Guia resumo das aulas de Estatstica Aplicada Pesquisa Cientfica

CFO Turma 34
Instrutor: 2 Ten. Czar

4. Introduo Probabilidade
4.1 Experimentos
Fenmenos determinsticos so aqueles em que os resultados so
sempre os mesmos, independente da repetio dos mesmos. Fenmenos
aleatrios so aqueles em que mesmo que as condies iniciais sejam mantidas
e fatores externos controlados, os resultados podem mudar.
Contudo, a experimentao til, pois se executarmos certos
experimentos sob condies quase idnticas, chegaremos a resultados
essencialmente iguais.
So exemplos de experimentos aleatrios:
a) Lanar uma moeda duas vezes se representarmos por C os
resultados de cara e como

os resultados de coroa, ento o conjunto

de possveis resultados dado por {

}.
b) Lanar um dado com 6 lados uma vez o conjunto de possveis
resultados {1, 2, 3, 4, 5, 6}.

4.2 Espaos amostrais e eventos
O conjunto de todos os possveis resultados chamado de espao
amostral, denotado pela letra grega O. Cada elemento desse conjunto
denominado de ponto amostral. O espao amostral depende do tipo de estudo
que se quer fazer. Por exemplo, no exemplo (b) acima, outro possvel espao
amostral {par, mpar}.
Todo subconjunto A de um espao amostral O considerado um evento.
Se o resultado de um experimento um elemento de A ento dizemos que o
evento A ocorreu. Por exemplo, no exemplo (a) acima, o evento no qual
ocorre apenas uma cara consiste dos pontos amostrais

.

4.2.1 Eventos mutuamente exclusivos e parties
Dizemos que uma sequncia A
i
de eventos mutuamente exclusiva se a
ocorrncia de qualquer evento significa que nenhum dos outros pode ocorrer
simultaneamente, isto : A
i
A
j
= |, i=j.
Dizemos que uma sequncia A
i
de eventos forma uma partio do espao
amostral (tambm chamados de eventos coletivamente exaustivos) se todos os
conjuntos so no vazios e mutuamente excludentes e sua unio igual a O,
isto :
a) A
i
= |, i;
b) A
i
so mutuamente excludentes;
c)

= O.

4.3 Combinao de eventos
Todo evento um conjunto e, assim, operaes entre conjuntos podem
ser interpretadas em funo de combinao de eventos. Sejam A e B dois
eventos de um mesmo espao amostral. Ento as seguintes combinaes so
assim interpretadas:
i) A B: ao menos um dos eventos ocorre;
ii) A B: ambos os eventos ocorre;
iii)

(complementar de A): o evento A no ocorre;

iv) A - B: acontece A, mas no B.

Sendo conjuntos, todas as relaes entre conjuntos so vlidas para
eventos, como, por exemplo, as leis de De Moivre estudadas no ensino mdio.

4.4 Abordagens de probabilidade como veremos nesse curso
A abordagem clssica de probabilidade nos diz que se um evento pode
ocorrer de h maneiras diferentes de um total de n maneiras possveis, todas elas
igualmente provveis, ento a probabilidade do evento

.
A abordagem frequencista nos diz que se aps n repeties de um
experimento (n muito grande) for observado que um evento ocorre em h dessas
repeties, ento a probabilidade do evento

. Essa a chamada
probabilidade emprica do evento.
Podemos ver a probabilidade como uma funo que atribui a cada
elemento do espao amostral um valor no intervalo [0,1]:






P() uma (funo) de probabilidade se goza das seguintes propriedades
(axiomas da probabilidade):
i. Para todo evento A, P(A) > 0;
ii. P(O) = 1;
iii. Para uma sequncia enumervel de eventos A
i
, disjuntos dois a dois,
P(A
1
A
2
...) = P(A
1
)+P(A
2
)+...

4.4.1 Regras prticas do clculo de probabilidades
a) Probabilidade do complementar: De (ii) e (iii) resulta a regra prtica:
P(

) = 1 P(A).
b) Regra especial de multiplicao: Se A
1
e A
2
so dois eventos
independentes, ento segue que: P(AB) = P(A)P(B). Dois eventos
sero considerados independentes se a ocorrncia de um no tem
efeito sobre a probabilidade de ocorrncia do outro. Isto quer dizer
que, para dois eventos independentes A
1
e A
2
(a expanso para mais
de dois eventos direta, contudo, considerando todas as combinaes
de pares, trios, ... de eventos), segue que:
i. A ocorrncia de A
1
no interfere na ocorrncia de A
2
;
ii. A ocorrncia de A
1
no interfere na no ocorrncia de A
2
;
iii. A no ocorrncia de A
1
no interfere na ocorrncia de A
2
;
iv. A no ocorrncia de A
1
no interfere na no ocorrncia de
A
2
.
c) Probabilidade condicional: s vezes til atualizar a probabilidade de
um evento ocorrer sabendo que outro j ocorreu. Essa probabilidade
denotada por P(A|B) (probabilidade de A dado B) e calculada atravs
de:
|

d) Regra geral da multiplicao: Essa regra til quando queremos obter
a probabilidade conjunta de dois eventos ocorrerem. Essa regra
estabelece que para dois eventos A e B, a probabilidade conjunta de
que os dois eventos ocorram obtida pela multiplicao da
probabilidade de que o evento A ocorra pela probabilidade condicional
de B dado que A ocorreu, isto :
P(A B) = P(A) P(B|A).
Note que essa probabilidade simtrica em A e em B.

4.5 Variveis aleatrias e distribuio de probabilidade
Tomemos o espao amostral do exemplo (a) do tpico 4.1. Represente
por X o nmero de caras dos resultados. Para cada ponto amostral h um valor
para X:
Ponto amostral

X 1 2 1 0
X nossa varivel aleatria.
Tambm podemos obter a probabilidade de cada elemento de O.

Ponto amostral

P(.)

Assim, construmos as probabilidades associadas:
P(X=0) = P(

) =
P(X=1) = P(

) = (axioma iii) P(

)+P(

) = + =
P(X=2) = P() =
assim que se distribui a varivel aleatria X. A funo de probabilidade,
denotada por f(X), dada por:

x 0 1 2
f(x)

comum diferenciar a varivel aleatria da sua ocorrncia por
representar a primeira em letra maiscula.

til classificar as distribuies de probabilidade (modelos matemticos)
em contnuas (quando a varivel aleatria est em uma escala contnua) e
discretas (quando a varivel aleatria s pode assumir um conjunto enumervel
de valores).
No caso de distribuies discretas, denota-se a probabilidade de que a
varivel X assuma um dado valor x
0
como P(X=x
0
) = P(x
0
). Contudo, no caso de
variveis contnuas, s podemos associar probabilidades a intervalos, pois a
probabilidade associada a um nmero especfico zero (verifique). Isto :
P(asXsb) =

.









a) Distribuio de probabilidade discreta b) Distribuio de probabilidade contnua

4.5.1 Esperana, varincia e correlao de variveis aleatrias
Vimos que medidas de posio e de disperso so duas informaes
importantes a respeito de um conjunto de dados. Aprenderemos aqui como
obter essas duas informaes no contexto de distribuio de probabilidade.
Por fugir ao escopo desse curso, consideraremos apenas distribuies em
que os momentos de ordem 1 e 2 so finitos.
A esperana (tambm conhecida como primeiro momento) de uma
varivel aleatria X coincide com sua mdia e dada por E(X) =

(leia esperana de X).
A varincia de uma varivel aleatria X dada por Var(X) = E(X
2
)-E
2
(X),
em que E(X
2
) (tambm conhecida como segundo momento) dada por
E(X
2
) =

e E
2
(X) = [E(X)]
2
.

A correlao entre duas variveis aleatrias X e Y dada por:
Cor(X,Y) = E(XY)-E(X)E(Y),
em que E(XY) =

e P(XY) a probabilidade conjunta das variveis X e Y.
Nos casos em que a varivel aleatria contnua os somatrios acima so
substitudos por integrais (com as devidas adaptaes).

4.5.2 Propriedades da esperana, da varincia e da correlao

Embora as demonstraes fujam ao escopo desse curso, til conhecer
as seguintes propriedades:
a) E(a) = a a esperana de uma constante a prpria constante;
b) E(aX) = aE(X)
c) E(X+Y) = E(X) + E(Y)
d) Var(a) = 0
e) Var(aX) = a
2
Var(X)
f) Cor(aX+c,bY+d) = abCor(X,Y)

4.6 Algumas distribuies discretas

4.6.1 Bernoulli
A distribuio Bernoulli utilizada para representar experimentos em
que h apenas dois resultados possveis, no necessariamente equiprovveis,
isto :
P(X = 1) = p
P(X = 0) = 1-p = q
X=1 considerado como sucesso (ou o evento ocorre).
Exemplo: Numa linha de produo, ao observar um item ao acaso,
verificar se o mesmo defeituoso ou no defeituoso.
Esperana: E(X) =

= 0P(X=0) + 1P(X=1) = p.
E(X
2
) =

= 0
2
P(X=0) + 1
2
P(X=1) = p.
Varincia: Var(X) = E(X
2
)-E
2
(X) = p-p
2
= p(1-p) = pq.

4.6.2 Uniforme discreta
A distribuio uniforme (discreta) utilizada para representar
experimentos em que todos os pontos amostrais tm igual probabilidade de
ocorrer, isto ,
P(X=k) = 1/n,
em que n o nmero de resultados possveis dessa varivel e k um dos
valores possveis para X.
Exemplo: No lanamento de um dado observado o resultado da face
superior.


Distribuio de probabilidade de uma uniforme discreta com n=6.

Se os x
i
so um conjunto ordenado e igualmente espaado, h uma forma
fechada para a esperana e varincia. Por exemplo, se x
i
= {1, 2, ..., n}, ento:
E(X) =

e Var(X) =

.

4.6.3 Binomial
A distribuio binomial utilizada para representar o nmero de
sucessos em um conjunto de n experimentos de Bernoulli independentes e com
a mesma probabilidade de sucesso p. Sua distribuio dada por:
P(X=x) = (

,
em que (

.

E(X) = np e Var(X) = np(1-p).


4.6.4 Geomtrica
A distribuio geomtrica utilizada para representar o nmero de
ensaios at a ocorrncia do primeiro sucesso em ensaios de Bernoulli
independentes com probabilidade de sucesso p. Sua distribuio dada por:
P(X=x) = p.(1-p)
x-1
.
E(X) =

e Var(X) =

.

Distribuio geomtrica para 3 valores de p.
4.6.5 Poisson
Em alguns experimentos aleatrios, de interesse observar o nmero de
ocorrncias de um evento de interesse num dado intervalo de tempo (ou de
rea, ou de volume, ...). Podemos utilizar a varivel X com parmetro como
modelo para essa contagem quando sua distribuio dada por:
P(X=x) =

.
Nesse caso, E(X) = Var(X) = .
So premissas da aplicao da distribuio Poisson:
a) O nmero de ocorrncias durante qualquer intervalo depende apenas da
extenso do intervalo;
b) As ocorrncias ocorrem independentemente, isto , o fato de haver
poucas ou muitas ocorrncias em dado intervalo no tem influncia do
que ocorre em outro intervalo;
c) A possibilidade de duas ocorrncias ocorrerem em um pequeno intervalo
extremamente pequena quando comparada com a de uma nica
ocorrncia.

Distribuio Poisson para 3 valores de .

4.7 Algumas distribuies contnuas
4.7.1 Uniforme
Utilizada quando queremos dizer que X pode assumir qualquer valor de
forma igual dentro de um intervalo contnuo. Sejam a e b (a<b) os limites desse
intervalo. Ento
f(x) = {

.
E(X) =

e Var(X) =

.


Distribuio uniforme com a=1 e b=5.


4.7.2 Exponencial
Utilizada quando queremos estudar, por exemplo, tempos de vida ou
taxa de sobrevivncia. Sua distribuio dada por
f(x) = {

.
E(X) =

e Var(X) =

.


Distribuio exponencial para 3 valores de .

4.7.3 Normal (ou gaussiana)
Essa uma varivel aleatria muito importante e utilizada em uma gama
gigantesca de aplicaes. Sua distribuio dada por
f(x) =

, para -<x<.
A notao X
~
N(,o
2
). Essa funo simtrica em torno de e logo,
sua mdia, mediana e moda so iguais: E(X) = . Sua varincia dada por
Var(X) = o
2
.

Infelizmente as integrais decorrentes do clculo de probabilidades para a
distribuio normal no tm frmula fechada. Portanto, til aprender as
seguintes relaes:
a) Se X
~
N(,o
2
), ento Y = aX+b ~ N(a+b,a
2
o
2
), sendo a e b duas
constantes quaisquer.
b) (Decorre de (a) acima) Se X ~ N(,o
2
), ento Z =

~ N(0,1).
Z conhecida como normal reduzida (ou normal padro) e suas
probabilidades so dadas em tabelas. Assim, todo problema envolvendo uma
varivel normal qualquer se reduz a um problema envolvendo uma normal com
mdia 0 e varincia 1.
A distribuio normal serve de aproximao para a distribuio binomial
quando n muito grande. Isso facilita bastante o clculo de probabilidades
nessas situaes. Veremos como utilizar essa propriedade mais adiante.
A tabela a seguir vai ser muito til para o clculo de probabilidades
(utilizando a propriedade (b) anterior).



Tabela de probabilidades da N(0,1) do tipo


4.8 Aproximao da binomial pela normal
s vezes prtico usar uma conhecida aproximao para obter
probabilidades na distribuio binomial. A justificativa foge ao escopo desse
curso, de modo que aprenderemos apenas como utilizar essa aproximao.
No nosso curso, a nica condio para esse uso ser: np(1-p)>10.
Ex.: Uma prova constituda de 20 testes com 4 alternativas cada. Um aluno
que no estudou a matria decide respond-los ao acaso. Qual a probabilidade
de acertar 50% ou mais das questes?
Usando a distribuio binomial (n=20, p=1/4), teramos que calcular a soma
(

) (

, que tem 11 parcelas. Sabendo que E(X)=np=5 e

Var(X)=np(1-p)=3,75, aproximamos pela normal com =5 e o
2
=3,75. Para obter
os valores na tabela da N(0,1) aplicamos a conhecida transformao:
(

)
Isto , cerca de meio por cento.