Você está na página 1de 153

Clculo de Probabilidades

Antonio Fernando Beraldo

Departamento de Estatstica
ICE UFJF

Verso Final Compacta 2014

Coordenao, criao do ambiente grfico e do repositrio de arquivos, e


programao em LATEX:
Raphael de Freitas Saldanha

Reviso e digitao:
Ana Darc da Silva
Bruno Alves Simes
Diego Augusto
Elisa Lancini Nogueira
Letcia Vale de Lima
Lucas Silva Novais
Marcelle Souza Pinto
Mirela Rigolon Valinote
Natlia Ferreira de Azevedo
Paula Bottoni
Ramon Goulart
Rosiany Grosman
Stfani Ferreira
Vanessa Castro Abreu
Victor Lopes Costa Serra
Willian Costa
Apresentao
Esta Apostila o segundo volume de um conjunto de textos preparados para os alunos
dos cursos de Graduao e Ps-Graduao que possuem disciplinas de Estatstica em
sua grade curricular. Os textos abordam os seguintes temas:

Apostila Contedo
I Estatstica Descritiva
II Clculo de Probabilidades
III Teoria da Amostragem, Inferncia e Testes Estatsticos

Em cada captulo das Apostilas procuramos sintetizar os contedos, em textos breves


de exposio dos conceitos, seguidos de exemplos de aplicaes das frmulas.

Outros materiais didticos, referenciados no corpo das Apostilas, esto dispon-


veis no site do Professor:

http://www.ufjf.br/antonio_beraldo

A. F. Beraldo iii
Agradecimentos
Este um trabalho que reflete a experincia - e aprendizagem - do ensino de
Estatstica e a valiosssima contribuio dos alunos nestes 23 anos de atividades na
Universidade Federal de Juiz de Fora, como tambm a prtica da aplicao da Estatstica
em dezenas de dissertaes e teses de mestrandos e doutorandos de diversas IES do Pas.
Sem esta contribuio, este trabalho no existiria.

Em destaque, agradeo ao estmulo do amigo e parceiro professor Lourival Batista de


Olivrira Jr., da Faculdade de Economia da UFJF. Este trabalho tambm deve, e muito,
aos alunos monitores, pela sua pacincia meticulosa, e pelo trabalho cuidadoso.

A todos os alunos que, com suas crticas e sugestes, me ensinaram o como, o quando
e o qu.

Esta segunda Apostila dedicada, in memoriam, a

Gabi
(1994 - 2006)

Et, des pieds jusques la tte,


Un air subtil, un dangereux parfum
Nagent autour de son corps brun.

Charles Baudelaire, Les Fleurs du Mal.

A. F. Beraldo v
Sumrio
Sumrio vi

1 Introduo ao Clculo de Probabilidades 1


1.1 Conceitos e definies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Caractersticas de um Experimento Aleatrio . . . . . . . . . . . . 3
1.1.2 Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.3 Espao amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Probabilidade: definies . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Definio Clssica de Probabilidades . . . . . . . . . . . . . . . . 10
1.2.2 Definio Frequencista de Probabilidade . . . . . . . . . . . . . . 12
1.2.3 Definio Axiomtica de Probabilidade . . . . . . . . . . . . . . . 17
1.3 A Lei da Soma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 A Lei da Multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5 Probabilidade Condicional: o Teorema de Bayes . . . . . . . . . . . . . . 24

2 Distribuies de Probabilidades de Variveis Aleatrias Discretas 29


2.1 Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Distribuio de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.1 Funo de Densidade Acumulada . . . . . . . . . . . . . . . . . . 41
2.3 Esperana Matemtica E(X) . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.1 Propriedades da Esperana . . . . . . . . . . . . . . . . . . . . . . 45
2.4 Varincia de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . 45
2.4.1 Propriedades da varincia . . . . . . . . . . . . . . . . . . . . . . 48
2.5 Assimetria e Curtose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5.1 Assimetria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5.2 Curtose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.6 Pensando Probabilisticamente: os Modelos de Probabilidades . . . . . . . 55
2.7 As Provas de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.8 Distribuio Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.9 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.10 Distribuio Binomial Negativa (ou de Pascal) . . . . . . . . . . . . . . . 76
2.11 Distribuio Hipergeomtrica . . . . . . . . . . . . . . . . . . . . . . . . 77
2.12 Distribuio Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.13 Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

vi A. F. Beraldo
SUMRIO

3 Modelos de Variveis Aleatrias Contnuas 89


3.1 Variveis Aleatrias Contnuas . . . . . . . . . . . . . . . . . . . . . . . . 89
3.2 Parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.2.1 Esperana Matemtica . . . . . . . . . . . . . . . . . . . . . . . . 93
3.2.2 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.3 Distribuio Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.4 Distribuio Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.5 Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.5.1 Aproximao entre as Distribuies Binomial e Normal . . . . . . 121
3.6 Distribuio t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.7 Distribuio do Qui-quadrado . . . . . . . . . . . . . . . . . . . . . . . . 126

4 Formulrios e tabelas 131


4.1 Lista de somatrios e sries . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.2 Tbua de Derivadas e Integrais . . . . . . . . . . . . . . . . . . . . . . . 133
4.2.1 Derivadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.2.2 Integrais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.3 Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.3.1 Coeficiente do Binmio
  de Newton. Combinao de N objetos,
N
tomados k a k: k . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.3.2 Fatorial de N N ! . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.3.3 Valores de e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.3.4 Logaritmos naturais ln x . . . . . . . . . . . . . . . . . . . . . . . 139
4.3.5 reas sob a Curva Normal Padronizada, entre 0 e z . . . . . . . . 140
4.3.6 Valores dos percentis da Distribuio t de Student . . . . . . . . . 141
4.3.7 Distribuio do Qui-Quadrado para Testes de Hiptese (Teste de
Unilaterais) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

A. F. Beraldo vii
1 Introduo ao Clculo de Probabilidades
No fundo, a Teoria das Probabilidades
apenas o bom senso, expresso em nmeros.

Laplace1

Nesta Apostila estudaremos as primeiras noes do Clculo de Probabilidades, de


importncia fundamental na Estatstica. Aquilo que hoje uma ferramenta bsica nas
Cincias e nos Sistemas de Apoio s Decises, entre outros usos, comeou como uma
curiosidade entre matemticos franceses do sculo 17, a partir da preocupao de um
nobre da corte, viciado em jogos de azar - a moda da poca.

Conta a Histria que, por volta de 1650, o Chevalier de Mr2 (1607-1684), um nobre
francs, encontrou-se com o matemtico Blaise Pascal, em uma viagem. Comearam
a conversar para fazer passar o tempo, e de Mr pediu a Pascal uma soluo para
um problema que intrigava os jogadores havia muito tempo: se um jogo tivesse que ser
interrompido, por um motivo qualquer, como seriam determinadas as perdas e os ganhos
de cada jogador? E mais: ser que no haveria, por trs dos resultados dos jogos de
azar, alguma regra, ou algum clculo que nos permitisse prever estes resultados? Pascal
achou o problema interessante, e comeou a pensar sobre o assunto. Era uma poca em
que a intensa matematizao das Cincias Naturais comportava anseios deste tipo: uma
explicao matemtica para um fenmeno aparentemente aleatrio...

Durante alguns anos, Pascal manteve correspondncia com outros estudiosos de


matemtica da sua poca, principalmente Pierre de Fermat. Alguns matemticos,
como Cardano - um sculo antes -, j tinham estudado problemas ligados aos jogos de
azar, mas estes trabalhos foram esquecidos. Pascal e Fermat tiveram que praticamente
recomear do nada3 .
1
Pierre Simon de Laplace
2
Antoine Gombaud, chevalier de Mr (1607-1684)
3
Interessante notar que esta inveno (o Clculo das Probabilidades), em seu comeo, ficou restrita
unicamente correspondncia entre Pascal e Fermat. Apenas um pequeno trabalho, de Cristiaan
Huygens (1629-1695), em 1657, abordou este assunto. J nesta poca, Pascal tinha abandonado a
matemtica e se dedicado Teologia. Fermat morreu em 1665, e o Clculo de Probabilidades s foi
retomado em 1671, por Jan de Witt (1629-1672), em um estudo sobre expectativa de vida e aplices
de seguro.

A. F. Beraldo 1
1. Introduo ao Clculo de Probabilidades

E comearam fixando alguns conceitos, que formam a base do Clculo de Probabi-


lidades. Este sistema que ser a nossa maneira de raciocinar, daqui para frente. E
curioso notar que uma cincia que comeou a partir de consideraes sobre jogos de azar
tornar-se-ia o mais importante objeto do conhecimento humano 4 .

Mas, afinal, o que quer dizer esta palavra, probabilidade? Se voc recorrer ao
dicionrio, encontrar algumas definies genricas ou tautolgicas, como qualidade
daquilo que provvel. Isto no nos serve, em termos de Estatstica. O Clculo das
Probabilidades, assim como as outras Matemticas, como a Geometria ou a lgebra,
parte de algumas definies bsicas, de alguns conceitos iniciais, sobre os quais se
desenvolve a teoria e a prtica. Este captulo trata disso.

1.1 Conceitos e definies


Existem dois tipos de fenmenos: os determinsticos e os no-determinsticos.
Os fenmenos determinsticos so aqueles estudados, por exemplo, na Fsica e na
Qumica do ensino mdio. Quando fazemos uma experincia no laboratrio, todas as
condies do experimento so controladas: a temperatura, a umidade, a luz ambiente.
Quando passamos uma corrente eltrica por uma resistncia, j sabemos exatamente
o que ir ocorrer - os fenmenos de transformao de energia, de gerao de calor,
de mudana de colorao, etc. Se, no laboratrio de Qumica, reagirmos um cido
com uma base, sero produzidos sal e gua. A reao N aOH + HCl sempre produziu
N aCl + H2O, e ir produzir o mesmo resultado sempre que repetirmos a experincia.
Se um corpo parte do repouso, em movimento retilneo com velocidade uniforme v, o
espao x percorrido ao fim de um tempo t ser dado por x = x0 + vt. Um corpo em
queda livre, no vcuo, segue as condies conforme a figura 1.1, a seguir.

4
Laplace, Pierre Simon, Thorie Analytique des Probabilits, 1812

2 A. F. Beraldo
1.1 Conceitos e definies

Neste tipo de experimento, de causa e efeito,


procuramos controlar e variar as causas, medindo
seu efeito (ou seus efeitos). Quando um corpo cai
em queda livre, e o faz sob a ao da gravidade,
podemos considerar ou no a resistncia do
ar, podemos imprimir uma acelerao inicial,
podemos retardar sua queda ou modificar sua
trajetria alterando sua forma, enfim, podemos
controlar a experincia a fim de medir os
resultados provocados pela variao das condies.

Figura 1.1: Corpo em Resumindo, fenmenos determinsticos ocorrem


queda livre sempre da mesma maneira e as mesmas causas
produziro os mesmos efeitos.

No caso do fenmeno, ou do experimento no-determinstico, acontece o oposto.


Veja as caractersticas de um fenmeno no-determinstico, ou aleatrio .

#
1.1.1 Caractersticas de um Experimento Aleatrio
As caractersticas de um Experimento Aleatrio no-determinstico so:

1. Antes de realizarmos o experimento, sabemos todos os possveis resultados que


podem acontecer;

2. No entanto, no sabemos qual resultado, em particular, ir efetivamente ocorrer;

3. Todo e qualquer resultado que efetivamente ocorra, ser unicamente devido ao


acaso;

4. O Experimento Aleatrio pode ser repetido infinitas vezes, sob as mesmas


condies.

Nota: Rigorosamente falando, estas caractersticas so de um fenmeno aleatrio


puro. Isto apenas um ponto de partida, til para o estudo das probabilidades, embora
saibamos que estas caractersticas aplicam-se, para fins de exemplos, apenas a jogos de
azar no-enviesados (honestos).

Na vida prtica, iremos lidar com fenmenos no to aleatrios, ou seja, fenmenos


em que h fatores associados5 s ocorrncias.
5
Note que no podemos falar em causalidade, e sim, em associao que pode ser forte ou fraca,
com suas gradaes. A associao de fatores ligados ocorrncia de um fenmeno estudada na
Apostila V Anlise Estatstica de Dados. Lembre-se: causalidade uma caracterstica de eventos
determinsticos, apenas.

A. F. Beraldo 3
1. Introduo ao Clculo de Probabilidades

Leia de novo o texto da pgina anterior. No faz


lembrar as caractersticas de um jogo de azar? Pois
isso mesmo (lembre-se do comeo histrico do
Clculo de Probabilidades, a conversa entre Pascal
e de Mr). Quando voc rola um dado, voc sabe
que ir ocorrer (sair) uma das seis faces do dado:
Face 1, Face 2, Face 3, Face 4, Face 5 ou Face 6.
Apenas uma face ir ocorrer, mas voc no sabe
qual delas ir sair. Se seu dado honestoa (e
voc tambm), voc no fora nenhum resultado,
e aquilo que acontecer ser obra do acaso (ou da
sorte, ou do azar, ou do destino, ou das foras do
Bem, como queira ...). E voc pode rolar o dado
quantas vezes quiser, que ele continua com as mesmas
seis faces, do mesmo tamanho, com o mesmo peso,
Figura 1.2: Dados de jogar etc. E na prxima vez que voc jogar, voc est de
frente com as mesmas situaes: sei quais os possveis
resultados, no sei qual ir ocorrer, tudo depende do
acaso, etc.
a
Honesto, em Estatstica, a qualidade de um objeto ser
perfeitamente homogneo e simtrico, em suas caractersticas
fsicas e geomtricas.

A palavra acaso, em Estatstica, significa que o experimentador no intervm no


processo, no monitora o experimento nem fora (enviesa) algum resultado.

Acaso pode ser tambm a medida da nossa ignorncia sobre as associaes de


fatores a um determinado resultado. Quando no sabemos o que pode influir em um
resultado de um experimento (aleatrio), falamos que devido ao acaso.

Em experimentos determinsticos, variamos as causas e as condies do experimento


para medir seus reflexos nos efeitos. No caso do experimento aleatrio, ao contrrio, por
no sabermos qual ser o resultado a ocorrer, nos interessa medir a probabilidade de
ocorrncia dos diversos resultados possveis. Nos interessa saber se um resultado
mais, ou menos, provvel do que outro. De uma certa forma, estamos jogando com
resultados.

4 A. F. Beraldo
1.1 Conceitos e definies

Exemplo 1.1. Coloque D (determinstico) ou A (aleatrio), conforme o caso, nos


seguintes fenmenos:

 Um nibus espacial deve entrar na atmosfera da Terra segundo um ngulo e uma


velocidade especficas. Caso haja algum erro nessas medidas, ou haja falha no
material de revestimento, a nave ir se incendiar.

 Joo gosta de apostar no jogo do bicho, todos os dias, e aposta sempre no elefante
(12). Segundo suas contas, j apostou 2.350 vezes, e acertou mais de 200 vezes, e
diz que seu mtodo infalvel, pois, a cada 25 dias, sempre haver um dia que vai
dar elefante.

 Jos se prepara para o vestibular, e o primeiro lugar no cursinho onde estuda alm
de ter sido sempre um dos melhores alunos nas escolas por onde passou. Assim,
no h dvida de que seu lugar na universidade est garantido.

 Meu time vai ganhar o campeonato, sem dvida! Li no jornal que toda vez que um
time perde no primeiro jogo, em noite de lua nova, com 3 jogadores cujos nomes
comeam com a letra C, termina invariavelmente em primeiro lugar?

Respostas comentadas

D Um nibus espacial deve entrar na atmosfera da Terra segundo um ngulo e uma


velocidade especficas. Caso haja algum erro nessas medidas, ou haja falha no
material de revestimento, a nave ir se incendiar.
Este um tpico evento determinstico, ou seja, sob as mesmas condies, provocar
sempre os mesmos resultados. O nibus espacial entra na atmosfera terrestre a
uma razo de descida de 10 mil metros por minuto. O ngulo com que o nibus
espacial entra na atmosfera crtico. Caso seja excessivo, o planador poder
saltar sobre o topo da atmosfera assim como uma pedra plana salta sobre a gua
ou estolar medida em que a crescente densidade do ar representar uma maior
resistncia. A recuperao de qualquer um desses eventos bem improvvel. Um
ngulo de ataque muito pequeno resultaria em velocidade excessiva e aquecimento
por atrito capaz de danificar os bordos de ataque das asas. 6

6
Ver Colunas aeronuticas, em http://www.airandinas.com/shuttle.html

A. F. Beraldo 5
1. Introduo ao Clculo de Probabilidades

A Joo gosta de apostar no jogo do bicho, todos os dias, e aposta sempre no elefante
(12). Segundo suas contas, j apostou 2.350 vezes, e acertou mais de 200 vezes, e
diz que seu mtodo infalvel, pois, a cada 25 dias, sempre haver um dia que vai
dar elefante.
H um tendncia natural das pessoas em tentar achar leis que predeterminam
resultados de um jogo alm das famosas interpretaes de sonhos, nada
freudianas. O raciocnio de Joo est parcialmente correto, ou seja, a esperana7
deste palpite que d elefante em um dia, a cada 25 dias (so 25 bichos no jogo).
Mas isto no infalvel, assim como pode acontecer de dar elefante em 10 dias
seguidos! Porm, a chance disto acontecer 0,00000000000001, ou seja, nenhuma.

A Jos se prepara para o vestibular, e o primeiro lugar no cursinho onde estuda


alm de ter sido sempre um dos melhores alunos nas escolas por onde passou.
Assim, no h dvida de que seu lugar na universidade est garantido.
No, infelizmente, garantido no est, uma vez que existem vrios fatores que
afetam o desempenho de um candidato (para melhor ou para pior). Dizendo de
outra forma, podem ocorrer mudanas nas condies em que ocorre o fenmeno.

A Meu time vai ganhar o campeonato, sem dvida! Li no jornal que toda vez que um
time perde no primeiro jogo, em noite de lua nova, com 3 jogadores cujos nomes
comeam com a letra C, termina invariavelmente em primeiro lugar?
Isto pura conversa fiada de jornal .. para vender jornal. Embora sorte (e azar)
estejam quase sempre presentes no esporte e isso faz parte do seu encanto, assim
como a superstio e todo o folclore que no para de crescer, no se pode tratar uma
competio esportiva nem como um fenmeno determinstico nem como aleatrio.
E, tambm, no se pode considerar palpites, mesmo vindo de especialistas,
como algo matematicamente tratvel. No entanto, h um campo no Clculo de
Probabilidades que tem se desenvolvido muito o que se convencionou chamar
de probabilidade epistmica ou subjetivista8 . Procura-se, atravs de modelos
elaborados por pessoas conhecedoras do esporte, diminuir o nvel de aleatoriedade
das previses. Mas, muitas vezes aparece um azaro para complicar?

7
Esperana um termo tcnico do Clculo de Probabilidades. um conceito que ser estudado
no captulo 2.
8
A este propsito, ver
http://www.ilea.ufrgs.br/episteme/portal/pdf/numero18/episteme18_artigo_portugal1.pdf

6 A. F. Beraldo
1.1 Conceitos e definies

1.1.2 Eventos
Um resultado possvel do Experimento Aleatrio, ou um conjunto de resultados
possveis, chamado evento. Por exemplo, as faces do dado so cada uma delas um
evento, chamado evento unitrio (aquele que no pode ser decomposto). Os eventos
de um experimento podem ser tratados como conjuntos. Assim, temos:

Figura 1.3: Conjunto interseo Figura 1.4: Conjunto vazio

Na Figura 1.3, temos dois conjuntos, A e B (ou dois eventos, A e B) que possuem
um conjunto interseo (leia-se A e B). Na Figura 1.4, os eventos A e B no possuem
elementos em comum, logo o conjunto interseo vazio.

Figura 1.5: Conjunto unio


A B (leia-se A ou B)

A. F. Beraldo 7
1. Introduo ao Clculo de Probabilidades

1.1.3 Espao amostral


Espao amostral o conjunto de todos os eventos de um experimento aleatrio.
Todos os resultados possveis do experimento so agrupados neste conjunto, que identi-
ficamos pela letra .

Figura 1.6: Espao amostral

Os espaos amostrais so, tecnicamente, os resultados (valores) que uma varivel


pode apresentar. Ento, podemos ter espaos amostrais com eventos qualitativos ou
quantitativos. Os eventos qualitativos podem ser dicotmicos ou politmicos, e os
eventos quantitativos podem ser discretos ou contnuos veja apostila Estatstica I.
Exemplo 1.2. Descreva o Espao Amostral para os seguintes experimentos aleatrios
.
#

1. lanamento de um dado;

2. sexo de um recm-nascido;

3. retirada de uma carta de um baralho;

4. estado de um equipamento;

5. resultado de um jogo de futebol;

6. resultado de um campeonato de futebol com 10 times;

7. resultado de um investimento em aes na bolsa de valores, ao fim de um perodo;

8. cotao do dlar ao final do ano.

8 A. F. Beraldo
1.1 Conceitos e definies

1. Lanamento de um dado
Este um experimento aleatrio clssico. Os eventos unitrios so 6 (seis) o
dado um slido regular com 6 lados iguais (um cubo, ou hexaedro), ou 6 faces
iguais. Podemos, ento, descrever o espao amostral como composto de 6 eventos
unitrios:

= {F 1, F 2, F 3, F 4, F 5, F 6}

2. Sexo de um recm-nascido
Supondo que o sexo de uma criana recm-nascida seja um evento aleatrio, e
sendo que existem 2 sexos (masculino e feminino), dizemos que o espao amostral
como composto de 2 eventos unitrios:

= {M, F }

Ou, melhor

= {M, M }

Leia-se masculino e no-masculino.

3. Retirada de uma carta de um baralho


Um baralho tem 52 cartas, agrupadas em 4 naipes. O espao amostral como
composto de 52 eventos unitrios:

= {A, 2, 3, 4, , K, A, 2, 3, K, , A, , K}

4. Estado de um equipamento
Seja, por exemplo, um aparelho de TV. Podemos adotar, para simplificar, dois
estados: funcionando (F ), e no funcionando (F )

5. Resultado de um jogo de futebol


Seja o jogo entre os times A e B. Os eventos so os seguintes: (V)itria do time
A, (E)mpate entre A e B, e (D)errota de A. Ento, temos

= {V, E, D}

A. F. Beraldo 9
1. Introduo ao Clculo de Probabilidades

6. Resultado de um campeonato de futebol com 10 times


Supondo que haja critrios de desempate na classificao final, temos:

= {1o , 2o , 3o , , 9o , 10o }

7. Resultado de um investimento em aes na bolsa de valores, ao fim de


um perodo
Podemos descrever este resultado utilizando um espao amostral com os resul-
tados lucro, prejuzo e empate. Contudo, e mais rico em informaes,
podemos supor que o resultado seja uma evoluo descrita pela razo R =
Valor carteira final
, e que esta razo R possa, teoricamente, variar entre 0 (zero)
Q Q
Valor carteira incio
e +. Ento, o espao amostral ser = {x|x + } ( + : conjunto dos nmeros
racionais positivos).

8. Cotao do dlar ao final do ano


Idem ao exemplo anterior, = {x|x Q+}, sendo x a cotao do dlar.
1.2 Probabilidade: definies
As definies e os conceitos dados na seo anterior devem estar bem entendidos para
que voc prossiga no estudo das Probabilidades. Nesta seo, vamos entrar, finalmente,
na parte bsica da teoria: as definies de Probabilidades. Aqui vamos estudar duas
definies: a clssica e a frequencista. Uma outra definio, a axiomtica, ser
apresentada um pouco mais adiante.

1.2.1 Definio Clssica de Probabilidades


Esta definio amplamente utilizada na teoria dos jogos e em exerccios e demons-
traes de teoremas. Consiste no seguinte: se um experimento aleatrio gera um espao
amostral composto de n eventos unitrios9 Ei , de forma que seja:

= {E1 , E2 , E3 , , En }

A probabilidade de ocorrncia de um evento qualquer P (E) dada pela relao:

nE
P (E) = (1.1)

9
Evento unitrio aquele que no pode ser decomposto. Por exemplo, Face 4 um evento unitrio,
Face 4 ou 5 um evento composto.

10 A. F. Beraldo
1.2 Probabilidade: definies

na qual P(E) a probabilidade de ocorrncia de um evento, nE o nmero de


maneiras com que E pode ocorrer e o tamanho do conjunto espao amostral.

Por exemplo, se em uma urna colocamos 10 bolas, sendo 3 vermelhas, 2 azuis e 5


bolas pretas, ao sortearmos uma bola desta urna, as chances so:

P(bola vermelha) = 3/10 , pois temos 3 bolas vermelhas possveis de serem


sorteadas, num total de dez bolas;

P(bola azul) = 2/10 , pois temos 2 bolas azuis possveis de serem sorteadas, num
total de dez bolas;

P(bola preta) = 5/10 , pois temos 5 bolas pretas possveis de serem sorteadas,
num total de dez bolas.

Note que, ao determinarmos estas probabilidades, admitimos


que todas as bolas dentro da urna possuem a mesma
probabilidade de serem sorteadas. Em outras palavras,
nenhuma bola tem mais chances de ser sorteada do que
qualquer outra. Este espao amostral composto de eventos
Figura 1.7: Urna unitrios equiprovveis.

Note tambm que as bolas s possuem uma cor, cada, ou seja, no existem bolas
com duas cores.

Voltando ao exemplo anterior, qual a probabilidade da bola sorteada ser azul ou


preta? Aplicando a frmula, vemos que existem 7 maneiras de uma bola ser azul
ou preta: 2 maneiras (2 bolas) azuis e 5 maneiras (5 bolas) pretas. Da que a
probabilidade da bola sorteada ser azul ou preta.

2+5 7
P (A ou P ) = =
10 10

Observao: A probabilidade de ser azul ou preta expressa da seguinte forma:

P (A P )

Outro exemplo: ao lanarmos um dado, o espao amostral gerado por este experi-
mento dado por

= {F 1, F 2, F 3, F 4, F 5, F 6}

A. F. Beraldo 11
1. Introduo ao Clculo de Probabilidades

Assumindo que uma face do dado tem a mesma probabilidade de sair como
qualquer outra face, temos outro espao amostral equiprovvel10 , e que, por exemplo,
a probabilidade de sair face 4, P (F 4) dada por

1
P (F 4) =
6

pois o dado possui 6 faces distintas, equiprovveis, e apenas uma face a face 4.

1.2.2 Definio Frequencista de Probabilidade


At agora, estudamos casos em que o espao amostral possui seus eventos unitrios
equiprovveis. Porm, existem casos em que os eventos unitrios constantes do espao
amostral possuem probabilidades de ocorrncia indeterminadas. Neste caso, temos que
repetir o experimento inmeras vezes para determinar de que modo os eventos ocorrem
ou, em outras palavras, a frequncia com que os eventos ocorrem. Por exemplo, seja
a frequncia de nascimentos de crianas em uma maternidade, segundo o atributo sexo,
em alguns meses do ano:

10
Esta caracterstica de alguns espaos amostrais serem constitudos de eventos equiprovveis aceita
intuitivamente, mas no demonstrvel. Admite-se, simplesmente, que uma face de um dado possui
a mesma probabilidade de ocorrer do que qualquer outra - uma vez que no h razes para supor que
isto no seja verdade.

12 A. F. Beraldo
1.2 Probabilidade: definies

Tabela 1.1: Frequncia de nascimentos na Maternidade XYZ, ao ms.


Ms Masculino Feminino Total % Masculino % Feminino
1 34 30 64 53 47
2 29 32 61 48 52
3 37 35 72 51 49
4 24 20 44 55 45
5 24 29 53 45 55
6 30 28 58 52 48
7 34 36 70 49 51
8 27 35 62 44 56
Total 239 245 484 49 51

Note que os percentuais de nascimentos de crianas do sexo feminino e do masculino


variam bastante no decorrer dos meses. No entanto, quando se analisam os totais, ao fim
dos 8 meses, descobrimos um percentual mdio de 49% de crianas do sexo masculino
e de 51% de crianas do sexo feminino. Veja a tabela seguinte:

Tabela 1.2: Frequncia Acumulada de nascimentos na Maternidade XYZ, ao ms.


Ms Masc. Fem. Total % Masculino % Feminino
Acum. Acum. Acum.
1 34 30 64 53 47
2 63 62 125 50 50
3 100 97 197 51 49
4 124 117 241 51 49
5 148 146 294 50 50
6 178 174 352 51 49
7 212 210 422 50 50
8 239 245 484 49 51

Veja que os percentuais sobre as frequncias acumuladas parece que vo se concen-


trando em torno da relao 50%/50%, no atributo sexo. Embora o nosso nmero de
observaes ainda seja pequeno (484 nascimentos , em 8 meses), podemos prever que,
no prximo ms a ser pesquisado, os nascimentos se distribuiro, em termos do atributo
sexo, com 49% para os nascimentos de crianas do sexo masculino, e 51% de crianas
do sexo feminino. Repare que esta previso feita com uma certa margem de erro:
se, ao invs de 484 nascimentos, a nossa amostra fosse de 4.000 nascimentos, nossa
segurana seria muito maior (nossa margem de erro seria bem menor). O grfico a
seguir ilustra bem este comportamento:

A. F. Beraldo 13
1. Introduo ao Clculo de Probabilidades

Figura 1.8: Percentual Acumulado de nascimentos por sexo

Observe o grfico a seguir, relativo a 5.000 nascimentos, em 72 meses:

Linha preta: Masculino. Linha cinza: Feminino.


Figura 1.9: Distribuio percentual acumulada

14 A. F. Beraldo
1.2 Probabilidade: definies

Note que, a medida em que o tempo passa, e vo nascendo cada vez mais crianas, a
frequncia acumulada de nascimentos tambm vai aumentando. A proporo de crianas
do sexo masculino tende a ser igual proporo de crianas do sexo feminino - ambos
os nmeros convergem para 50%.

O percentual mdio, para esta amostra, foi de 49,4% para nascimentos de crianas
do sexo masculino e de 50,6% de crianas do sexo feminino. Isto nos permite dizer que
a prxima criana a nascer ter uma probabilidade em torno de 49% de ser do
sexo masculino e de 51% de ser do sexo feminino11 .

A probabilidade, ento, calculada a partir de um histrico dos casos, observados ao


longo de muito tempo, e com amostras bastante grandes. Admite-se que, se os eventos
so gerados a partir de um experimento aleatrio, a probabilidade de ocorrncia do
evento, na prxima repetio do experimento aleatrio, ser a frequncia relativa
de ocorrncia do evento nas ltimas n repeties do experimento.

Definindo de outra maneira, a probabilidade frequencista de um evento E dada


por:

P (E) = n
lim f r(E) (1.2)

Ou seja, a probabilidade de um evento E ocorrer, na prxima repetio do experi-


mento, calculada como o limite da frequncia relativa do evento, quando o nmero n
de repeties anteriores do experimento muito grande (n ).

Comentrios:

1. Esta definio de probabilidades pressupe que temos um nmero suficiente-


mente grande de observaes sobre o experimento para que possamos prever
quais as chances do evento ocorrer na prxima repetio do experimento. Este
nmero suficientemente grande varia conforme o caso que estamos estudando;

2. Outro pressuposto bsico que as condies em que realizamos o experimento


aleatrio no mudaram. Nem sempre isto possvel. Mas, como na Fsica
11
Este um valor que se aproxima muito da probabilidade do sexo da criana, se esta fosse calculada
de maneira clssica: existem dois sexos possveis no nascimento de uma criana, ou seja, o tamanho do
espao amostral 2, e seus eventos so supostos distintos e equiprovveis. Da que a P (masculino) = 1/2,
ou 50%, que um nmero bastante aproximado de 49% (percentual observado). Este confronto entre
as duas formas de calcular uma probabilidade, clssica ou frequencista, ser muito utilizado na parte
de Testes Estatsticos (Apostila Estatstica III).

A. F. Beraldo 15
1. Introduo ao Clculo de Probabilidades

ou na Qumica, podemos lidar com situaes ideais, ou tericas: gases perfeitos,


despreza-se a resistncia do ar, experimentos no vcuo, etc.

3. Note que a probabilidade clssica uma probabilidade a priori, isto , antes


de realizarmos o experimento, j podemos determinar as probabilidades de cada
evento. No caso da probabilidade frequencista, esta uma probabilidade a
posteriori, isto , s podemos calcular as probabilidades aps termos feito um
grande nmero de repeties do experimento. H que se ter muito cuidado com
as probabilidades frequencistas, porque as condies de realizao do experimento
podem ter mudado, entre uma e outra realizao.

4. A definio frequencista utilizada quando a definio clssica no pode ser


aplicada, ou quando perde o seu significado real. Por exemplo, seja prever
o resultado de um jogo de futebol entre o Flamengo F.R. e o Bacuri F.C. Se
fossemos aplicar a definio clssica de probabilidades, os eventos possveis (vitria,
empate ou derrota do Bacuri F.C.) teriam probabilidade de 1/3 cada. Por mais
briosa e aguerrida que seja a simptica equipe do Bacuri, no se pode admitir
que o time tenha 33% de chances de ganhar do Flamengo. Este nmero, bvio,
no corresponde realidade. Da que, para sabermos as chances de vitria do
Bacuri teramos que ter o retrospecto das ltimas partidas entre as duas equipes.
Quanto mais informaes tivermos sobre as duas equipes, mais precisa ser nossa
previso. Podemos prever, ento, mais acertadamente, que as probabilidades de
vitria do Bacuri F.C. estariam em torno de 1%, nesta simulao.

5. Ainda em relao ao Bacuri F.C.: mesmo que o Bacuri ganhasse do Flamengo, isto
no invalida o nosso raciocnio. A probabilidade frequencista aplicada a partir
de um histrico de centenas ou milhares de repeties do experimento. Ento,
devemos dizer que, em cem jogos entre o Flamengo e o Bacuri, este ganharia um
jogo (1% de chances).

16 A. F. Beraldo
1.2 Probabilidade: definies

1.2.3 Definio Axiomtica de Probabilidade


Como voc deve estar lembrado do curso mdio, axioma uma afirmao verdadeira,
que no precisa ser demonstrada (tal como o ponto e a reta, na Geometria). Se temos
um espao amostral , constitudo de uma srie de eventos Ei , sendo que existe um
nmero P (Ei ) tal que 0 P (Ei) 1, para todo i, e que P (Ei ) = 1, definimos este
nmero como probabilidade do evento Ei . Veja a figura abaixo:

Figura 1.10: Probabilidade axiomtica

Esta definio muito til para o estudo das variveis aleatrias (Captulo 2), quando
no ir importar muito qual a origem do nmero chamado probabilidade - se foi
calculado a partir da definio clssica ou da frequencista.

Resumindo o que foi dito, procure lembrar-se que

1. Um experimento aleatrio repetido muitas vezes, sob as mesmas condies;


#

2. este experimento aleatrio resulta num conjunto de eventos, chamado Espao


Amostral ;

3. a cada evento E do espao amostral atribumos um nmero, chamado probabili-


dade, que exprime a chance deste resultado ocorrer numa prxima repetio do
experimento P (E);

4. esta probabilidade pode ser calculada:


a) a priori quando se conhece perfeitamente o espao amostral e seus eventos
unitrios e pode-se assumir que os eventos unitrios so equiprovveis;
b) a posteriori, quando se conhece o histrico dos resultados das repeties
anteriores do experimento.

5. este nmero, probabilidade, assume valores entre 0 e 1. Escreve-se 0 P (E) 1;

A. F. Beraldo 17
1. Introduo ao Clculo de Probabilidades

6. Ao somarmos as probabilidades de todos os eventos do espao amostral, o resultado


ser 1, ou 100%. Escreve-se
n
X
P (Ei ) = 1
1

Exemplo 1.3. Suponha que o fenmeno nascimento de uma criana seja equivalente,
em termos da varivel sexo, ao sorteio (retirada, com reposio) de bolas de uma urna,
que contm duas bolas: uma vermelha e uma azul. Faa uma comparao entre os dois
experimentos, utilizando as definies de probabilidade estudadas e os grficos (figuras
1.8 e 1.9).

Figura 1.12: Bolas

Figura 1.11: Criana

Resposta comentada

Imagino que voc deve ter utilizado a definio clssica para o caso da retirada de
bolas de uma urna, e a definio frequencista para o sexo das crianas. Assim, voc deve
ter formulado a seguinte relao (sendo p a proporo de crianas do sexo masculino):

nA
P (A) = p = = lim p = 0, 5
N

onde A pode ser bola vermelha ou bola azul, nA = 1, = 2 . Para que esta
resposta esteja completa, voc deve ter escrito sobre:

Diferenas da estimao da probabilidade a priori e a posteriori;

Espao amostral definido;

Convergncia entre os valores das probabilidades a medida que n aumenta;

Confirmao da aleatoriedade do sexo da criana, a partir de p = 0,5.

18 A. F. Beraldo
1.3 A Lei da Soma

1.3 A Lei da Soma


Sejam dois eventos quaisquer, A e B, do espao amostral gerado por um experimento
aleatrio. A probabilidade de ocorrer A ou B dada por

P (A B) = P (A) + P (B) P (A B) (1.3)

ou seja: a probabilidade de ocorrncia do evento A ou do evento B calculada como


a soma das probabilidades, em separado, de A e de B, menos a probabilidade de um
evento que seja, ao mesmo tempo, A e B.

Figura 1.13: Espao amostral

Exemplificando: ao lanarmos um dado, a probabilidade de sair Face 1 ou Face 4


dada pela soma das probabilidades isoladas de Face 1 e Face 4, menos a probabilidade
de ocorrncia de uma face que seja, ao mesmo tempo, Face 1 e Face 4. Veja a ilustrao
abaixo:

Figura 1.14: Faces de um dado

So seis faces possveis, portanto a probabilidade de sair F1, isoladamente, igual a


1/6; a de sair F4, isoladamente, tambm de 1/6; no existe nenhuma face que seja, ao
mesmo tempo, F1 e F4. Da,

A. F. Beraldo 19
1. Introduo ao Clculo de Probabilidades

P (F 1 F 4) =P (F 1) + P (F 4) P (F 1 F 4)
1 1
P (F 1 F 4) = + 0
6 6

Note que P (F 1 F 4) = 0. Quando isto ocorre, isto , quando A B = , diz-se


que A e B so eventos mutuamente excludentes. Neste caso, A e B so conjuntos
disjuntos, no existindo a interseo entre eles. Veja a figura a seguir:

Figura 1.15: Espao amostral, eventos mutualmente excludentes

Outro exemplo: Um baralho12 possui 52 cartas, divididas em quatro naipes (ouros,


copas, paus e espadas). As cartas de cada naipe so: s, cartas numeradas de 2 a 10, e
trs cartas figuradas: valete (J), dama (Q), rei (K). Veja a ilustrao a seguir:

12
Jogos de azar so excelentes exemplos do jogo das probabilidades. No caso do baralho, pela
grande quantidade de cartas (eventos unitrios), pelo nmero infinito de jogos e seqncias (espao
amostral), a riqueza inesgotvel. O baralho tem origem oriental, sendo derivado do tar - que algo
muito mais srio. Na poca em que se comeou a formular as bases tericas do Clculo de Probabilidades,
o jogo de cartas era o divertimento preferido da realeza e, de certa forma, reflete o jogo do poder. A
sociedade da poca continua sendo representada, at hoje, pelos naipes copas (clero), paus (o povo),
espadas (a nobreza) e ouros (a burguesia); continuamos tendo, no baralho, reis (Kings), rainhas
(Queens), Ases (Aces) e Valetes (Jokers).

20 A. F. Beraldo
1.3 A Lei da Soma

Figura 1.16: Baralho de cartas

Pergunta-se: qual a probabilidade de, retirando-se aleatoriamente uma carta do


baralho, ela seja um s ou seja do naipe de copas? Existem quatro ases no baralho,
sendo um deles do naipe de copas. E existem 13 cartas do naipe de copas, sendo uma
delas um s. Veja a ilustrao a seguir:

Figura 1.17: Ases do baralho e as cartas de copas.

A. F. Beraldo 21
1. Introduo ao Clculo de Probabilidades

A probabilidade deste evento pode ser escrita P (scopas). Pela Lei da Soma, temos
que P (s copas) = P (s) + P (copas) P (s copas) e P (s copas) > 0, pois o evento
(s copas) o prprio s de copas. Da,

4 13 1 16
P (s copas) = P (s) + P (copas) P (s copas) = + =
52 52 52 52

interessante fazer os clculos utilizando fraes, pois desta forma pode-se ter uma
idia mais definida do quantitativo do espao amostral e do numerador da probabilidade
clssica.

O exemplo acima ilustra o porqu da existncia da terceira parcela da frmula da


Lei da Soma. Quando efetuamos a contagem dos ases, contamos todos os quatro, e um
deles era o s de copas. Quando efetuamos a contagem das cartas do naipe de copas,
contamos novamente o s de copas. Da que houve uma contagem em duplicidade (o
s de copas foi contado duas vezes). Para remediar este problema que foi introduzida
a terceira parcela, subtrativa, na frmula.

Como foi dito, quando P (A B) = 0 a expresso para a Lei da Soma reduz-se a


P (A B) = P (A) + P (B).

1.4 A Lei da Multiplicao


Sejam dois eventos quaisquer, A e B, do espao amostral gerado por um experimento
aleatrio. A probabilidade de ocorrer A e B dada por:

P (A B) = P (A)P (B|A) (1.4)

Ou seja: a probabilidade de ocorrncia do evento A e do evento B calculada como o


produto da probabilidade de ocorrncia de A, (P (A)), pela probabilidade de ocorrncia
de B , depois de A ter ocorrido (P (B|A)).

Seja, por exemplo, a retirada de duas cartas do baralho, uma aps a outra. Qual a
probabilidade de ambas serem ases? Pela Lei da Multiplicao, temos que:
P (A1 A2 ) = P (A1 ) P (A2 |A1 )

Leia-se a probabilidade de obtermos s na primeira carta, e s na segunda carta,


igual ao produto da probabilidade de s na primeira carta, pela probabilidade de s
na segunda carta, desde que tenha sado s na primeira carta. Ento,

22 A. F. Beraldo
1.4 A Lei da Multiplicao

4 4 16
  
P (A1 A2 ) = P (A1 ) P (A2 |A1 ) = = = 0, 006 = 0, 6%
52 52 2704

Correto? Nem tanto. Ao realizarmos o clculo acima, partimos da suposio de que


a primeira carta retirada voltou ao baralho, isto , que foi um experimento feito com
reposio. Se, ao contrrio, a primeira carta no fosse reposta, o resultado correto
seria:

4 3 12
  
P (A1 A2 ) = P (A1 ) P (A2 |A1 ) = = = 0, 0045 = 0, 45%
52 51 2652

Note que tanto o numerador quanto o denominador da segunda parcela da multipli-


cao foram alterados. Isto ocorre porque, devido a um s ter sado na primeira carta,
e esta no tendo sido reposta, o nmero de ases no baralho caiu de 4 para 3, assim
como o nmero de cartas no baralho caiu de 52 para 51.

A segunda repetio do experimento depende do que aconteceu na primeira. Os dois


eventos so ditos dependentes. Assim:

Dois eventos, A e B, so ditos independentes quando P (B|A) = P (B)

Dois eventos, A e B, so ditos dependentes quando P (B|A) 6= P (B)

Comentrios

1. preciso prestar ateno nesta classificao quando estivermos simulando expe-


rimentos. Alguns experimentos aleatrios so evidentemente dependentes, outros
claramente independentes. De qualquer forma, j na descrio do espao amostral,
ou dos prprios procedimentos da simulao, encontramos indcios do tipo de
evento a se considerar.

2. Em geral, a probabilidade resultante da combinao de eventos dependentes resulta


menor do que a de eventos independentes, mas isso no pode ser tomado como
regra.

A. F. Beraldo 23
1. Introduo ao Clculo de Probabilidades

1.5 Probabilidade Condicional: o Teorema de


Bayes
Imagine duas urnas, U1 e U2, contendo bolas brancas e bolas vermelhas. Na urna
U1 foram colocadas 25 bolas brancas e 45 vermelhas. Na urna U2, so 20 bolas brancas
e 50 vermelhas. Supe-se que no haja nenhuma preferncia por qualquer das duas
urnas. Sorteada uma bola, verificou-se ser da cor branca. Qual a probabilidade de ter
sado da urna U2? Considere a Figura 1.18.

Figura 1.18: Urnas e bolas

Supondo que no haja nenhum motivo para que seja sorteada qualquer uma das
1
urnas, temos P(U1) = P(U2) = ; a probabilidade de extrao de bolas brancas
2
25 20
P(B |U1) = , e P(B |U2) = . Leia P(B |U1) como probabilidade de sortearmos
70 70
bola branca na urna U1, e P(B |U2) como probabilidade de sortearmos bola branca na
urna U2. Considerando as duas urnas, temos que a probabilidade de extrao de bolas
1 25 1 20 45
brancas dada por P(U1) P(B |U1) + P(U2) P(B |U2) = + = ,
2 70 2 70 140
como pode ser observado na figura 1.16. A probabilidade que procuramos P(U2 | B),
probabilidade de que a bola tenha sado da urna U2, dado que seja branca. Ento,
pela definio clssica, temos:
1 20 20
20
2 70
P (U 2|B) = 1 25 140
1 20 = 45 = 45 = 0, 44
+
2 70 2 70 140

Esta uma aplicao do chamado Teorema de Bayes, ou da probabilidade das


causas. uma decorrncia da Lei da Multiplicao, sendo largamente utilizado nas
reas da Sade e da Teoria da Informao. Foi apresentado (postumamente) pelo Rev.
Thomas Bayes (1701-1761), de onde vem o seu nome. Sua formulao muito simples:

24 A. F. Beraldo
1.5 Probabilidade Condicional: o Teorema de Bayes

Sejam dois conjuntos A e B, representados a seguir:

Figura 1.19: Interseo dos conjuntos

Pela Lei da Multiplicao, temos que

P (A B) = P (A) P (B|A)
P (B A) = P (B) P (A|B)

Se considerarmos P (A B) = P (B A), temos

P (A) P (B|A) = P (B) P (A|B)

e, portanto

P (A) P (B|A)
P (A|B) = (1.5)
P (B)

que o enunciado mais simples do Teorema.

O enunciado geral do Teorema de Bayes o seguinte:

Seja um espao amostral com n eventos mutuamente excludentes


(A1 , A2 , A3 , , An ), e seja B um outro evento deste espao amostral. So conhecidas
todas as probabilidades condicionais P (B|Ai ).

A. F. Beraldo 25
1. Introduo ao Clculo de Probabilidades

Temos que, para determinado evento Ai

P (Ai )P (B|Ai )
P (Ai |B) = (1.6)
P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) + + P (An )P (B|An )

ou

P (Ai ) P (B|Ai )
P (Ai |B) = Pn (1.7)
1 P (Ai ) P (B|Ai )

Explicando melhor: Imagine o seguinte espao amostral

Figura 1.20: Espao amostral

Note que todos os eventos Ai so mutuamente excludentes, representados neste


diagrama por conjuntos disjuntos, ou seja, a interseo Ai Aj = , para qualquer
i, j.

Superpomos a este espao amostral um outro subconjunto B :

Figura 1.21: Espao amostral

26 A. F. Beraldo
1.5 Probabilidade Condicional: o Teorema de Bayes

O conjunto B pode ser descrito como B = (A1 B) (A2 B) (A3 B) (A4 B).
Veja a ilustrao abaixo:

Figura 1.22: Espao amostral

A partir da figura acima, voc pode compor as seguintes expresses (aplicando as


leis da Soma e da Multiplicao):

P (Ai )P (B|Ai )
P (Ai |B) =
P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) + + P (An )P (B|An )

P (Ai ) P (B|Ai )
P (Ai |B) = Pn
1 P (Ai ) P (B|Ai )

A. F. Beraldo 27
1. Introduo ao Clculo de Probabilidades

Alm deste Captulo, pratique:

Faa agora os exerccios da Lista 2.1 - Introduo ao


clculo de probabilidades.

Faa agora uma simulao destas medidas nos templates TP02


- Introduo ao clculo de probabilidades e TP03 -
Introduo ao clculo de probabilidades.

Assita ao audiovisual AV08 - Introduo ao clculo de


probabilidades.

Faa o Estudo Dirigido ED08 - Introduo ao clculo de


probabilidades.

28 A. F. Beraldo
2 Distribuies de Probabilidades de
Variveis Aleatrias Discretas
2.1 Variveis Aleatrias
Imagine o seguinte experimento aleatrio: dois globos, destes de sorteio de loterias,
contm, cada um, 10 bolinhas numeradas de 1 a 10. Os globos so postos a girar e, de
cada um, fazemos com que saia uma bolinha. Em seguida, somamos os nmeros das
bolinhas sorteadas:

Figura 2.1: Sorteio de nmeros em loterias

Os possveis resultados da soma dos nmeros das duas bolinhas esto no quadro
abaixo. No cabealho do quadro, esto os nmeros possveis de sair na bolinha 1:
1, 2, 3, 4, , 8, 9, 10. Na primeira coluna da esquerda, os nmeros possveis de sair na
bolinha 2: 1, 2, 3, , 8, 9, 10. No corpo do quadro esto as possveis somas dos nmeros:

A. F. Beraldo 29
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Figura 2.2: Possveis somas

A menor soma possvel 2 (quando ocorrem os eventos nmero 1 na bolinha 1,


e nmero 1 na bolinha 2), e a maior, 20 (quando ocorrem os eventos nmero 10
na bolinha 1, e nmero 10 na bolinha 2). So 100 somas possveis e estes eventos
ocorrem apenas uma vez, cada. Portanto, podemos escrever:

P (soma = 2) = 1/100 ou 1%
P (soma = 20) = 1/100 ou 1%

Chamando as diversas somas possveis de S, ou melhor, de varivel aleatria


S, calculamos (utilizando o conceito da probabilidade clssica) as probabilidades de S
assumir seus valores, de 2 a 20. Para S = 3, isto ocorre 2 vezes em 100, ou seja,
P (S = 3) = 2/100. Para S = 4, a ocorrncia de 3 eventos em 100, ou P (S = 4) =
3/100. E assim por diante.

Note que a probabilidade sempre crescente, medida que a varivel aleatria S


vai assumindo valores cada vez maiores: P (S = 8) = 7/100, P (S = 9) = 8/100 ...
P (S = 11) = 10/100. A partir de S = 11, os valores das probabilidades comeam a cair:
P (S = 12) = 9/100, P (S = 13) = 8/100 ... at P (S = 20) = 1/100.

Outra coisa: veja que esta distribuio de probabilidades simtrica, em torno


de P (S = 11), que o seu valor mximo. E que P (S = 2) = P (S = 20),
P (S = 3) = P (S = 19), P (S = 4) = P (S = 18), etc. Isto ocorre devido simetria da
distribuio. Na tabela seguinte esto dispostas as probabilidades dos diversos eventos
possveis ou, em outras palavras, est descrito o espao amostral da varivel aleatria S:

30 A. F. Beraldo
2.1 Variveis Aleatrias

Tabela 2.1: Probabilidades para S


Soma S P(S)
2 1/100
3 2/100
4 3/100
5 4/100
6 5/100
7 6/100
8 7/100
9 8/100
10 9/100
11 10/100
12 9/100
13 8/100
14 7/100
15 6/100
16 5/100
17 4/100
18 3/100
19 2/100
20 1/100
P
100/100 = 1, 00

A soma das probabilidades para todos os possveis valores de S igual a 100/100, ou


1, ou 100% (se estivermos lidando com percentuais). Isto ocorre em todas as distribuies
de probabilidades, e uma caracterstica muito importante. Podemos escrever

19
X
P (Si ) = 1
1

ou, genericamente,

n
X
P (xi ) = 1 (2.1)
1

ou seja, se a varivel aleatria X pode assumir n valores, de 1 a n, o somatrio


das probabilidades de todos os valores que X pode assumir igual a 1 (ou 100%).

A. F. Beraldo 31
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Podemos fazer um grfico da distribuio de probabilidades de S, a partir da


tabela 2.1.

Figura 2.3: Distribuio de probabilidades de S

Note o formato grfico: parece um tringulo - da que esta chamada, tambm, uma
distribuio triangular de probabilidades. Se voc somar as reas dos retngulos1 ,
encontrar o valor 100%, ou 1.

Podemos estar interessados em outros aspectos do experimento aleatrio. Se este


fosse um jogo, poderamos apostar, por exemplo, em eventos como a soma dos nmeros
das bolinhas ser menor que determinado valor, ou que a que a soma dos nmeros das
bolinhas estar entre tal e qual valor. Uma informao importante a probabilidade
de que S assuma um valor igual ou menor que determinado valor k. Por exemplo, a
probabilidade de que S assuma um valor menor ou igual a 6 est ilustrada a seguir:

1
Lembrando que a rea de um retngulo, no grfico considerado, igual ao produto da base por
sua altura. Todos os retngulos possuem bases de largura igual, que consideramos unitria. Assim, a
rea do primeiro retngulo esquerda igual a 1 x 1% , a rea do segundo retngulo igual a 1 x 2%,
e assim por diante. Ento, a soma das reas dos retngulos ser igual a (1 1%) + (1 2%) + (1 +
3%) + + (1 3%) + (1 2%) + (1 1%) = 100%

32 A. F. Beraldo
2.1 Variveis Aleatrias

Figura 2.4: Somas possveis, S 6

A rea mais escura contm 15 somas possveis, ou seja, a P (S 6) = 15/100, ou


15%. Podemos fazer este clculo para todos os valores possveis de S, e construir a
tabela abaixo:

Tabela 2.2: Probabilidades Acumuladas de S


k P (S = K) P (S k)
2 1% 1%
3 2% 3%
4 3% 6%
5 4% 10%
6 5% 15%
7 6% 21%
8 7% 28%
9 8% 36%
10 9% 45%
11 10% 55%
12 9% 64%
13 8% 72%
14 7% 79%
15 6% 85%
16 5% 90%
17 4% 94%
18 3% 97%
19 2% 99%
20 1% 100%

A terceira coluna da tabela chamada Distribuio Acumulada de Probabilida-


des, ou Distribuio de Probabilidade Acumulada, e contm os valores de P (S k), ou

A. F. Beraldo 33
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

seja, a probabilidade da varivel aleatria S assumir um valor igual ou menor


que um valor k.

Os valores desta coluna podem ser colocados em um grfico, como a seguir:

Figura 2.5: Distribuio de probabilidade acumulada

Este um grfico de pontos, uma vez que, na prtica, S s assume valores inteiros,
entre 2 e 20. No entanto, podemos unir estes pontos por uma linha suave, obtendo um
grfico de melhor visualizao e leitura embora no seja rigorosamente correto, para
variveis aleatrias discretas.

Figura 2.6: Distribuio da Funo Acumulada de Probabilidades

A partir deste grfico, pode-se determinar, teoricamente, as probabilidades de


P (S k) mesmo que k seja um nmero fracionrio. Por exemplo, P (S 10, 5),

34 A. F. Beraldo
2.1 Variveis Aleatrias

que aproximadamente igual a 48% (verifique voc mesmo). claro que esta uma
probabilidade terica.

A probabilidade de S estar entre dois valores, que uma informao tambm muito
importante, pode ser visualizada neste exemplo: queremos saber a probabilidade de S
estar entre 8 e 14, inclusive, ou, escrevendo de outra forma P (8 S 14). Para
determinar esta probabilidade, podemos utilizar a ilustrao abaixo:

Figura 2.7: Somas possveis entre 8 e 14

Contando o nmero de somas entre 8 e 14, temos 58 somas possveis, em 100, ou


58%2 . Veja a ilustrao desta probabilidade no grfico a seguir:

Figura 2.8: Distribuio de probabilidades para S

2
Notar que as somas que no pertencem a este intervalo (8 S 14) so em nmero de 42. Isto
atende ao critrio de um modelo de probabilidades em que P (A B) = 1, se A B = , o que o
presente caso. Se considerarmos A = (8 S 14), e B = (S < 8 S > 14), temos P (A) = 58% e
P (B) = 42%, e P (A) + P (B) = 100%.

A. F. Beraldo 35
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

As colunas mais escuras somam a rea de probabilidades entre 8 e 14, ou P (8 S


14). Ao somarmos a rea destas colunas encontraremos o valor de 58%, correspondente
ao que havamos determinado anteriormente.

Podemos tambm utilizar a tabela de distribuio de probabilidades e somar as


probabilidades das somas 8, 9, 10, , 14:

Figura 2.9: Probabilidade acumulada de S

Outra maneira, ainda utilizando a tabela de distribuio de probabilidades acumu-


ladas, seria calcular P (S 14) P (S 7) = 79% 21% = 58%.

Figura 2.10: Probabilidade acumulada de S

36 A. F. Beraldo
2.1 Variveis Aleatrias

Este exemplo ilustra algumas das caractersticas das variveis aleatrias. Vamos
agora definir melhor alguns destes conceitos:

Varivel Aleatria: Seja um experimento aleatrio e que gera uma srie de eventos
e1 , e2 , e3 , ...en . O conjunto destes eventos chamado, como vimos, espao amostral ().
Se a cada um destes eventos pudermos atribuir um nmero (ou se j forem resultados
numricos, per si), esta coleo de nmeros chamada de valores de uma varivel
aleatria. A soma S das bolinhas sorteadas, conforme mostrado anteriormente, uma
varivel aleatria que pode assumir os valores 2, 3, 4, ..., 20.

Figura 2.11: Varivel aleatria

Outros exemplos de varivel aleatria seriam

As faces de um dado;

a soma das faces de dois dados lanados;

a temperatura mdia dos dias de maro a agosto de determinado ano;

o nmero de lmpadas queimadas aps 4.000 horas de uso;

a durabilidade de um componente eletrnico de um microcomputador;

o volume de trfego em um cruzamento de ruas da cidade, medido de hora em


hora, durante 100 dias;

o nmero de crianas vacinadas em determinado bairro da cidade.

Variveis aleatrias podem ser discretas ou contnuas. Um Varivel Aleatria


Discreta (VAD) aquela que assume valores pertencentes ao conjunto dos Naturais,
N
mais o zero: 0, 1, 2, 3, ... Ou seja: x

A. F. Beraldo 37
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Exemplos de Varivel Aleatria Discreta:

nmero de filhos de um casal (filhos do sexo masculino);

nmero de acertos em questes de mltipla escolha, numa prova de 50 questes;

nmero de fregueses de uma lanchonete, em determinada hora do dia;

nmero de vitrias do seu time, num campeonato com 10 jogos (para cada time);

nmero de candidatos em um concurso vestibular.

Variveis Aleatrias Contnuas so estudas no Captulo 3.

2.2 Distribuio de Probabilidades

O conjunto formado pelos valores das variveis aleatrias e as probabilidades destas


variveis chamado Distribuio de Probabilidades. Pode ser apresentado numa
tabela ou sob a forma de funo, tal como

P (X = x) = f (x) (2.2)

Para que uma funo qualquer seja uma funo de probabilidade de Varivel Alea-
tria Discreta (VAD), so necessrias duas condies:

1. 0 f (x) 1 , ou 0 P (X = x) 1 para todo x N (2.3)


n
X
2. P (xi ) = 1 (2.4)
1

38 A. F. Beraldo
2.2 Distribuio de Probabilidades

Considere os seguintes exemplos de distribuio de probabilidades:

Exemplo 2.1. Em uma urna so colocadas 20 bolas coloridas, sendo 10 bolas verdes,
5 azuis, 3 pretas e 2 brancas. O experimento consiste em retirarmos 4 bolas, com
reposio. Qual a distribuio de probabilidades para o nmero de bolas verdes?

O nmero de bolas verdes varia de 0 a 4, ou seja, podemos ter de nenhuma bola


verde a todas as bolas verdes. Se dermos o nome de X varivel aleatria discreta
que representa o nmero de bolas verdes, dizemos que X varia de 0 a 4.

A probabilidade de obtermos bola verde em qualquer das bolas retiradas

10 10 bolas verdes
P (V ) = =
20 20 bolas na urna

ou seja, 0,5 (o experimento feito com reposio, os eventos so independentes). A


distribuio de probabilidades a seguinte:

Nmero de bolas verdes x P (X = x)


0 0,0625
1 0,2500
2 0,3250
3 0,2500
4 0,0625
1,0000
Tabela 2.3: Distribuio de probabilidades

No se preocupe, agora, em saber como foram calculadas estas probabilidades


(embora voc j saiba como calcular P (X = 0) e P (X = 4). Isto ser visto no tpico
Distribuio Binomial de Probabilidades, a seguir. O que voc deve notar que esta
distribuio cumpre os requisitos:

1. 0 f (x) 1 , ou 0 P (X = x) 1 para todo x N


n
X
2. P (xi ) = 1
1

A. F. Beraldo 39
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

As distribuies de probabilidade podem ser representadas em grficos. Para o caso


de variveis aleatrias discretas, usual representarmos as probabilidades por pontos,
ou por colunas ou ligarmos os pontos por segmentos de reta:

Figura 2.12: Distribuio de probabilidade

40 A. F. Beraldo
2.2 Distribuio de Probabilidades

2.2.1 Funo de Densidade Acumulada


Funo de Densidade Acumulada, ou Funo de Distribuio de Probabilidades
Acumuladas, ou, mais simplesmente, Funo de Distribuio, definida como

k
X
P (X xk ) = F (xk ) = f (xi ) (2.5)
1

para o caso de VAD. Veja o exemplo a seguir:

Exemplo 2.2. Seja a distribuio de probabilidades dada por x, p(x) cujos valores esto
na tabela a seguir:

x p(x)
0 0,0313
1 0,1563
2 0,3125
3 0,3125
4 0,1563
5 0,0313
Tabela 2.4: Distribuio de probabilidades

O espao amostral formado pelos elementos do conjunto {0, 1, 2, 3, 4, 5}. Os valores


das probabilidades p(x) foram calculados pela distribuio binomial.

x p(x) P (x)
0 0,0313 0,0313
1 0,1563 0,1875
2 0,3125 0,5000
3 0,3125 0,8125
4 0,1563 0,9668
5 0,0313 1,0000
Tabela 2.5: Distribuio de probabilidades

Os valores da coluna p(x) foram calculados da seguinte maneira:

Para x = 0, P (x) = p(x), ou seja, repetimos o valor de p(x);

para x = 1, P (x) = p(x = 0) + p(x = 1);

A. F. Beraldo 41
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

para x = 2, P (x) = p(x = 0) + p(x = 1) + p(x = 2);

E assim por diante.

Figura 2.13: Funo Distribuio (ou Distribuio de Probabilidade Acumulada)

42 A. F. Beraldo
2.3 Esperana Matemtica E(X)

2.3 Esperana Matemtica E(X)


A Esperana Matemtica, Expectncia ou Valor Esperado de uma varivel aleatria,
que simbolizamos por E(x), dada pela expresso

n
X
E(X) = xi p(xi ) (2.6)
1

A Esperana Matemtica pode ser definida como o valor mais provvel de um


experimento, uma espcie de medida de tendncia central de uma distribuio de
probabilidades. Alguns autores definem a esperana Matemtica como o centro, ou
baricentro, centro de gravidade da distribuio. Outros utilizam o conceito de mdia,
por analogia com a Esperana Matemtica e pela similaridade das frmulas3 .

Seja o exemplo 1.1, das bolinhas sorteadas. O espao amostral o seguinte:

Figura 2.14: Espao amostral

O valor mais provvel a soma 11, como se pode ver na ilustrao acima (diagonal
sombreada). A soma 11 ocorre 10 vezes em 100 resultados possveis. A tabela a seguir
a distribuio de probabilidades deste caso:

3
Realmente, se compararmos as frmulas da mdia de uma distribuio de Frequncia (utilizando as
Frequncias relativas) e a da Esperana Matemtica para as variveis aleatrias discretas, existe muita
semelhana. Veja:
xi f riP(onde xi o ponto mdio da classe e f ri a Frequncia relativa da classe) e
E(x) = i xi p(xi ), e se, segundo a definio frequencista de probabilidade, podemos dizer que
fr
= p(x), as expresses se equivalem.

A. F. Beraldo 43
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Tabela 2.6: Distribuio de probabilidades de S


Soma S P(S)
2 1/100
3 2/100
4 3/100
5 4/100
6 5/100
7 6/100
8 7/100
9 8/100
10 9/100
11 10/100
12 9/100
13 8/100
14 7/100
15 6/100
16 5/100
17 4/100
18 3/100
19 2/100
20
P 1/100
100/100 = 1, 00

Utilizando uma terceira coluna para os produtos Si p(Si ), temos:

Tabela 2.7: Distribuio de probabilidades de S


Soma S P(S) Si .p(Si )
2 1/100 0,02
3 2/100 0,06
4 3/100 0,12
5 4/100 0,20
6 5/100 0,30
7 6/100 0,42
8 7/100 0,56
9 8/100 0,72
10 9/100 0,90
11 10/100 1,10
12 9/100 1,08
13 8/100 1,04
14 7/100 0,98
15 6/100 0,90
16 5/100 0,80
17 4/100 0,68
18 3/100 0,54
19 2/100 0,38
20 1/100
P 0,20
11,00

44 A. F. Beraldo
2.4 Varincia de Variveis Aleatrias

A soma dos produtos Si p(Si ) igual a 11,0. Portanto:

n
X
E(S) = Si p(Si ) = 11
1

2.3.1 Propriedades da Esperana

Seja uma distribuio de probabilidades, com esperana E(X):

1. E(X + k) = E(X) + k onde k uma constante

2. E(k X) = k E(X) onde k uma constante

3. E(X + Y ) = E(X) + E(Y ) onde Y uma varivel aleatria com esperana E(Y )

4. E(X Y ) = E(X) E(Y ) onde X e Y so variveis aleatrias independentes.

2.4 Varincia de Variveis Aleatrias


Na seo anterior, foi feita uma analogia entre a Esperana Matemtica, E(X), e a
estatstica mdia X pela semelhana entre suas frmulas de clculo. Esta analogia no
para ali. Por exemplo, se dizemos que a durabilidade mdia de um cabeote de leitura de
um CD player de 4.000 horas, ou, melhor definindo, a E(X) = 4.000 (x uma varivel
aleatria contnua, durabilidade em horas), pode ter acontecido que este parmetro veio
de uma distribuio de probabilidades como abaixo:

Tabela 2.8: Durabilidade


Durabilidade, x (horas) P (X)
2,000 0,20
3,000 0,30
5,000 0,30
6,000 0,20

O que diz esta tabela? Temos que a metade dos cabeotes tem durabilidade inferior
a 4.000 horas, sendo que 20% dos cabeotes so de qualidade bem inferior, durando
at 2.000 horas. Por outro lado, a outra metade dos cabeotes dura acima de 4.000
horas, com 20% de qualidade muito superior, chegando a durar 6.000 horas. Existe
uma disperso muito grande para a varivel aleatria e pode ser que a Esperana E(X)
seja enganosa. Precisamos de uma medida estatstica para avaliar a esperana. Uma

A. F. Beraldo 45
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

destas medidas a varincia, aqui notada por Var(x), ou 2 e definida, para variveis
discretas, como:

n
(xi E(x))2 p(xi )
X
Var(x) = (2.7)
1

A raiz quadrada da varincia definida como desvio padro da distribuio de


probabilidades de x, aqui notado pela letra grega , ou (x) - podemos tambm fazer
s(x) significar o desvio padro:

q
(x) = s(x) = Var(x) (2.8)

Uma outra frmula para o clculo da varincia a seguinte:

Var(X) = E(X 2 ) (E(X))2 (2.9)

46 A. F. Beraldo
2.4 Varincia de Variveis Aleatrias

Exemplo 2.3. Seja calcular a varincia da distribuio de probabilidades, conforme


Tabela 2.9.

Tabela 2.9: Distribuio de probabilidades de S


Soma S P(S) Si .p(Si )
2 1/100 0,02
3 2/100 0,06
4 3/100 0,12
5 4/100 0,20
6 5/100 0,30
7 6/100 0,42
8 7/100 0,56
9 8/100 0,72
10 9/100 0,90
11 10/100 1,10
12 9/100 1,08
13 8/100 1,04
14 7/100 0,98
15 6/100 0,90
16 5/100 0,80
17 4/100 0,68
18 3/100 0,54
19 2/100 0,38
20 1/100
P 0,20
11,00

Notar que a esperana E(S) j est calculada (E(S) = 11, 0).

A expresso de clculo da varincia Var(s) Var(X) = (x E(X))2 P (x).


P

Montamos o clculo da varincia Var(S) passo a passo, com as colunas (S E(s)),


(S E(s))2 e (S E(s))2 P (s).

A. F. Beraldo 47
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Tabela 2.10: Varincia da distribuio de probabilidades


Soma S P(S) S.P (S) S E(S) (S E(S))2 (S E(S))2 p(s)
2 0,01 0,02 9 81 0,81
3 0,02 0,06 8 64 1,28
4 0,03 0,12 7 49 1,47
5 0,04 0,20 6 36 1,44
6 0,05 0,30 5 25 1,25
7 0,06 0,42 4 16 0,96
8 0,07 0,56 3 9 0,63
9 0,08 0,72 2 4 0,32
10 0,09 0,90 1 1 0,09
11 0,10 1,10 0 0 0,00
12 0,09 1,08 1 1 0,09
13 0,08 1,04 2 4 0,32
14 0,07 0,98 3 9 0,63
15 0,06 0,90 4 16 0,96
16 0,05 0,80 5 25 1,25
17 0,04 0,68 6 36 1,44
18 0,03 0,54 7 49 1,47
19 0,02 0,38 8 64 1,28
20
P 0,01 0,20 9 81 0,81
1,00 11,00 16,50

por Var(X) = (x E(X))2 P (x), igual a 16,50. O


P
Portanto, a varincia, dada
q
desvio-padro ser (x) = Var(x) = 16, 50 = 4, 06.

Comentrios

Ainda dessa vez, no se preocupe muito com o significado desta estatstica (vari-
ncia). Preocupe-se com o significado do desvio padro, que uma das medidas mais
importantes de um processo. Para o estudo das variveis aleatrias, podem ser feitas as
mesmas consideraes do Captulo 3 da Apostila de Estatstica Descritiva.

2.4.1 Propriedades da varincia

Seja uma distribuio de probabilidades, com esperana E(X) e varincia Var(X).

1. Var(kX) = k 2 Var(X) onde k uma constante.


2. Se X e Y so variveis aleatrias independentes

a) Var(X + Y ) = Var(X) + Var(Y )


b) Var(X Y ) = Var(X) + Var(Y )

3. Var(X + k) = Var(X)

48 A. F. Beraldo
2.5 Assimetria e Curtose

2.5 Assimetria e Curtose


Os conceitos de Assimetria e Curtose, em conjuntos de dados numricos, j foram
estudados na Apostila I Estatstica Descritiva. Adaptamos estes conceitos para
distribuies de probabilidade:

2.5.1 Assimetria
Uma distribuio de varivel aleatria assimtrica (positiva ou negativa) quando
as maiores densidades de probabilidades ocorrem nos valores inferiores ou superiores do
domnio da varivel. Veja os grficos a seguir:

Figura 2.15: Assimetria positiva

Numa distribuio assimtrica positiva, as maiores probabilidades esto para os


valores de x = 1 e x = 2.

A. F. Beraldo 49
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Figura 2.16: Assimetria negativa

Numa distribuio assimtrica negativa, as maiores probabilidades esto para os


valores de x = 4 e x = 5.

Figura 2.17: Simetria

Numa distribuio simtrica, as maiores probabilidades esto concentradas em torno


da esperana E(x).

50 A. F. Beraldo
2.5 Assimetria e Curtose

A medida da assimetria, em distribuies de probabilidades de varivel discreta,


dada por:

(x E(x))3 p(x)
P P 3
d p(x)
3 = = , fazendo d = x E(x) (2.10)
s(x)3 s3

O 3 (alfa-trs) pode ser negativo, positivo ou nulo, conforme a distribuio tenha


assimetria negativa, positiva, ou seja simtrica.

2.5.2 Curtose
Curtose a caracterstica (visual) de achatamento, maior ou menor, de uma dis-
tribuio de probabilidades. Em termos de concentrao de probabilidades, quanto
mais concentradas as probabilidades em uma regio do domnio da varivel aleatria,
menos achatado nos parece o grfico da funo densidade. Assim, as distribuies
das variveis aleatrias podem ser platicrticas (muito achatadas) ou leptocrticas
(pontiagudas), ou mesocrticas (uma categoria intermediria). Observe a seguir:

Figura 2.18: Distribuio leptocrtica

Neste tipo de distribuio, obtemos valores de desvios padres muito pequenos, e


uma forte concentrao (maior densidade) em torno da esperana.

No caso de uma distribuio mesocrtica, os picos dos valores de p(x) no so to


acentuados.

A. F. Beraldo 51
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Figura 2.19: Distribuio mesocrtica

Figura 2.20: Distribuio platicrtica

Uma distribuio platicrtica mais achatada, mais espalhada, com altos desvios
padres.

A medida da curtose, em distribuies de probabilidades de varivel discreta, dada


por:

52 A. F. Beraldo
2.5 Assimetria e Curtose

(x E(x))4 p(x)
P P 4
d p(x)
4 = 3= 3, fazendo d = x E(x) (2.11)
s(x)3 s4

Quando 4 > 0 dizemos que a distribuio leptocrtica;

quando 4 = 0 dizemos que a distribuio mesocrtica;

quando 4 < 0 dizemos que a distribuio platicrtica.

A curtose, medida pelo 4 , uma estatstica de comparao. Compara-se o valor da


expresso:

P 4
d p(x)
4 =
s4

com o valor do 4 da curva normal4 que igual a 3, e mesocrtica. Assim, temos o


4 da expresso acima.

4
Ver Captulo 3.

A. F. Beraldo 53
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Exemplos:

Tabela 2.11: Distribuio leptocrtica


x p(x) x.p(x) d d2 d2 p(x) d3 d3 p(x) d4 d4 p(x)
0 0,01 0 3 9 0,09 27 0, 27 81 0,81
1 0,05 0,05 2 4 0,2 8 0, 4 16 0,8
2 0,14 0,28 1 1 0,14 1 0, 14 1 0,14
3 0,6 1,8 0 0 0 0 0 0 0
4 0,14 0,56 1 1 0,14 1 0,14 1 0,14
5 0,05 0,25 2 4 0,2 8 0,4 16 0,8
6 0,01 0,06 3 9 0,09 27 0,27 81 0,81
1 3 Var(x) 0,86 soma 0 196 3,5
s(x) 0,927362 alfa-3 0 4,732288
CV 0,31 alfa-4 1,7
s3 0,797531
s4 0,7396

Tabela 2.12: Distribuio mesocrtica


x p(x) x.p(x) d d2 d2 p(x) d3 d3 p(x) d4 d4 p(x)
0 0,01 0 3 9 0,09 27 0, 27 81 0,81
1 0,08 0,08 2 4 0,32 8 0, 64 16 1,28
2 0,21 0,42 1 1 0,21 1 0, 21 1 0,21
3 0,4 1,2 0 0 0 0 0 0 0
4 0,21 0,84 1 1 0,21 1 0,21 1 0,21
5 0,08 0,4 2 4 0,32 8 0,64 16 1,28
6 0,01 0,06 3 9 0,09 27 0,27 81 0,81
1 3 Var(x) 1,24 soma 0 196 4,6
s(x) 1,113553 alfa-3 0 2,991675
CV 0,37 alfa-4 0,0
s3 1,380806
s4 1,5376

Tabela 2.13: Distribuio platicrtica


x p(x) x.p(x) d d2 d2 p(x) d3 d3 p(x) d4 d4 p(x)
0 0,1 0 3 9 0,9 27 2, 7 81 8,1
1 0,12 0,12 2 4 0,48 8 0, 96 16 1,92
2 0,18 0,36 1 1 0,18 1 0, 18 1 0,18
3 0,2 0,6 0 0 0 0 0 0 0
4 0,18 0,72 1 1 0,18 1 0,18 1 0,18
5 0,12 0,6 2 4 0,48 8 0,96 16 1,92
6 0,1 0,6 3 9 0,9 27 2,7 81 8,1
1 3 Var(x) 3,12 soma 0 196 20,4
s(x) 1,766352 alfa-3 0 2,095661
CV 0,59 alfa-4 0, 90
s3 5,511019
s4 9,7344

54 A. F. Beraldo
2.6 Pensando Probabilisticamente: os Modelos de Probabilidades

2.6 Pensando Probabilisticamente: os Modelos de


Probabilidades
Nas pginas anteriores, estudamos a formao da maneira de pensar da Estatstica.
O sistema terico que tem por base as variveis aleatrias e seu comportamento o que
vai direcionar, daqui por diante, o estudo do mtodo estatstico. Recordando:

Um fenmeno determinstico ocorre sempre da mesma maneira, sob as mesmas


condies. Se variarmos as causas, quantitativa e qualitativamente, a ocorrn-
cia do fenmeno determinstico se modificar diretamente relacionado com estas
alteraes.

Um fenmeno aleatrio (no determinstico) pode produzir uma srie de resul-


tados diferentes, mesmo sob as mesmas condies. O conjunto destes resultados
possveis chamado Espao Amostral. A cada evento (resultado possvel) deste
fenmeno, associamos um nmero, chamado probabilidade, que uma estimativa
numrica da ocorrncia deste evento na prxima vez que o fenmeno se repetir.

Esta probabilidade pode ser calculada de diversas formas, sendo as mais usuais:
a) O clculo a priori, quando se conhece perfeitamente o espao amostral, e
considera-se os eventos unitrios equiprovveis.
b) O clculo a posteriori, quando possui-se uma coleo de informaes re-
trospectivas de ocorrncia dos eventos e pode-se imaginar que, sob as
mesmas condies, os prximos resultados do fenmeno repetiro, aproxi-
madamente, o j ocorrido.

O conjunto de eventos, agora chamados variveis aleatrias, e suas probabilida-


des de ocorrncia, constituem um modelo descritivo do fenmeno. Este modelo
consiste de uma funo de distribuio de probabilidades e de parmetros
avaliadores. Os parmetros mais importantes so a esperana matemtica, a
varincia e o desvio padro.

A Esperana Matemtica indica o evento, ou os eventos, de maior probabilidade


de ocorrncia nas prximas repeties do fenmeno. A varincia e o desvio padro
indicam as oscilaes possveis em torno da esperana do modelo.

A partir destes critrios, temos condio de modelar uma vasta quantidade de fen-
menos, naturais ou no. As cincias utilizam a Estatstica Probabilstica para estudar os
fenmenos de suas reas: as cincias econmicas estudam o comportamento das relaes
entre as entidades econmicas, ora determinstico, ora apenas previsvel; as cincias

A. F. Beraldo 55
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

biolgicas utilizam modelos probabilsticos na descrio dos hbitos dos espcimes e sua
evoluo; a Qumica e a Fsica modelam probabilisticamente o infinitamente pequeno e
o infinitamente grande, e assim por diante. Modelos de Probabilidade explicam
desde a migrao das aves at as estratgias de marketing do comrcio, desde o trnsito
catico das grandes cidades at a incerteza da posio de eltrons no tomo, desde a
proliferao de doenas at os testes dos medicamentos inventados para combat-las.

Depois que aprendermos a lidar com modelos de variveis aleatrias, o aluno, muitas
vezes, incorre numa distoro do entendimento do que seja probabilidade: se, num lance
de dois dados, a esperana da varivel soma que d soma 7, com probabilidade
1/6, h uma tendncia a se imaginar que, forosamente, sair soma 7. No assim.
Um modelo estabelecido, seja a priori ou a posteriori, para que, nas muitas
outras vezes em que o experimento for repetido, sob as mesmas condies,
as ocorrncias dos eventos se aproximem do previsto no modelo5 . Se isto
acontecer, o modelo est correto; se no acontecer, indicao de que ou o modelo est
incorreto ou que as condies do experimento j no so mais as mesmas.

Outro engano, tambm muito comum, de se imaginar que, uma vez tendo o
modelo se afirmado como satisfatrio, esta seja uma verdade eterna, cristalizada, sobre a
realidade. H que se testar continuamente a aplicao do modelo, verificar as condies,
aperfeioar e aprofundar o conhecimento sobre o comportamento das variveis.

Estas duas atitudes, a conscincia de que um fenmeno s se aproxima de


seu modelo probabilstico terico aps um grande nmero de repeties e
a convico de que a realidade dinmica, mutvel e, muitas vezes, surpreendente,
que caracterizam o pensar probabilisticamente.

Nas prximas pginas iremos estudar os modelos de probabilidade mais aplicados na


prtica, como o Modelo Binomial, para variveis discretas, e o Modelo Normal, para
variveis contnuas. Existem muitos outros modelos, que so, algumas vezes, especficos
de uma rea de conhecimento, e no constam desta Apostila. Caso o aluno esteja
interessado, encontrar, na bibliografia disponibilizada no site 6 , bons livros sobre este
tema, alm de sites na Internet que aprofundam as tcnicas de modelagem probabilstica.

2.7 As Provas de Bernoulli


O matemtico suo Jacob (Jacques) Bernoulli (1654-1705) estabeleceu condies
para o estudo dos modelos tericos de probabilidades partindo dos modelos mais simples
para os mais complexos. So as chamadas Provas de Bernoulli, que possuem as
seguintes caractersticas:
5
Esta frase especialmente importante. Leia vrias vezes cada palavra, pense, e compreenda.
6
Em http://www.ufjf.br/antonio_beraldo/ensino/

56 A. F. Beraldo
2.7 As Provas de Bernoulli

1. Seja um experimento aleatrio que gera um espao amostral ;

2. o espao amostral dicotmico, isto , constitudo de apenas dois eventos


mutuamente excludentes e complementares, chamados de E (sucesso) e E (no-sucesso);

Relaes:

EE =
EE =

Figura 2.21: Espao amostral das provas de Bernouli

3. aos eventos associamos suas probabilidades de ocorrncia, sendo P (E) = p e


P (E) = q . Ento, temos que:

Figura 2.22: Espao amostral das provas de Bernouli

P (E) + P (E) = 1 ou p + q = 1, donde q = 1 p (2.12)

4. O experimento repetido N vezes. Durante as N repeties, as probabilidades p e


q no se alteram (experimento com reposio) e as diversas repeties do experimento
so independentes entre si a ocorrncia de determinado resultado em uma das
repeties no altera os resultados das prximas repeties e nem influenciado pelos
resultados anteriores.

A. F. Beraldo 57
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Diz-se que as provas de Bernoulli no tem memria. Ento, temos que

P (E|E) = P (E) (2.13)

A seguir, estudamos alguns dos principais modelos de Varivel Aleatria Discreta.


Comeamos com trs modelos baseados nas Provas de Bernoulli: o Modelo Geomtrico,
o Modelo Binomial e o Modelo de Pascal.

58 A. F. Beraldo
2.8 Distribuio Geomtrica

2.8 Distribuio Geomtrica


Descrio Consiste numa srie de repeties de provas de Bernoulli, que
interrompida quando ocorre o primeiro sucesso. Pesquisa-se a
probabilidade de termos que repetir N provas de Bernoulli at que
ocorra o primeiro sucesso.

Modelo
P (X = N ) = q N 1 p (2.14)

Esperana
1
E(x) = (2.15)
p

Varincia
q
2 = Var(x) = (2.16)
p2

Assimetria
2p
3 = (2.17)
q

Curtose
p2
4 = 6 + (2.18)
q

Exemplo 2.4. Um jogador lana um dado N vezes, at que saia a Face 6 . Qual a
probabilidade de a Face 6 s saia no dcimo lanamento?

O dado tem seis faces, das quais apenas uma Face 6. Portanto, P(Face 6) = 1/6.
O sucesso pesquisado (F6) tem probabilidade p = 1/6; o evento no-sucesso tem
probabilidade q, sendo q = 1p, ou q = 1 1/6 = 5/6. A ilustrao abaixo se refere a
um lanamento qualquer:

O sucesso Face 6, com probabilidade p = 1/6

O restante dos eventos do espao amostral (F1, F2, F3, F4, F5), que poderiam
ser chamados de no-Face 6, que chamado de no-sucesso. Sua probabilidade
q = 5/6.

A. F. Beraldo 59
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Figura 2.23: Espao amostral do lance de dados

Notar que estas probabilidades no se alteram, so sempre as mesmas em todos os


lanamentos. Deve-se ter em mente que o resultado de um lanamento no influi no
resultado do prximo lanamento.

Neste exemplo, o dado lanado 10 vezes, e a Face 6 s aparece no dcimo


lanamento. Isto quer dizer que nas 9 primeiras tentativas, ocorreu o evento no-face
6. Da termos a seguinte sucesso de eventos:

F6 F6 F6 F6 F6 F6 F6 F6 F6 F6

que pode ser lido como no-face 6 e no-face 6 e no-face 6 e ... e face 6.
Aplicando-se a Lei da Multiplicao, temos:

P (F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6) =

5 5 5 5 5 5 5 5 5 1
= =
6 6 6 6 6 6 6 6 6 6

 9
5 1 1953125
= = = 0, 03230112 = 0, 032 ou 3%
6 6 60466176

60 A. F. Beraldo
2.8 Distribuio Geomtrica

Resolvendo pela frmula do modelo, temos:

 9
1 5
P (X = k) = p q k1 = = 0, 032
6 6

que fornece o mesmo resultado.

A seguir, a representao grfica do modelo (p = 0, 1667):

Figura 2.24: Modelo geomtrico, p = 1/6

Exemplo 2.5. Seja uma urna com 10 bolas, sendo 3 bolas brancas e 7 bolas azuis. O
experimento aleatrio consiste em retirarmos uma bola, e verificarmos sua cor. Se for
branca, interrompemos o experimento. Se for azul, a bola retorna urna e continuamos
com o experimento. Elaborar a distribuio de probabilidades com a bola branca saindo
apenas na k-sima tentativa, com k variando de 1 a 10.

Utilizamos a frmula do modelo, P (X = k) = p q k1 , e consideramos k variando


de 1 a 10. Os resultados esto na tabela seguir:

A. F. Beraldo 61
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Tabela 2.14: Distribuio de probabilidades


k P(X=k)
1 0,3000
2 0,2100
3 0,1470
4 0,1029
5 0,0720
6 0,0504
7 0,0353
8 0,0247
9 0,0173
10 0,0121

Verificamos que, a medida que k aumenta, as probabilidades ficam menores. Para


k = 1, a probabilidade bvia, a chance da retirada de uma bola branca = p,
p = 0, 3. Para k = 2 temos P (k = 2) = (0, 7)(0, 3) = 0, 2100. Para k = 3, temos
P (k = 3) = (0, 7)(0, 7)(0, 3) = 0, 1470, e assim por diante.

No entanto, isto no quer dizer que quanto mais se repetem as provas de Bernoulli,
mais difcil a ocorrncia do sucesso, e, sim, que a ocorrncia do sucesso, que mais
provvel na primeira repetio ( a moda do modelo), mais improvvel quando N
grande o sucesso deve ter ocorrido antes.

O grfico a seguir mostra melhor a tendncia de resultados:

62 A. F. Beraldo
2.8 Distribuio Geomtrica

Figura 2.25: Modelo geomtrico, p = 0, 3

1 1
A esperana E(X) dada por E(X) = = = 3, 33, e a varincia e o desvio
p 0, 3
q 0, 7 q
padro, por Var(x) = 2 = 2 = = 7, 8 e = Var(x) = 7, 8 = 2, 8
p (0, 3)2

Figura 2.26: Modelo geomtrico, p = 0, 3, funo distribuio

A. F. Beraldo 63
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

A seguir, o grfico N , p(x = N ) para alguns valores de p:

Figura 2.27: Modelo geomtrico, funo densidade

A tabela que originou os pontos do grfico anterior a seguinte:

Tabela 2.15: Modelo geomtrico


N, p 0,5 0,4 0,3 0,2 0,1
1 0,5000 0,4000 0,3000 0,2000 0,1000
2 0,2500 0,2400 0,2100 0,1600 0,0900
3 0,1250 0,1440 0,1470 0,1280 0,0810
4 0,0625 0,0864 0,1029 0,1024 0,0729
5 0,0313 0,0564 0,0720 0,0819 0,0656
6 0,0156 0,0311 0,0504 0,0655 0,0590
7 0,0078 0,0187 0,0353 0,0524 0,0521
8 0,0039 0,0112 0,0247 0,0419 0,0478
9 0,0020 0,0067 0,0173 0,0336 0,0430
10 0,0010 0,0040 0,0121 0,0268 0,0387
11 0,0005 0,0024 0,0085 0,0215 0,0349
12 0,0002 0,0015 0,0059 0,0172 0,0314
13 0,0001 0,0009 0,0042 0,0137 0,0282
14 0,0001 0,0005 0,0029 0,0110 0,0254
15 0,0000 0,0003 0,0020 0,0088 0,0229

Notar que P = (x = 1) = p.

64 A. F. Beraldo
2.9 Distribuio Binomial

2.9 Distribuio Binomial


Descrio Consiste num nmero fixo N de repeties de provas de Bernoulli,
em que ocorrem k sucessos. Pesquisa-se a probabilidade de termos
k sucessos nestas N repeties.

Modelo !
N k N k
P (X = k) = p q (2.19)
k

Esperana
E(x) = N p (2.20)

Varincia
Var(x) = N pq (2.21)

Assimetria
qp
3 = (2.22)
N pq

Curtose
1 6pq
4 = 3 + (2.23)
N pq

A Distribuio (ou Modelo) Binomial pode ser visto como uma extenso da
Distribuio Geomtrica. Suas caractersticas so quase as mesmas:

So N repeties (ou tentativas) de Provas de Bernoulli. O experimento aleatrio,


a cada repetio, tambm gera um espao amostral dicotmico, isto , com
apenas dois eventos possveis. Estes eventos so mutuamente excludentes,
complementares, e so chamados de sucesso e no-sucesso. A probabilidade de
obtermos o evento sucesso, em qualquer das repeties do experimento, dada
por p; a probabilidade do no-sucesso dada por q.

A. F. Beraldo 65
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

P (E) = p
P (E) = q

Pela ilustrao, pode-se ver que = E E. Figura 2.28: Espao amostral


Portanto, temos que P (E) + P (E) = 1, e p + q = 1. dicotmico

Da mesma forma que na Distribuio Geomtrica, as probabilidades p e q so


constantes, isto , as repeties do experimento so feitas sob as mesmas condi-
es. No h variao do espao amostral. Em outras palavras, os experimentos
so feitos com reposio, e os eventos so independentes. So as mesmas
Provas de Bernoulli da distribuio anterior.

O nmero de repeties, N, fixo. Procura-se determinar a probabilidade


de ocorrncia de k sucessos em N tentativas. Seja, por exemplo, quatro
repeties do experimento (N = 4). O nmero de sucessos, k, pode variar, portanto,
de k = 0 at k = 4, ou seja, de nenhum sucesso at sucessos ocorrendo em todas
as repeties do experimento. Veja a ilustrao abaixo:

Esta a seqncia em que k = 0, ou seja, no ocorreu nenhum sucesso.


S possvel esta seqncia e a probabilidade de que isto ocorra
q q q q = q4;
para k = 1, isto , para um sucesso em 4 repeties, existem quatro
sequncias possveis (veja ilustrao ao lado): sucesso na primeira
tentativa (e no-sucesso nas outras trs), no-sucesso na primeira
tentativa, sucesso na segunda tentativa e no-sucesso nas outras duas
tentativas, etc. Todas as sequncias, no entanto, tem a mesma
probabilidade de ocorrncia, p q q q = q 3 ;

para k = 2, dois sucessos em 4 repeties, existem 6 sequncias


possveis (veja ao lado). Todas as sequncias possuem a mesma
probabilidade de ocorrncia, p p q q = p2 q 2 ;

para k = 3, trs sucessos em quatro repeties, temos 4 seqncia


possveis, com a mesma probabilidade em cada sequncia:
p p p q = p3 q;
finalmente, para k = 4, quatro sucessos em quatro tentativas, temos
apenas uma seqncia possvel, com a probabilidade p p p p = p4 .

66 A. F. Beraldo
2.9 Distribuio Binomial

Resumindo:

Para k = 0, 1 sequncia possvel P (k = 0) = q 4

para k = 1, 4 sequncias possveis P (k = 1) = p1 q 3 , em cada sequncia;

para k = 2, 6 sequncias possveis P (k = 2) = p2 q 2 , em cada sequncia;

para k = 3, 4 sequncias possveis P (k = 3) = p3 q 1 , em cada sequncia;

Para k = 4, 1 sequncia possvel P (k = 4) = p4 .

Voc talvez deve ter notado que o nmero de sequncias possveis para k sucessos em
N tentativas o coeficiente do binmio de Newton para o desenvolvimento de expresses
do tipo (a + b)N . Este coeficiente dado pela expresso:

!
N N!
= (2.24)
k k!(N k)!

!
N
Onde a combinao de N objetos, tomados k a k, e N ! (l-se N fatorial)
k
igual a N (N 1)(N 2)(N 3)

A expresso do modelo binomial , portanto:

!
N k N k
P (X = k) = p q (2.25)
k

Na qual l-se que a probabilidade de ocorrncia de k sucessos em N repeties do


experimento aleatrio nas condies descritas acima (sequncias ou provas de Bernoulli)
igual combinao de N tentativas tomadas k a k sucessos, multiplicada pela k-
sima potncia de p (probabilidade de sucesso) e por q (probabilidade de no-sucesso),
elevada potncia N k.

Exemplo 2.6. Seja a mesma urna do exemplo 2.5 da seo anterior (urna com 10 bolas,
sendo 3 bolas brancas e 7 bolas azuis). A probabilidade de sair uma bola branca em uma
tentativa qualquer de 0,3. Na distribuio geomtrica, pesquisa-se a probabilidade de

A. F. Beraldo 67
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

apenas um sucesso ocorrendo na n-sima tentativa. Na distribuio binomial


pesquisa-se a probabilidade de ocorrncia de k sucessos em N tentativas fixas.
Por exemplo, se retirssemos, com reposio7 , 6 bolinhas da urna, qual a probabilidade
de entre estas seis bolas, sassem duas bolas brancas? Pela frmula do modelo binomial,
temos:

N = 6 (seis bolinhas retiradas)

p = 0, 3

q = 1 p = 1 0, 3 = 0, 7

k = 2 (duas bolas brancas, entre as seis retiradas. Portanto, as outras quatro bolas
so no brancas).
!
N k N k
A frmula P (X = k) = p q . Com os parmetros do exemplo, temos:
k

!
6
P (X = 2) = (0, 3)2 (0, 7)62
2
!
6
P (X = 2) = (0, 3)2 (0, 7)4 = 5 (0, 09) (0, 2401)
2
P (X = 2) =0, 3241 = 32, 41%

Como seria para outros valores de k, isto , para os diversos valores que k pode
assumir? Em 6 retiradas de bolinhas, com reposio podemos ter desde k = 0 (nenhuma
bolinha branca) at k = 6 (todas as bolinhas brancas). Utilizando o modelo:

!
N k N k
P (X = k) = p q
k

com N = 6, p = 0, 3, q = 0, 7 e k variando de 0 a 6, construmos a tabela e o grfico


a seguir:

7
Os experimentos descritos pela distribuio binomial so feitos com reposio. Isto garante a
constncia do tamanho do espao amostral e das probabilidades p e q, de sucesso e no-sucesso,
respectivamente.

68 A. F. Beraldo
2.9 Distribuio Binomial

Tabela 2.16: Modelo binomial


k P (X = k) P (X = k)
0 0,1176 11,76%
1 0,3025 30,25%
2 0,3241 32,41%
3 0,1852 18,52%
4 0,0595 5,95%
5 0,0102 1,02%
6 0,0007 0,07%
P
1,000 100%

Note que as probabilidades crescem, de k = 0 at k = 2, e depois vo decrescendo


at perto de 0, em k = 6. E veja que a soma das probabilidades igual a 1,00 ou 100%.

Figura 2.29: Probabilidades binomiais, N = 6, p = 0, 3

A. F. Beraldo 69
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Exemplo 2.7. Imagine uma famlia com 10 filhos. Estes podem ser do sexo masculino
ou feminino. A probabilidade de uma criana ser do sexo masculino de 0,5 ou 50%
( a mesma para crianas do sexo feminino, como vimos). Supondo que o nascimento
de meninas e meninos seja um experimento aleatrio, qual a probabilidade de termos k
meninas nesta famlia, com k variando de 0 a 10 (de nenhuma menina a todas meninas)?

N = 10

p = 0,5

q = 0,5

k = 0, 1, 2, 3, 4,..., 10

Os clculos so os seguintes:
!
10
Para nenhuma menina, P (X = 0) = (0, 5)0 (0, 5)10 = 0, 001
0
!
10
Para uma menina, P (X = 1) = (0, 5)1 (0, 5)9 = 0, 010
1
!
10
Para duas meninas, P (X = 2) = (0, 5)2 (0, 5)8 = 0, 044
2
!
10
Para trs meninas, P (X = 3) = (0, 5)3 (0, 5)7 = 0, 1172
3
!
10
Para quatro meninas, P (X = 4) = (0, 5)4 (0, 5)6 = 0, 2050
4
!
10
Para cinco meninas, P (X = 5) = (0, 5)5 (0, 5)5 = 0, 2461
5
!
10
Para seis meninas, P (X = 6) = (0, 5)6 (0, 5)4 = 0, 2050
6
!
10
Para sete meninas, P (X = 7) = (0, 5)7 (0, 5)3 = 0, 1172
7
!
10
Para oito meninas, P (X = 8) = (0, 5)8 (0, 5)2 = 0, 044
8

70 A. F. Beraldo
2.9 Distribuio Binomial

!
10
Para nove meninas, P (X = 9) = (0, 5)9 (0, 5)1 = 0, 010
9
!
10
Para dez meninas, P (X = 10) = (0, 5)10 (0, 5)0 = 0, 001
10

Note que existe uma espcie de lei de formao quando se varia k de 0 at N :

a soma dos expoentes das probabilidades p e q sempre igual a N ;

a soma das probabilidades p e q sempre igual a 1

Os resultados so colocados na tabela abaixo:

Tabela 2.17: Modelo binomial, N = 10, p = 0, 5


k P (X = k) P (X = k)
0 0,001 0%
1 0,010 1%
2 0,044 4%
3 0,117 12%
4 0,205 21%
5 0,246 25%
6 0,205 21%
7 0,117 12%
8 0,044 4%
9 0,010 1%
10 0,001 0%
P
1,0000 100%

Observe que as probabilidades crescem at um valor mximo, 25% em k = 5. A


partir de k = 5, as probabilidades caem at quase se anular. Este valor mximo, como
veremos, a esperana da varivel nmero de crianas do sexo feminino. O grfico a
seguir representa melhor esta distribuio de probabilidades:

A. F. Beraldo 71
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Figura 2.30: Probabilidades binomiais, N = 10, p = 0, 5

Estude bem este exemplo, que ser de muita importncia quando tratarmos
de outras distribuies (modelo normal, por exemplo). Veja a forma do grfico, uma
curva simtrica, em forma de sino. Este um caso especial, quando p = 0, 5. Leia os
comentrios a seguir:

Comentrios:

1. Curvas de probabilidade: As curvas que representam as distribuies de probabi-


lidade binomial podem ser simtricas (exemplo anterior), assimtricas positivas
(maior densidade de probabilidade para a esquerda) ou assimtricas negativas
(maior densidade de probabilidade na regio direita do grfico). Quando a
probabilidade de sucesso, p, menor do que 0,5, a curva assimtrica positiva.
Quando p > 0, 5, a curva assimtrica negativa. Veja o grfico a seguir:

72 A. F. Beraldo
2.9 Distribuio Binomial

Figura 2.31: Curvas de probabilidades, N = 10 e p = 0, 1 a p = 0, 9%

2. Probabilidade de sucesso p = 0, 5:
Quando a probabilidade p igual a 0,5, a curva sempre simtrica, mas comea a
tomar a forma de sino (mais suave) a partir de N = 5. Veja o grfico a seguir:

Figura 2.32: Curvas de Probabilidades Binomiais, p = 0, 5, N = 2 a 10%

Outra coisa: quando p = 0, 5, a esperana E(x) pode ser calculada pela expresso
N/2. Veja, no grfico acima, que a probabilidade da esperana decrescente,
medida que N aumenta.

A. F. Beraldo 73
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

A probabilidade da esperana, para valores pares de N , calculada pela expresso


!
N
P (X = E(X)) = (0, 5)N (2.26)
N/2

Pode-se demonstrar que esta probabilidade tende a zero,


! quando N muito grande.
N
Se escrevermos a expresso P (X = E(X)) = (0, 5)N da seguinte forma
N/2
!
N
N
! 
N 1 N/2
P (X = E(X)) = = (2.27)
N/2 2 2N

veremos que o numerador cresce


! bastante, mas o denominador cresce bem mais.
30
Para se ter uma idia, = 155.117.520, mas 230 = 1.073.741.824. Veja no
15
grfico a seguir as probabilidades da esperana:

Figura 2.33: Probabilidade da Esperana em Distribuies Binomiais, p = 0, 5

74 A. F. Beraldo
2.9 Distribuio Binomial

3. Para calcular as combinaes de N, tomados k a k , podemos utilizar o tringulo


de Pascal, a seguir:

Figura 2.34: Tringulo de Pascal

Note que cada nmero, no interior do tringulo, igual soma dos dois valores,
esquerda e direita, na linha de cima. Por exemplo, o valor 126 igual soma
70 + 56. Veja abaixo:

Figura 2.35: Soma com Tringulo de Pascal

A. F. Beraldo 75
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

2.10 Distribuio Binomial Negativa (ou de Pascal)


Descrio Consiste numa srie de N repeties de Provas de Bernoulli em
que ocorrem k sucessos. As repeties so interrompidas quando
ocorre o k-simo sucesso. Pesquisa-se a probabilidade de termos
que repetir N Provas de Bernoulli at que ocorra o k-simo sucesso.

Modelo !
N 1 k
P (X = N ) = p q N k (2.28)
k1

Esperana
k
E(x) = (2.29)
p

Varincia
kq
Var(x) = (2.30)
p2

Esta distribuio (modelo) uma espcie de combinao entre os modelos geom-


trico (quando a ocorrncia do k-simo sucesso interrompe as repeties das Provas de
Bernoulli) e binomial (quando ocorrem k sucessos em N repeties). Como foi visto, o
k-simo sucesso interrompe a repetio das N provas de Bernoulli, na N-sima
repetio.
Exemplo 2.8. Um jogo consiste no lanamento de um dado em que jogadores escolhem uma
face e apostam uma quantia nesta face. Ganha-se o jogo quando a face escolhida sai pela
terceira vez. Voc, jogador, escolhe a face F4. Qual a probabilidade de voc ganhar o jogo
na sexta rodada?

O jogo, portanto, ser interrompido quando sair F4 na 6a rodada, e coincide com a 3a vez
que sai a F4. Trata-se de uma distribuio de Pascal 8 , pelas suas caractersticas. A face F4
j saiu 2 vezes, nas 5 jogadas anteriores. Portanto, aplicando a expresso do modelo, temos:

! !
N 1 3 63 5 3 3
P (X = 6) = p q = p q
k1 2
!
5
P (X = 6) = (0, 167)3 (0, 833)3 = (10)(0, 005)(0, 579) = 0, 0268
2

8
Alis, este o problema que iniciou a troca de cartas entre Pascal e Fermat, com algumas variaes.

76 A. F. Beraldo
2.11 Distribuio Hipergeomtrica

2.11 Distribuio Hipergeomtrica


Descrio Seja um espao amostral dicotmico, de tamanho N , finito,
contendo a sucessos e b no-sucessos (a + b = N ). Deste conjunto
extrada uma amostra de tamanho n , com k sucessos e n k
no sucessos. A amostragem feita sem reposio. Pesquisa-se
a probabilidade da amostra assim extrada conter k sucessos.

Modelo ! !
a N a
k nk
P (X = k) = ! (2.31)
N
n

Esperana
a a b b
p= = q= =
a+b N a+b N
a
E(x) = n = np (2.32)
a+b

Varincia
nab(a + b n) npq(N n)
Var(x) = = (2.33)
(a + b) (a + b 1)
2 N 1

n
A razo NN 1
torna-se igual a 1 quando N >> n. Neste
caso, a distribuio hipergeomtrica comporta-se da mesma
forma que a binomial. Em outras palavras, quando N , a
amostragem sem reposio praticamente igual com reposio.

Figura 2.36: Universo e amostra

A. F. Beraldo 77
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Exemplo 2.9. Suponha que uma mquina fabrique N peas de automvel, em um dia.
As peas podem ser defeituosas (com probabilidade p = a/N , sendo a o nmero de
peas defeituosas) ou no-defeituosas (com probabilidade q = (N a)/N ). O controle
de qualidade da fbrica sorteia uma amostra de n peas, das N fabricadas naquele dia.
Qual ser a probabilidade de termos k peas defeituosas, na amostra?

Esta probabilidade dada pela expresso:

! !
a b
k nk
P (X = k) = !
N
n

a qual a o nmero de peas defeituosas das N peas fabricadas e k o nmero de


peas defeituosas das n peas amostradas.

Se fizermos N = 25, n = 15, a = 5 e k = 2, temos:

! !
5 20
2 13
P (X = 2) = ! = 0, 237
= 23, 7%
25
15

Para os dados acima, a esperana calculada como:

an (5)(15)
E(x) = = =3
N (25)

A varincia e o desvio-padro so dados por:

a N a N n
   
Var(x) = n =1
N N N 1

78 A. F. Beraldo
2.11 Distribuio Hipergeomtrica

Na figura a seguir, a distribuio hipergeomtrica para k variando de 0 a 5:

Figura 2.37: Modelo Hipergeomtrico

Comentrios

1. Se a amostragem fosse feita com reposio, teramos uma distribuio (ou modelo)
binomial.

2. Na prtica, quando o tamanho da amostra for muito menor do que o do Universo
n
N
0, 01 podemos utilizar modelo binomial.

N n
3. A expresso chamada de fator de correo finita, e ser abordado
N 1
novamente na apostila Estatstica III, Amostragem, Inferncia e Testes. Notar
que, quando N >> n , a razo tende a 1, o que conduz ao Comentrio 2, acima...

A. F. Beraldo 79
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

2.12 Distribuio Multinomial


Descrio Seja um espao amostral, de tamanho N , finito, contendo k eventos
Ai mutuamente excludentes (politomia). Os eventos possuem
probabilidades P (Ai ) = pi . Deste conjunto extrada uma amostra
de tamanho n , em que cada evento ocorre xi vezes, sendo xi = n .
Pesquisa-se a probabilidade de ocorrncia dos eventos Ei , xi vezes.

Modelo
n!
P (X = x1 , X = x2 , X = x3 , ..., X = xk ) = px1 px2 px3 ...pxk k
x1 !x2 !x3 !...xk ! 1 2 3
ou
n!
P (X = x1 , X = x2 , X = x3 , ..., X = xk ) = k pxi (2.34)
x1 !x2 !x3 !...xk ! 1 i

Esperana Cada evento xi possui a sua esperana, dada por

E(xi ) = npi (2.35)

Varincia Cada evento xi possui a sua varincia, dada por

Var(xi ) = N pi (1 pi ) (2.36)

Assimetria Sem expresso de clculo.


e curtose

At agora, lidamos com as Provas de Bernoulli, que utilizam um espao amostral


dicotmico, isto , dividido em dois subconjuntos mutuamente excludentes e comple-
mentares (sucesso e no-sucesso). Podemos generalizar os modelos estudados para o
caso em que os sucessos ocorram de vrias formas e tipos diferentes. Por exemplo, se
estamos fazendo o controle de qualidade da fabricao de um motor, que agrega vrios
componentes, os defeitos que este motor pode apresentar so combinaes dos defeitos
que podem ocorrer em seus componentes. Analise o espao amostral da figura a seguir:

80 A. F. Beraldo
2.12 Distribuio Multinomial

Figura 2.38: Espao amostral politmico

Os eventos E1 at E4 so mutuamente excludentes, j que temos:

E1 E2 E3 E4 =

E1 E2 E3 E4 =

Cada evento Ei possui a sua probabilidade P (Ei ) = pi e cumpre-se a condio de


distribuio de probabilidades n1 pi = 1.
P

Ao repetirmos o experimento N vezes, supondo as probabilidades pi constantes


(experimento feito com reposio), queremos saber qual a probabilidade de E1 ocorrer
k1 vezes, E2 ocorrer k2 vezes, E3 ocorrer k3 vezes e E4 ocorrer k4 vezes. claro que
k1 + k2 + k3 + k4 = N , e, de acordo com a Anlise Combinatria e a Lei da Multiplicao,
temos

N!
P (X = k1 , k2 , k3 , , kn ) = = pk11 pk22 pk33 ...pknn (2.37)
k1 !k2 !k3 ! + ... + kn !

na qual ki o nmero de vezes que o evento i ocorre, com probabilidade pi . Os


parmetros desta distribuio, para cada evento i, so

Esperana E(xi ) = N pi
Varincia Var = N pi (1 pi )

A. F. Beraldo 81
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Exemplo 2.10. Em uma turma de alunos de um curso noturno, 60% dos alunos so
solteiros, 30% so casados, e os demais so divorciados. Extrada uma amostra de 10
alunos, qual a probabilidade de obtermos exatamente 5 solteiros, 3 casados e 2 alunos
divorciados?

Aplicando-se a expresso de clculo do modelo, temos:

10!
P (x1 = 5, x2 = 3, x3 = 2) = (0, 6)5 (0, 3)3 (0, 1)2 = 0, 0529
5!3!2!

Os valores esperados para as frequncias das categorias so:

Solteiros E solteiros = (10) (0, 6) = 6

Casados E casados = (10) (0, 3) = 3

Divorciados E divorciados = (10) (0, 10) = 1

Tabela 2.18: Varincias e desvios padres


E(ki ) Var(ki ) S(ki )
Solteiros 6 2,40 1,55
Casados 3 2,10 1,45
Divorciados 1 0,90 0,95

Calculando a probabilidade das esperanas, temos:

10!
P (x1 = 6, x2 = 3, x3 = 1) = (0, 6)6 (0, 3)3 (0, 1)1 = 0, 106
6!3!1!

82 A. F. Beraldo
2.13 Distribuio de Poisson

2.13 Distribuio de Poisson


Descrio Seja um evento que ocorre, em mdia vezes por unidade de tempo
ou de espao9 . Pesquisa-se a ocorrncia do evento k vezes em um
intervalo de tempo ou de espao.

Modelo
k e
P (x = k) = (2.38)
k!

Esperana
E(x) = (2.39)

Varincia
Var(x) = (2.40)

Assimetria
1
3 = (2.41)

Curtose
1
4 = 3 + (2.42)

Este modelo completamente diferente dos modelos estudados anteriormente, ba-


seados nas provas de Bernoulli. Os eventos estudados, muitas vezes chamados eventos
raros, ocorrem ao longo do tempo ou de dimenses do espao: um modelo cujas
probabilidades so calculadas a partir do conceito frequencista, ou seja, utilizamos as
informaes anteriores para prever as ocorrncias de sucessos nas prximas repeties
do experimento.

A distribuio de Poisson aplica-se a fenmenos aleatrios no tempo e no espao,


como acidentes automobilsticos, chamadas telefnicas, falhas de um equipamento no
decorrer do tempo de uso, etc. Sua expresso :

k e
P (X = k) =
k!
A. F. Beraldo 83
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

na qual k o nmero de sucessos, a ocorrncia mdia de sucessos no tempo ou


no espao, e e a base dos logaritmos neperianos (e = 2, 71828...). A aplicao desta
distribuio exemplificada a seguir:

Exemplo 2.11. A mdia de solicitaes de atendimento do servio de resgate do Corpo


de Bombeiros, nos ltimos meses, de 4 solicitaes por dia. Calcule a probabilidade
de, em determinado dia do prximo ms, ocorrerem: a) nenhuma solicitao; b) uma
solicitao c) duas solicitaes; d) trs solicitaes; e) quatro solicitaes; f) de duas a
quatro solicitaes; g) mais de duas solicitaes; h) menos de trs solicitaes.

Ento, pelos dados do exerccio, a mdia de 4 solicitaes/dia. Escrevemos a


funo densidade do modelo como:

k e4
P (X = k) =
k!

Substituindo na funo densidade os dados, temos:

Nenhuma solicitao:
0 e4
P (X = 0) = = 0, 01832
0!
Uma solicitao
1 e4
P (X = 1) = = 0, 07326
1!
Duas solicitaes
2 e4
P (X = 2) = = 0, 14653
2!
Trs solicitaes
3 e4
P (X = 3) = = 0, 19537
3!
Quatro solicitaes
4 e4
P (X = 4) = = 0, 19537
4!
De duas a quatro solicitaes

P (X = 2) + P (X = 3) + P (X = 4) = 0, 537

Mais de duas solicitaes:

P (X > 2) = 1 [P (X = 0) + P (X = 1) + P (X = 2)] = 1 0, 2380 = 0, 762

84 A. F. Beraldo
2.13 Distribuio de Poisson

Menos de trs solicitaes:

P (X = 0) + P (X = 1) + P (X = 2) = 0, 2380

A figura seguinte representa os resultados:

Figura 2.39: Modelo de Poisson

Notar neste grfico:

1. A curva assinttica direita. Para valores maiores que k = 13, a probabilidade


menor que 0, 000642.

2. A probabilidade P (x = ) igual a P (x = 1). Isto vlido para todos os


valores de pertencentes ao conjunto dos naturais.

A. F. Beraldo 85
Modelo Caractersticas Modelo e Parmetros
Geomtrico As Provas de Bernoulli so repetidas k

A. F. Beraldo
(Pgina 59) vezes, at que o sucesso ocorra (na k- P (X = k) = q k1 p
sima e ltima tentativa). 1 q
E(X) = V (X) =
p p2
2. Distribuies de Probabilidades de Variveis Aleatrias Discretas

Binomial As Provas de Bernoulli so repetidas  


(Pgina 65) N vezes e pesquisa-se a probabilidade N k N k
P (X = k) = p q
da ocorrncia de k sucessos nas N k
repeties. E(X) = N p V (X) = N p q
Pascal As Provas de Bernoulli so repetidas N  
(Pgina 76) vezes at que ocorra o k-simo sucesso N 1 k N k
P (X = k) = p q
na N -sima repetio. k1
k kq
E(X) = V (X) =
p p2
Hipergeomtrica De um universo de tamanho N reti-   
(Pgina 77) rada uma amostra de tamanho n. Exis- a N a
tem a sucessos no Universo e pesquisa- k nk
P (X = k) =  
se a probabilidade de obtermos k suces- N
sos na amostra. n
npq(N n)
E(x) = np Var(x) =
N 1
Multinomial O espao amostral no dicotmico,
(Pgina 80) porm dividido em n eventos. O espao N!
P (X = k1 , ..., kn ) = pk11 p2k2 ...pnkn
amostral de tamanho N e cada evento k1 !k2 !...kn !
um subconjunto de tamanho ki . E(X = ki ) = N pi V (X) = N pi (1 pi )
Poisson A ocorrncia mdia de sucessos no
(Pgina 83) tempo ou no espao dada por . k e
P (X = k) =
k!
E(X) = V (X) =

86
2.13 Distribuio de Poisson

Alm deste Captulo, pratique:

Faa agora os exerccios da Lista 2.2 - Distribuio geom-


trica, distribuio binomial e distribuio de pascal e
Lista 2.3 - Distribuio hipergeomtrica, distribuio
multinomial e distribuio de poisson.

Faa agora uma simulao destas medidas nos templates TP08 -


modelos de VAD.

Assita ao audiovisual AV09 - Distribuio de probabilidades


de variveis aleatrias.

Faa o Estudo Dirigido ED09 - Distribuio de probabilida-


des VAD, ED10 e ED11.

A. F. Beraldo 87
3 Modelos de Variveis Aleatrias Contnuas
3.1 Variveis Aleatrias Contnuas
No captulo anterior, estudamos as distribuies e os modelos mais comuns de
Varivel Aleatria Discreta. Neste captulo, estudaremos as distribuies e os modelos
mais usuais de Variveis Aleatrias Contnuas (VAC).

Uma Varivel Aleatria Contnua (VAC) pode assumir qualquer valor do con-
junto dos nmeros Reais (x ). R
Exemplos de Varivel Aleatria Contnua:

a. consumo residencial de energia eltrica, em determinado horrio;

b. expectativa de vida da populao de um pas, neste ano;

c. mdia de gols de seu time, nos campeonatos de 2000 a 2006;

d. volume de lixo industrial produzido, por ms, no distrito industrial;

e. nvel de poluio na avenida central, s 18:00.

As condies para que f (x) seja uma funo de probabilidades de uma Varivel
Aleatria Contnua (VAC) so:

1. f (x) 0, para todo x R, e (3.1)


Z +
2. f (x)dx = 1 (3.2)

Caso cumpra as duas condies, esta funo chamada funo densidade de


probabilidades (fdp).

A. F. Beraldo 89
3. Modelos de Variveis Aleatrias Contnuas

Comentrios

Se X uma varivel aleatria contnua, no h sentido em calcular P (X = a).


No se pode calcular a probabilidade no ponto; a probabilidade para variveis contnuas
intervalar, isto , calcula-se a probabilidade de X estar entre dois valores, a e b. Esta
probabilidade dada pela integral:

Z b
P (a < X < b) = f (x)dx
a

Exemplo 3.1. Seja a funo definida como f (x) = 2x, para 0 x 1, e f (x) = 0,
para x > 1, f (x) = 0, para x < 0.

Esta uma funo de probabilidades, uma vez que cumpre as duas condies:

1. f (x) 0, para todo x R, e


Z +
2. f (x)dx = 1

Para a condio 1, veja o grfico a seguir:

90 A. F. Beraldo
3.1 Variveis Aleatrias Contnuas

Figura 3.1: f (x) 0

A. F. Beraldo 91
3. Modelos de Variveis Aleatrias Contnuas

R0 R1 R +
Para a condio 2, temos que 0dx + 0 2xdx + 1 0dx, ou

1
Z +
2x2
f (x)dx = 0 + + 0 = 0 + (12 02 ) = 1
2
0

No caso da varivel aleatria ser contnua, a Funo de Distribuio dada por:

Z x
F (x) = P (X x) = f (x)dx (3.3)

Da podermos definir, com maior rigor, uma varivel aleatria contnua (VAC). Esta
possui uma funo de distribuio F(x) que cumpre as seguintes condies:

1. F (x) contnua, direita e esquerda, em qualquer ponto de R.

dF (x)
2. = f (x)
dx

Exemplo 3.2. Seja a fdp definida comof (x) = 3x2 /8, para 0 x 2. Sua funo
distribuio dada por:
Z x
3x2 x3
F (x) = dx = ,
0 8 8
para 0 x 2. Veja a figura a seguir:

92 A. F. Beraldo
3.2 Parmetros

Figura 3.2: Funo Distribuio, para varivel contnua

3.2 Parmetros
3.2.1 Esperana Matemtica
A Esperana Matemtica, Expectncia ou Valor Esperado de uma varivel
aleatria contnua, que simbolizamos por E(X), dada pela expresso:

Z +
E(X) = xf (x)dx (3.4)

Exemplo 3.3. Seja uma VAC com fdp dada por f (x) = 3x2 , para 0 x 1, e f (x) = 0,
para valores de x fora deste intervalo. A esperana desta distribuio dada por:

Z + Z 1
E(x) = = xf (x)dx = x3x2 dx =
0
Z 1
3(1)4 3(0)4 3
= 3x3 dx = =
0 4 4 4

A. F. Beraldo 93
3. Modelos de Variveis Aleatrias Contnuas

Veja a figura a seguir:

Figura 3.3: Funo densidade mostrando a E(x)

3.2.2 Varincia
Para distribuies contnuas de probabilidade, temos a expresso:

Z
Var(x) = (x E(x))2 f (x)dx (3.5)

e, tambm, a expresso:

Z
Var(x) = x2 f (x)dx [E(x)]2 (3.6)

94 A. F. Beraldo
3.2 Parmetros

Exemplo 3.4. Seja uma VAC com fdp dada por f (x) = 3x2 , para 0 x 1, e f (x) = 0,
para valores de x fora deste intervalo. A esperana desta distribuio foi calculada igual
a: 3/4. A varincia da funo dada por:

Z 1
Var(x) = x2 (3x2 )dx [E(x)]2 =
0
1
 2
Z 1
3 3x5
(3x4 )dx = 0, 5625
0 4 5
0

3
Var(x) = 0, 5625 = 0, 0375
5

As caractersticas das distribuies de Varivel Aleatria Contnua so:

1. No estudo das VADs, observamos que o clculo das probabilidades se refere a


um nmero de ocorrncias, seja de eventos de um espao amostral dicotmico
(Geomtrica, Binomial, Pascal, Hipergeomtrica) ou politmico (Multinomial),
seja de ocorrncias de eventos ao longo do tempo ou do espao (Poisson). No
caso de VACs, os eventos no so pontuais e sim intervalares. Pesquisa-se
a probabilidade de x (a VAC) ser maior ou menor do que dado valor, ou a
probabilidade de x estar entre dois valores a e b.

2. Ao contrrio das VADs, em que a probabilidade de um evento dada por uma


expresso matemtica vinda da definio frequencista ou de um clculo feito a
partir da Anlise Combinatria, a probabilidade de um evento calculada pela
integrao de uma funo densidade.
Uma varivel aleatria contnua tem uma distribuio de probabilidades dada por
f (x) se:

1. f (x) 0, para todo x R, e


Z +
2. f (x)dx = 1

Satisfeitas as condies acima, a probabilidade P (a x b) dada pela expresso


Z b
P (a x b) = f (x)d(x) = F (b) F (a)
a

A. F. Beraldo 95
3. Modelos de Variveis Aleatrias Contnuas

Os parmetros so dados por:

Esperana Z +
E(X) = = xf (x)dx

Varincia
Z + Z +
Var(x) = 2 = (x )2 f (x)dx = x2 f (x)d(x) 2

Desvio padro
s(x) = = 2

Funo distribuio
Z x0
F (x0 ) = f (x)dx

1. F (x) contnua, direita e esquerda, em qualquer ponto.


dF (x)
2. = f (x)
dx

Nas pginas seguintes, estudaremos alguns modelos de varivel aleatria contnua


mais comumente utilizados.

96 A. F. Beraldo
3.3 Distribuio Uniforme

3.3 Distribuio Uniforme


Descrio Uma varivel aleatria contnua com probabilidade de
ocorrncia dos eventos constante ao longo de seu domnio
(equiprobabilidade) possui uma distribuio uniforme de
probabilidades.

Funo densidade
1
f (x) = (3.7)
ba

Funo distribuio
F (x) = 0 , para x < a (3.8)
xa
F (x) = , para a x b (3.9)
ba
F (x) = 1 , para x > b (3.10)

Esperana
a+b
E(x) = (3.11)
2

Varincia
2 (b a)2
s (x) = (3.12)
12

Assimetria
3 = 0 (3.13)

Curtose
6
4 = (3.14)
5

A. F. Beraldo 97
3. Modelos de Variveis Aleatrias Contnuas

Exemplo 3.5. Seja uma distribuio uniforme, dada por f (x) = 0, para x > 3,
1 1
f (x) = = = 0, 25, para 3 x 7 e f (x) = 0, para x > 7
ab 73
Os grficos para esta distribuio so os seguintes:

Figura 3.4: Funo densidade

Figura 3.5: Funo distribuio

98 A. F. Beraldo
3.3 Distribuio Uniforme

Esperana
a+b 3+7
E(x) = = = 5, 0
2 2

Varincia
(b a)2 (7 3)2 16
Var(x) = 2 = = = = 1, 33
12 12 12

Exemplo 3.6. Um cabo de alta tenso desenrolado de uma bobina com 200m.
Suponha que a probabilidade de rompimento igual e constante para toda a extenso
do cabo. Calcule a E(x), a V ar(x) e a probabilidade do cabo se romper entre 100m e
120m.
1 1
A funo densidade , portanto, f (x) = = = 0, 005, para 0 x 200
ab 200 0
e f (x) = 0 para x < 0 e x > 200

Figura 3.6: Funo densidade

A. F. Beraldo 99
3. Modelos de Variveis Aleatrias Contnuas

A esperana dada por:

a+b 0 + 200
E(x) = = = 100
2 2

A varincia e o desvio padro so dados por:

(b a)2 200 0)2 40.000


Var(x) = 2 = = = = 3333, 33m2
12 12 12


s(x) = 2 = 3333, 33 = 57, 74m

#120
Z 120
1
p(100 < x < 120) = dx = 0, 005x = 0, 6 0, 5 = 0, 10
100 200 100

Figura 3.7: Funo densidade, com rea entre 100 e 120

100 A. F. Beraldo
3.4 Distribuio Exponencial

3.4 Distribuio Exponencial


Descrio A distribuio exponencial muito parecida com a distri-
buio de Poisson (VAD). Seja uma varivel aleatria con-
tnua cuja probabilidade de ocorrncia aumenta segundo
uma taxa constante (ao longo do tempo, por exemplo).
Suas caractersticas so:

Funo densidade
f (x) = ex para > 0 e x > 0 (3.15)
e = 2, 7182

Funo distribuio
Z x
F (x) = ex dx = 1 ex , para x > 0 (3.16)
0

Esperana
1
E(x) = (3.17)

Varincia
1
Var(x) = 2 = (3.18)
2

Assimetria
3 = 2 (3.19)

Curtose
4 = 3 (3.20)

A frase aumenta em uma taxa constante sugere que esta distribuio muito til
para modelar fenmenos que envolvem durabilidade - componentes sujeitos ao desgaste.

A. F. Beraldo 101
3. Modelos de Variveis Aleatrias Contnuas

Exemplo 3.7. Um componente eletrnico, se usado continuamente, possui uma dura-


bilidade mdia de 200 dias e uma distribuio de probabilidade de falhas exponencial.
Qual a probabilidade deste componente deixar de funcionar em:

a) menos de 100 dias;

b) mais de 500 dias;

c) entre 200 e 400 dias.

1 1
Pelos dados do exemplo, temos que E(x) = 200, portanto = = = 0, 005,
E(x) 200
e a funo densidade (exponencial) dada por f (x) = 0, 005e0,005x (veja o grfico a
seguir).

Figura 3.8: Funo densidade do modelo exponencial

102 A. F. Beraldo
3.4 Distribuio Exponencial

A probabilidade deste componente deixar de funcionar em at x dias dada pela


funo distribuio, F (x) = 1 e0,005x (veja o grfico a seguir):

Figura 3.9: Funo distribuio

Ento, respondendo ao que se pede:

a) menos de 100 dias;

P (x < 100) = 1 e0,005100 = 0, 393

b) mais de 500 dias;

P (x > 500) = 1 F (500) = 1 1 e0,005(500) = e0,005(500) = 0, 082

c) entre 200 e 400 dias.

P (200 x 400) = F (400) F (200) = e0,005(200) e0,005(400) = 0, 23254

Adicionalmente, calculemos a mediana, isto , o tempo T em que metade dos


componentes ainda est funcionando - a outra metade j parou de funcionar. Calculamos
ento:

A. F. Beraldo 103
3. Modelos de Variveis Aleatrias Contnuas

Z T
0, 005e0,005x dx = 0, 50 ou P (x > T ) = 0, 50
0

logo, P (x > T ) = 1 F (T ) = 1 (1 e0,005T ) = e0,005T = 0, 50

Resolvendo a equao logartmica, temos: e0,005T = 0, 50, resultando em

ln(e0,005T ) = ln(0, 50)

0, 693
Sabendo que ln(0, 50) = 0, 693, temos que 0, 005T = 0, 693, e T = = 140
0, 005
dias. Veja o grfico a seguir:

Figura 3.10: F (x) = 1 e0,005x

104 A. F. Beraldo
3.4 Distribuio Exponencial

Graficamente, temos, para qualquer valor de T

Figura 3.11: Valor de T

Assim, voc pode ver que:

ln 2 ln 4ln 3 ln 4
Mediana = Q1 = Q3 =

0,693 0,288 1,386


Mediana = Q1 = Q3 =

ln 4 ln 3 0, 288
Q1 = =

ln 2 0, 693
Q2 = Mediana = =

ln 4 1, 386
Q3 = =

A. F. Beraldo 105
3. Modelos de Variveis Aleatrias Contnuas

3.5 Distribuio Normal


Descrio A distribuio de uma varivel aleatria contnua x
dita normal, ou gaussiana, quando segue uma funo
densidade dada pela expresso abaixo:

Funo densidade
1 x 2
e 2 ( )
f (x) = (3.21)
2

Esperana
E(x) = (3.22)

Varincia
Var(x) = 2 (3.23)

Assimetria
3 = 0 (3.24)

Curtose
4 = 3 (3.25)

106 A. F. Beraldo
3.5 Distribuio Normal

A figura abaixo um Histograma de Frequncias das notas dos candidatos de um


concurso vestibular. As notas (nmero de pontos) foram agrupadas em 19 classes, entre
0 e 100.

Figura 3.12: Histograma

O aspecto do grfico de uma distribuio de maior densidade de notas na poro


central, e reas de menor concentrao esquerda e direita do grfico. O histograma
indica haver, tambm, uma disposio simtrica em relao nota central da escala, em
torno de 50 pontos.

As estatsticas calculadas foram:

Mdia = 52, 0 pontos;

desvio padro = 18 pontos;

assimetria = 0, 009.

A figura seguinte mostra o mesmo conjunto, reagrupado em 9 classes: A percepo


da simetria, indicada por um coeficiente prximo de 0, fica mais clara.

A. F. Beraldo 107
3. Modelos de Variveis Aleatrias Contnuas

Figura 3.13: Histograma

O software traa uma linha suave (polgono de frequncia) sobre as colunas do


histograma, compensando as reas sob a curva, de forma a cobrir todas as notas
dos candidatos:

Figura 3.14: Histograma

108 A. F. Beraldo
3.5 Distribuio Normal

Tanto o aspecto do histograma quanto a curva de frequncias indicam que as notas


dos candidatos se dispem, muito aproximadamente, em uma distribuio chamada
normal.

A distribuio, ou modelo normal, foi descoberta pelo matemtico francs Abraham


de Moivre, no sculo XVIII e adotada por Gauss, no comeo do sculo XIX para
explicar as Frequncias relativas dos erros verificados na comparao entre tabelas
astronmicas antigas e modernas (do sculo XIX), onde constavam as posies de estrelas
e planetas. Prosseguindo em seus estudos, Gauss e outros estatsticos descobriram que
a distribuio normal podia ser aplicada a uma imensa variedade de fenmenos, desde a
distribuio das estaturas e dos pesos dos indivduos de uma regio at alturas das mars
- quase todos os fenmenos da natureza seguem a distribuio normal, que tem este
formato de sino1 . A distribuio normal foi de importncia crucial no desenvolvimento
do modelo atmico, na formulao do princpio da incerteza e no conhecimento das
partculas alfa e outras radiaes. A expresso matemtica do modelo normal dado
por:

1 2 2
f (x) = e(x) /2 (3.26)
2

na qual a mdia da distribuio da varivel aleatria x, 2 a varincia da


distribuio, e e a base dos logaritmos naturais, ou neperianos (e = 2, 7182).

O tratamento matemtico dessa funo muito trabalhoso - para cada varivel


aleatria x teramos que calcular os valores das probabilidades e os parmetros do
modelo. Este problema foi contornado, se substituirmos a varivel x por uma varivel
(x )
correspondente, transformando a expresso em uma varivel z, chamada escore

padronizado, ou varivel reduzida, pela relao:

x
z= (3.27)

1
Os americanos chamam a distribuio normal de the bell curve.

A. F. Beraldo 109
3. Modelos de Variveis Aleatrias Contnuas

Esta transformada permite que tenhamos qualquer varivel real expressa em termos
de uma varivel gaussiana2 . A partir desta transformada, obtemos o grfico da funo
1 2
f (x) = ez /2 , a seguir:
2

Figura 3.15: A curva normal

Esta a curva de Gauss, ou Curva Normal. Possui as seguintes caractersticas,


quanto ao seu formato:

uma curva em forma de sino, simtrica em relao mdia de x(z = 0);

os valores do eixo do z so unidades de desvio padro. Assim, ao se ler


z = +1, 8, leia-se 1,8 desvios padres acima da mdia. Ao se ler z = 0, 4
leia-se 0,4 desvios padres abaixo da mdia;

a funo densidade de probabilidade contnua (vlida) para todo x real, ou


< x < +. Assim, os valores de z tambm situam-se nesta faixa,
< z < +. A curva normal assinttica nos extremos e +, e
possui os pontos de inflexo em z = 1 (Na prtica, como ser visto, utilizamos
3, 9 < z < +3, 9);

Outra vantagem de se utilizar a varivel (ou escore padronizado) z no clculo


das reas sob a curva. Sendo x uma varivel aleatria contnua, a probabilidade
de x estar no intervalo entre dois nmeros a e b, dada por:

Z b
1 2
P (a < x < b) = ez /2 dz (3.28)
a 2

2
Esta operao chamada padronizao de uma varivel. Se esta varivel for normalmente
distribuda, temos a chamada normalizao da varivel.

110 A. F. Beraldo
3.5 Distribuio Normal

Os valores desta integral esto tabelados. Sua representao grfica a seguinte:

Figura 3.16: rea sob a curva normal entre a e b

A rea listada entre a e b representa a probabilidade de x estar entre a e b. Ou,


melhor dizendo, a rea entre za (z correspondente a a) e zb (z correspondente a b)
a probabilidade de x estar entre a e b. Da decorre que:

a rea sob a curva normal, entre e + igual a 100%;

Figura 3.17: rea sob a curva normal entre e +

A. F. Beraldo 111
3. Modelos de Variveis Aleatrias Contnuas

por simetria, a rea entre z = 0 e z = + igual a 50%;

Figura 3.18: rea sob a curva normal entre 0 e +

a curva normal assinttica esquerda e direita; as reas sob a curva a


partir de determinados valores de z so desprezveis.

Exemplo 3.8. Seja o grupo de candidatos que estamos considerando. A mdia de


pontos dos candidatos foi = 52 pontos, e o desvio padro foi = 18 pontos. O modelo
de probabilidades deste concurso pode ser ilustrado como na figura seguinte:

Figura 3.19: Relao entre x e z

112 A. F. Beraldo
3.5 Distribuio Normal

A varivel real, x (nmero de pontos) transformada na varivel padronizada z


pela expresso:

x x 52
z= =
18

Assim, um candidato que fez 68 pontos, por exemplo, tem sua nota padronizada
para:

x 68 52
z= = = 0, 89
18

x 52 52
O valor da mdia (52 pontos), corresponde a um z = 0, pois, z = = =
18
0.

Veja que a curva simtrica em relao a um eixo que passa por z = 0 (ou por x
= 52). Assim, cada valor de x tem o seu correspondente z que, como vimos, mede a
distncia que determinado valor de x est acima ou abaixo da mdia do conjunto, e
esta distncia expressa em unidades de desvio padro. Veja o quadro a seguir:

X: nmero de z
pontos
4 2, 667
16 -2,000
30 1, 222
34 -1,000
45 0, 389
52 0,000
65 0,722
70 1,000
80 1,556
2,000
100 2,667 Figura 3.20: Pontos no concurso

A. F. Beraldo 113
3. Modelos de Variveis Aleatrias Contnuas

Prosseguindo com o nosso exemplo, um clculo simples: qual a probabilidade de


um candidato ter conseguido entre 34 e 70 pontos? Vimos que o valor de z para x = 34
z = 1 (o que significa que 34 pontos est um desvio padro abaixo da mdia); para
x = 70 pontos, o valor de z = +1, 00 (um desvio padro acima da mdia). A ilustrao
desta situao est na figura a seguir:

Figura 3.21: Interpretao

Portanto, a probabilidade de um candidato ter conseguido entre 34 e 70 pontos igual


a rea sob a curva entre z = 1 e z = +1, ou P (34 < x < 70) = 0, 3413 + 0, 3413 =
0, 6826 ou 68,3%.

114 A. F. Beraldo
3.5 Distribuio Normal

Como foram encontradas estas reas? Veja a tabela da Curva Normal:

Queremos encontrar a rea entre 0 e +1, 0. Os valores de z, com uma casa decimal,
esto na primeira coluna:

A. F. Beraldo 115
3. Modelos de Variveis Aleatrias Contnuas

A segunda casa decimal encontrada no cabealho da tabela:

Ento, o valor da rea entre z = 0 e z = 1, 00 0, 3413:

116 A. F. Beraldo
3.5 Distribuio Normal

Seja, por exemplo, encontrar a rea entre 0 e z = 0, 98: Em primeiro lugar,


encontramos a linha para 0,9:

Em seguida, a coluna para 0, 08 (uma vez que 0, 98 igual a 0, 90 + 0, 08):

A. F. Beraldo 117
3. Modelos de Variveis Aleatrias Contnuas

O encontro entre a linha 0, 90 e a coluna 0, 08 a clula referente a 0, 98, que a


rea entre 0 e 0, 98:

Ento P (0 z 0, 98) = 0, 3365

Figura 3.22: rea

118 A. F. Beraldo
3.5 Distribuio Normal

Podemos calcular probabilidades de quaisquer intervalos de nmero de pontos dos


candidatos3 .Por exemplo, qual a probabilidade de algum ter feito mais de 70 pontos?

P (x > 70) = 1, 000 [0, 5000 + 0, 3413] = 15, 9%.

Supondo que so 120 vagas e 4.800 candidatos, qual ser a nota de corte para
aprovao?

Sero aprovados, ento, 120/4.800 = 0, 025 ou 2, 5% dos candidatos; estes deixaro


para trs 97, 5% dos candidatos. Assim, a nota (nmero de pontos) que um candidato
deve fazer aquela equivalente a um z correspondente a uma rea de 97, 5%, ou
0, 975. Na tabela encontramos um valor de z para esta rea igual a +1, 96. A nota
correspondente ser X = 52 + 1, 96(18) = 87, 28.

Alguns valores de z, chamados z -crticos, devem ser memorizados. Estes valores


correspondem a reas sob a curva normal muito utilizadas em Estatstica. So eles:

z = 1, 645

rea sob a curva = 0,900

rea sob as caudas = 0,100

rea sob cada uma das caudas = 0,05

3
Lembra que em distribuies contnuas de probabilidade, no faz sentido calcular a probabilidade
no ponto. Por exemplo, no se calcula a probabilidade de algum ter conseguido fazer exatamente 68
pontos.

A. F. Beraldo 119
3. Modelos de Variveis Aleatrias Contnuas

z = 1, 96

rea sob a curva = 0,950

rea sob as caudas = 0,050

rea sob cada uma das caudas = 0,025

z = 2, 58

rea sob a curva = 0,990

rea sob as caudas = 0,01

rea sob cada uma das caudas = 0,005

120 A. F. Beraldo
3.5 Distribuio Normal

3.5.1 Aproximao entre as Distribuies Binomial e Normal


Na parte de Variveis Aleatrias Discretas (Cap. 2), foi estudada com maior
profundidade a Distribuio Binomial uma srie de N repeties de provas de Bernoulli,
em que p e q so as probabilidades de sucesso e no -sucesso, respectivamente. O modelo,
para a ocorrncia de k sucessos em N repeties, dado por:

!
N k N k
P (X = k) = p q
k

medida que N cresce, esta probabilidade calculada perde a aderncia, ou seja,


deixa de ter um significado preciso. Por exemplo, para N = 100, p = 0, 2 e k = 10,
teramos:

!
90 100!
P (X = 10) = 0, 210 0, 890 = = (0, 000000102400)(0, 000000001897)
10 90!10!
!
90
O valor de muito grande, como voc pode imaginar4 . Portanto, temos a
10
multiplicao de nmeros muito grandes por nmeros muito pequenos, o que causa este
efeito de perda de aderncia. No entanto, se N grande e se p e q no so muito
pequenos (prximos de zero), podemos aproximar valores de P utilizando a Distribuio
Normal fazendo:

= E(X) = N p;

= N pq e
x Np
z= .
N pq

1 R b z2 /2dz
Calculamos P (a x b) = a e , que a j nossa conhecida expresso
2
dos valores sob a curva normal padronizada, cujos valores so tabelados. Esta estimativa
de P tanto melhor quanto maior N e se tanto N p quanto N q so maiores que 5.

De fato, at visualmente podemos notar esta convergncia: na ilustrao da pgina


seguinte, um histograma de frequncia de uma distribuio binomial e a curva normal
de probabilidades (como foi visto na pgina anterior).
4
grande, mesmo: 17.310.309.456.440 (dezessete trilhes e quebrados).
Para calcular valores muito
grandes de n!, utilizamos a frmula aproximada de Stirling: n! = nn en 2n

A. F. Beraldo 121
3. Modelos de Variveis Aleatrias Contnuas

Figura 3.23: Aproximao entre a Distribuio Binomial e Normal

122 A. F. Beraldo
3.5 Distribuio Normal

Exemplo 3.9. Uma moeda jogada 100 vezes. Qual a probabilidade de obtermos
entre 40 e 60 caras?
!
Pk=60 100
Como seria muito trabalhoso calcular P (40 x 60) = k=40 (0, 5)k (60)100k ,
k
procedemos da seguinte forma:

1. Calculamos a mdia e o desvio padro como se fosse a distribuio binomial:

= E(X) = N p = (100)(0, 5) = 50 e
q
= N pq = (100)(0, 5)(0, 5) = 25 = 5,

2. Calculamos os valores de z = x
, utilizando valores fracionrios de x , como
se o nmero de caras fosse uma varivel contnua. Assim, fazemos x1 = 39, 5 e
x2 = 60, 5 e iremos calcular P (39, 5 x 60, 5) utilizando a distribuio normal
de probabilidades.

3. Calculamos os valores de z e consultamos a tabela:


x1 39, 5 50 x1 60, 5 50
z1 = = = 2, 1 e z1 = = = +2, 1
5 5
E a rea entre 0 e 2,1 0,4821. Portanto, P (39, 5 x 60, 5)

Figura 3.24: P (39, 5 x 60, 5)

A. F. Beraldo 123
3. Modelos de Variveis Aleatrias Contnuas

3.6 Distribuio t de Student


Descrio Uma varivel aleatria t segue uma distribuio de pro-
babilidades chamada t de Student quando segue o modelo
dado pela expresso a seguir:

Modelo !(+1)/2
+1
2 t2
f (t) =   1+ (3.29)
2

onde (phi) o nmero de graus de liberdade e


a funo gama.

Esperana
E(t) = = 0 (3.30)

Varincia

Var(t) = para > 2 (3.31)
2

Assimetria
3 = 0 (3.32)

Curtose
6
4 = para > 4 (3.33)
4

Os valores da distribuio t de Student dependem do nmero de graus de liberdade.


Este parmetro, graus de liberdade, ser melhor explicado na apostila Estatstica III
Amostragem, Inferncia e Testes. Por enquanto, voc pode adotar com graus de
liberdade a expresso:

=n1

Na qual o nmero de graus de liberdade, e n o tamanho do conjunto onde


calculada a varivel t. A cada corresponde uma distribuio de t, embora todas
tenham o seguinte aspecto:

124 A. F. Beraldo
3.6 Distribuio t de Student

Figura 3.25: Distribuio t de Student para 5 graus de liberdade

Pode-se ver que a distribuio t possui muita semelhana com a distribuio normal:
o mesmo formato de sino e a simetria em torno de t. Tambm os valores da rea sob a
curva da distribuio t esto tabelados (veja Anexo I Tabelas), em funo dos valores
de t e do grau de liberdade. A rea sob a curva tabelada, no entanto, em termos
de percentis de rea. Por exemplo, para 10 graus de liberdade (um conjunto de 11
valores), um valor de t = 1, 372 determina uma rea de 90% sob a curva:

Figura 3.26: rea de 90% sob a curva

No estudo de fenmenos descritos pela distribuio de Student, fazemos, de forma


parecida com a distribuio normal.

xX
t= (3.34)
s
n

A. F. Beraldo 125
3. Modelos de Variveis Aleatrias Contnuas

3.7 Distribuio do Qui-quadrado


Descrio Sejam X1 , X2 , X3 , ...Xn variveis aleatrias independentes,
normalmente distribudas, com mdia 0 (zero) e varincia 1
(um). Seja a varivel aleatria X 2 (l-se qui-quadrado),
definida como X 2 = X12 + X22 + X32 + ... + Xn2 . Os valores
de X 2 seguem a distribuio (modelo) de probabilidades
chamada qui-quadrado, com as caractersticas a seguir:

Modelo
1
f (x) = x(/2)1 ex/2 (3.35)
2/2 (/2)

Na qual o nmero de graus de liberdade, e a


base dos logaritmos naturais (e = 2, 7182) e (/2) o valor
da funo gama para /2.

Esperana
E(x) = (3.36)

Varincia
Var(x) = 2 (3.37)

Assimetria

3 = 8 (3.38)

Curtose
12
4 = (3.39)

126 A. F. Beraldo
3.7 Distribuio do Qui-quadrado

Na figura a seguir, algumas curvas da distribuio do qui-quadrado:

Figura 3.27: Funo densidade da Distribuio do Qui-quadrado

Os valores da funo distribuio do qui-quadrado esto tabelados, para graus de


liberdade, no Apndice I desta apostila.

Comentrios

1. Uma outra caracterizao da distribuio do qui-quadrado : se um conjunto


numrico possui seus n valores normalmente distribudos, com mdia e varincia
2 , ento:

n Pn
1 xi
2 2n1
X
(x1 X) , onde X =
1 n

2. Para grande (maior do que 30), podemos utilizar a aproximao:

1h i2
Xx2 = z + 2 1
2

A. F. Beraldo 127
3. Modelos de Variveis Aleatrias Contnuas

3. Sejam U1 , U2 , U3 , ..., Un variveis aleatrias independentes, com distribuio qui-


quadrado com 1 , 2 , 3 , , n graus de liberdade, respectivamente.
Seja W = U1 + U2 + U3 , +... + Un . Demonstra-se que W tem distribuio qui-
quadrado com 1 + 2 + 3 + ... + n graus de liberdade.

4. Sejam X e Y variveis aleatrias, sendo Y normalmente distribuda com mdia 0


(zero) e varincia 1 (um), e X tendo distribuio qui-quadrado, com graus de
liberdade, e uma varivel T , definida como:

Y
T =s
X

Demonstra-se que a varivel T tem distribuio t de Student, com graus de


liberdade.

128 A. F. Beraldo
3.7 Distribuio do Qui-quadrado

Alm deste Captulo, pratique:

Faa agora os exerccios da Lista 2.4 - Variaveis Aleatrias


Contnuas e Lista 2.5 - Modelos de variveis aleatrias
contnuas.

Faa agora uma simulao destas medidas nos templates TP09 -


Modelos de VAC.

Assita ao audiovisual AV11 - Distribuies de VAC, AV12a,


AV12b, AV12c Modelos de VAC.

Faa o Estudo Dirigido ED15, ED16 e ED17 Distribuio de


VAC.

A. F. Beraldo 129
4 Formulrios e tabelas
4.1 Lista de somatrios e sries
k
X k(k + 1)
i = 1 + 2 + 3 + + k = (4.1)
i=1 2

k
k(k + 1)(2k + 1)
i2 = 1 + 4 + 9 + + k 2 =
X
(4.2)
i=1 6

k
x2 x3 xk X xi
ex = 1 + x + + + + = , x (4.3)
2! 3! k! i=0 i!

k
x ln a (x ln a)2 (x ln a)3 (x ln a)i
ax = 1 +
X
+ + + = , x (4.4)
1! 2! 3! i=0 i!

3 5 k 2i+1
" #
x1 1 x1 1 x1 1 x1
  X 
ln x = 2 + + + = 2 ,x>0
x+1 3 x+1 5 x+1 i=0 2i + 1 x + 1
(4.5)

Que pode ser colocado de forma mais simples, utilizando 1 + x:

k
xi
!
x 2 x3 x4
+ = (1)1i
X
ln(1 + x) = x + , 1 < x +1 (4.6)
2 3 4 i=1 i

Por exemplo, ln 2

k
1 1 1 1 1
 
ln 2 = 1 + + = (1)i1
X
2 3 4 5 i=1 i

A. F. Beraldo 131
4. Formulrios e tabelas

Teorema Binomial (Binmio de Newton)


n
! !
n
X n nk k n n!
(a + b) = a b , onde = (4.7)
i=0 k k k!(n k)!

Por exemplo:

(a + b)4 = a4 + 4a3 b + 6a2 b2 + 4ab3 + b4

Teorema multinomial
k
!
n
n
an1 1 an2 2 an3 3 ank k
X
(a1 + a2 + a3 + + ak ) = (4.8)
i=1 n1 , n2 , n3

Por exemplo:

(a + b + c)3 = a3 + b3 + c3 + 3a2 b + 3a2 c + 3b2 a + 3b2 c + 3c2 a + 3c2 b + 6abc

132 A. F. Beraldo
4.2 Tbua de Derivadas e Integrais

4.2 Tbua de Derivadas e Integrais


4.2.1 Derivadas

c0 = 0 x0 = 1 (cx)0 = c (4.9)

(xn )0 = nxn1 se n 6= 0 (4.10)

Assim,

 0
1  0 1
= x1 = x2 = (4.11)
x x2

0
1 c
  0
= xc = cx(c+1) = (4.12)
xc xc+1

 0  1
0 1 1 1
x = x2 = x 2 = x>0 (4.13)
2 2 x
Exponencial e Logaritmica

(cx )0 = cx ln c c>0 (4.14)

(ex )0 = ex (4.15)

1
(logc x)0 = c > 0 , c 6= 1 (4.16)
x ln c
Outras funes

1
(ln x)0 = x 6= 0 (4.17)
x

1
(ln |x|)0 = (4.18)
x

(xx )0 = xx (1 + ln x) (4.19)

A. F. Beraldo 133
4. Formulrios e tabelas

A derivada do logaritmo natural de uma funo dada por

d f 0 (x)
[ln(f (x))] = (4.20)
dx f (x)

d d ln(x) 1 logb (e)


logb (x) = = = (4.21)
dx dx ln(b) x ln(b) x
Derivadas de funes especiais - Funo Gama
Z
((x))0 = tx1 et ln tdt (4.22)
0


!
1 1 1
  
0
X
((x)) = (x) ln 1 + = (x)(x) (4.23)
n=1 n x+n x
4.2.2 Integrais
Regras gerais de integrao
Z Z
kf (x)dx = k f (x)dx (4.24)

Z Z Z
[f (x) + g(x)] dx = f (x)dx + g(x)dx (4.25)

Z Z Z  Z 
0
f (x)g(x)dx = f (x) g(x)dx f (x) g(x)dx dx (4.26)
Integrais de Funes Racionais
Z
dx = x (4.27)

Z
xn+1
xn dx = para n = 1 (4.28)
n+1

Z
1
Z
1
x dx = dx = ln |x| para n 6= 1 (4.29)
x

Z
1 1
dx = ln |ax + b| (4.30)
(ax + b) a

134 A. F. Beraldo
4.2 Tbua de Derivadas e Integrais

Z
a(n + 1)x b
x(ax + b)n dx = (ax + b)n+1 para n
/ {1, 2} (4.31)
a2 (n + 1)(n + 2)

Integrais de Funes Exponenciais


Z
ex dx = ex (4.32)

Z
ekx
ekx dx = (4.33)
k

Z
ekx
exkx dx = (kx 1) (4.34)
k2

Z
xn ekx n Z n1 kx
x2 ekx dx = x e dx (4.35)
k k

Z
x ax
a dx = para a > 0 , a 6= 1 (4.36)
ln a

Z
akx
akx dx = para a > 0 , a 6= 1 (4.37)
k ln a

A. F. Beraldo 135
4. Formulrios e tabelas

136 A. F. Beraldo
4.3
4.3.1

A. F. Beraldo
Tabelas

N, k 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1
objetos, tomados k a k: Nk

9 1 9 36 84 126 126 84 36 9 1
 

10 1 10 45 120 210 252 210 120 45 10 1


11 1 11 55 165 330 462 462 330 165 55 11 1
12 1 12 66 220 495 792 924 792 495 220 66 12 1
13 1 13 78 286 715 1287 1716 1716 1287 715 286 78 13 1
14 1 14 91 364 1001 2002 3003 3432 3003 2002 1001 364 91 14 1
15 1 15 105 455 1365 3003 5005 6435 6435 5005 3003 1365 455 105 15 1
Coeficiente do Binmio de Newton. Combinao de N

137
4.3 Tabelas
4. Formulrios e tabelas

4.3.2 Fatorial de N N !
N N!
0 1
1 1
2 2
3 6
4 24
5 120
6 720
7 5.040
8 40.320
9 362.880
10 3.628.800
11 39.916.800
12 479.001.600
13 6.227.020.800
14 87.178.291.200
15 1.307.674.368.000
16 20.922.789.888.000
17 355.687.428.096.000
18 6.402.373.705.728.000
19 121.645.100.408.832.000
20 2.432.902.008.176.640.000
21 51.090.942.171.709.400.000
22 1.124.000.727.777.610.000.000
23 25.852.016.738.885.000.000.000
24 620.448.401.733.239.000.000.000
25 15.511.210.043.331.000.000.000.000
26 403.291.461.126.606.000.000.000.000
27 10.888.869.450.418.400.000.000.000.000
28 304.888.344.611.714.000.000.000.000.000
29 8.841.761.993.739.700.000.000.000.000.000
30 265.252.859.812.191.000.000.000.000.000.000

O fatorial de nmeros maiores de n(n inteiro positivo) pode ser calculado pela frmula de
Stirling:


n! = 2n(nn en ) (4.38)

Fatoriais de valores de n quaisquer (racionais) so calculados pela funo gama (p-


gina 134).

138 A. F. Beraldo
4.3 Tabelas

4.3.3 Valores de e
e = 2, 718281828

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 1,0000 0,9900 0,9802 0,9704 0,9608 0,9512 0,9418 0,9324 0,9231 0,9139
0,1 0,9048 0,8958 0,8869 0,8781 0,8694 0,8607 0,8521 0,8437 0,8353 0,827
0,2 0,8187 0,8106 0,8025 0,7945 0,7866 0,7788 0,7711 0,7634 0,7558 0,7483
0,3 0,7408 0,7334 0,7261 0,7189 0,7118 0,7047 0,6977 0,6907 0,6839 0,6771
0,4 0,6703 0,6637 0,6570 0,6505 0,6440 0,6376 0,6313 0,6250 0,6188 0,6126
0,5 0,6065 0,6005 0,5945 0,5886 0,5827 0,5769 0,5712 0,5655 0,5599 0,5543
0,6 0,5488 0,5434 0,5379 0,5326 0,5273 0,5220 0,5169 0,5117 0,5066 0,5016
0,7 0,4966 0,4916 0,4868 0,4819 0,4771 0,4724 0,4677 0,4630 0,4584 0,4538
0,8 0,4493 0,4449 0,4404 0,4360 0,4317 0,4274 0,4232 0,4190 0,4148 0,4107
0,9 0,4066 0,4025 0,3985 0,3946 0,3906 0,3867 0,3829 0,3791 0,3753 0,3716

Exemplo de clculo:

e0,31 = e(0,30+0,01) = 0, 733

1 2 3 4 5 6 7 8 9 10

e 0,3679 0,1353 0,0498 0,0183 0,0067 0,0025 0,0009 0,0003 0,0001 0,0000

Exemplo de clculo:

e2,31 = e(2,0+0,31) = e2,0 e0,31 = 0, 135 0, 733 = 0, 0933

4.3.4 Logaritmos naturais ln x


0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,1 -2,3026 -2,2073 -2,1203 -2,0402 -1,9661 -1,8971 -1,8326 -1,772 -1,7148 -1,6607
0,2 -1,6094 -1,5606 -1,5141 -1,4697 -1,4271 -1,3863 -1,3471 -1,3093 -1,2730 -1,2379
0,3 -1,2040 -1,1712 -1,1394 -1,1087 -1,0788 -1,0498 -1,0217 -0,9943 -0,9676 -0,9416
0,4 -0,9163 -0,8916 -0,8675 -0,8440 -0,8210 -0,7985 -0,7765 -0,7550 -0,7340 -0,7133
0,5 -0,6931 -0,6733 -0,6539 -0,6349 -0,6162 -0,5978 -0,5798 -0,5621 -0,5447 -0,5276
0,6 -0,5108 -0,4943 -0,4780 -0,4620 -0,4463 -0,4308 -0,4155 -0,4005 -0,3857 -0,3711
0,7 -0,3567 -0,3425 -0,3285 -0,3147 -0,3011 -0,2877 -0,2744 -0,2614 -0,2485 -0,2357
0,8 -0,2231 -0,2107 -0,1985 -0,1863 -0,1744 -0,1625 -0,1508 -0,1393 -0,1278 -0,1165
0,9 -0,1054 -0,0943 -0,0834 -0,0726 -0,0619 -0,0513 -0,0408 -0,0305 -0,0202 -0,0101
1 0,0000 0,0100 0,0198 0,0296 0,0392 0,0488 0,0583 0,0677 0,0770 0,0862

A. F. Beraldo 139
4. Formulrios e tabelas

4.3.5 reas sob a Curva Normal Padronizada, entre 0 e z

1 2
Z z
e 2 z
P (0 < x < z) =
0 2

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000

140 A. F. Beraldo
4.3 Tabelas

4.3.6 Valores dos percentis da Distribuio t de Student

0,1 0,05 0,01 0,1 0,05 0,01 0,1 0,05 0,01


1 6,3140 12,7060 63,6570 41 1,6830 2,0200 2,7010 81 1,6640 1,9900 2,6380
2 2,9200 4,3030 9,9250 42 1,6820 2,0180 2,6980 82 1,6640 1,9890 2,6370
3 2,3530 3,1820 5,8410 43 1,6810 2,0170 2,6950 83 1,6630 1,9890 2,6360
4 2,1320 2,7760 4,6040 44 1,6800 2,0150 2,6920 84 1,6630 1,9890 2,6360
5 2,0150 2,5710 4,0320 45 1,6790 2,0140 2,6900 85 1,6630 1,9880 2,6350
6 1,9430 2,4470 3,7070 46 1,6790 2,0130 2,6870 86 1,6630 1,9880 2,6340
7 1,8950 2,3650 3,4990 47 1,6780 2,0120 2,6850 87 1,6630 1,9880 2,6340
8 1,8600 2,3060 3,3550 48 1,6770 2,0110 2,6820 88 1,6620 1,9870 2,6330
9 1,8330 2,2620 3,2500 49 1,6770 2,0100 2,6800 89 1,6620 1,9870 2,6320
10 1,8120 2,2280 3,1690 50 1,6760 2,0090 2,6780 90 1,6620 1,9870 2,6320
11 1,7960 2,2010 3,1060 51 1,6750 2,0080 2,6760 91 1,6620 1,9860 2,6310
12 1,7820 2,1790 3,0550 52 1,6750 2,0070 2,6740 92 1,6620 1,9860 2,6300
13 1,7710 2,1600 3,0120 53 1,6740 2,0060 2,6720 93 1,6610 1,9860 2,6300
14 1,7610 2,1450 2,9770 54 1,6740 2,0050 2,6700 94 1,6610 1,9860 2,6290
15 1,7530 2,1310 2,9470 55 1,6730 2,0040 2,6680 95 1,6610 1,9850 2,6290
16 1,7460 2,1200 2,9210 56 1,6730 2,0030 2,6670 96 1,6610 1,9850 2,6280
17 1,7400 2,1100 2,8980 57 1,6720 2,0020 2,6650 97 1,6610 1,9850 2,6270
18 1,7340 2,1010 2,8780 58 1,6720 2,0020 2,6630 98 1,6610 1,9840 2,6270
19 1,7290 2,0930 2,8610 59 1,6710 2,0010 2,6620 99 1,6600 1,9840 2,6260
20 1,7250 2,0860 2,8450 60 1,6710 2,0000 2,6600 100 1,6600 1,9840 2,6260
21 1,7210 2,0800 2,8310 61 1,6700 2,0000 2,6590 110 1,6590 1,9820 2,6210
22 1,7170 2,0740 2,8190 62 1,6700 1,9990 2,6570 120 1,6580 1,9800 2,6170
23 1,7140 2,0690 2,8070 63 1,6690 1,9980 2,6560 130 1,6570 1,9780 2,6140
24 1,7110 2,0640 2,7970 64 1,6690 1,9980 2,6550 140 1,6560 1,9770 2,6110
25 1,7080 2,0600 2,7870 65 1,6690 1,9970 2,6540 150 1,6550 1,9760 2,6090
26 1,7060 2,0560 2,7790 66 1,6680 1,9970 2,6520 160 1,6540 1,9750 2,6070
27 1,7030 2,0520 2,7710 67 1,6680 1,9960 2,6510 180 1,6530 1,9730 2,6030
28 1,7010 2,0480 2,7630 68 1,6680 1,9950 2,6500 200 1,6530 1,9720 2,6010
29 1,6990 2,0450 2,7560 69 1,6670 1,9950 2,6490 240 1,6510 1,9700 2,5960
30 1,6970 2,0420 2,7500 70 1,6670 1,9940 2,6480 260 1,6510 1,9690 2,5950
31 1,6960 2,0400 2,7440 71 1,6670 1,9940 2,6470 280 1,6500 1,9680 2,5940
32 1,6940 2,0370 2,7380 72 1,6660 1,9930 2,6460 300 1,6500 1,9680 2,5920
33 1,6920 2,0350 2,7330 73 1,6660 1,9930 2,6450 350 1,6490 1,9670 2,5900
34 1,6910 2,0320 2,7280 74 1,6660 1,9930 2,6440 400 1,6490 1,9660 2,5880
35 1,6900 2,0300 2,7240 75 1,6650 1,9920 2,6430 450 1,6480 1,9650 2,5870
36 1,6880 2,0280 2,7190 76 1,6650 1,9920 2,6420 500 1,6480 1,9650 2,5860
37 1,6870 2,0260 2,7150 77 1,6650 1,9910 2,6410 600 1,6470 1,9640 2,5840
38 1,6860 2,0240 2,7120 78 1,6650 1,9910 2,6400 700 1,6470 1,9630 2,5830
39 1,6850 2,0230 2,7080 79 1,6640 1,9900 2,6400 800 1,6470 1,9630 2,5820
40 1,6840 2,0210 2,7040 80 1,6640 1,9900 2,6390 1000 1,6460 1,9620 2,5810

A. F. Beraldo 141
4. Formulrios e tabelas

4.3.7 Distribuio do Qui-Quadrado para Testes de Hiptese


(Teste de Unilaterais)

1 0,01 0,025 0,05 0,1 0,9 0,95 0,975 0,99


/ 0,99 0,975 0,95 0,9 0,1 0,05 0,025 0,01
1 0,000 0,001 0,004 0,016 2,706 3,841 5,024 6,635
2 0,020 0,051 0,103 0,211 4,605 5,991 7,378 9,210
3 0,115 0,216 0,352 0,584 6,251 7,815 9,348 11,345
4 0,297 0,484 0,711 1,064 7,779 9,488 11,143 13,277
5 0,554 0,831 1,145 1,610 9,236 11,070 12,833 15,086
6 0,872 1,237 1,635 2,204 10,645 12,592 14,449 16,812
7 1,239 1,690 2,167 2,833 12,017 14,067 16,013 18,475
8 1,646 2,180 2,733 3,490 13,362 15,507 17,535 20,090
9 2,088 2,700 3,325 4,168 14,684 16,919 19,023 21,666
10 2,558 3,247 3,940 4,865 15,987 18,307 20,483 23,209
11 3,053 3,816 4,575 5,578 17,275 19,675 21,920 24,725
12 3,571 4,404 5,226 6,304 18,549 21,026 23,337 26,217
13 4,107 5,009 5,892 7,042 19,812 22,362 24,736 27,688
14 4,660 5,629 6,571 7,790 21,064 23,685 26,119 29,141
15 5,229 6,262 7,261 8,547 22,307 24,996 27,488 30,578
16 5,812 6,908 7,962 9,312 23,542 26,296 28,845 32,000
17 6,408 7,564 8,672 10,085 24,769 27,587 30,191 33,409
18 7,015 8,231 9,390 10,865 25,989 28,869 31,526 34,805
19 7,633 8,907 10,117 11,651 27,204 30,144 32,852 36,191
20 8,260 9,591 10,851 12,443 28,412 31,410 34,170 37,566
21 8,897 10,283 11,591 13,240 29,615 32,671 35,479 38,932
22 9,542 10,982 12,338 14,041 30,813 33,924 36,781 40,289
23 10,196 11,689 13,091 14,848 32,007 35,172 38,076 41,638
24 10,856 12,401 13,848 15,659 33,196 36,415 39,364 42,980
25 11,524 13,120 14,611 16,473 34,382 37,652 40,646 44,314
26 12,198 13,844 15,379 17,292 35,563 38,885 41,923 45,642
27 12,879 14,573 16,151 18,114 36,741 40,113 43,195 46,963
28 13,565 15,308 16,928 18,939 37,916 41,337 44,461 48,278
29 14,256 16,047 17,708 19,768 39,087 42,557 45,722 49,588
30 14,953 16,791 18,493 20,599 40,256 43,773 46,979 50,892

Para < 30, use:

1h i2
2x = z + 2 1
2

142 A. F. Beraldo
Diagramao em LATEX, composta em Latin Modern.

Verso 6 (final) 2014


Gerado em 21 de agosto de 2014.

Você também pode gostar