seguintes passos:
1
) Ordenar o conjunto de dados em ordem crescente (ou descrescente);

2
) Identicar a posio central do conjunto de dados, ou seja, a posio onde

se encontra o valor da mediana. Esta(s) posio(es) pode(m) ser vericada(s)
utilizando-se as seguintes frmulas:
(a) P
Md
=
n+1
2
, se o total de observaes, n, mpar. Assim, a mediana ser
o valor observado na posio P
Md
;
(b) P1
Md
=
n
2
e P2
Md
=
n
2
+1, se o total de observaes, n, par. Pois, neste
caso, existem duas posies centrais e a mediana ser a mdia aritmtica dos
valores observados nestas duas posies.
Notao: Md ou Md(X).
14
Exemplo 1: A partir do conjunto de dados 1, pode-se obter o seguinte rol de dados:
1 2 2
..
mediana
3 5
Note que, o nmero de observaes, n = 5, mpar, logo o valor da mediana (valor
central) est na posio P
Md
=
n+1
2
=
5+1
2
= 3, que igual a Md = 2.
Exemplo 2: Ordenando em ordem crescente o conjunto de dados 2, teremos o
seguinte rol de dados:
1 2 2 3
..
dois valores centrais
5 5
Agora, neste caso, o nmero de observaes, n = 6, par, e, portanto, existem dois
valores centrais localizados nas posies P1
Md
=
n
2
=
6
2
= 3 e P2
Md
=
n
2
+ 1 =
3 + 1 = 4. Assim, a mediana ser a mdia aritmtica dos valores que se encontram
nestas duas posies, dada por:
Md =
x
P
1Md
+x
P
2Md
2
=
2 + 3
2
= 2, 5.
Observao:
Pode-se, tambm, obter a posio da mediana atravs dos seguintes passos:
1
) Obter o valor que representa a metade do total de observaes: P

Md
=
n
2
;
2
) Utilizar a seguinte regra:

(a) Se P
Md
for um nmero no inteiro, ento, arredonda-se o valor de P
Md
para
o maior inteiro mais prximo, e, assim, o valor da mediana estar nesta nova
posio obtida.
(b) Se P
Md
for um nmero inteiro, ento o valor da mediana ser a mdia aritmtica
dos valores que esto nas posies P
Md
e P
Md
+ 1.
Exemplo 3: Utilizando-se os procedimentos descritos na observao acima, temos
que, para o conjunto de dados 1, P
Md
=
n
2
=
5
2
= 2, 5 (no inteiro), logo o valor da
mediana estar na posio P
Md
= 3 (maior inteiro mais prximo), que dado por
Md = 2.
Exemplo 4: No conjunto de dados 2, temos P
Md
=
n
2
=
6
2
= 3 (inteiro), assim, de
acordo com o procedimento descrito na observao acima, temos que a mediana
dada pela mdia aritmtica dos valores observados nas posies P
Md
= 3 e P
Md
+1 =
3 + 1 = 4:
Md =
x
P
1Md
+x
P
2Md
2
=
2 + 3
2
= 2, 5.
15
2. Moda - o valor (ou os valores) no conjunto de dados que ocorre(m) com maior
freqncia.
Notao: M
o
ou M
o
(X).
Exemplo 5: O primeiro conjunto de dados, 1 2 2 3 5, dito ser unimodal,
tendo em vista que um nico valor ocorre com maior frequncia. Assim, a moda
M
o
= 2.
Exemplo 6: O segundo conjunto de dados, 1 2 2 3 5 5, dito ser bimodal,
tendo em vista que, neste caso, dois valores ocorrem com maior frequncia, assim,
os valores modais so: M
o
= 2 e M
o
= 5.
3. Mdia Aritmtica (Mdia) - obtida a partir da razo entre a soma dos valores
observados e o total de observaes:
Mdia =
soma dos valores
total de observaes (n)
Notao: Me, Me(X) ou x.
Exemplo 7: A partir do conjunto de dados 1, a mdia obtida por:
Me(X) = x =
soma dos valores
total de observaes (n)
=
1 + 2 + 2 + 3 + 5
5
= 2, 6.
Observao:
1) A mdia aritmtica pode ser expressa atravs do uso do smbolo de somatrio
(sigma). Por exemplo, se x

1
, x
2
, . . . , x
k
so k valores distintos da varivel X,
podemos escrever:
Me(X) = x =
x
1
+x
2
+. . . +x
k
k
=
1
k
k
i=1
x
i
Agora, se, de um total de n valores observados (ou observaes), x
1
ocorreu n
1
vezes,
x
2
ocorreu n
2
vezes, etc., x
k
ocorreu n
k
vezes, ento a mdia de X pode ser reescrita
como:
Me(X) = x =
x
1
.n
1
+x
2
.n
2
+. . . +x
k
.n
k
n
=
1
n
k
i=1
x
i
.n
i
(1)
=
k
i=1
x
i
.
n
i
n
(2)
=
k
i=1
x
i
.f
i
. (3)
Onde:
16
n
i
freqncia absoluta do valor observado x
i
,
n =
k
i=1
n
i
o total de observaes, e,
f
i
freqncia relativa do valor observado x
i
.
Exemplo 8: A partir do segundo conjunto de dados, 1 2 2 3 5 5, temos:
Me(X) = x =
1
n
k
i=1
x
i
.n
i
=
1
6
(1 1 + 2 2 + 3 1 + 5 2) =
18
6
= 3.
Exerccios de Fixao
1 - Dado o seguinte conjunto de dados:
12 12 15 15 15 17 18 18 18 18 19 20
Determine a mdia, moda e mediana.
Soluo:
17
2.3.2 Medidas de Posio: Quartis, Decis e Percentis
Assim como a mediana divide os dados em duas partes iguais, os trs quartis, denota-
dos por Q
1
, Q
2
e Q
3
, dividem as observaes ordenadas (em ordem crescente) em quatro
partes iguais. A grosso modo:
- Q
1
separa os 25% inferiores dos 75% superiores dos valores ordenados;
- Q
2
separa os 50% inferiores dos 50% superiores, ou seja, a mediana; e
- Q
3
separa os 75% inferiores dos 25% superiores dos dados;
Analogamente, h nove decis, denotados por D
1
, D
2
, . . . , D
9
, que dividem os dados
em 10 grupos com cerca de 10% deles em cada grupo. Finalmente, h 99 percentis que
dividem os dados em 100 grupos com cerca de 1% em cada grupo.
Basicamente, dois passos so necessrios para se encontrar as medidas em questo.
Primeiro deve-se identicar a sua posio, e, em seguida, determinar o seu valor.
Veja a seguir, como obter os valores referentes aos percentis, quando se est traba-
lhando com dados brutos ou em distribuio de freqncias para dados no agrupados:
1
) Identicar a posio do percentil que se deseja encontrar, atravs da seguinte

expresso:
L =
_
k
100
_
n
Onde:
- L o valor que indica a posio do percentil de interesse;
- k o k esimo percentil; e
- n o total de dados observados.
2
) Utilizar a seguinte regra:

1. Se L for um nmero no inteiro, ento, arredonda-se o valor de L para o maior
inteiro mais prximo, e, assim, o valor do k esimo percentil, P
k
, dado pelo valor
que ocupa esta nova posio obtida.
2. Se L for um nmero inteiro, ento o valor do k esimo percentil, P
k
, ser a mdia
aritmtica dos valores que esto nas posies L e L + 1.
Uma vez dominados os clculos para os percentis, pode-se seguir o mesmo processo
para calcular os quartis e decis, tendo-se o cuidado de calcular o valor de L, pelas frmulas
L =
_
k
4
_
n, k = 1, 2, 3 e L =
_
k
10
_
n, k = 1, 2, . . . , 9, respectivamente. Pode-se,
ainda, obter os quartis e decis pelas seguintes relaes existentes entre estas medidas e os
percentis:
18
Quartis Decis
Q
1
= P
25
D
1
= P
10
Q
2
= P
50
D
2
= P
20
Q
3
= P
75
.
.
.
D
9
= P
90
Exerccios de Fixao
12 12 15 15 15 17 18 18 18 18 19 20
Determine os Quartis.
Soluo:
19
2.3.3 Medidas de Disperso ou de Variabilidade
Na sumarizao de um conjunto de dados, uma nica medida representativa da posio
central, esconde toda a informao sobre a variabilidade dos dados. Veja, por exemplo, os
seguintes dados:
Varivel X : 3 4 5 6 7
Varivel Y : 4 5 5 6
Varivel Z : 5 5 5 5
Note que a mdia Me(X) = Me(Y ) = Me(Z) = 5, a qual nada informa sobre a
variao dos valores nos dois grupos. Assim, torna-se importante o conhecimento de uma
medida que fornea este tipo de informao.
Na prtica, existem vrias medidas que expessam a variabilidade de um conjunto de
dados, sendo que as mais utilizadas baseam-se na idia que consiste em vericar a distncia
de cada valor observado em relao mdia. Estas distncias so denominadas de desvios
em relao mdia.
Denio 2.1 (Varincia). - uma medida que representa a variabilidade de um
conjunto de dados e, obtida pelo clculo da mdia dos quadrados dos desvios em
relao mdia:
V ar(X) = s
2
=
1
n
k
i=1
(x
i
x)
2
n
i
=
k
i=1
(x
i
x)
2
n
i
n
=
k
i=1
(x
i
x)
2
f
i
Exerccio
1. Mostre que:
k
i=1
(x
i
x)
2
n
i
=
k
i=1
x
2
i
n
i
nx
2
E, por isso, a varincia tambm pode ser obtida pela seguinte frmula:
V ar(X) = s
2
=
1
n
k
i=1
x
2
i
n
i
x
2
20
Vejamos, agora, como ca a varincia para as variveis X, Y e Z:
Assim, de acordo com a varincia, podemos dizer que a varivel X apresenta ...
Observao: Para o clculo da varincia, quando os dados esto agrupados em
classes, basta substituir os verdadeiros valores observados x
i
pelo ponto mdio da i-sima
classe s
i
.
Denio 2.2 (Desvio Padro). - a raiz quadrada da varincia.
D.P.(X) = s =
s
2
=
_
k
i=1
(x
i
x)
2
f
i
O uso do desvio padro como medida de variabilidade prefervel pelo fato de ser
expresso na mesma unidade de medida dos valores observados. Pois, a varincia pode
causar problemas de interpretao por ser expressa em termos quadrticos.
Denio 2.3 (Coeciente de Variao). - O coeciente de variao (CV)
uma medida relativa de variabilidade. O seu valor determinado por intermdio do
quociente entre o desvio padro e a mdia aritmtica dos dados.
CV (X) =
s
x
100 (expresso em porcentagem (%))
A utilidade imediata do coeciente de variao a possibilidade de avaliar o grau
de representatividade da mdia. Esta medida tambm bastante til na comparao
entre conjunto de dados, em relao variabilidade; ainda que as unidades de medida nos
conjuntos de dados sejam distintas. Por exemplo, comparar a variabilidade das distribuies
da varivel peso expressa em quilogramas (Kg) e altura expressa em metros (m).
Um critrio de deciso sobre a representatividade ou no da mdia, pode ser dada pela
seguinte linha de corte:
Se CV 50%, a mdia no representativa.
Se CV < 50%, a mdia representativa.
21
Exemplos:
a) Obtenha o desvio padro das variveis X, Y e Z alm dos coecientes de variao
CV (X), CV (Y ) e CV (Z).
b) Considere os quilmetros rodados por 3 carros: 30 Km, 40 Km e 50 Km. Calcule
a mdia, a varincia, o desvio padro e o CV. Interprete essas medidas.
Exerccios de Fixao
12 12 15 15 15 17 18 18 18 18 19 20
Determine o desvio padro e o CV.
Soluo:
22
2.3.4 Medidas Resumo para Dados Agrupados
Sabemos que ao agrupar um conjunto de dados em classes, perde-se informao sobre
cada valor individual e, no caso em que seja impossvel recuperar cada valor observado,
pode-se supor que todos os dados dentro de uma classe tenham seus valores iguais ao
ponto mdio desta classe que denotaremos por s
i
. Assim, pode-se, por exemplo, utilizar
os pontos mdios das classes s
i
e suas respectivas freqncias n
i
para calcular a mdia
aritmtica de maneira anloga ao exposto anteriormente. Da mesma forma, pode-se adotar
como valor modal, o ponto mdio da classe modal e como mediana, o ponto mdio da
classe mediana.
Exemplo: Dada a seguinte distribuio de freqncia da varivel S=salrio (dados
agrupados em classes):
Salrio n
i
4, 00 8, 00 10
8, 00 12, 00 12
12, 00 16, 00 8
16, 00 20, 00 8
20, 00 24, 00 2
Determine o valor (aproximado) da mdia, moda e mediana. Determine tambm o
desvio padro e o CV. Determine a mediana aproximada usando o histograma. Determine,
ainda, os quartis aproximados pelos pontos mdios de classe e usando o histograma.
Soluo:
23
2.4 Outra Estratgia de Anlise de Dados
Em algumas situaes a mdia e o desvio padro podem no ser adequados para
representar um conjunto de dados, pois:
i - So afetadas, de forma exagerada, por valores extremos;
ii - Apenas com estes dois valores no temos a idia da assimetria dos valores, ou seja,
sobre o quanto os dados se distribuem em torno dos valores inferiores, medianos e
superiores.
Para contornar estes problemas, 5 medidas foram sugeridas por Tukey (1977):
1
) A mediana (Md);
2
) Os extremos: o menor e o maior valor observado no conjunto de

dados (x
m
in
e x
m ax
, respectivamente);
3
) O primeiro e o terceiro quartil (ou junta).

2.4.1 Desenho Esquemtico - Diagrama em Caixa ("Box-Plot")
As informaes obtidas pelas 5 medidas podem ser representadas por um grco co-
nhecido por "Box-Plot"ou diagrama em caixa. Para construir este diagrama, consideremos
um retngulo onde esto representados a mediana e os quartis. A partir do retngulo,
para cima, segue uma linha at o ponto mais remoto que no exceda LS = Q
3
+ (1, 5)d
q
,
chamado limite superior, onde d
q
representa a distncia entre o primeiro e o terceiro quartil.
De modo similar, da parte inferior do retngulo, para baixo, segue uma linha at o ponto
mais remoto que no seja menor do que LI = Q
1
(1, 5)d
q
, chamado limite inferior.
Os valores compreendidos entre esses dois limites so chamados valores adjacentes. As
observaes que estiverem acima do limite superior ou abaixo do limite inferior estabelecidos
sero chamadas pontos exteriores e representadas por asteriscos. Essas so observaes
destoantes das demais e podem ou no ser o que chamamos de outliers ou valores
atpicos.
O box plot d uma idia da posio, disperso, assimetria, caudas e dados discrepan-
tes. A posio central dada pela mediana e a disperso por d
q
. As posies relativas de
Q
1
, Q
2
, Q
3
do uma noo da assimetria da distribuio.
Veja, como ca o box-plot da varivel Peso apresentado na Figura 3.
Grcos tipo box-plot tambm so teis para detectar, descritivamente, diferenas
nos comportamentos de grupos de variveis. Por exemplo, podemos considerar grcos da
varivel Peso para cada sexo. O resultado apresentado na Figura 4, em que podemos
notar que os homens apresentam peso mediano superior ao das mulheres, alm de uma
maior variabilidade.
24
Figura 3: Box-plot para a varivel Peso
Figura 4: Box-plot da varivel Peso para cada sexo
25
Aluno(a): .
2
a
LISTA DE EXERCCIOS
1 - Considere uma distribuio de freqncias qualquer representada por
(x
1
, n
1
), (x
2
, n
2
), . . . , (x
k
, n
k
).
Mostre que a soma dos desvios em relao mdia igual zero, ou seja, que
k
i=1
(x
i
x) n
i
= 0.
2 - Obtenha a mdia e a mediana para o seguinte conjunto de dados:
20 30 40
a) Se substitumos o valor 40 por 70, os valores da mdia e da mediana sero os
mesmos? Justique?
b) Analisando os resultados acima, ressalte uma caracterstica vantajosa da medi-
ana em relao mdia.
3 - Na turma A do curso normal da Escola X, esto matriculados 50 alunos no cor-
rente ano. O levantamento das chas biomtricas revelou as seguintes estaturas em
centmetros:
165 164 151 160 155 169 153 156 165 160
170 157 162 162 155 154 151 155 162 150
168 160 154 151 168 155 156 158 166 155
154 152 163 156 170 158 171 159 175 154
159 158 153 158 156 162 165 156 161 157
a) Elabore uma distribuio de freqncias, fazendo o limite inferior da primeira classe
igual a 150 (inclusive) e amplitudes dos intervalos de classe igual a 5 cm.
b) Baseado na distribuio de freqncia calcule: a mdia, a mediana e a moda.
4 - As taxas de juros recebidas por 10 aes durante certo perodo foram (medidas em
porcentagem): 2.59; 2.64; 2.60; 2.62; 2.57; 2.55; 2.61; 2.50; 2.63; 2.64. Calcule a
mdia e a mediana.
26
5 - Dados os conjuntos de nmeros: A = {1000; 1001; 1002; 1003; 1004; 1005} e B =
{0, 1, 2, 3, 4, 5} podemos armar que:
a) o desvio-padro de A igual a 100 vezes o desvio-padro de B.
b) o desvio-padro de A igual ao desvio-padro de B.
c) o desvio-padro de A igual ao desvio-padro de B multiplicado pelo quadrado de
1000.
d) o desvio-padro de A igual ao desvio-padro de B dividido por 1000.
e) o desvio-padro de A igual ao quadrado do desvio-padro de B.
27
Disciplina: Perodo
Aluno(a): .
4
a
NOTA DE AULA
3 Anlise Bidimensional
3.1 Introduo
Em algumas anlises de dados pode surgir a necessidade de se fazer um estudo sobre
o comportamento conjunto de duas ou mais variveis e para isso a distribuio conjunta de
freqncias de grande utilidade.
Na presente nota de aula estudaremos apenas o caso de duas variveis e, sendo assim,
possvel observar a ocorrncia de trs situaes distintas que requerem tcnicas estatsticas
tambm distintas. As trs situaes distintas que podem ocorrer so:
As duas variveis so Qualitativas;
As duas variveis so Quantitativas;
Uma varivel Qualitativa e a outra Quantitativa.
Na presente nota de aula, estudaremos apenas os dois primeiros casos.
3.2 Associao entre duas variveis qualitativas
Para ilustrar como podemos realizar uma anlise sobre a associao entre duas variveis
qualitativas, veremos, por exemplo, como se comportam as variveis: regio de procedncia
(X) e grau de instruo (Y ) cuja distribuio de freqncias pode ser representada por uma
tabela de dupla entrada.
Tabela 1 - Distribuio de freqncias conjunta das variveis X e Y .
Y 1
Grau 2
Grau Superior Total marginal de X

X
Capital 4 5 2 11
Interior 3 7 2 12
Outra 5 6 2 13
Total marginal de Y 12 18 6 36
28
Observaes:
1. Cada clula do corpo da tabela apresenta o nmero de ocorrncia simultnea dos
valores (x, y) de X e Y , constituindo a distribuio conjunta;
2. A coluna dos totais (freqncias marginais de X) constitui a distribuio marginal de
X;
3. A linha dos totais (freqncias marginais de Y ) constitui a distribuio marginal de
Y ;
4. Assim como no caso de uma nica varivel, as freqncias absolutas podem ser
expressas em termos de freqncias relativas e/ou porcentagens, sendo que, estas
medidas podem ser obtidas em relao ao total geral, em relao ao total de cada
linha ou em relao ao total de cada coluna, de acordo com o objetivo de cada
anlise;
Exerccio de Fixao
A partir dos dados apresentados na Tabela 1, determine:
a) O percentual de pessoas que possuem o 2
grau e que so do interior. R: 19%.;

b) Dentre os que possuem o 2
grau, qual o percentual de pessoas provenientes do

interior? R: 39%;
c) Sabendo-se que uma pessoa veio do interior, qual a probabilidade, em termos
percentuais, de ter o 2
grau? R: 58,3%.
Para responder estas e outras questes, torna-se til a construo de tabelas de dupla
entrada contendo as freqncias relativas em termos de porcentagem, tendo como referncia
o total geral, os totais de cada linha ou coluna, de acordo com a questo a ser respondida.
Vejamos como cam estas tabelas:
Tabela 2 - Freqncias percentuais da distribuio conjunta das variveis X e Y , em
relao ao total de dados observados.
Y 1
Grau 2

X
Capital
Interior
Outra
Total marginal de Y 100%
29
relao ao total de linha (freqncia marginal de X).
Y 1
Grau 2

X
Capital 100%
Interior 100%
Outra 100%
Total marginal de Y 100%
relao ao total de coluna (freqncia marginal de Y ).
Y 1
Grau 2

X
Capital
Interior
Outra
Total marginal de Y 100% 100% 100% 100%
3.3 Independncia de Variveis
Ocorre com bastante freqncia em anlises de distribuio conjunta o questionamento
sobre a existncia de dependncia ou no entre as variveis, alm da necessidade
de se saber o grau de dependncia entre elas, caso exista.
De modo geral, o grau de dependncia entre duas variveis quanticado pelos co-
ecientes de associao ou correlao. Usualmente, esses coecientes variam de zero at
um, sendo que, s vezes, variam de -1 a 1. Desta maneira, valores prximos de zero do
indcios de independncia entre as variveis e, valores prximos de 1 (ou -1) indicam um
alto grau de dependncia positiva (ou negativa).
3.3.1 Medidas de Associao entre duas Variveis Qualitativas
Uma medida de dependncia bastante utilizada para variveis qualitativas o coeciente
de contingncia, o qual dado por
C =
2
+n
,
onde n o nmero de observaes e
2
uma medida conhecida por qui-quadrado, a qual
obtida a partir da seguinte soma
30
2
=
r
i=1
s
j=1
(o
ij
e
ij
)
2
e
ij
,
onde o somatrio estendido a todas as caselas de frequncias conjuntas em uma tabela
de dupla entrada, e
o
ij
a freqncia observada na i-sima casela;
e
ij
a freqncia esperada na i-sima casela, caso houvesse independncia entre as
variveis, ou seja, quando a proporo em cada categoria de uma varivel (xada o
total em linha ou coluna) igual ou prxima a proporo marginal. No entanto, o
valor mximo de C depende de r e s e, para evitar esse inconveniente, costuma-se
denir um outro coeciente, que varia entre 0 e 1, dado por
T =

2
/n
(r 1)(s 1)
.
3.3.2 Medidas de Associao entre duas Variveis Quantitativas
Neste caso, pode-se aplicar um procedimento anlogo ao realizado para a anlise de variveis
qualitativas. E, por se tratar de variveis quantitativas, antes de construir uma tabela de
dupla entrada, os dados marginais podem ser agrupados em intervalos de classe, assim como
no caso de uma nica varivel. Em anlises de associao entre variveis quantitativas, so
possveis procedimentos analticos mais renados, como veremos a seguir.
Diagrama de Disperso
O diagrama (ou grco) de disperso nada mais que a representao de pares dos
valores observados (x, y) num sistema cartesiano. Vejamos a ilustrao de alguns grcos
que podem surgir na prtica:
31
Coeciente de Correlao (Linear)
Ao ser observada uma associao entre variveis quantitativas, seria muito til saber-
mos sobre a intensidade desta associao. Aqui, veremos apenas uma medida referente
ao tipo de associao linear, ou seja, ao tipo de relao em que os pontos do grco de
disperso aproximam-se de uma reta.
Denio: Dados n pares de valores (x
1
, y
1
), (x
2
, y
2
), ..., (x
n
, y
n
), chama-se coeci-
ente de correlao entre as variveis X e Y o valor obtido por
corr(X, Y ) =
1
n
n
i=1
(x
i
x)(y
i
y)
dp(X)dp(Y )
ou seja, a mdia dos produtos dos valores reduzidos (ou padronizados) das variveis.
Enquanto o coeciente T para variveis qualitativas s assume valores ente 0 e 1, o
coeciente de correlao pode assumir qualquer valor entre -1 e 1. Uma frmula alternativa
e mais operacional para o coeciente de correlao dada por
corr(X, Y ) =
x
i
y
i
nxy
_
(
x
2
i
nx
2
)(
y
2
i
ny
2
)
O numerador da expresso acima, que mede o total de concentrao dos pontos pelos
quatro quadrantes, d origem covarincia que uma medida bastante usada.
Denio: Dados n pares de valores (x
1
, y
1
), (x
2
, y
2
), ..., (x
n
, y
n
), chamamos de co-
varincia entre as variveis X e Y medida dada por
cov(X, Y ) =
n
i=1
(x
i
x)(y
i
y)
n
.
Ou seja, a mdia dos produtos dos valores centrados das variveis.
Alternativamente o coeciente de correlao tambm pode ser escrito como
corr(X, Y ) =
cov(X, Y )
dp(X)dp(Y )
.
Exerccio de Aplicao
Numa amostra de cinco operrios de uma dada empresa foram observadas duas vari-
veis. X: anos de experincia num dado cargo e Y: tempo, em minutos, gasto na execuo de
uma tarefa relacionada com esse cargo. As observaes so apresentadas na tabela abaixo.
X 1 2 4 4 5
Y 7 8 3 2 2
Obs.:

x = 16,

x
2
= 62,

y = 22,

y
2
= 130,

xy = 53.
Voc diria que a varivel X pode ser usada para explicar a variao de Y? Justique.
32
Disciplina: Probabilidade e Estatstica (6 Crditos) Perodo 2009.2
Professores: Gilberto Matos e Areli Mesquita
Relao de Exerccios para o 1
Estgio
Livro: "Estatstica Bsica"Autores: Wilton O. Bussab e Pedro A. Morettin
Captulo 1 (4a. Edico - Antiga) / Captulo 2 (5a. Edico - Nova):
4a. Edico - Antiga 5a. Edico - Nova
Problema Pgina Problema Pgina
2 8 2 15
3 e 4 15 4 e 5 22
6 16 7 22
7 16 9 26
9 19 11 28
Do 1 ao 4 40 e 41
6 41
Do 14 ao 22 58 a 61
23 e 24 61 e 62
26 e 27 62 e 63
29 64
40 66
1, 2, 3 73
4 e 6 76
9 80
18 a 21 95
22 96
29 e 30 97 e 98
33
Aluno(a): .
5
a
NOTA DE AULA
4 Introduo Probabilidade
Objetivo: Denir um modelo matemtico probabilstico que seja conveniente a descrio
e interpretao de fenmenos aleatrios.
4.1 Introduo
Ao jogarmos uma moeda para o ar, de modo geral, no podemos armar se ocorrer
cara ou coroa. Da mesma forma, quando lanamos um dado no sabemos qual das faces
1, 2, 3, 4, 5, ou 6 ocorrer. No campo dos negcios e do governo h numerosos exemplos
de tais situaes. Por exemplo, a incerteza existe quando desejamos realizar uma previso
sobre a procura de um novo produto, a opinio pblica em relao a determinado assunto,
o sucesso de um novo plano econmico, etc - tudo isso contm algum elemento de acaso.
Na Estatstica, a incerteza existe quando se quer fazer alguma armao a respeito de
alguma caracterstica populacional baseada em informaes extradas de dados amostrais.
Neste caso, a aplicao da Teoria das Probabilidades de fundamental importncia
para a soluo de problemas de Inferncia Estatstica.
Independente de qual seja a aplicao em particular, a utilizao das probabilidades
indica que existe um elemento de acaso, ou de incerteza, quanto ocorrncia ou no de um
evento futuro. Assim que em muitos casos, pode ser impossvel armar com antecipao
o que ocorrer. No entanto, possvel dizer o que pode ocorrer.
O ponto central em todas essas situaes a possibilidade de quanticar quo provvel
determinado evento.
Em suma, podemos dizer que, as probabilidades so utilizadas para exprimir a chance
de ocorrncia de determinado evento.
34
4.2 Denies Bsicas
Denio 4.1 (Experimentos Aleatrios ou Fenmenos Aleatrios). so aque-
les onde o processo de experimentao est sujeito a inuncias de fatores casuais e
conduz a resultados incertos.
Notao: E.
Exemplos:
E
1
: Jogar uma moeda e observar a face superior.
E
2
: Lanar um dado e observar o nmero da face superior.
E
3
: Uma lmpada fabricada. Em seguida testada a durao da vida til dessa
lmpada.
Observaes:
a) Cada experimento poder ser repetido um grande nmero de vezes sob as mesmas
condies;
b) No podemos armar que resultado particular ocorrer, porm podemos descrever
o conjunto de todos os possveis resultados do experimento;
c) Quando o experimento repetido um grande nmero de vezes, surgir uma regula-
ridade nos resultados. Esta regularidade, chamada de regularidade estatstica, que torna
possvel construir um modelo matemtico preciso com o qual se analisar o experimento.
Denio 4.2 (Espao Amostral). o conjunto de todos os possveis resultados de
um experimento aleatrio.
Notao: S ou .
Exemplos:
Os espaos amostrais associados aos experimentos aleatrios E
1
, E
2
e E
3
so:
S
1
=
S
2
=
S
3
=
35
Denio 4.3 (Evento). Dado um espao amostral S associado a um experimento E,
denimos como evento, qualquer subconjunto desse espao amostral, ou seja, qualquer
coleo de resultados do experimento E.
Notao: A, B, C, D, etc.
Exemplos:
1 - Considerando o espao amostral S
2
, exemplos de eventos seriam:
A: Ocorre face par =
B: Ocorre um nmero menor que 4 =
C: Ocorre um nmero maior que 0 =
D: Ocorre o nmero 10 =
2 - Considerando o espao amostral S
3
, um exemplo de evento seria:
A: A vida til de uma lmpada menor que 10 horas =
Observao:
Como os eventos de um espao amostral so conjuntos, todas as operaes da teoria
dos conjuntos so vlidas para obter novos eventos. Considere, por exemplo, dois eventos
A e B, ento o evento:
a) A B ocorrer se, e somente se, A ocorrer, ou B ocorrer, ou ambos ocorrerem;
b) A B ocorrer se, e somente se, A e B ocorrerem simultaneamente;
c) A ocorrer se, e somente se, A no ocorrer;
Um recurso grco, conhecido como Diagrama de Venn, poder ser vantajosamente
empregado quando estivermos combinando conjuntos. Para ilustrar, vejamos como ca
este diagrama representando os eventos descritos nos itens a, b e c:
(Desenhar os Diagramas de Venn, para cada evento)
36
Denio 4.4 (Eventos Mutuamente Excludentes). Dois eventos, A e B, so
denominados, mutuamente excludentes, se eles no puderem ocorrer simultaneamente,
ou seja, A B = .
Exerccio: Esboce um Diagrama de Venn, representando dois eventos mutuamente exclu-
dentes.
Exemplo: Ao lanar um dado e observar o nmero da face superior temos que o
evento A: observar face par mutuamente excludente do evento B: observar face mpar,
pois impossvel observar a ocorrncia simultnea destes dois eventos, ou seja, AB = .
Observao: Leis de DMorgan
(i) A B = A B
(ii) A B = A B
Exemplos:
1 - Lana-se um dado e observa-se o nmero da face superior. Considerando este expe-
rimento aleatrio e os eventos:
A: Ocorre face par =
B: Ocorre um nmero menor que 4 =
Determine em notao de conjuntos os seguintes eventos:
a) C: ocorre face menor que 7 =
b) D: ocorre face cujo valor maior que 6 =
c) A B
d) A B
e) A
f) B
g) A B
h) A B
i) A B
j) A B
k) A B = A B
l) B A = B A
37
4.3 Abordagens para Denir Probabilidade
4.3.1 Aproximao da Probabilidade pela Freqncia Relativa - (Lei dos
Grandes Nmeros)
Denio 4.5 (Freqncia Relativa). Suponha que um experimento repetido n vezes,
e seja A e B dois eventos associados ao experimento. Sejam n
A
e n
B
o nmero de
vezes que o evento A e o evento B ocorram nas n repeties. A freqncia relativa do
evento A, representada por f
A
, denida como
f
A
=
n
A
n
.
Propriedades:
(i) 0 f
A
1;
(ii) f
A
= 1, se, e somente se, A ocorrer em todas as n repeties;
(iii) f
A
= 0, se, e somente se, A nunca ocorrer nas n repeties;
(iv) Se A e B forem eventos mutuamente excludentes, e se f
AB
for a freqncia
relativa associada ao evento A B, ento,
f
AB
= f
A
+f
B
.
Teorema 4.1 (Lei dos Grandes Nmeros). Ao repetir um experimento um grande
nmero de vezes, a probabilidade de um evento A aproximada pela freqncia relativa,
isto ,
P(A)
= f
A
=
n
A
n
, quando n .
Observao: Esta aproximao ser tanto melhor quanto maior for o nmero de
repeties do experimento.
Exemplos:
1 - Ao lanar uma moeda honesta 5 vezes, ocorreram 4 caras. Baseado neste resultado,
qual a probabilidade (aproximada) do evento A : ocorrer cara?
2 - Considere as seguintes situaes:
(i) Numa pesquisa de mercado, 5 pessoas foram entrevistadas das quais 4 disseram
que comprariam um novo produto a ser lanado.
(ii) Numa outra pesquisa de mercado, 300 pessoas foram entrevistadas das quais
140 disseram que comprariam um novo produto a ser lanado.
a) Para cada pesquisa, determine a probabilidade de que uma pessoa qualquer
compre o novo produto.
b) Em qual das duas probabilidades estimadas voc cona mais?
38
4.3.2 Denio Clssica de Probabilidade
4.3.2.1 Introduo e denio
Denio 4.6 (Evento Simples e Evento Composto). Cada um dos possveis
resultados que compe o espao amostral e
1
, e
2
, e
3
, . . . um evento simples, enquanto
um evento composto, A, uma coleo de eventos simples.
Exemplo: Ao lanar um dado, os eventos simples sero: {1}, {2}, {3}, {4}, {5} e {6}
e um evento composto seria A : nmero par = {2, 4, 6}.
Denio 4.7 (Denio Clssica de Probabilidade). Suponha que um expe-
rimento tenha n eventos simples diferentes, cada um dos quais pode ocorrer com a
mesma chance. Se r eventos simples so favorveis ocorrncia do evento A, ento
P(A) =
Nmero de eventos simples favorveis ocorrncia do evento A
Nmero total de resultados possveis
=
#A
#S
=
r
n
.
Observaes:
(1) Nesta denio fundamental que os eventos simples sejam igualmente provveis,
e, neste caso, evidente que:
(i) P(e
1
) = P(e
2
) = ... = P(e
n
) =
1
n
, e
(ii) P(e
1
) +P(e
2
) +... +P(e
n
) =
1
n
+
1
n
+... +
1
n
= n.
1
n
= 1.
(2) Espaos amostrais com as caractersticas acima descritas so conhecidos como
Espaos Amostrais Finitos e Equiprovveis.
Exemplos:
1 - Considere o experimento E: lanar um dado equilibrado e observar o nmero da face
superior. Considere tambm, os seguintes eventos:
. A: Ocorre face par =
. B: Ocorre um nmero menor que 4 =
. C: ocorre face menor que 7 =
. D: ocorre face cujo valor maior que 6 =
. A B =
. A B =
. B =
Determine a probabilidade de ocorrncia de cada um dos eventos acima denidos.
39
4.3.2.2 Noes Bsicas de Tcnicas de Contagem
Nem sempre a tarefa de calcular a probabilidade de um evento aleatrio, da forma
P(A) = r/n, simples. Em algumas situaes necessrio alguns procedimentos sistem-
ticos de contagem ou enumerao para se obter o nmero de maneiras, r, pelas quais A
pode ocorrer, bem como o nmero total de maneiras, n, pelas quais o espao amostral S
pode ocorrer.
no contexto descrito acima, que as tcnicas de contagem so de fundamental im-
portncia. Neste curso, veremos apenas alguns dos principais procedimentos de contagem.
4.3.2.2.1 Princpio Fundamental da Contagem - Regra da Multiplicao
Suponha que um experimento possa ser realizado em k etapas, de modo que, para a
primeira etapa existem n
1
resultados possveis, para a segunda etapa n
2
resultados possveis,
e assim sucessivamente, at que para a k sima etapa existem n
k
resultados possveis.
Ento, existe um total de
n
1
n
2
.... n
k
resultados possveis para este experimento.
Exemplos:
1 - Ao lanar um dado e uma moeda, quantos resultados possveis podem ser obtidos?
Resp.: 12
2 - Uma companhia produz fechaduras que usam segredos numricos para serem abertas.
Se cada segredo consiste de trs nmeros distintos, escolhidos dentre os inteiros de
0 a 9, quanto segredos diferentes podero ser fabricados? Resp.: 720
3 - Quantos nmeros naturais de 4 algarismos podem ser formados usando-se apenas os
algorismos 2, 3, 4 e 5, de forma que sejam menores do que 5000 e divisveis por 5?
Resp.: 48
4.3.2.2.2 Combinao
Quando uma amostra de k elementos for retirada (sem importar a ordem entre si) de
um conjunto de n elementos. O nmero de diferentes amostras possveis denotado por
_
n
k
_
e igual a:
_
n
k
_
=
n!
k!(n k)!
onde o smbolo ! signica que:
n! = n(n 1)(n 2)(n 3) . . . (3)(2)(1)
Por exemplo, 5! = 5.4.3.2.1 [Nota: A quantidade 0! denida como sendo igual a 1.]
40
Exemplos:
1 - Qual o nmero de possveis empreendimentos quando desejamos selecionar dois
dentre quatro? Resp: 6
2 - Suponha que num lote com 20 peas existem cinco defeituosas. Escolhemos 4 peas
do lote ao acaso, ou seja, uma amostra de 4 elementos, de modo que a ordem dos
elementos seja irrelevante:
a) Quantas amostras possveis existem? Resp: 4845
b) Dentre todos os possveis resultados, quantos levam escolha de duas peas
defeituosas? Resp.: 1050
c) Qual a probabilidade de sair duas peas defeituosas? Resp.: 0,217
41
4.3.3 Denio Axiomtica de Probabilidade
Denio 4.8 (Denio Axiomtica de Probabilidade). Dado um espao amos-
tral S, a probabilidade de um evento A ocorrer, representado por P (A) , uma funo
denida em S, que associa a cada evento A um nmero real, satisfazendo os seguintes
axiomas:
(i) 0 P (A) 1;
(ii) P (S) = 1;
(iii) Se A e B forem mutuamente excludentes (A B = ), ento
P (A B) = P (A) +P (B) .
Observao: A probabilidade de um evento A, denotada por P (A) , indica a chance
de ocorrncia do evento A. Quanto mais prxima de 1 P (A), maior a chance de
ocorrncia do evento A, e quanto mais prxima de zero, menor a chance de ocorrncia
do evento A.
Principais Teoremas:
T1. Se denota o conjunto vazio (Evento Impossvel), ento
P () = 0.
T2. Se A o evento complementar de A, ento
P(A) = 1 P (A) .
T3. Se A e B so dois eventos quaisquer, ento
P (A B) = P (A) +P (B) P (A B) .
Exemplo: Considere um experimento aleatrio com espao amostral S e os eventos
A e B associados tais que: P(A) = 1/2, P(B) = 1/3 e P(A B) = 1/4. Determine:
a) P(A)
b) P(B)
c) P(A B)
d) P(A B)
e) P(A B)
42
4.4 Eventos Independentes
A probabilidade da ocorrncia de dois eventos simultaneamente, P(A B), depende
da natureza dos eventos, ou seja, se eles so independentes ou no.
Dois ou mais eventos so independentes quando a ocorrncia ou no-ocorrncia de um
no inuencia a ocorrncia do(s) outro(s).
Denio 4.9 (Eventos Independentes). Dois eventos A e B so independentes
se, e somente se
P(A B) = P(A)P(B).
Exemplo 1: Se duas moedas equilibradas (sem vcio) so lanadas, determine qual a
probabilidade de ambas darem cara? E se trs moedas fossem lanadas, qual a probabilidade
de ocorrer trs caras?
Exemplo 2: Uma urna contm duas bolas brancas e cinco pretas. Qual a probabilidade
de sair duas bolas pretas se os sorteios so feitos com reposio?
Exemplo 3: A probabilidade de que A resolva um problema de 2/3, e a probabiliddae
de que B o resolva de 3/4. Se ambos tentarem independentemente, qual a probabilidade
de:
a) Ambos resolverem o problema?
b) O problema ser resolvido?
Observao: Dizemos que trs eventos so mutuamente independentes se
P(A B) = P(A)P(B)
P(A C) = P(A)P(C)
P(B C) = P(B)P(C)
P(A B C) = P(A)P(B)P(C)
Exemplo:
1 - Sendo S = {1, 2, 3, 4} um espao equiprovvel e A = {1, 2}; B = {1, 3}; C = {1, 4}
trs eventos de S; verique se os eventos A, B e C so mutuamente independentes.
43
Aluno(a): .
3
a
LISTA DE EXERCCIOS
Introduo Probabilidade
1 - De uma linha de produo so retirados trs (3) artigos e cada um classicado
como bom (B) ou defeituoso (D). Determine o espao amostral deste experimento
aleatrio e expresse tambm o evento A: obter dois artigos defeituosos.
2 - Pedro tem dois automveis velhos. Se nas manhs frias, h 20% de probabilidade de
um deles no funcionar e 30% de outro no funcionar,
a) qual a probabilidade de nenhum funcionar?
b) qual a probabilidade dos dois funcionarem?
c) qual a probabilidade de pelo menos um funcionar?
d) qual a probabilidade de exatamente um funcionar?
3 - Considere o lanamento de dois dados equilibrados com o interesse de observar o
nmero das faces superiores.
a) Calcule a probabilidade dos eventos:
i) A: sair face par nos dois dados
ii) B: sair face par no primeiro dado
iii) C: sair face par no segundo dado
d) Os eventos B e C so independentes?
4 - De 120 estudantes, 60 estudam Francs, 50 Espanhol e 20 estudam Francs e Es-
panhol. Se um estudante escolhido ao acaso, encontre a probabilidade de que
ele:
a) estude Francs e Espanhol?
b) estude pelo menos uma das lnguas?
c) no estude nem Francs nem Espanhol?
5 - Ao escolher entre diversos fornecedores de computadores, um comprador deseja saber
a probabilidade de um computador falhar durantes os dois primeiros anos. Sabendo-se
que s existem duas possibilidades; ou o computador falha durante os dois primeiros
anos ou no falha, qual essa probabilidade? Agora se voc conhecesse o resultado
de uma pesquisa do PC World feita com 4000 usurios de computadores, na qual
revela que 992 computadores falham durantes os dois primeiros anos, qual ser a
probabilidade estimada? Resp.: 0,5 e 0,248.
44
6 - Um tero dos eleitores de certa comunidade constituido de mulheres, e 40% dos
eleitores votaram na ltima eleio presidencial. Supondo que esses dois eventos
sejam independentes, determine a probabilidade de escolher um eleitor da lista geral,
que seja mulher e que tenha votado na ltima eleio presidencial.
7 - Uma urna contm duas bolas brancas e cinco pretas. Qual a probabilidade de sair
duas bolas pretas supondo que os sorteios so feitos com reposio?
8 - Se cada carta de um baralho de 52 cartas tem a mesma chance de ser escolhida,
ento qual a probabilidade de:
a) se extrair cada uma delas?
b) de se extrair uma dama?
9 - Qual a probabilidade de se obter trs ou menos pontos no lanamento de um dado?
10 - Uma urna contm duas bolas brancas, trs pretas e cinco azuis.
a) Qual a probabilidade de se extrair uma bola branca?
b) Qual a probabilidade de se extrair uma bola preta ou uma azul?
11 - No lanamento de dois dados qual a probabilidade de sair o par (5,2)?
45
4.5 Probabilidade Condicional
Em algumas situaes, a probabilidade de ocorrncia de um certo evento pode ser
afetada se tivermos alguma informao sobre a ocorrncia ou no de um outro evento.
Considere, por exemplo, o seguinte experimento:
E : Lanar um dado.
Seja o evento A: sair o n
o
3 =
Ento, P(A) =
Considere, agora, o seguinte evento:
B: sair um nmero mpar =
Logo, P(B) =
Suponha, agora, que soubssemos da ocorrncia de B e que quisssemos calcular a
probabilidade de A. Iremos denotar essa probabilidade como P(A | B). Assim,
P(A | B) =
Formalmente denimos probabilidade condicional da maneira a seguir.
Denio 4.10 (Probabilidade Condicional). Dados dois eventos, A e B, deno-
taremos P(A | B) a probabilidade condicionada do evento A, quando B tiver ocorrido,
por:
P(A | B) =
P(A B)
P(B)
com P(B) = 0.
Exemplo: Dois dados so lanados e os seguintes eventos so considerados:
A = {(x
1
, x
2
); x
1
+x
2
= 10}, e
B = {(x
1
, x
2
); x
1
> x
2
}.
Baseado nestas informaes, obtenha as seguintes probabilidades:
a) P(A) c) P(A B) e) P(B | A)
b) P(B) d) P(A | B)
46
4.5.1 Teorema do Produto
A partir da denio de probabilidade condicional, poderemos enunciar o teorema do
produto:
Teorema 1.2 (Teorema do Produto)
P(A | B) =
P(AB)
P(B)
P(A B) = P(B)P(A | B).
Analogamente,
P(B | A) =
P(AB)
P(A)
P(A B) = P(A)P(B | A).
Exemplos:
1 - Em um lote de 12 peas, 4 so defeituosas. Se duas peas so retiradas uma aps a
outra sem reposio, qual a probabilidade de que:
a) ambas sejam boas?
b) ambas sejam defeituosas?
c) pelo menos uma seja defeituosa?
2 - Uma urna contm duas bolas brancas, trs vermelhas e cinco azuis. Qual a pro-
babilidade de se retirar sem reposio uma bola azul, uma branca e uma vermelha
exatamente nessa ordem?
4.6 Eventos Independentes
Um evento A considerado independente de um outro evento B se a probabilidade condi-
cional de A dado B igual a probabilidade de A, isto , se
P(A | B) = P(A).
evidente que se A independente de B, ento B independente de A. Assim,
P(B | A) = P(B).
Logo, considerando o Teorema do Produto, observamos que a probabilidade da ocor-
rncia de dois eventos simultaneamente, P(A B), depende da natureza dos eventos,
ou seja, se eles so independentes ou no e no caso dos eventos serem independentes j
sabemos que
P(A B) = P(A)P(B).
Observao: A recproca verdadeira, isto , se P(A B) = P(A)P(B), ento A
e B so eventos independentes.
47
4.7 Teorema da Probabilidade Total
Denio 4.11 (Partio do Espao Amostral). Dizemos que os eventos B
1
, B
2
, ..., B
k
representam uma partio do espao amostral S, quando
a) B
i
B
j
= , para todo i = j,
b)
k
i=1
B
i
= S,
c) P(B
i
) > 0, para todo i.
Considere, agora, um evento A referente a S, e B
1
, B
2
, ..., B
k
uma partio de S.
Assim, podemos escrever
A = (A B
1
) (A B
2
) (A B
3
) ... (A B
k
).
Logo,
P(A) = P(A B
1
) +P(A B
2
) +P(A B
3
) +... +P(A B
k
).
Ento, como P(AB
j
) = P(B
j
)P(A | B
j
), obteremos o que se denomina o Teorema
da Probabilidade Total:
P(A) = P(B
1
)P(A | B
1
) +P(B
2
)P(A | B
2
) +... +P(B
k
)P(A | B
k
).
4.8 Teorema de Bayes
Sob as mesmas hipteses do teorema da probabilidade total, podemos calcular a pro-
babilidade de B
i
dada a ocorrncia de A da seguinte forma
P(B
i
| A) =
P(B
i
A)
P(A)
=
P(B
i
)P(A | B
i
)
j
P(B
j
)P(A | B
j
)
.
Este resultado o que chamamos de Teorema de Bayes. Esse teorema til
quando conhecemos as probabilidades dos B
i
s e a probabilidade condicional de A dado B
i
,
mas no conhecemos diretamente a probabilidade de A.
Exemplos:
1 - A proporo de peas produzidas pelas mquinas I, II e III 30%, 30% e 40%, res-
pectivamente. Dentre estas peas, 4%, 3% e 2%, respectivamente, so defeituosas.
Uma pea escolhida aleatoriamente, foi testada e vericou-se ser defeituosa. Qual
aprobabilidade de que a pea tenha sido produzida pela mquina I? E pela mquina
II? E pela III?
48
2 - Suponha trs urnas com as seguintes conguraes: a urna 1 contm 3 bolas pretas,
1 branca e 5 vermelhas; a urna 2 contm 4 bolas pretas, 3 brancas e 2 vermelhas; a
urna 3 contm 2 bolas pretas, trs brancas e 3 vermelhas. Escolheu-se uma urna ao
acaso e dela extraiu-se uma bola ao acaso, vericou-se que a bola branca. Qual a
probabilidade da bola ter vindo da urna 1, 2? E da 3?
49
Aluno(a): .
4
a
LISTA DE EXERCCIOS
Independncia Estatstica, Probabilidade Condicional, Teorema da
Probabilidade Total e de Bayes
1 - Suponha que a probabilidade de que ambas crianas gmeas sejam meninos 0,30 e
que a probabilidade de que sejam meninas 0,26. Dado que a probabilidade de uma
criana seja menino 0.52, qual a probabilidade de que:
a) A segunda criana seja um menino, sabendo-se que o primeiro um menino?
Resp.: 0,577.
b) A segunda criana seja uma menina, sabendo-se que a primeira uma menina?
Resp.: 0,542.
2 - Uma urna contm duas bolas brancas, trs verdes e cinco azuis. Se trs bolas so
retiradas ao acaso, sem reposio, determine a probabilidade de:
a) trs bolas verdes ocorrerem. Resp.: 0,0083.
b) exatamente uma bola verde ocorrer.Resp.: 0,175.
3 - A probabilidade de que um time de futebol vena seu prximo oponente estimada
em 0,7 se no chover, mas s em 0,5 se chover. Se os registros meteorolgicos
mostrarem que choveu 40 por cento das vezes, na data do jogo, nos anos passados,
qual a probabilidade de que o time vena seu prximo oponente? Resp.: 0,62.
4 - Suponhamos que seja de 0,005 a probabilidade de que o motor de um monomotor de
combate falhe na decolagem e que a taxa de falha tcnica do motor de um bimotor
de combate seja de 0,003. Se o bimotor no puder decolar a no ser que ambos os
motores estejam operando adequadamente, que avio mais seguro na decolagem?
Resp.: P(bimotor falhar na decolagem) = 0, 006.
5 - Empregados de certa rma so submetidos a um teste de aptido quando empregados
pela primeira vez. A experincia mostrou que dos 60 por cento que passaram no teste,
80 por cento deles eram bons trabalhadores, enquanto dos 40 por cento dos que no
conseguiram passar s 30 por cento foram avaliados como bons trabalhadores. Qual
a probabilidade de que um empregado escolhido ao acaso seja um bom trabalhador?
Use aqui a tcnica da rvore. Resp.: 0,60.
6 - Suponhamos que seja p a probabilidade de que o tempo (com sol ou nublado) seja o
mesmo do dia anterior. Se hoje for dia de sol, qual a probabilidade de que depois de
amanh tenhamos tambm um dia de sol? Resp.: 2p
2
2p + 1
50
Teorema de Bayes
7 - Um saco contm trs moedas, uma das quais foi cunhada com duas caras, enquanto
as outras duas so normais e no viciadas. Uma moeda retirada ao acaso e jogada.
Dado que o resultado foi cara, qual a probabilidade de que essa seja a moeda de duas
caras? Resp.: 0,5.
8 - As probabilidades de que trs homens atinjam um alvo so, respectivamente,
1
6
,
1
4
e
1
3
.
Cada um atira uma vez em direo ao alvo.
a) Determine a probabilidade p de que exatamente um deles atinja o alvo. Resp.:
0,431.
b) Se apenas um atinge o alvo, qual a probabilidade de ele ser o primeiro homem?
Resp.: 0,194.
51
Aluno(a): .
6
a
NOTA DE AULA
5 Variveis Aleatrias: Discretas e Contnuas
5.1 Introduo
Ao descrever um espao amostral S associado a um experimento E, podemos obser-
var que os resultados possveis no so, necessariamente, nmricos. Consideremos, por
exemplo, o seguinte experimento:
E
1
: Lanar duas moedas e observar a face superior de cada uma.
Neste experimento, temos S = {CC, CK, KC, KK} e, na prtica, o que realmente
podemos estar interessados em observar , por exemplo, o nmero de vezes que ocorre
cara (K), ou seja, temos interesse num nmero real que est associado a cada resultado do
espao amostral S.
Denio 5.1 (Varivel Aleatria). Seja E um experimento aleatrio e S um
espao amostral associado ao experimento. Dizemos que a funo X uma varivel
aleatria quando associa a cada elemento do espao amostral, s S, um nmero real,
x = X(s).
Notao: X, Y , Z, etc.
Esquematicamente, temos:
(Esboar a funo (ou varivel aleatria) que associa a cada elemento
do espao amostral, s S, um nmero real, x = X(s) )
52
Exemplo 1: Considere o experimento
E
1
: Lanar duas moedas e observar a seqncia de caras (K) e coroas (C).
Se X a varivel aleatria que representa o nmero de vezes que ocorre cara (K):
a) Descreva o espao amostral, S, e obtenha os possveis valores que a varivel aleatria
X pode assumir.
b) Represente atravs de um grco o espao amostral e a funo X = X(s), isto , a
varivel aleatria X.
Soluo:
Atravs do Exemplo 1, podemos notar que, ao descrever um espao amostral S asso-
ciado a um experimento E, no necessariamente, um resultado individual um nmero.
Neste exemplo, vimos que S = {KK, CK, KC, CC} e, na prtica, o que realmente po-
demos estar interessados em observar o nmero de vezes que ocorre cara (K), ou seja,
temos interesse num nmero real que est associado a cada resultado do espao amostral
S.
Denio 5.2 (Eventos Equivalentes). Sejam um experimento E e seu espao
amostral S. Seja X uma varivel aleatria denida em S e seja R
X
seu contradomnio.
Seja B um evento denido em relao a R
X
, isto , B R
X
. Dena o evento A como
A = {s S; X(s) B}.
Neste caso dizemos que A e B so eventos equivalentes.
Denio 5.3 (Probabilidade de Eventos Equivalentes). Seja B um evento no
contradomnio R
X
. Nesse caso, denimos P(B) da seguinte maneira:
P(B) = P(A), onde A = {s S; X(s) B}.
53
Exemplo: A partir do exemplo anterior, temos R
X
= {0, 1, 2}, onde cada um desses
valores ocorre com as seguintes probabilidades:
5.2 Variveis Aleatrias Discretas
Denio 5.4 (Varivel Aleatria Discreta). Dizemos que uma varivel aleatria
discreta se o nmero de valores possveis nito ou innito enumervel (contvel),
de maneira que podemos listar todos os resultados como x
1
, x
2
, x
3
, ....
Denio 5.5 (Funo de Probabilidade). a funo p = p(x
i
) que associa uma
probabilidade a cada valor x
i
da varivel aleatria X.
Notao:
X x
1
x
2
x
3
. . .
P(X = x
i
) = p(x
i
) p(x
1
) p(x
2
) p(x
3
) . . .
Denio 5.6 (Distribuio de Probabilidades). Ao conjunto de todos os pares
[x
i
, p(x
i
)], i = 1, 2, ..., n, ... damos o nome de Distribuio de Probabilidades da
varivel aleatria X, desde que:
1. p(x
i
) 0, i;
2.
i=1
p(x
i
) = 1.
Exemplo 2: A partir do Exemplo 1, obtenha a distribuio de probabilidades da
varivel aleatria X e represente-a atravs de um grco.
Exemplo 3: Considerando a varivel aleatria (v.a.) X cuja funo de probabilidade
dada por:
P(X = x) =
1
2
x
, x = 1, 2, 3, ...
54
a ) Mostre que X tem realmente uma distribuio de probabilidades.
b ) Faa um grco representando o comportamento desta distribuio.
c ) Obtenha:
i . P(X ser par)
ii . P(X 3)
iii . P(X ser mltiplo de 3)
5.3 Variveis Aleatrias Contnuas
Denio 5.7 (Varivel Aleatria Contnua). A varivel aleatria X contnua
se existir uma funo f, denominada funo densidade de probabilidade (f.d.p.) de X
que satisfaa s seguintes condies:
a) f(x) 0 para todo x;
b)
_
+
f(x)dx = 1.
Observaes: Se X uma varivel aleatria contnua, ento:
(i) P(X = k) = 0, onde k qualquer valor real.
(ii) Para quaisquer a, b, com < a < b < +, teremos
P(a X b) = P(a < X b)
= P(a X < b)
= P(a < X < b)
=
_
b
a
f(x)dx.
Probabilidade essa, que pode ser representada pela rea sob o grco da funo f no
intervalo [a, b], tal como ilustrado abaixo:
55
(Esboar o grco representando a rea denida por P(a < X < b) =
_
b
a
f(x)dx)
Exemplos:
1 - Suponha que estamos atirando dardos em um alvo circular de raio de 10 cm, e seja
X a distncia do ponto atingido pelo dardo ao centro do alvo. A f.d.p. de X
f(x) =
_
kx, 0 x 10
0, c.c
a) Qual a probabilidade de acertar a mosca, se ela um crculo de raio 1 cm?
b) Mostre que a probabilidade de acertar qualquer crculo concntrico proporci-
onal a sua rea.
2 - Uma varivel aleatria contnua X dita ter distribuio uniforme se a sua f.d.p.
da forma
f(x) =
_
k, se a < x < b
0, caso contrrio
a) Encontre o valor de k para que a funo f seja realmente uma f.d.p.
b) Esboce o grco da distribuio de X.
5.4 Funo de Distribuio Acumulada
Denio 5.8 (Funo de Distribuio Acumulada - f.d.a.). A funo de distri-
buio acumulada F, ou simplesmente funo de distribuio (f.d.) de uma varivel
aleatria X qualquer denida como
F(x) = P(X x), x .
Observao:
a) Se a varivel aleatria X for discreta, ento a funo de distribuio ser dada por
F(x) = P(X x) =
i ; x
i
x
p(x
i
),
b) Se a varivel aleatria X for contnua, ento a funo de distribuio ser dada por
F(x) = P(X x) =
_
x
f(t)dt.
56
Exemplos:
1 - Suponhamos que a varivel aleatria X tome os trs valores 0,1 e 2, com proba-
bilidades 1/3, 1/6 e 1/2, respectivamente. Encontre a funo de distribuio F e
represente-a gracamente.
2 - Encontre a funo de distribuio de X cuja f.d.p. dada por
f(x) =
_
2x, 0 < x < 1,
0, c.c.
Esboe os grcos da f.d.p., f(x), e da funo de distribuio F.
3 - Se a varivel aleatria X tem distribuio uniforme obtenha a funo de distribuio
de X e represente-a gracamente.
57
5.4.1 Propriedades da Funo de Distribuio
A seguir veremos algumas propriedades importantes da funo de distribuio acumu-
lada F de uma varivel aleatria X qualquer:
(i) A funo F no decrescente.
(ii) F contnua direita.
(iii)
F() lim
x
F(x) = 0
e
F(+) lim
x+
F(x) = 1.
Alguns Teoremas importantes relacionados funo de distribuio acumulada, tam-
bm so apresentados a seguir:
Teorema 5.1. Seja X uma varivel aleatria discreta, com valores possveis x
1
, x
2
, ...,
e suponha-se que esses valores tenham sido indexados de modo que x
1
< x
2
< .... Seja
F a funo de distribuio de X. Ento,
p(x
i
) = P(X = x
i
) = F(x
i
) F(x
i
),
onde F(x
i
) lim
h0
F(x
i
+h).
Teorema 5.2. Seja F a funo de distribuio de uma varivel aleatria contnua,
com f.d.p. f. Ento,
f(x) =
dF(x)
dx
,
para todo x no qual F seja derivvel.
Observaes:
1) Se X for uma varivel aleatria discreta, o grco da funo de distribuio ser
constitudo por segmentos de reta horizontais. Alm disso, a funo F contnua, exceto
nos valores possveis de X: x
1
, ..., x
n
, ...; pois, para cada valor x
i
o grco apresenta um
salto de magnitude p(x
i
) = P(X = x
i
).
2) Se X for uma varivel aleatria contnua, ento
(i) P(a < X < b) = F(b) F(a).
(ii) P(X > a) = 1 F(a).
58
Aluno(a): .
5
a
LISTA DE EXERCCIOS
Variveis Aleatrias: Discretas e Contnuas
1 - Sabendo-se que a v.a. X assume os valores 1,2 e 3 e que sua funo de distribuio
F(x) tal que
F(1) F(1
) = 1/4,
F(2) F(2
) = 1/2,
F(3) F(3
) = 1/4.
Obter a distribuio de X, a funo de distribuio acumulada e seu respectivo
grco.
2 - Dada a seguinte funo de distribuio
F(x) =
_
0, x < 0,
1 e
x
, x > 0.
a ) Encontre a probabilidade da varivel X assumir os seguintes valores:
i . P(X = 1);
ii . P(0.5 < X < 1);
iii . P(X > 1);
d ) Esboe um grco ilustrando cada uma das situaes descritas acima.
e ) Determine o valor de tal que F() = 1/4.
f ) Encontre a f.d.p. da varivel X.
7 - Suponhamos que uma vlvula eletrnica seja posta em um soquete e ensaiada. Ad-
mitamos que a probabilidade de que o teste seja positivo seja
3
4
; da, a probabilidade
de que seja negativo igual a
1
4
. Adimitamos tambm que estejamos ensaiando uma
partida grande dessas vlvulas. Os ensaios continuam at que a primeira vlvula
positiva aparea. Considere a varivel aleatria X: n
o
de testes necessrios para
concluir o experimento. Assim
S =
P(X = n) =
8 - Seja X o tempo at a desintegrao de alguma partcula radioativa e suponha que a
funo de distribuio de X seja dada por
F(x) =
_
0, x < 0,
1 e
x
, x > 0.
Suponha que seja tal que P(X 0, 01) = 1/2. Obtenha um nmero t tal que
P(X t) = 0, 9.
59
Aluno(a): .
7
a
NOTA DE AULA
6 Caracterizao Adicional das Variveis Aleatrias
6.1 Introduo
De maneira anloga ao que acontece na estatstica descritiva (resumo de dados),
no estudo de variveis aleatrias precisamos de algumas caractersticas numricas que
possam nos fornecer uma idia sobre o comportamento da distribuio de probabilidade.
A estas caractersticas denominamos de parmetros da distribuio.
Dois dos principais parmetros so: o valor esperado e a varincia. O valor esperado
de uma distribuio de probabilidades nos d uma idia de um valor mdio ou central da
distribuio. Por outro lado, a medida que nos d o grau de disperso (ou de concentrao)
dos valores assumidos pela varivel em torno da mdia a varincia.
6.2 O Valor Esperado ou Esperana de Uma Varivel Aleatria
Denio 6.1 (Valor Esperado de uma Varivel Aleatria).
Caso 1: Varivel Aleatria Discreta
Seja X uma varivel aleatria discreta, com valores possveis x
1
, x
2
, ..., x
n
, ... Seja
p(x
i
) = P(X = x
i
), i = 1, 2, ..., n, ... Ento, o valor esperado de X (ou esperana
matemtica de X), denotado por E(X) denido como
E(X) =
i=1
x
i
p(x
i
),
se a srie denida acima convergir absolutamente, isto , se
i=1
|x
i
| p(x
i
) < .
Este nmero tambm denominado o valor mdio de X, ou expectncia de X.
60
Caso 2: Varivel Aleatria Contnua
Seja X uma varivel aleatria contnua com f.d.p. f. Ento, o valor mdio de X ou
o valor esperado de X denido como
E(X) =
_
+
xf(x)dx.
Pode acontecer que esta integral (imprpria) no convirja. Conseqentemente, diremos
que E(X) existir se, e somente se,
_
+
|x| f(x)dx
for nita.
Exemplos:
1 - Um fabricante produz peas tais que 10% delas so defeituosas e 90% delas so
no-defeituosas. Se uma pea defeituosa for produzida, o fabricante perde R$ 1,
enquanto uma pea no-defeituosa lhe d um lucro de R$ 5. Se X for o lucro lquido
por pea, qual o valor esperado de X?
2 - Uma varivel aleatria contnua X denida num intervalo [a, b] dita ter distribuio
uniforme se possui a seguinte f.d.p.
f(x) =
_
1
ba
, a x b,
0, c.c.
Encontre a esperana dessa varivel aleatria.
3 - Seja a varivel aleatria X denida como segue. Suponha que X seja o tempo (em
minutos) durante o qual um equipamento eltrico seja utilizado em carga mxima,
em um certo perodo de tempo especicado. Suponha ainda, que X seja uma varivel
aleatria contnua com a seguinte f.d.p.:
f(x) =
_
_
_
x
1500
2
, 0 x 1500,
(x3000)
1500
2
, 1500 < x 3000,
0, c.c.
Encontre o tempo mdio (em minutos) que o equipamento eltrico utilizado em
carga mxima.
61
6.3 Esperana de uma Funo de uma Varivel Aleatria
intuitivamente evidente a idia de que qualquer funo de uma varivel aleatria X,
Y = H(X), tambm uma varivel aleatria, pois qualquer resultado aleatrio, X = x,
resultar num resultado tambm aleatrio Y = h(x) = y. Desta forma, ter sentido
calcular E(Y ).
Para se obter o valor esperado de Y = H(X) existem duas maneiras que se mostram
equivalentes. A primeira requer que se obtenha primeiramente a distribuio de Y ; problema
este que ser abordado posteriormente. Uma segunda maneira requer, simplesmente, o
conhecimento da distribuio de probabilidade de X.
Denio 6.2 (Esperana de uma Funo de uma de uma Varivel Aleatria). Seja
X uma varivel aleatria e seja Y = H(X). Ento,
(a) Se Y for uma varivel aleatria discreta com valores possveis y
1
, y
2
, ... e se
q(y
i
) = P(Y = y
i
), o valor esperado de Y denido por
E(Y ) =
i=1
y
i
q(y
i
).
(b) Se Y for uma varivel aleatria contnua com f.d.p. g, o valor esperado de Y
denido por
E(Y ) =
_
+
yg(y)dy.
Teorema 6.1. Seja X uma varivel aleatria e seja Y = H(X). Ento,
(a) Se X for uma varivel aleatria discreta e p(x
i
) = P(X = x
i
), tem-se que o
valor esperado de Y ser dado por
E(Y ) = E[H(X)] =
j=1
H(x
j
)p(x
j
).
(b) Se X for uma varivel aleatria contnua com f.d.p. f, tem-se que o valor
esperado de Y ser dado por
E(Y ) = E[H(X)] =
_
+
H(x)f(x)dx.
62
6.4 Propriedades do valor esperado
Se X uma v.a. e k um valor qualquer, constante, ento:
1. E[k] = k.
2. E[X +k] = E(X) +k.
3. E[kX] = kE(X).
4. E[X ] = 0, onde = E(X).
Demonstraes:
Exemplos:
no-defeituosas. Se uma pea defeituosa for produzida, o fabricante perde R$ 1,0,
enquanto uma pea no-defeituosa lhe d um lucro de R$ 5,0. Se X for o lucro
lquido por pea, determine:
a) O valor esperado de X.
b) Se houver um aumento de 10% nos valores de X, qual ser o lucro lquido
esperado?
c) E Se houver um acrscimo de R$ 0,10 nos valores de X, em mdia, quanto ser
o lucro lquido?
2 - Suponhamos que X seja uma varivel aleatria com a seguinte f.d.p.
f(x) =
_
e
x
2
, se x 0,
e
x
2
, se x > 0.
Se Y = |X|, qual ser o valor de E(Y )?
63
6.5 A Varincia de uma Varivel Aleatria
Denio 6.3 (Varincia de uma Varivel Aleatria).
Caso 1: Varivel Aleatria Discreta
Dada a varivel aleatria discreta X e a respectiva funo de probabilidade p(x), a
varincia de X dada por
V ar(X) = E[(X )
2
] =
i=1
(x
i
)
2
p(x
i
),
onde = E(X).
Caso 2: Varivel Aleatria Contnua
Seja X uma varivel aleatria contnua com f.d.p. f. Ento, a varincia de X dada
por
V ar(X) = E[(X )
2
] =
_
+
(x )
2
f(x)dx
A raiz quadrada da Varincia de X denominada Desvio Padro de X, ou seja,
DP(X) =
_
V ar(X).
Exerccio:
1 - Mostre que
V ar(X) = E(X
2
) E
2
(X),
onde E(X
2
) =
i=1
x
2
i
p(x
i
).
Exemplos:
no-defeituosas. Se uma pea defeituosa for produzida, o fabricante perde R$ 1,0,
enquanto uma pea no-defeituosa lhe d um lucro de R$ 5,0. Se X for o lucro
lquido por pea, determine o desvio padro da v.a. X.
2 - Se X uma varivel aleatria uniforme num intervalo [a, b], ou seja, X U(a, b),
qual o valor de V (X)?
3 - Seja V a velocidade do vento (em milhas por hora) e suponha-se que V seja unifor-
memente distribuda sobre o intervalo [0, 10]. A presso, digamos W (em libras/p
quadrado), na superfcie da asa de um avio dada pela relao: W = 0, 003V
2
.
Encontre o valor esperado de W.
64
4 - Se X uma varivel aleatria contnua com f.d.p.
f(x) =
_
1 +x, 1 x 0,
1 x. 0 x 1.
Obtenha a varincia de X.
6.6 Propriedades da varincia
Se X uma v.a. e k um valor qualquer, constante, ento:
1. V ar(k) = 0.
2. V ar(X +k) = V ar(X).
3. V ar(kX) = k
2
V ar(X).
Demonstraes:
65
Aluno(a): .
6
a
LISTA DE EXERCCIOS
Valor Esperado e Varincia de Variveis Aleatrias
1 - Uma urna contm 4 bolas brancas e 6 pretas. 3 bolas so retiradas com reposio.
Seja X o nmero de bolas brancas. Calcular E(X) e D.P.(X). Resp.: E(X) = 1, 2.
2 - A funo de probabilidade da varivel aleatria X : P(X = x) =
1
5
, para X =
1, 2, 3, 4, 5. Calcular E(X) e E(X
2
), e usando esses resultados calcular:
a) E(X + 3)
2
;
b) V ar(3X 2).
Resp.: E(X) = 3, V ar(X) = 2, a) 38 b) 18.
3 - Um investidor julga que tem 0, 40 de probabilidade de ganhar R$25.000,00 e 0, 60 de
probabilidade de perder R$15.000,00 num investimento.
a) Qual o ganho esperado deste investidor?
b) Se G o ganho lquido do investidor, qual ser o ganho esperado de Y =
10G1000?
4 - Uma seguradora paga R$30.000,00 em caso de acidente de carro e cobra uma taxa
de R$1.000,00. Sabe-se que a probabilidade de que um carro sofra acidente de 3%.
Quanto espera a seguradora ganhar por carro segurado? Resp.: E(L) = 100, 00
5 - Num jogo de dados, o jogador J1 paga R$ 20,00 ao jogador J2 e lana 3 dados. E a
seguinte regra adotada:
(A) Se sair face 1 em um dos dados apenas, J1 ganha R$ 20,00
(B) Se sair face 1 em dois dados apenas, J1 ganha R$ 50,00
(C) Se sair 1 nos trs dados, J1 ganha R$ 80,00
(A) Se nenhuma face 1 sair, J1 no recebe valor algum.
Nestas condies, qual o lucro lquido esperado pelo jogador J1 em uma jogada?
Voc considera este jogo honesto? Por que? Resp.: R$ 9, 21
66
6 - Um banco pretende aumentar a ecincia de seus caixas. Para isto, o banco est
oferecendo um prmio de R$ 150,00 para cada cliente atendido, alm de 42 clientes
por dia. O banco tem um ganho operacional de R$ 100,00 para cada cliente atendido
alm de 41. As probabilidades de atendimento so:
n
o
de clientes At 41 42 43 44 45 46
Probabilidade 0,88 0,06 0,04 0,01 0,006 0,004
Qual o ganho esperado do banco, se este novo sistema for implantado? O sistema
vantajoso para o banco? Resp.: E(X) = 7, 30.
7 - Suponhamos que dez cartas estejam numeradas de 1 at 10. Das dez cartas, retira-se
uma de cada vez, ao acaso e sem reposio, at retirar-se o primeiro nmero par. Se
X uma varivel aleatria que expressa o nmero de retiradas necessrias.
a) Qual a funo de probabilidade de X?
b) Em quantas retiradas espera-se obter o primeiro nmero par?
8 - Um vendedor de equipamentos pesado pode visitar, num dia, um ou dois clientes,
com probabilidade de 1/3 ou 2/3, respectivamente. De cada contato, pode resultar
a venda de um equipamento por R$ 50.000,00(com probalidade 1/10) ou nenhuma
venda (com probabilidade 9/10). Indicando por Y o valor total de vendas dirias
desse vendedor:
a) Escreva a funo de probabilidade de Y ;
b) Qual o valor total esperado de vendas dirias?
Resp.: a) Y = {0, 50.000, 100.000} com probabilidades 126/150, 23/150, 1/150. b)
E(Y ) = 8.333, 33
9 - Calcule a varincia do problema anterior.
10 - O tempo T, em minutos, necessrio para um operrio processar certa pea uma
v.a. com a seguinte distribuio de probabilidade.
T = t 2 3 4 5 6 7
P(T = t) 0,1 0,1 0,3 0,2 0,2 0,1
a) Calcule o tempo mdio de processamento.
Para cada pea processada, o operrio ganha um xo de R$ 2,00, mas, se ele
processa a pea em menos de seis minutos, ganha R$ 0,50 em cada minuto
poupado. Por exemplo, se ele processa a pea em quatro minutos, recebe a
quantia adicional de R$ 1,00.
b) Encontre a distribuio, a mdia e a varincia da v.a. G: quantia ganha por
pea.
67
Resp.: a) E(T) = 4, 6 b) E(G) = 2, 75 e V ar(G) = 0, 4125
11 - O servio de meteorologia classica o tipo de cu que visvel, em termos de graus
de nebulosidade. Uma escala de 11 categorias empregada: 0,1,2,...,10, onde 0
representa um cu perfeitamente claro, 10 representa um cu completamente enco-
berto, enquanto os outros valores representam as diferentes condies intermedirias.
Suponha-se que tal classicao seja feita em uma determinada estao meteorol-
gica, em um determinado dia e hora. Seja X a varivel aleatria que pode tomar um
dos 11 valores acima. Admita que a distribuio de probabilidade de X seja
X = x 0 1 2 3 4 5 6 7 8 9 10
P(X = x) 0,05 0,15 0,15 0,06 0,06 0,06 0,06 0,06 0,15 0,15 0,05
Encontre E(X), E(X
2
) e V ar(X).
12 - A percentagem de lcool (100X) em certo composto pode ser considerada uma va-
rivel aleatria, onde X, tem a seguinte funo densidade:
f(x) = 2x
3
(1 x), 0 < x < 1.
a) Obtenha a funo de distribuio acumulada de X.
b) Calcule P(X 2/3)
c) Suponha que o preo de venda desse composto dependa do contedo de l-
cool. Especicadamente, se 1/3 < X < 2/3, o composto vendido por C
1
u.m/galo; caso contrrio, vendido por C
2
u.m/galo, determine o lucro l-
quido mdio por galo.
68
Respostas
1 )
2 ) E(X) = 1, 2 e V ar(X) =
3 ) a) 38 ou 36?
b) 18.
4 ) E(X) = 7, 30
5 )
6 ) a) Y = {0, 50.000, 100.000} com probabilidades 126/150, 23/150, 1/150.
b) E(Y ) = 8.333.33
7 )
8 ) a) E(T) = 4, 6
b) E(G) = 2, 75 e V ar(G) = 0, 4125
9 )
69
Aluno(a): .
Estgio
Livro: "Estatstica Bsica". Wilton O. Bussab e Pedro A. Morettin. 5a. Edico.
Captulo 5 (Probabilidades):
Problema Pgina
1 e 2 105
5 e 6 106
8, 10 e 12 110
15, 16, 18, 19 e 21 115
25 121
26, 27, 28 e 30 122
34 e 36 123
40 e 41 124
Captulo 6 (Variveis Aleatrias Discretas):
Problema Pgina
1, 2 e 3 135
13 e 14 139
19 140
29 e 30 157
Captulo 7 (Variveis Aleatrias Contnuas):
Problema Pgina
2 166
5 171
10 172
28 194
70
Aluno(a): .
8
a
NOTA DE AULA
7 Modelos Probabilsticos para Variveis Aleatrias
Discretas
Introduo
Em muitas situaes, alguns experimentos aleatrios apresentam caractersticas bas-
tante peculiares. Este fato possibilita que, uma vez identicadas estas caractersticas, um
particular modelo probabilstico seja proposto para modelar o fenmeno em estudo.
neste contexto, que passaremos ao estudo de alguns dos principais modelos proba-
bilsticos.
7.1 Distribuio de Bernoulli
Em muitos experimentos os resultados so tais que ocorre ou no ocorre determinada
caracterstica. Por exemplo:
1. Ao lanar uma moeda: o resultado ou cara, ou no (ocorrendo, ento, coroa);
2. Ao lanar um dado: ocorre nmero par ou no (ocorrendo nmero mpar);
3. Uma pessoa escolhida ao acaso dentre 1000: ou ela do sexo masculino ou no (
do sexo feminino);
4. Uma pessoa escolhida ao acaso dentre 1000: ou ela favorvel a um determinado
projeto governamental ou no.
Em todas estes casos, estamos interessados na ocorrncia (sucesso) ou no (fracasso)
de determinada caracterstica. Ento, para cada experimento acima podemos denir uma
v.a. X, que assume valores: 1, se ocorrer sucesso, e 0, se ocorrer fracasso. E, indicaremos
por p a probabilidade de sucesso, isto , P(sucesso) = P(S) = p, 0 < p < 1.
71
Denio 7.1 (Distribuio de Bernoulli). Uma varivel aleatria X, que assume
apenas os valores 0 e 1; dita ter distribuio de Bernoulli com parmetro p, 0 < p < 1,
se sua funo de probabilidade dada por
P(X = x) =
_
p, se x = 1
1 p, se x = 0
Notao: X Ber(p).
Observao: Experimentos que resultam numa v.a. de Bernoulli so chamados en-
saios de Bernoulli.
Propriedades:
E(X) = p
V ar(X) = p(1 p)
Exemplo:
1 - Ao lanar um dado perfeito, considere a varivel X: ocorre nmero menor que 3.
Qual a distribuio de X. Obtenha os valores de E(X) e V ar(X).
7.2 Distribuio Binomial
Denio 7.2 (Experimento Binomial). Um experimento binomial consiste de n ten-
tativas independentes de um mesmo experimento aleatrio, onde cada tentativa adimite
apenas dois resultados: sucesso com probabilidade p e fracasso com probabilidade 1p.
Pode-se dizer ainda, que um experimento binomial consiste de n ensaios independentes
de Bernoulli, cuja probabilidade de sucesso em cada ensaio constante e igual a p,
0 < p < 1.
Denio 7.3 (Varivel Aleatria Binomial). Uma varivel aleatria denida como
X: nmero de sucessos num experimento binomial dita ser uma Varivel aleatria
Binomial com parmetros n e p.
Teorema 7.1. Se X uma varivel aleatria binomial com parmetros n e p. Ento
P(X = k) =
_
n
k
_
p
k
(1 p)
nk
, k = 0, 1, ..., n.
Notao: X B(n, p).
Propriedades:
E(X) = np
V ar(X) = np(1 p)
72
Exemplo:
1 - Dos estudantes de um certo colgio, 41% fumam cigarro. Numa pesquisa, pretende-
se escolher seis estudantes ao acaso para darem sua opinio sobre o fumo. Nesta
pesquisa, qual a probabilidade de
a) nenhum dos seis ser fumante?
b) todos serem fumantes?
c) pelo menos um fumar?
d) Quantos fumantes so esperados nesta pesquisa?
7.3 Distribuio Hipergeomtrica
Considere uma populao (conjunto) composta de N objetos, r dos quais tm uma
certa caracterstica A, logo, N r no tm a caracterstica A (A). Suponha que n desses
objetos so escolhidos ao acaso sem reposio e que estamos interessados na varivel
X : nmero de elementos que possuem a caracterstica A dentre os n.
Ento, a varivel denida desta forma dita ter distribuio hipergeomtrica com
parmetros N, r e n e funo de probabilidade dada por
P(X = x) =
_
r
x
_
_
Nr
n x
_
_
N
n
_ , x = 0, 1, 2, ..., min(r, n).
Notao: X hip(N, r, n).
Propriedades:
E(X) = np
V ar(X) = np(1 p)
Nn
N1
,
onde p =
r
N
a probabilidade de se obter um objeto com a caracterstica A numa
nica extrao.
Observao: Quando a populao muito grande, ou seja, N , quando
comparado com n, a retirada ao acaso, com ou sem reposio, sero praticamente equi-
valentes, de modo que a distribuio hipergeomtrica se aproxima da distribuio
binomial.
73
Exemplo:
1 - Em problemas de controle de qualidade, lotes com N itens so examinados. O
nmero de itens com defeito (atributo A), r, desconhecido, mas, digamos que,
por experincias passadas, voc sabe que em lotes de N = 100 peas, 10% so
defeituosas. Se num certo lote de 100 peas voc escolhe ao acaso 5 itens, sem
reposio, qual a probabilidade de:
a) nenhum item ser defeituoso?
b) no mais do que um item ser defeituoso?
c) Qual o nmero esperado de itens defeituosos?
7.4 Distribuio de Poisson
Suponha, agora, que o interessse num certo experimento seja contar o nmero de
ocorrncia de um certo evento, o qual pode ocorrer durante um intervalo de tempo, ao
longo de uma superfcie ou volume. Por exemplo:
1. Durante o intervalo de uma hora, observar o nmero de carros que passam numa
rodovia;
2. Ao inspecionar a pintura de um carro, deseja-se observar o nmero de falhas;
3. Ao realizar o controle de qualidade de um produto alimentcio, deseja-se conhecer o
nmero de bactrias.
Em todas estas condies poderemos trabalhar com a seguinte distribuio de proba-
bilidade.
Denio 7.4 (Distribuio de Poisson). Dizemos que a varivel aleatria X : n-
mero de ocorrncia de um certo evento num determinado intervalo de tempo, superfcie
ou volume, tem distribuio de Poisson com parmetro ( > 0) se sua funo de pro-
babilidade dada por
P(X = x) =
e
x
x!
, x = 0, 1, 2, ...
Notao: X Poisson().
Propriedades:
E(X) =
V ar(X) =
Observao: Se X tem distribuio Binomial, ou seja, X B(n, p), em que n
bastante grande com p pequeno, de sorte que np 7, ento a distribuio de X se
aproxima da distribuio de Poisson com parmetro = np, isto , X Poisson(np).
Exemplos:
74
1 - Num livro de 800 pginas h 800 erros de impresso. Qual a probabilidade de que
uma pgina contenha pelo menos 3 erros?
2 - Seja X B(200, 0, 01). Calcular P(X = 10) usando a distribuio binomial e
compare com o valor aproximado pela Poisson.
75
Aluno(a): .
7
a
LISTA DE EXERCCIOS
Modelos Probabilsticos Discretos
1 - Se X tem distribuio binomial com parmetros n e p, utilize o fato de X ser a soma
de n ensaios de Bernoulli para calcular a mdia e a varincia de X.
2 - Sabendo-se que doze por cento dos que reservam lugar num vo sistematicamente
faltam ao embarque e que o avio comporta 15 passageiros:
a) Determine a probabilidade de que todos os 15 que reservaram lugar compaream
ao embarque.
b) Se houve 16 pedidos de reserva, determine a probabilidade:
i) de uma pessoa car de fora;
ii) de nenhuma car de fora;
iii) de mais de uma car de fora.
3 - Se 3% dos habitantes de uma grande cidade so empregados do Governo, determine
a probabilidade de:
a) Nenhum ser empregado do Governo numa amostra aleatria de 50 habitantes?
b) Encontrar no mximo 3 empregados do governo na amostra do item anterior?
4 - Um fabricante de peas de automvel garante que uma caixa de suas peas conter,
no mximo, duas defeituosas. Se a caixa contm 20 peas, e a experincia tem
demonstrado que, em seu processo de fabricao, 6% das peas so defeituosas, qual
a probabilidade de que uma caixa satisfaa a garantia?
76
Aluno(a): .
8
a
LISTA DE EXERCCIOS
Distribuio Binomial
1 - Para os exerccios (a) a (e) abaixo, considere o enunciado:
Das variveis abaixo descritas, assinale quais so binomiais, e para essas d os respec-
tivos campos de denio e funo de probabilidade. Quando julgar que a varivel
no binomial, aponte as razes de sua concluso.
a) De uma urna com dez bolas brancas e 20 pretas, vamos extrair, com reposio,
cinco bolas. X o nmero de bolas brancas nas cinco extraes.
b) Refaa o problema anterior, mas dessa vez as n extraes so sem reposio.
c) Temos cinco urnas com bolas pretas e brancas e vamos extrair uma bola de
cada urna. Suponha que X seja o nmero de bolas brancas obtidas no nal.
d) Vamos realizar uma pesquisa em dez cidades brasileiras, escolhendo ao acaso
um habitante de cada uma delas e classicando-o em pr ou contra um certo
projeto federal. Suponha que X seja o nmero de indivduos contra o projeto
no nal da pesquisa.
e) Em uma indstria existem 100 mquinas que fabricam determinada pea. Cada
pea classicada como boa ou defeituosa. escolhemos ao acaso um instatnte
de tempo e vericamos uma pea de cada uma das mquinas. Suponha que X
seja o nmero de peas defeituosas.
2 - Numa certa cidade, nascem por ano 40% de crianas do sexo masculino. Nas famlias
com 4 crianas, qual a probabilidade de:
a) todas serem homens;
b) todas serem mulheres;
c) todas serem do mesmo sexo;
d) haver a mesma quantidade de homens e mulheres.
3 - De acordo com as estimativas de uma companhia de seguros, a probabilidade de
incndio numa casa de 1% ao ano. A rma segura 400 casas.
a) Se muitos dos segurados vivem em casas adjacentes, por que tal circunstncia
pode invalidar o uso da distribuio binomial?
b) Suponha que os segurados morem em casas distantes umas das outras. Qual a
probabilidade de:
77
i) 0 incndio?
ii) 1 incndio?
4 - A probabilidade de um atirador acertar o alvo 1/3. Se ele atirar 6 vezes, qual a
probabilidade de:
a) acertar exatamente 2 tiros;
b) no acertar tiro algum.
Resp.: a) 80/243 b) 64/729.
5 - Em seis lanamentos de um dado equilibrado, qual a probabilidade de ocorrer:
a) nenhuma vez a face 6;
b) 6 vezes a face 2;
c) pelo menos uma vez a face 4.
Resp.: a) 33.49% b) 0.0021% c) 66.51%
6 - Em Campina Grande, nascem por ano 52% de crianas do sexo masculino. Nas
famlias com 4 crianas, qual a probabilidade de:
a) todas serem homens;
b) todas serem mulheres;
c) todas serem do mesmo sexo;
d) haver a mesma quantidade de homens e mulheres.
Resp.: a) 7.31% b) 5.31% c) 12.62% d) 37.38%
7 - Uma prova composta de 10 questes objetivas, onde cada questo possui 5 alterna-
tivas com apenas uma correta. Sabendo-se que um estudante no sabe respond-las
e ir apelar inteiramente pela sorte. Qual a probabilidadede que:
a) acerte 5 questes;
b) erre todas as questes;
c) acerte no mnimo 3 e, no mximo 5 questes;
d) qual o nmero esprerado de questes corretas?
Resp.: a) 2.64% b) 10.74% c) 31.58% d) 2
8 - Suponha que, em um determinado vo, motores de avio falhem comprobabilidade
igual a 0.4, e independente. Suponha ainda que um avio voa com segurana se, pelo
menos, metade dos seus motores no falha. Nestas condies, um avio quadrimotor
dever ser preferido a um bimotor? Justique sua resposta!
Resp.: No! O vo com segurana do bimotor de 84%, contra 82.02% do quadri-
motor.
78
9 - Num determinado processo de fabricao 10% das peas so consideradas defeituosas.
As peas so armazenadas em caixas com 5 unidades cada uma.
a) qual a probabilidade de haver, pelo menos 1, defeituosa numa caixa?
b) Se a empresa paga uma multa de R$ 10,00 por cada caixa em que houver, pelo
menos, uma pea defeituosa, qual o valor esperado da multa num total de 1000
caixas?
Resp.: a) 40.95% b) R$4.095, 10
10 - Um produtor de sementes vende pacotes com 10 sementes cada. Os pacotes que
apresentarem mais de uma semente sem germinar sero indenizados. A probabilidade
de uma semente germinar de 0.8.
a) Qual a probabilidade de um pacote ser indenizado?
b) Se o produtor vender 1000 pacotes, qual o nmero esperado de pacotes in-
denizados?
c) Quando um pacote indenizado, o produtor tem um prejuzo de R$ 1,20, e se
o pacote no for indenizado, tem um lucro de R$ de 2,50. Qual o lucro lquido
esperado por pacote?
Resp.: a) 62.42% b) 624 c) R$0, 19
79
Aluno(a): .
9
a
NOTA DE AULA
8 Modelos Probabilsticos para Variveis Aleatrias
Contnuas
8.1 Distribuio Uniforme
Denio 8.1 (Distribuio Uniforme). Uma varivel aleatria contnua X dita ter
distribuio uniforme se a sua f.d.p. da forma
f(x) =
_
1
ba
, se a < x < b
0, caso contrrio
Notao: X U(a, b).
Propriedades:
E(X) =
a+b
2
e V ar(X) =
(ba)
2
12
(Construa um grfico que ilustre a forma da f.d.p. de uma uniforme qualquer)
Exemplo: Suponha que uma pane pode ocorrer em qualquer ponto de uma rede
eltrica de 10 Km. Obtenha a probabilidade de que uma pane ocorra em um ponto cuja
distncia seja no mximo 1 Km das extremidades.
80
8.2 Distribuio Exponencial
Denio 8.2 (Distribuio Exponencial). Uma varivel aleatria contnua X, as-
sumindo todos os valores no negativos, ter distribuio exponencial com parmetro
> 0, se sua f.d.p. dada por
f (x) =
_
e
x
, x > 0
0, c.c.
Notao: X Exp().
Propriedades:
(i) E(X) =
1
e V ar(X) =
1
2
(ii) A funo de distribuio acumulada F de uma exponencial com parmetro dada
por
F (x) = 1 e
x
, x > 0.
(iii) (Falta de memria) Para todo s, t > 0, teremos
P (X > s +t | X > s) = P (X > t) .
(Construa um grfico que ilustre a forma da f.d.p. de uma exponencial
qualquer)
Exemplo: O tempo de vida (em horas) de um transistor pode ser considerado uma
varivel aleatria com distribuio exponencial cuja mdia igual a 500 horas. De acordo
com essas caractersticas, qual a probabilidade de que um determinado transistor dure
mais do que a mdia?
81
8.3 Distribuio Normal (Gaussiana)
A distribuio Normal talvez a mais importante das distribuies de probabilidade,
por razes que possivelmente caro claras ao longo deste curso. Erros de mensurao de
fenmenos fsicos ou econmicos so freqentemente modelados pela distribuio Normal,
mas esta no a nica aplicao desta densidade. Por exemplo, a distribuio dos pesos,
alturas e QIs das pessoas numa populao tambm j foram modelados com sucesso por
esta distribuio. A distribuio Normal tem a forma de um sino, e possui dois parmetros,
e
2
.
A distribuio Normal tambm chamada de Gaussiana em homenagem ao matemtico
Carl Friederich Gauss (1777 - 1855), que a utilizou pela primeira vez na modelagem de erros
de medida. A distribuio Normal tambm funciona como uma boa aproximao para outras
densidades. Por exemplo, sob algumas condies pode-se provar que a densidade Binomial
pode ser aproximada pela Normal.
Denio 8.3 (Densidade Normal com mdia e varincia
2
). Seja X uma
varivel aleatria contnua denida nos nmeros reais. Dizemos que X tem densidade
Normal com mdia e varincia
2
se a densidade de X :
f(x) =
1
2
e
1
2
(
x
)
2
.
Notao: X N(,
2
)
Devemos dizer que o primeiro parmetro, (l-se: mi), a mdia ou o valor esperado
de X, enquanto que o segundo parmetro,
2
(l-se: sigma dois), a varincia de X. A
seguir exibimos grco das distribuies Normais com mdia zero e varincias 1, 2 e 4.
(Esboar o grfico de Distribuies Normais com mdia zero e varincias
1, 2 e 4)
Note que o mximo das densidades encontrado quando x = 0, isto , quando x
igual mdia da distribuio. Isto vale para qualquer distribuio Normal: o mximo de
f(x) obtido fazendo-se x = , onde a mdia da Normal. Tambm, quanto maior o
valor da varincia
2
, mais espalhada a distribuio.
82
8.3.1 Propriedades da Distribuio Normal
(1) f(x) dada pela expresso acima integra a 1, ou seja, a rea sob a curva da normal
igual a 1.
(2) f(x) 0, para qualquer valor real.
(3) Os limites de f(x) quando x tende a e + so iguais a zero.
(4) A densidade N(,
2
) simtrica em torno de , ou seja: f( +x) = f( x).
(5) O valor mximo de f(x) ocorre em x = .
(6) Os pontos de inexo de f(x) so x = e x = +.
Teorema 8.1. Se X N(,
2
), ento a varivel aleatria denida por
Z =
X
N(0, 1),
tem distribuio normal reduzida ou normal padro.
Observaes:
1) Se quisermos calcular a probabilidade de P(a < X < b), onde X N(,
2
),
devemos resolver a seguinte integral:
P(a < X < b) =
_
b
a
1
2
e
1
2
(
x
)
2
dx,
a qual no apresenta fcil soluo. Por isso, a soluo reduzir (ou transformar) a varivel
X para uma varivel:
Z =
X
,
que tem distribuio normal padro, e, assim obter a probabilidade de interesse na Tabela
da distribuio Normal Padro.
2) Uma das Tabelas da distribuio Normal Padro apresenta a seguinte probabi-
lidade:
P(0 < Z < z) =
_
z
0
1
2
e
x
2
2
dx
onde z um valor real positivo.
A probabilidade dada por P(0 < Z < z) corresponde a seguinte rea:
(Esboar o grfico representando a rea referente a P(0 < Z < z))
83
3) Uma outra Tabela da distribuio Normal Padro apresenta a seguinte proba-
bilidade:
P(< Z < z) =
_
z
2
e
x
2
2
dx
onde z um valor real qualquer.
A probabilidade dada por P(< Z < z) corresponde a seguinte rea:
(Esboar o grfico representando a rea referente a P(< Z < z))
8.3.2 Exemplos do Uso da Tabela Normal Padro
1. Considere X : N(100, 25), calcular:
a) P(100 X 106)
b) P(89 X 107)
c) P(112 X 116)
d) P(X 108)
2. Sendo X : N(50, 16), determinar x
, tal que:
a) P(X x
) = 0, 05
b) P(X x
) = 0, 99
84
Aluno(a): .
9
a
LISTA DE EXERCCIOS
Distribuio Normal
1 ) Se a varivel Z tem distribuio normal padro, isto , Z N(0; 1), obtenha:
a) P(0 Z 1, 96);
b) P(Z < 1, 64);
c) P(Z < 2, 57);
d) o valor z, na tabela da normal padro, tal que, P(Z < z) = 0, 025.
Resp.: a)
2 ) Seja X uma v.a, tal que, X N(100; 25), determinar:
a) P(X 108);
b) P(X = 100);
c) P(89 X 107);
d) P(12 < X < 16);
e) P(112 < X < 116);
f) P(X < 100 ou X > 106);
Resp.: a)
3 ) Uma v.a X tem Distribuio Normal, com mdia 50 e desvio padro 10, i., X
N(50; 10
2
), determine o valor de A, B e C, nos seguintes casos:
a) P(X > A) = 0, 0228;
b) P(X < B) = 0, 0668;
c) P(|X | < C) = 0, 6826;
Resp.: a)
85
4 ) Uma fbrica de carros sabe que a durao (X) dos motores de sua fabricao tem
distribuio aproximadamente normal, com mdia de 150.000 km e desvio padro de
5.000 km, ou seja, X N(150.000; 5.000
2
). Qual a probabilidade de que um carro,
escolhido ao acaso, dos fabricados por essa rma, tenha um motor que dure:
a) menos de 170.000 km?
b) entre 140.000 km e 165.000 km?
c) se a fbrica substitui o motor que apresenta durao inferior garantia (g),
qual deve ser esta garantia, para que a porcentagem de motores substitudos
seja inferior a 0, 2%?
Resp.: a)
5 ) Foi feito um estudo sobre a altura (X) dos alunos de uma faculdade, observando-se
que ela se distribuia com mdia 160 cm e varincia 64 cm
2
. Determinar:
a) P(X 176) ;
b) P(|X 160| 8) ;
c) a porcentagem dos alunos com altura acima de 180 cm.
Resp.: a)
6 ) Um fabricante de mquinas de lavar sabe, por longa experincia, que a durao
de suas mquinas tem distribuio normal com mdia 1000 dias e desvio padro
de 200 dias. Se este fabricante oferece uma garantia de 1 ano (365 dias) e produz
mensalmente 2000 mquinas, quantas mquinas ele espera trocar pelo uso da garantia
dada, mensalmente?
7 ) Avaliou-se que o tempo mdio desperdiado em cirurgias de longa durao (mais de
4 horas) uma varivel aleatria Normal com mdia de 90 min. e desvio padro de
50 min.
a) Qual a probabilidade de uma determinada cirurgia ter um desperdcio de tempo
de mais de 60 min. ?
b) Qual a probabilidade de haver um desperdcio de tempo de no mximo 50
min.?
c) 15% das cirurgias tem um tempo de desperdcio muito alto. Acima de que valor
esse tempo considerado muito alto?
d) Em 100 cirurgias de longa durao realizadas em um certo ms, quantas espe-
ramos encontrar com um desperdcio superior a 2 horas?
e) Em um determinado dia, foram realizadas 4 cirurgias de longa durao. Qual
a probabilidade de nenhuma ter tido um desperdcio superior a 50 min.?
f) Cada hora ou frao da hora desperdiada em uma cirurgia custa ao hospital
R$ 56,00. Sabendo que acima de 2 horas de desperdcio o prejuzo xo no
valor de R$ 200,00, obtenha o prejuzo esperado.
86
8 ) Numa fbrica foram instaladas 1.000 lmpadas novas. Sabe-se que a durao mdia
das lmpadas de 800 horas e desvio padro de 100 horas, com distribuio normal.
Qual a quantidade de lmpadas que duraro:
a) menos de 500 horas;
b) mais de 700 horas;
c) entre 516 e 814.
Resp.: a)
9 ) O preo de um produto se distribui normalmente com preo mdio e desvio padro
. Sabe-se que 81,98% dos preos esto situados entre (10) e (+10), sendo que,
42,07% dos preos so superiores a 600g. Baseado nessas informaes, determine
e . Resp.: a)
10 ) A vida til (em anos) de um computador pessoal tem distribuio aproximadamente
normal com mdia de 2,9 anos e desvio padro de 1,96 anos.
a) Que proporo dos computadores falhar no primeiro ano?
b) Que proporo dos computadores durar quatro anos ou mais?
c) Que proporo dos computadores durar no mnimo dois anos?
d) Que proporo dos computadores durar mais de 2,5 anos, porm menos de
quatro anos?
e) Se o fabricante adota uma poltica de garantia segundo a qual apenas 5% dos
computadores tm de ser substitudos, qual o perodo dessa garantia?
Resp.: a)
11 ) Mostre que, em qualquer distribuio normal, a rea sob a curva, determinada pelos
intervalos abaixo, sempre a mesma e independe dos parmetros da distribuio:
a) ( ; +);
b) ( 2; + 2);
c) ( 3; + 3);
Esboce um grco para cada uma dessas situaes.
Resp.: a)
87
Respostas a serem conrmadas
1 ) a) 0, 0547 = 5, 47%
b) 0%
c) 0, 9053 = 90, 53%
d) 0, 0075 = 0, 75%
e) 0, 6151 = 61, 51%
2 ) a) A = 70;
b) B = 35;
c) C = 10.
3 ) a) 0, 999968 = 99, 99%
= 100%
b) 0, 976 = 97, 6%
c) g = 135.650 km
4 ) a) 97, 72%
b) 68, 26%
c) 0, 62%
5 ) a) 1, 4
= 1
b) 841, 3
= 841
c) 553, 4
= 553
88
Aluno(a): .
10
a
NOTA DE AULA
9 Variveis Aleatrias Bidimensionais
9.1 Variveis Aleatrias Discretas
Na maioria das situaes dicilmente trabalhamos com apenas uma varivel aleatria.
muito comum estarmos interessados no comportamento conjunto de vrias variveis aleat-
rias. Trataremos aqui apenas de duas variveis, porm, os conceitos estudados aqui podem
ser expandidos de maneira anloga para mais de duas variveis.
Introduziremos o estudo atravs do seguinte exemplo:
Uma amostra de 20 alunos do primeiro ano de uma faculdade foi escolhida. Perguntou-
se aos alunos se trabalhavam, varivel que foi representada por X, e o nmero de vestibu-
lares prestados, varivel representada por Y . Os dados obtidos esto na tabela abaixo.
X no sim no no no sim sim no sim sim
Y 1 1 2 1 1 2 3 1 1 1
X no no sim no sim no no no sim no
Y 2 2 1 3 2 2 2 1 3 2
Podemos coletar as freqncias de ocorrncia dos possveis pares, construindo uma tabela
de freqncia conjunta de X e Y .
(X, Y ) freqncia
Total
Esta mesma tabela pode ser apresentada de maneira mais conveniente atravs da
tabela de dupla entrada, da seguinte forma:
89
X | Y Total
Total
Dessa forma, ca facilitada a tarefa de obter a tabela de freqncia individual para
cada varivel que, pela posio em que seus valores aparecem na tabela de dupla entrada,
chamada de tabela marginal de freqncia da varivel X (ou Y ), ou simplesmente marginal
de X (ou Y ). Temos ento para as variveis X e Y , do exemplo anterior, as seguintes
tabelas de freqncia:
X freqncia
Total
Y freqncia
Total
Observe que podemos construir as mesmas tabelas considerando as freqncias relati-
vas.
9.1.1 Funo de Probabilidade Conjunta
Iremos considerar agora o caso de variveis aleatrias discretas, denidas a partir das suas
funes de probabilidades. Iniciamos estendendo a denio de funo de probabilidade
para o caso de duas variveis.
Denio 9.1 (Funo de probabilidade conjunta(bidimensional)). Seja X
uma varivel aleatria que assume os valores x
1
, x
2
, ..., x
m
e Y varivel aleatria que
assume os valores y
1
, y
2
, ..., y
n
. A funo de probabilidade conjunta denida,
para todos os possveis pares de valores (x
i
, y
j
), i = 1, 2, ..., m e j = 1, 2, ..., n, da
seguinte forma:
p(x
i
, y
j
) = P[(X = x
i
) (Y = y
j
)] = P(X = x
i
, Y = y
j
),
isto , p(x
i
, y
j
) representa a probabilidade de (X, Y ) ser igual a (x
i
, y
j
).
Denio 9.2 (Distribuio conjunta(bidimensional) de probabilidades). Ao
conjunto de pares
{(x
i
, y
j
), p(x
i
, y
j
), i = 1, 2, ..., mj = 1, 2, ..., n},
damos o nome de distribuio conjunta de probabilidades da varivel aleatria bidimen-
sional (X, Y ), onde:
m
i=1
n
j=1
p(x
i
, y
j
) = 1
90
A distribuio conjunta de probabilidades da varivel (X, Y ) pode ser representada,
tambm, atravs de uma tabela de dupla entrada.
Exemplo 3. Uma regio foi subdividida em 10 sub-regies. Em cada uma delas, foram
observadas duas variveis: nmero de poos artesianos (X) e nmero de riachos ou
rios presentes na sub-regio (Y ). Os resultados so apresentados na tabela a seguir:
Sub-regio 1 2 3 4 5 6 7 8 9 10
X 0 0 0 0 1 2 1 2 2 0
Y 1 2 1 0 1 0 0 1 2 2
Considerando que escolhemos uma das sub-regies ao acaso, isto , cada sub-regio
tem mesma probabilidade 1/10 de ser escolhida, podemos construir a distribuio de
probabilidades conjunta de (X, Y ), tal como:
(X, Y ) P(X, Y )
Total
Cuja tabela de dupla entrada dada por:
X | Y Total
Total
9.1.2 Distribuies Marginais de Probabilidades
Quando trabalhamos com uma varivel aleatria bidimensional podemos ter o interesse em
estudar o comportamento de uma nica varivel; ou seja; em conhecer a distribuio de
probabilidade de X ou de Y . Para isto precisamos considerar a distribuio de probabilidades
conjunta de (X, Y ) representada em uma tabela de dupla entrada, tal como:
91
Tabela 1: tabela de dupla entrada para apresentar a distribuio conjunta de (X,Y).
Y y
1
... y
n
X Total
x
1
p(x
1
, y
1
) ... p(x
1
, y
n
) p(x
1
)
x
2
p(x
2
, y
1
) ... p(x
2
, y
n
) p(x
2
)
... ... ... ... ...
... ... ... ... ...
x
m
p(x
m
, y
1
) ... p(x
m
, y
n
) p(x
m
)
Total p(y
1
) ... p(y
n
) 1,0
Desta maneira, a distribuio de X ou comumente denominada de distribuio marginal
de X, pode ser obtida a partir de
p(x
i
) = P[(X = x
i
, Y = y
1
)ou(X = x
i
, Y = y
2
)ou...ou(X = x
i
, Y = y
n
)] =
n
j=1
p(x
i
, y
j
).
De modo anlogo, a distribuio marginal de Y obtida a partir de
p(y
j
) = P[(X = x
1
, Y = y
j
)ou(X = x
2
, Y = y
j
)ou...ou(X = x
m
, Y = y
j
)] =
m
i=1
p(x
i
, y
j
).
Exemplo 4. Considerando o exemplo das sub-regies, podemos calcular, atravs da
distribuio conjunta, as seguintes distribuies marginais:
X = x
i
0 1 2
P(X = x
i
)
Y = y
j
0 1 2
P(Y = y
j
)
9.1.3 Funo de Variveis Aleatrias
Em algumas situaes poder surgir o interesse em estudar o comportamento de uma
funo das variveis aleatrias, tal como: soma, produto ou alguma outra relao entre
elas. Para melhor compreender os procedimentos para se realizar tal estudo, consideremos
o seguinte exemplo:
Em uma cidade do Estado de So Paulo, admite-se que o nmero de anos para com-
pletar o ensino fundamental (varivel F) e o nmero de anos para completar o ensino mdio
(varivel M) tm distribuio conjunta dada por:
(F, M) p(f, m)
(8,3) 3/10
(8,4) 1/10
(8,5) 1/10
(9,3) 2/10
(9,4) 1/20
(9,5) 1/10
(10,4) 1/10
(10,5) 1/20
Total 1
92
Suponha agora que exista o interesse em estudar as variveis F + M e F.M. Para
isto, podemos acrescentar, tabela anterior, algumas colunas correspondentes aos valores
dessas novas variveis. Vejamos:
(F, M) p(f, m) F +M F.M
(8,3) 3/10
(8,4) 1/10
(8,5) 1/10
(9,3) 2/10
(9,4) 1/20
(9,5) 1/10
(10,4) 1/10
(10,5) 1/20
Atravs dessa tabela podemos construir a distribuio da varivel Z = F + M e
W = F.M, para isso basta somar as probabilidades nos valores comuns, por exemplo:
P(Z = 13) = P(8, 5) +P(9, 4) =
1
10
+
1
20
=
3
20
.
Procedendo de modo similar com os outros valores obtemos as funes de probabilidade
de Z e de W:
Z = z 11 12 13 14 15
P(Z = z)
W = w 24 27 32 36 40 45 50
P(W = w)
9.1.4 Associao entre Variveis
Denio 9.3 (Probabilidade condicional). Dada duas variveis aleatrias dis-
cretas denidas no mesmo espao amostral, a probabilidade condicional de X = x,
dado que Y = y ocorreu, dada pela expresso:
P(X = x | Y = y) =
P(X = x, Y = y)
P(Y = y)
, se P(Y = y) > 0.
Caso P(Y = y) = 0, a probabilidade condicional pode ser denida arbitrariamente
e adotaremos P(X = x | Y = y) = P(X = x).
93
Denio 9.4 (Variveis aleatrias independentes). Duas variveis aleatrias
discretas so independentes, se a ocorrncia de qualquer valor de uma delas no altera
a chance de ocorrncia de valores da outra. Ou seja,
P(X = x | Y = y) = P(X = x),
para todos os possveis valores (x, y) das variveis (X, Y ). Como denio alternativa
podemos usar:
P(X = x, Y = y) = P(X = x)P(Y = y),
para quaisquer (x, y).
Observao: X e Y so independentes p(x, y) = p(x)p(y), (x, y).
Se existe pelo menos um par (x
0
, y
0
) tal que:
p(x
o
, y
0
) = p(x
0
)p(y
0
)
ento, X e Y no so independentes.
Exemplo 5. Suponhamos que X e Y tenham distribuio conjunta dada pela seguinte
tabela:
X | Y 1 2 3
1 0 1/5 0
2 1/5 1/5 1/5
3 0 1/5 0
Determine as distribuioes marginais de X e Y e verique se estas variveis so
independentes.
9.1.5 Medida de Correlao entre duas Variveis
Quando as variveis no so independentes isto quer dizer que existe uma certa relao entre
as variveis. Esta relao pode ser de qualquer tipo, como por exemplo uma relao linear,
quadrtica, exponencial, etc. Nosso objetivo aqui no ser o de determinar qual o tipo
de relao que existe entre as variveis em questo e sim o de medir o grau de correlao
entre as variveis. Neste curso iremos medir o grau de correlao linear entre variveis
quantitativas discretas. Na literatura existem outras medidas de correlao, inclusive entre
variveis qualitativas, porm este no ser o nosso objetivo neste curso.
Antes de denirmos a medida de correlao linear entre as variveis vamos enunciar
algumas propriedades envolvendo o valor esperado de funes de variveis aleatrias.
94
Propriedade 1: Para variveis aleatrias X e Y , vale sempre que
E(X +Y ) = E(X) +E(Y ).
No caso do produto de duas variveis aleatrias nem sempre vlido que o valor
esperado do produto o produto dos valores esperados. Neste caso temos o seguinte
resultado:
Propriedade 2: Se X e Y so duas variveis aleatrias independentes, ento
E(XY ) = E(X)E(Y ).
Obs: A recproca desta propriedade no verdadeira, ou seja, se
E(XY ) = E(X)E(Y ),
ento no necessariamente verdade que X e Y so independentes.
Exemplo 6. Considere as variveis X e Y tendo distribuio conjunta dada por:
X | Y 2 3 4
-1 2/12 0 3/12
0 0 1/12 1/12
1 1/12 2/12 2/12
Calcule, E(X), E(Y ) e E(XY ). Depois determine se X e Y so independentes.
Denio 9.5. Uma medida de dependncia linear entre X e Y dada pela covari-
ncia:
Cov(X, Y ) = E[(X E(X))(Y E(Y ))].
Em palavras, a covarincia o valor esperado do produto dos desvios de cada varivel
em relao sua mdia.
Desenvolvendo a equao acima chegaremos em uma denio mais usual, que dada
pela seguinte expresso:
Cov(X, Y ) = E(XY ) E(X)E(Y ).
Observe que, se X e Y so independentes, ento a Cov(X, Y ) = 0; mas a recproca
nem sempre verdadeira.
A partir da covarincia, denimos uma nova medida de dependncia linear.
95
Denio 9.6 (Coeciente de correlao linear). O coeciente de correlao
linear entre as variveis aleatrias X e Y calculado pela seguinte expresso:
X,Y
=
Cov(X, Y )
Y
.
Onde,
X
e
Y
so respectivamente os desvios-padro das variveis X e Y .
A diviso pelo produto dos desvios-padro, tem a funo de padronizar a medida e
tornar possvel a comparao com outras variveis. Pode-se mostrar que |
X,Y
| 1. A
interpretao de sua expresso segue os mesmos passos da covarincia, sendo que valores
de
X,Y
prximos de 1 indicam correlao forte.
Propriedade 3: Sejam X e Y variveis aleatrias quaisquer, ento
V ar(X +Y ) = V ar(X) +V ar(Y ) + 2Cov(X, Y ).
Se X e Y so independentes, ento
V ar(X +Y ) = V ar(X) +V ar(Y ).
Exemplo 7. Calcule a Cov(F, M) e
F,M
onde F e M so as variveis aleatrias
encontradas na Sub-sub-Seo 9.1.3.
96
Aluno(a): .
10
a
LISTA DE EXERCCIOS
1 - O setor de emergncia de um pronto socorro infantil anotou o nmero de crianas
atendidas (C), de mdicos (M) e de auxiliares (A) de planto em 15 dias de atividades.
Os dados so apresentados na tabela abaixo:
Dia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
C 5 7 5 6 5 5 7 5 6 6 7 5 5 6 6
M 1 1 2 2 2 1 2 1 1 2 2 2 2 2 2
A 4 4 5 6 7 7 6 5 5 6 7 7 6 6 7
a) Determine as tabelas de freqncia marginais de C, M e A.
b) Obtenha a tabela de freqncia conjunta entre (C, M), (C, A) e (M, A).
c) Calcule a mdia das variveis M e A.
2 - Para famlias de um certo bairro de So Paulo, apresentamos abaixo a tabela de
freqncia conjunta das variveis: nmero de automveis (A) e de TVs (T).
A\ T 0 1 2 total
0 110 235 120 465
1 51 122 178 351
2 15 84 162 261
total 176 441 460 1077
a) Calcule as marginais de A e T.
b) Determine as mdias destas variveis.
3 - Uma moeda equilibrada lanada duas vezes de forma independente. Ao nal dos
lanamentos, duas variveis aleatrias so anotadas: o nmero total de caras (C) e
o nmero de coroas no 2 lanamento (K).
a) Construa uma tabela com a distribuio conjunta das variveis C e K.
b) Determine o valor esperado de C.
4 - A funo conjunta de probabilidade entre as variveis X e Y apresentada abaixo
(com algumas entradas faltando):
X\ Y -1 0 2 4 P(X)
-2 3/64 1/32 5/16
-1 1/16 1/16 0
1 1/64 11/64 1/64 5/16
2 5/64 3/64 1/32
P(Y ) 5/16 1/4 1
97
a) Complete a tabela.
b) X e Y so independentes?
c) Obtenha as marginais de X e Y.
d) Calcule a distribuio da varivel W = XY.
e) Calcule (X, Y ).
5 - A funo de probailidade conjunta entre as variveis aleatrias X e Y apresentada
na tabela abaixo:
X\ Y -2 0 2 4
-1 0,1 0,2 0,1 0,2
1 0,2 0 0,1 0,1
a) Obtenha as distribuies marginais de X e Y.
b) X e Y so independentes?
c) Calcule (X, Y ).
6 - Na caixa I existem duas bolas numeradas 0 e 1, enquanto que a caixa II contm duas
bolas numeradas -1 e 0. Uma bola retirada aleatoriamente de cada caixa, de forma
independente uma da outra. A esse experimento, associamos as variveis aleatrias:
nmero da bola retirada na caixa I (X), soma dos valores das duas bolas retiradas
(Y ) e a diferena, em mdulo, desses valores (Z).
a) Determine a distribuio de probabilidade conjunta entre Xe Y e entre Y e Z.
b) Verique se Xe Y so independentes. Idem para Y e Z.
c) Calcule a Cov(X, Y ) .
d) Obtenha V ar (X +Y ) .
7 - A varivel X Bernoulli com p = 0, 4 e Y : b(3 : 0, 5). Admita que X e Y so
independentes.
a) Determine P (X = 0 | Y = 2) .
b) Obtenha a distribuio conjunta de Xe Y e do produto W = XY.
c) Clcule E (X) , E (Y ) e E (W) e verique que E (W) = E (X) E (Y ) .
d) Determine o valor de Cov(X, Y ) e (X, Y ) .
98
Aluno(a): .
Estgio
Livro: "Estatstica Bsica". Wilton O. Bussab e Pedro A. Morettin. 5a. Edico.
Captulo 6 (Modelos de variveis aleatrias discretas):
Problema Pgina
22, 23 e 24 152
32 e 34 157
37 158
40 159
51 160
Captulo 7 (Modelos de variveis aleatrias contnuas):
Problema Pgina
13 182
19 e 20 183
35 195
40 196
Captulo 8 (Variveis aleatrias multidimensionais - caso discreto e bidi-
mensional):
Problema Pgina
2 e 3 206
4 e 5 209
10 210
13 215
17 216
99
EXERCCIOS EXTRAS
1 - Por engano 3 peas defeituosas foram misturadas com peas boas formando um lote
de 12 peas no total. Escolhendo, ao acaso, 4 dessas peas, determine a probabilidade
de encontrar:
a) Pelo menos 2 defeituosas.
b) No mximo 1 defeituosa.
c) No mnimo uma boa.
2 - Em um estudo sobre o crescimento de jacars, uma pequena lagoa contm 4 exem-
plares da espcie A e 5 da espcie B. A evoluo de peso e tamanho dos 9 jacars da
lagoa acompanhada pelos pesquisadores atravs de capturas peridicas. Determine
a probabilidade de, em trs jacars capturados, obtermos:
a) Todos da espcie A.
b) Nem todos serem da espcie B.
c) A maioria ser da espcie A.
3 - Admite-se que uma pane pode ocorrer em qualquer ponto de uma rede eltrica de 10
quilmetros.
a) Qual a probabilidade da pane ocorrer nos primeiros 500 metros? E de ocorrer
nos 3 quilmetros centrais da rede?
b) O custo de reparo da rede depende da distncia do centro de servio ao local da
pane. Considere que o centro de servio est na origem da rede e que o custo
de R$ 200 para distncias at 3 quilmetros, de R$ 400 entre 3 e 8 quilmetros
e de R$ 1.000 para distncias acima de 8 quilmetros. Qual o custo mdio do
conserto?
4 - Suponha que o valor esperado de uma varivel aleatria com distribuio Uniforme
contnua igual a 1 e a varincia 1/12. Encontre a probabilidade da varivel assumir
valores menores que 3/4.
5 - O tempo necessrio para um medicamento contra dor fazer efeito foi modelado de
acordo com a densidade Uniforme no intervalo de 5 a 15 minutos, tendo por base
experimentos conduzidos em animais. Um paciente, que esteja sofrendo dor, recebe o
remdio e, supondo vlido o modelo mencionado acima, pergunta-se a probabilidade
da dor:
a) Cessar em at 10 minutos?
b) Demorar pelo menos 12 minutos?
c) Durar mais de 7 minutos, sabendo-se que durou menos de 10?
6 - O tempo, em minutos, de utilizao de um caixa eletrnico por clientes de um certo
banco, foi modelado por uma varivel aleatria T com distribuio Exponencial cuja
mdia igual a 1/3. Determine:
100
a) P(T < 1).
b) P(T > 1 | T > 2).
c) Um nmero a tal que P(T < a) = 0,4.
7 - Para uma varivel aleatria com distribuio Exponencial de parmetro igual a 1,
determine a probabilidade de sorteamos um valor que se distancie no mximo 0,5 da
mdia.
101

Probab Il I Dade

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Probab Il I Dade

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus I

UNIDADE ACADMICA DE MATEMTICA E ESTATSTICA

grau completo, superior, ps-graduado;

) Ordenar o conjunto de dados em ordem crescente (ou descrescente);

) Identicar a posio central do conjunto de dados, ou seja, a posio onde

) Obter o valor que representa a metade do total de observaes: P

) Utilizar a seguinte regra:

(sigma). Por exemplo, se x

) Identicar a posio do percentil que se deseja encontrar, atravs da seguinte

) Utilizar a seguinte regra:

) Os extremos: o menor e o maior valor observado no conjunto de

) O primeiro e o terceiro quartil (ou junta).

Grau Superior Total marginal de X

grau e que so do interior. R: 19%.;

grau, qual o percentual de pessoas provenientes do

Grau Superior Total marginal de X

Grau Superior Total marginal de X

Grau Superior Total marginal de X

Você também pode gostar