Você está na página 1de 13

Janete Pereira Amador 1

1 Introduo

Muitas situaes cotidianas podem ser usadas como experimento que do


resultados correspondentes a algum valor, e tais situaes podem ser descritas por uma
varivel aleatria. A palavra aleatria indica que s conhecemos aquele valor depois do
experimento ter sido realizado. Desta forma, defini-se varivel aleatria como sendo uma
funo que associa nmeros reais aos eventos de um espao amostral, ou seja, os
resultados do experimento aleatrio so dados numricos.

Usa-se as letras maiscula (X, Y, Z....) para designar as variveis aleatrias, e


minsculas (x, y, z.....) para indicar particulares valores dessas variveis.
As variveis aleatrias podem ser discreta e contnuas e o seu comportamento pode
ser descrito por uma distribuio de probabilidade. No caso discreto, a distribuio de
probabilidade pode ser caracterizada por uma funo de probabilidade, que indica
diretamente as probabilidades associada a cada valor. No caso contnuo, a distribuio
caracterizada pela funo densidade de probabilidade.

Uma Varivel Aleatria uma varivel (geralmente representada por X) que tem um valor
numrico nico (determinado aleatoriamente) para cada resultado de um experimento

2 Variveis Aleatrias Discretas (VAD)

Uma varivel aleatria tem comportamento discreto quando ela admite um nmero
finito de valores ou tem uma quantidade enumervel de valores (admite apenas valores
inteiros).
A definio de uma VAD s fica completa a partir do momento em que se define a
funo de probabilidade da varivel aleatria X. Uma funo de probabilidade a funo
que associa a cada valor assumido pela varivel aleatria a probabilidade do evento
correspondente, ou seja:
Seja X uma varivel aleatria discreta. Portanto, o contradomnio de X ser
formado por um nmero finito ou enumervel de valores x1; x2;.........A cada possvel
resultado xi, associaremos um nmero p(xi) = P(X = xi), i = 1; 2; 3;......, denominado
probabilidade de xi. Ou seja
Os nmeros p(xi) devem satisfazer s seguintes condies:

a) p( xi ) 0, i ;
n
b) p ( xi ) 1
i 1
Dessa forma funo p, definida acima, denominada funo de probabilidade da
varivel aleatria X e a coleo de pares [xi; p(xi)] i = 1; 2;..........., denominada
distribuio de probabilidade de X.
Uma distribuio de probabilidades uma distribuio de freqncias relativas para os
resultados de um espao amostral; mostra a proporo das vezes em que a varivel
aleatria tende a assumir cada um dos diversos valores.
Janete Pereira Amador 2

Ex1: Lanam-se dois dados. Seja a v.a. X: soma das faces. Determinar a distribuio de
probabilidade da varivel aleatria X.
a) O espao amostral do experimento corresponde a:

b) O contradomnio de X dado por:

c)A distribuio de probabilidade de X dado por:

d) A representao grfica desta distribuio de probabilidade equivale a:

2.1 Grandezas Caractersticas

As variveis aleatrias podem ser caracterizadas por uma grandeza de tendncia


central (mdia, moda, mediana) e outra de disperso. A medida caracterizada como
grandeza de tendncia central uma mdia ponderada que recebe o nome particular de
esperana matemtica (ou valor esperado); as grandezas de disperso so a varincia e o
desvio- padro.

2.1.1 Valor esperado E(X)

Seja X uma VAD, seja p(xi) = P(X=xi) onde p a funo de probabilidade de X.


Defini-se valor esperado ou esperana matemtica de X anotado por E(X) da seguinte
forma.
n
E(X) xi p ( xi )
i 1
E(X) a mdia ponderada dos valores de X, onde as ponderaes so as
probabilidades de cada xi.
Diz-se tambm que E(X) a media da distribuio de probabilidade da varivel
aleatria X, algumas vezes anotada por . Se X puder assumir n valores igualmente
provveis.
Ex2: Considere a varivel aleatria definida no Ex1. Calcule a E(X).

2.1.2 Varincia V(X)

A varincia de uma VAD pode ser definida como a mdia ponderada das diferenas
ao quadrado entre cada resultado possvel e sua mdia aritmtica, sendo os pesos as
probabilidades de cada um dos respectivos resultados. Assim a varincia da varivel
aleatria discreta X pode ser expressa da seguinte maneira:
n
V ( X ) ( xi ) 2 P( xi ) onde :
I 1
X = varivel aleatria discreta de interesse
xi = isimo resultado de x
P(xi) = probabilidade de ocorrncia do isimo resultado de x
i= 1,2,3......,n
Janete Pereira Amador 3

A formula mais usual para se calcular a varincia corresponde a:



V ( X ) xi . p i E ( X ) 2 .
2

Algumas vezes a V(X) anotada por 2 . A raiz quadrada positiva da varincia


denominada desvio padro e anotado por ( X ) V ( X ) .
Ex3: Considere a varivel aleatria definida no Ex2. Calcule a V(X) e o (X )

Exerccios:
1. A empresa Equilibrada S:A vende trs produtos, cujos lucros e as probabilidades de
venda esto anotadas a seguir:
Produto Lucro unitrio (US$) Probabilidade de venda
(%)
A 15 20
B 20 30
C 10 50
Pede-se calcular:
a) o lucro mdio por unidade vendida:
b) o desvio padro:

2. Um empreiteiro faz as seguintes estimativas para o prazo de execuo de uma obra:


Prazo de execuo (dias) Probabilidade de execuo (%)
10 30
15 20
22 50
O prazo esperado para execuo da obra e o desvio padro, de acordo com estas
estimativas so:

3. Um investidor julga que tem 0,40 de probabilidade de ganhar $ 25.000,00 e 0, 60 de


probabilidade de perder $ 15.000,000 num investimento . Seu ganho esperado :

4. Se jogarmos um dado equilibrado qual o valor esperado numa jogada?

5. Achar a esperana e varincia das seguintes distribuies:


X fi X fi
-5 2 2 1/3
-4 4 3 1/2
1 8 11 1/6
2 7
Janete Pereira Amador 4

2.2 Distribuies de Probabilidades para VAD

Quando estudamos fenmenos observveis o que se verifica se este se


adapta as condies de determinado modelo probabilstico conhecido, desta forma torna-se
bem mais fcil descrever o comportamento do fenmeno. Assim nesta seo irmos estudar
alguns desses modelos, procurando enfatizar as condies em que eles aparecem, sua
funo de probabilidade, parmetros e como encontrar as probabilidades. Alguns modelos
so mais importantes devido ao seu maior uso. No caso de variveis aleatrias discretas as
distribuies mais importantes so:
a) a distribuio de Bernoulli;
b) a distribuio Binomial;
c) a distribuio de Poisson;
d) a distribuio geomtrica;
e) a distribuio hipergeomtrica.

2.2.1 Distribuio Binomial

Consideramos n tentativas independentes, de um experimento aleatrio. Cada


tentativa admite dois resultados: sucesso com probabilidade p (quando ocorre o evento
que estamos interessados) e fracasso com probabilidade q (quando o evento no ocorre),
logo a probabilidade total de fracasso ou sucesso p q 1 sendo assim:
a probabilidade de fracasso q 1 p
Um experimento binomial deve satisfazer as seguintes condies:
1) O experimento deve comportar um nmero fixo de provas
2) As provas devem ser independentes, isto , o resultado de qualquer prova no afeta as
probabilidades das outras provas.
3) Cada prova deve ter todos os resultados classificados em duas categorias.
4) As probabilidades devem permanecer constantes para cada prova
A probabilidade de ocorrer k sucessos em n provas ser:

P(X = k) = C nk pk qn-k sendo k = 0, 1, 2, 3, , n

n!
C nk = , que a frmula do Binmio de Newton (p + q)n, da o nome Binomial.
k! n k
Desta forma tem-se:

n!
Px . p x .q n x para x = 1, 2, .................., n
n x ! x!
com n nmero de provas
x nmero de sucessos em n provas
p probabilidade de sucesso em qualquer prova
q probabilidade de falha (fracasso) em qualquer prova ( q 1 p )
Parmetros da distribuio:
Mdia, Varincia e Desvio padro da distribuio binomial
Mdia ou valor esperado E(X)= n. p
Varincia V(X)= 2 n. p.q
Janete Pereira Amador 5

Desvio padro n. p.q


Ex: Dado que 10% populao so canhotos, suponha que se queira achar a probabilidade
de obter exatamente trs estudantes canhotos em uma turma de 15 estudantes. Isso se deve
ao fato que algumas carteiras so adaptadas para estudantes canhotos, e a probabilidade
resultante poderia afetar o nmero de tais carteiras a serem encomendadas para as salas de
aulas. Calcule tambm a E(X), V(X) e o .
Soluo:
Satisfazendo as condies para ocorrncia de um experimento binomial verifica-se que:
1. O nmero de provas fixo 15.
2. As provas so independentes, porque o fato de um estudante ser canhoto ou destro
no afeta a probabilidade de outro estudante ser canhoto.
3. Cada prova tem duas categorias de resultado: o estudante canhoto ou no .
4. A probabilidade de um estudante ser canhoto (sucesso) 0,1 e, assim, p =0,1
5. A probabilidade de falha (no-canhoto) 0,9, logo q = 0,9.
Calculando a probabilidade de 3 estudantes canhotos:

Exerccios

1. A probabilidade de um cliente aleatoriamente escolhido faa uma compra 0,20. Se


um vendedor visita seis clientes, a probabilidade de que ele far exatamente quatro
compras ser.
R:0,01536

2. Sabe-se que a probabilidade de um estudante que entrar na Universidade se formar


0,3. Determine de que dentre 6 estudantes escolhidos aleatoriamente:
a) Nenhum se forme R: 0,11765
b) Exatamente 4 se formem R: 0,0595
c) Pelo menos 3 se formem R: 0,2555

3. Numa criao de coelhos, 40% so machos. Qual a probabilidade de que nasam pelo
menos 2 coelhos machos em num dia em que nasceram 20 coelhos.
R:0,99948

4. Sabe-se que 20% dos animais submetidos a um certo tratamento no sobrevivem. Se


esse tratamento foi aplicado em 20 animais e se X o nmero de no sobreviventes:
a) Calcular a E (X) e a V(X) R: 4 e 3,2
b) Calcular P (2<X 4) R: 0,42356
c) Calcular P (X 2) R: 0,93082

5. A probabilidade de um atirador acertar no alvo num nico tiro 1 / 4 . O atirador atira


20 vezes no alvo. Qual a probabilidade de acertar:
a) Exatamente 5 vezes R: 0,20233
b) No mximo 4 vezes R: 0,41485
Janete Pereira Amador 6

2 Varivel Aleatria Contnua (VAC)

Quando uma varivel aleatria apresenta um grande nmero de resultados


possveis, ou quando a varivel aleatria em questo continua (pode assumir qualquer
valor dentro de um intervalo definido de valores), no se pode usar distribuies discretas
como a de Poisson ou Binomial para obter probabilidades. Como uma varivel contnua
inclui, em seus resultados, valores tanto inteiros como no inteiros, no pode ser
adequadamente descrita por uma distribuio discreta. Sendo assim, abordagem mais
conveniente construir uma funo densidade de probabilidade, ou curva de
probabilidade, baseada na funo matemtica correspondente.
Definio: aquela que pode tomar qualquer valor em um determinado intervalo. Diz-se
que X uma VAC, se existir uma funo f(x), denominada funo densidade de
probabilidade (fdp) de x que satisfaa s seguintes condies:

a) f(x) 0 para todo o x;


b) f ( x) dx 1;

Observaes:
Seja X uma varivel aleatria contnua com funo densidade de probabilidade f(x).
Sejam a < b, dois nmeros reais. Define-se:
, isto , a probabilidade de que X assuma valores entre os
nmeros a e b a rea sob o grfico de f(x) entre os pontos x = a e x = b.
Neste caso, tem-se tambm:
(a) P(X = a) = 0, isto , a probabilidade de que uma varivel aleatria contnua assuma um
valor isolado igual a zero. Para variveis contnuas s faz sentido falar em probabilidade
em um intervalo, uma vez, que a probabilidade definida como sendo a rea sob o grfico.
f(x) no representa nenhuma probabilidade. Somente quando ela for integrada entre dois
limites produzir uma probabilidade. P(c < x < d) representa a rea sob a curva, como
exemplificado na figura abaixo da f.d.p. f, entre x = c e x = d.
Janete Pereira Amador 7

(b) Se a < b so dois nmeros reais ento:

Neste caso a f(x) ser uma funo densidade de


probabilidade.

Ex: Seja X uma varivel aleatria contnua. Com a seguinte funo densidade de

2 x para 0 x 1

f ( x)
probabilidade verificar se a funo uma
0 para quisquer outros valores

fdp da varivel X.
1. f(x) 0
1
1
x2 12 0 2
2. f ( x ) dx 2 xdx 2 2 1
0 2 0 2 2
Como vemos f(x) uma um fdp satisfazendo as condies.

3.1 Distribuies Contnuas de Probabilidade

Em muitos problemas se torna matematicamente mais simples considerar um espao


amostral idealizado para uma varivel X, no qual todos os nmeros reais ( em algum
intervalo especfico ) passam ser considerados como resultados possveis. Desta maneira
somos levados as variveis aleatrias contnuas, principalmente quando as observaes
referem-se a medidas como comprimento, peso, temperatura, etc.
Janete Pereira Amador 8

Entende-se por distribuio contnua de probabilidade a distribuio que estiver


associada a uma varivel aleatria contnua VAC. Assim se uma varivel puder assumir
um conjunto contnuo de valores de um certo conjunto de dados, ento a distribuio de
probabilidade P(X) dita de probabilidade contnua. Desta forma, a seguir estudarmos as
seguintes distribuies de probabilidade:
Distribuio Normal
Distribuio t de Student.

Distribuio Qui-quadrado ( x2
Distribuio F de Snedecor

3.1.2 Distribuio Normal

mais importantes distribuio de probabilidade contnua, sendo aplicada em


inmeros fenmenos e utilizada para o desenvolvimento terico da inferncia estatstica. A
distribuio normal serve tambm como aproximao para um grande nmero de
distribuies.
A varivel aleatria X que tome todos os valores reais X , tem
distribuio normal com parmetros e 2 se sua funo densidade de probabilidade for
1 x
1/ 2
dada por: f ( x) e , X
2
A equao da curva Normal especificada usando 2 parmetros: a mdia
populacional , e o desvio padro populacional, ou equivalentemente a varincia
populacional 2 e devem satisfazer as seguintes condies:
a)
b) 2 > 0
Denotamos
Quando uma varivel aleatria X tiver distribuio normal anotaremos.
X N ( , 2)
A distribuio normal simtrica em torno da mdia o que implica que e mdia, a
mediana e a moda so todas coincidentes.
A distribuio Normal possui as seguintes caractersticas:

1. forma campanular, isto , possui forma de sino, sendo simtrica em relao a mdia;
2. a varivel aleatria pode assumir qualquer valor real;
Janete Pereira Amador 9

3. a rea total sob a curva 1; porque essa rea corresponde probabilidade da varivel
aleatria assumir qualquer valor real;
4. uma curva assinttica;
5. possui dois pontos de inflexo;
A configurao da curva dada por dois parmetros: a mdia e a varincia.
Mudando a mdia, muda a posio da distribuio no sentido horizontal. Mudando a
varincia, muda a disperso da distribuio fazendo com que o grfico mais achatado ou
mais alongado. Tias configuraes esto representadas na figura a seguir:

Na prtica desejamos calcular probabilidades para diferentes valores de e .


Para isso, a varivel X cuja distribuio N ( , 2) transformada numa forma
padronizada com distribuio N (0, 1) (distribuio normal padro) pois tal
distribuio tabelada. Nesse caso a funo densidade de probabilidade dada por:
1
1 z2
f ( z) .e 2 .
2
x
Teorema: Se X tiver uma distribuio normal com mdia e varincia 2 e se Z

ento Z ter distribuio normal padronizada.
X
X N ( , 2) ==> Z N (0,1)

Esse teorema usado da seguinte forma:
P( x1 < X < x2 ) = P(z1 < Z < z2), onde:

x1 x
z1 z2 2

Desta forma a varivel aleatria X transforma-se em varivel normal reduzida Z,
como podemos ver graficamente a seguir:
Janete Pereira Amador 10

68,27%
95,45%
99,73%

V-se que a nova origem 0 e o desvio padro a unidade de medida. Essa


transformao no altera a forma da distribuio, apenas refere-se a uma nova escala.
A tabela da distribuio normal fornece a probabilidade de Z tomar um valor no
superior a Z0: P(Z Z0). Tal probabilidade representada pela rea hachurada na figura a
seguir:

A importncia da distribuio normal padronizada reside no fato de que ela encontra-


se tabelada, facilitando o clculo.
Ex1: Determinar rea sob a curva normal padronizada esquerda de 1,72.
Consultando a tabela, vemos que z = 1,72
corresponde rea (probabilidade) 0,9573,
ou seja, 95,73% da rea sob a curva e acima
do eixo da v.a. reduzida esto esquerda de
Z = 1,72. o mesmo que dizermos que a
probabilidade de Z ser menor que 1,72
0,9573: P(Z <1,72) = 0,9573.

Ex2: Determinar a rea sob a curva normal padronizada abaixo de Z= - 0,53.


Na tabela, a Z = -0,53 corresponde a rea
(probabilidade) 0,2981: P(Z < 0,53) =
0,2981, isto 29,81% da rea sob a curva e
acima do eixo da v.a. reduzida Z esto
abaixo do valor z = -0,53.
Janete Pereira Amador 11

Ex3: A concentrao de um poluente em gua liberada por uma fbrica tem distribuio
N(8,1.5). Qual a chance, de que num dado dia, a concentrao do poluente exceda o limite
regulatrio de 10 ppm?
A soluo do problema resume-se em determinar a proporo da distribuio que
est acima de 10 ppm, isto P(X>10). Usando a estatstica z temos:

Portanto, espera-se que a gua liberada pela fbrica exceda os limites regulatrios
cerca de 9% do tempo.
Ex4: Sabe-se que as alturas das plantas de milho de uma certa variedade se distribuem
normalmente com mdia de 2,20m e desvio padro de 0,20m. Qual a percentagem
esperada de plantas com altura compreendida entre 2,30 e 2,35m?
X = altura das plantas; X = N (2,20 ; 0,202); P (2,30 < X < 2,35) = P (z1 < Z < z2)
2,30 2,20 0,10 2,35 2,20
z1 = 0,5 e z2 = 0,75 ento;
0,2 0,2 0,2
P (2,30 < X < 2,35 ) = P (0,5 < X < 0,75) = 0,0819 ou 8,19% corresponde a percentagem
de plantas que espera se alcanar as alturas de 2,30 a 2,35m.

Exerccios

1. Suponha que a temperatura mdia do ms de julho em Santa Maria seja normalmente


distribuda com mdia igual a 11 graus e varincia de 9 graus. Calcular a probabilidade da
temperatura:
a) Ser inferior a 6,7 graus
b) Ser superior a 5 graus
c) Estar entre 8,8 e 13,2 graus.

2. As alturas dos alunos de uma determinada escola so normalmente distribudos com


=1,60 m e = 0,30 m. Encontre a probabilidade de 1 aluno medir:
a) Entre 1,50 e 1,80 m R: 0,3747
b) Mais de 1,75 m R: 0,3085
c) Menos de 1,48m R: 0,3446
d) Qual deve ser a medida mnima para escolhermos 10% dos mais altos. R: 1,98 m

3. Os salrios dos diretores das empresas de So Paulo distribuem-se normalmente com


mdia de R$ 8000,00 e desvio padro de R$ 5000,00. Qual a percentagem de diretores que
recebem.
a) Menos de R$ 6470,00 R: 0,001107
b) Entre R$ 8920, 00 e R$ 9380,00. R: 0,02994
Janete Pereira Amador 12

3.1.3 Distribuio t de Student

A distribuio t ou Student foi estudada por Gosset em 1908 e se refere a pequenas


amostras, isto , quando n < 30. Sua curva representativa bem semelhante a curva
normal, sendo tambm simtrica em relao a ordenada mxima, mas apresentando as
extremidades com maior comprimento e mais elevadas, fato este que determina uma
varincia maior do que a distribuio normal.
Na distribuio normal verificamos que ela depende dos parmetros e . Mas na
maioria das vezes, a varincia populacional no conhecida e as investigaes ou anlises
so feitas a partir de amostras retiradas dessa populao.
A distribuio t de Student aplicada em testes de hipteses e intervalos de
confiana para mdias de distribuies normais, quando a varincia desconhecida,
partindo-se do fato de que:
X
T t(n-1) , onde S o desvio padro estimado a partir de
S
n
uma amostra de tamanho n.

Se T tiver uma distribuio t de Student com n graus de liberdade, anota-se por T tn


E(T) = 0

V(T) = , 2
2

A mdia da distribuio t corresponde a zero e sua funo de densidade dada por:


1
f (t ) K n/2
t2
1
n 1
onde:
a) - < t < +;
b) K a constante para cada valor de n;
A rea submetida a curva igual a 1 e = n - 1 e corresponde aos graus de
liberdade da distribuio. A medida que aumenta t Z, observando que ao ultrapassar
30 graus de liberdade j possvel usar a distribuio normal, pois a diferena entre os
resultados ser bastante pequena. A figura abaixo ilustra, comparativamente, as
distribuies Z e t, na qual verifica-se que o grfico de t tem a forma da normal, embora
seja mais "achatada" (menos leptocrtica).
Janete Pereira Amador 13

A tabela para a distribuio t segue uma metodologia um pouco diferente da


normal padro. Como existem muitas distribuies de t - Student, uma para cada tamanho de
amostra, no seria possvel tabel-las da mesma forma que a da normal padro. Assim cada
linha de uma tabela representa uma distribuio diferente e cada coluna representa um valor
de confiana que poder ser ou /2, isto , a tabela poder ser unilateral ou bilateral.
A linha de cada tabela fornece a distribuio t com parmetro n - 1 denominado de
graus de liberdade, isto , o grau de liberdade = n 1 = linha da tabela..
Ou seja P( t t 0 ) 1

Propriedades
A distribuio t de Student diferente, conforme o tamanho da amostra;
A distribuio tem a mesma forma geral simtrica (forma de sino) que a
distribuio normal, mas reflete a maior variabilidade (com distribuio mais amplas)
que esperada em pequenas amostras;
A distribuio tem mdia t = 0, tal como a distribuio normal padronizada, com
mdia z = 0.
O desvio padro da distribuio varia com o tamanho da amostra, mas superior a 1
ao contrario da distribuio normal padronizada, em que 1 .
Na medida em que aumenta o tamanho n da amostra, a distribuio t de Student
aproxima-se da distribuio norma padronizada. Para valores n>30, as diferenas so
to pequenas que podem utilizar os valores crticos Z.
Ex: Achar o valor de 2 pra n =7 e =1 =0,01
n 1 6 1 5
t n 1, = t 6;0, 01 =3,143 corresponde ao valor tabelado de t