Universidade Federal do Recôncavo da Bahia

Centro de Ciências Exatas e Tecnológicas

GCET060 – Métodos Estatísticos

INTRODUÇÃO À PROBABILIDADE
Parte 1

Profª Sandra Pinheiro

9. Independência estatística

Dois eventos são ditos independentes quando a ocorrência de um deles não interfere na
probabilidade de ocorrência do outro.

Em linguagem matemática, dados A,B  , A e B são ditos independentes, se e somente se :

P( AB) = P(A) e P( BA) = P(B)
Nesse caso, temos que
P(A  B) = P(A) . P(B)

Generalizando:
Os eventos A1, A2,..., An  , são independentes se e somente se a independência for verificada
para todos os subconjuntos de dois ou mais eventos desta família.
Se Ai, i= 1, 2, 3, ..., n , é uma família finita de eventos independentes, então

Observar que:

para eventos quaisquer

para eventos independentes

Exemplo: A probabilidade de que A resolva um problema é de 2/3 e a probabilidade de que B

resolva é de 3/4. Se ambos tentarem independentemente, qual a probabilidade do problema ser
resolvido?

Resolução:
A : A resolve
B : B resolve
A  B: A e B resolvem
A  B : A ou B resolvem => o problema é resolvido

Como são eventos independentes, P(A  B) = P(A).P(B) e

P(A  B) = P(A) +P(B) - P(A).P(B) = 2/3 + 3/4 – (2/3)(3/4) = 2/3 + 3/4 – 2/4 =

Exercício: Em uma caixa existem 10 peças, das quais 4 são defeituosas. São retiradas duas
peças da caixa, uma após a outra, com reposição. Calcule a probabilidade de:
a) ambas sejam boas
b) a primeira seja defeituosa e a segunda seja boa.
II - VARIÁVEL ALEATÓRIA
1. Conceitos Básicos

Definição 1.
Sejam E um experimento e  um espaço amostral associado ao experimento. Uma função X que
associe a cada elemento wi   um número real, X(wi), é denominada variável aleatória.
 R

X
w1 x1
w2 x2
w3 x3
w4 x4
Uma variável aleatória X é, portanto, uma função cujo domínio é o espaço amostral e contradomínio
é conjunto dos números reais, ou seja, X:

Exemplo:
a) E: Lançamento de uma moeda.
Assim,  = {cara, coroa}={w1, w2}

b) E: Lançamento de duas moedas.

Seja X o número de caras obtidas no experimento.
Vamos denotar c: cara e k:coroa.
Assim,  = { cc, ck, kc, kk }= { w1, w2, w3, w4 }
c) E: Escolher um ponto ao acaso no intervalo [0,1]
Seja X o quadrado do valor escolhido.
Assim  = [0,1], e X(w)= w2  w  
Definição 2 .
Seja X uma variável aleatória. Se X assume valores em um conjunto finito ou infinito enumerável,
então X é denominada variável aleatória discreta.
Exemplo:
E: Sorteio de n municípios da Bahia para verificar a inexistência de saneamento básico.
X : nº de municípios sem saneamento básico=> X(w) = {0, 1, 2, 3, ..., n}
Definição 3.
Seja X uma variável aleatória. Se X assume valores em um conjunto infinito não enumerável, então X
é denominada variável aleatória contínua.

Exemplo:
E: Sorteia-se um aluno para medir a estatura. Suponha que nesta escola o menor tem 1,50 m e o
maior tem 1,95 m.

X = estatura do aluno => X(w) = {w / 1,50  w  1,95}

1. Distribuição de probabilidade de uma variável aleatória discreta

Seja X uma v.a. discreta que assume os valores x1, x2,...,xn.... A distribuição de probabilidades de X
é o conjunto de pares de valores que associa a cada valor da variável xi a probabilidade P(X = xi):
(x1, P(X = x1)), (x2, P(X = x2)), ..., (xn, P(X = xn)),...

i) Função de Probabilidade
É a função que associa a cada valor assumido pela variável aleatória, a probabilidade do evento
correspondente: P(X = xi) = p(xi) = pi, i = 1,2, . . .
ou

X x1 x2 x3 ...

pi p1 p2 p3 ...
De maneira que,

a)

b) P(X=x) = p(x)  0

Exemplo: Considere novamente o exemplo do lançamento de duas moedas. Seja X o número

de caras.

Resultados X Probabilidade
(Cara, Cara) 2 1/4
(Cara, Coroa) 1 1/4
(Coroa, Cara) 1 1/4
(Coroa, Coroa) 0 1/4

Obtemos então,
P(X=0) = 1/4
P(X=1) = 1/4 + 1/4 = 1/2
P(X=2) = 1/4
 ii) Média (ou valor esperado) de uma Variável Aleatória Discreta:

E(X) =  xi p(xi).

Propriedades do valor esperado

1)Dada uma constante a, temos:

E(a+X) = a + E(X) e E(aX) = a . E(X)

2)Sejam X1, X2, ..., Xn variáveis aleatórias

E(X1+X2+...+Xn) = E(X1) + E(X2) + ... + E(Xn)

3) Sejam X e Y variáveis aleatórias independentes. Então,

E(XY) = E(X) . E(Y)

 iii) Variância de uma Variável Aleatória Discreta:

Var(X) =  (xi -E(X))2 p(xi),

ou
Var(X) = E(X2) - E(X)2.

Exemplo: Para o experimento do lançamento das duas moedas encontre a função de

probabilidade, a média e a variância.

X Evento P(X) X P(X) (X-E(X)) (X-E(X))2 (X-E(X))2 P(X)

0 1/4 0 -1 1 0,25
w1
1 2/4 2/4 0 0 0
w2 e w3
2 1/4 1/2 1 1 0,25
w4
E(X) = 1 Var(X) = 0,50
Propriedades da variância

a) Dada uma constante a, temos:

V(X+a) = V(X)

a) Dada uma constante a, temos:

V(aX) = a2 . V(X)

c) Sejam X1, X2, ... , Xn , n variáveis aleatórias independentes. Então,

V(X1 + X2 + ... + Xn) = V(X1) + V(X2) + ... + V(Xn)
2. Função de Distribuição

A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é

definida, para qualquer número real x como:
F(x) = P(X  x)

Exemplo: Uma população de 1000 crianças foi analisada num estudo para determinar a efetividade de
uma vacina contra um tipo de alergia, as crianças recebiam uma dose de vacina e após um mês
passavam por um novo teste. Caso ainda tivessem tido alguma reação alérgica, recebiam outra dose
da vacina. Ao fim de 5 doses todas as crianças foram consideradas imunizadas. Os resultados estão na
tabela a seguir. Qual a probabilidade da criança ter recebido até duas vacinas?

Doses 1 2 3 4 5
Freqs. 245 288 256 145 66

F(2) = P(X  2) = P(X = 1) + P(X = 2) = {245/1000} + {288/1000} = 0,533

3. Variáveis Aleatórias Independentes

Duas variáveis aleatórias discretas são independentes, se a ocorrência de qualquer valor de uma
delas não altera a chance de ocorrência de valores da outra. Ou seja,

para todos os possíveis valores (x, y) das variáveis (X, Y). Como definição alternativa e equivalente,
podemos usar:
para qualquer (x, y).

Em resumo: X e Y independentes  p(x, y) = p(x).p(y),  (x, y)

Obs: se existe pelo menos um par (x0, y0) tal que: p(x0, y0)  p(x0) p(y0)
Então X e Y não são independentes.
Exercícios:
a) Suponha que X seja uma v.a. discreta e sua função de probabilidade seja P(X=k) = ck , para k =
1,2,3,4 e 5. Determine o valor da constante c.

b) Determine o valor de c para que p(x)=

4. Alguns modelos probabilísticos para variáveis aleatórias discretas

i) Distribuição de Bernoulli

Muitos experimentos são tais que os resultados possíveis apresentam ou não uma determinada
característica.

Exemplos:
a) Uma rua é escolhida, ao acaso, dentre 50 para ver se tem ou não calçamento;
b) Uma pessoa é escolhida, ao acaso, dentre 1000 e verifica-se se é ou não do sexo masculino;
c) Uma pessoa é escolhida, ao acaso, entre os moradores de uma cidade, e questionada se é
favorável ou não a um projeto governamental.
Em um experimento aleatório com apenas dois resultados possíveis podemos associar o valor 1, se
sucesso ocorre e o valor 0, se fracasso ocorre. Um experimento deste tipo é chamado de ensaio de
Bernoulli. Suponha que um sucesso ocorra com probabilidade p.

Seja X uma v.a. definida para este experimento. Então,

X 1 0

P(X=x) p 1-p =q
ii) Distribuição Binomial

Consideremos n repetições independentes de ensaios de Bernoulli (n  2). Este modelo

fundamenta-se nas seguintes hipóteses:
a) n ensaios independentes e idênticos são realizados;
b) A probabilidade de “sucesso” é igual a “p” em cada ensaio e q é a probabilidade de fracasso,
sendo p+q = 1.

Seja a variável aleatória X o número de sucessos nos n ensaios. Nestas condições dizemos que X
tem distribuição binomial com parâmetros n e p, onde:

n = número de repetições do experimento e

p = probabilidade de sucesso em cada repetição
Notação:

Exemplo1:
Uma usina hidroelétrica tem 5 geradores que funcionam independentemente, cada um com
probabilidade 0,98 de estar em operação. Qual a probabilidade de que exatamente dois estejam em
funcionamento em determinado instante?
X = número de geradores em funcionamento
p = 0,98 = probabilidade de um gerador estar em funcionamento (a probabilidade de sucesso)
Entre os 5 estabelecimentos, ou seja, n = 5, qual a probabilidade de 2 terem tratores:

5 
P(X = 2) =   (0,98)2 (1 - 0,98)5 - 2 = 10. (0,98)2.(0,02)3 = 0,000077
 2
• Esperança e Variância

Se X tem distribuição binomial de parâmetros n e p

Como a variância = V(X) = npq  DP(X) = npq

Exemplo 2:
Com os dados do exemplo anterior, calcular o número esperado de geradores em funcionamento, a
variância e o desvio-padrão:
E(X) = np = 5(0,98) = 4,9

Var(X) = npq = 5 (0,98) (0,02) = 0,098

DP(X) = npq = 0,098 = 0,3130

Exercício:
No Brasil a probabilidade de uma estação de tratamento de esgoto usar como sistema o escoamento
superficial é de 0,25. Selecionando 8 estações aleatoriamente para inspeção, qual a probabilidade de:
a) três usarem como sistema o escoamento superficial;
b) no máximo duas usarem como sistema o escoamento superficial.
iii) Distribuição de Poisson

Em muitos casos, conhece-se o número de sucessos, porém se torna difícil e, às vezes, sem sentido,
determinar o número de fracassos ou o número total de provas. Por exemplo: automóveis que passam
numa esquina. Pode-se num determinado intervalo de tempo anotar o número de carros que
passaram, porém, o número de carros que deixaram de passar pela esquina não poderá ser
determinado.
A distribuição de Poisson é largamente usada quando de deseja contar o número de eventos de certo
tipo, que ocorrem em um intervalo de tempo, superfície ou volume.

Exemplos:
a) número de chamadas telefônicas recebidas por uma central durante um curto intervalo de tempo;
b) número de falhas de um computador em um ano de operação;
c) número de glóbulos sanguíneos existentes na área de superfície visíveis do microscópio.
 Seja a variável aleatória X o número de eventos de certo tipo, que ocorrem em um intervalo
de tempo ou superfície ou volume. Suponha que estes eventos ocorrem em instantes aleatórios de
tempo ou de espaço e que as hipóteses abaixo sejam válidas:

1) o número de ocorrências de um evento em um intervalo de tempo ou superfície ou volume é

independente do número de ocorrências do evento em qualquer outro intervalo disjunto.

2) a probabilidade de duas ou mais ocorrências simultâneas é praticamente zero.

3) o número médio de ocorrências por unidade de tempo ou superfície ou volume, , é constante

ao longo do tempo ou superfície ou volume.
 Nestas condições dizemos que X tem distribuição Poisson com parâmetro  = t,  é o número
médio de eventos por unidade de intervalo de tempo ou superfície ou volume.

Notação:

Se X tem distribuição Poisson com parâmetro  

Se a variância é   DP(X) =
Exemplo: Em média há duas chamadas por hora num certo telefone. Calcular a probabilidade de se
receber no máximo 3 chamadas em duas horas e a probabilidade de nenhuma chamada em 90
minutos.

X= número de chamadas telefônicas em duas horas

Então,
 = 2 (número médio chamadas por hora)
t = 2 horas
 = t = 4 (número médio chamadas em duas horas)

3 3
e−4 4x
P(X  3) =  P(X = x ) =  = 0,4331
x =0 x =0 x!
Y= número de chamadas telefônicas 90 minutos

Então,

t = 90 minutos

 = 2/60 ( número médio de chamadas por minuto)

 = t = 2/60 x 90 = 3 (número médio chamadas em 90 minutos )

e −3 (3)
0
P(Y = 0) = = 0,0498
0!
• Aproximação da Distribuição Binomial
A distribuição de Poisson pode ser usada como uma aproximação da distribuição Binomial quando
n é grande e p é pequeno (np  7).

Ou seja, X  Poisson (=np)

Exemplo:
Consideremos 1000 ensaios independentes de Bernoulli cada um com probabilidade p = 0,0001
de sucesso. Qual a probabilidade de observarmos exatamente 2 sucessos?
e −0,1 (0,1) 2
P(X=2)  = 0,0045
2!

Exemplo:
Determinado tipo de fotorreceptor é vendido em caixas com 5000 peças. É uma característica da
fabricação produzir 0,03% de peças defeituosas. Qual a probabilidade de que em uma caixa haja
mais de dois defeituosos?
REFERÊNCIAS BIBLIOGRÁFICAS

• TRIOLA, Mario F., Introdução à estatística

• MORETTIN, Pedro Alberto; BUSSAB, Wilton de Oliveira. Estatística básica. 9ª. ed.

São Paulo: Saraiva Uni, 2017. 568 p. ISBN-10: 8547220224

• STEPHAN, L. e BERENSON, K., Estatística-teoria e aplicações

• MEYER, Paul L. Probabilidade: aplicações à estatística. 2ª ed. Rio de Janeiro: Livros

Técnicos e Científicos, 2009. 426 p.