------ - - - - -- -- - - - - - - -- - -- -- - - --

Probabilidad~ e Estatistica
Modelos matematicos na presenga de
incertezas

Maysa Sacrame:q_to de Magalhaes 1

Francisco Duarte Moura Neto 2

,-----.,

(' 1 Escola Nacional de Ciencias Estatfr1ticas, Instituto Brasileiro de Geografia e

r ,,,. Estaistica,.
2 D~paitamento de Modelagem Computacional, Instituto Politecnico, Universi-
·"""'-
dade do Estado do Rio de Janeiro, Cairfpus Regional de Nova Friburgo.
,,-..,

(
,.-...

"
"'
(
,,.---..,

/"""'--

("'-

("'-
\
 :---i
•

- - -- -- - -- - - - - - - -- - --·-

Sumario

1 Conceitos Fundamentais 1
1.1 Aleatoriedade 1
,-._
1.2 0 Certo no Incerto 2
1.3 Incerteza e Risco 7
1.4 N0<;ao Empfrica de Probabilidade 8
1.5 Modelo de Probabilidade de Laplace 10
1.6 0 Experimento de d'Alembert 11
1.7 Pro ba bilidade 12
1.8 Probabilidade Condicional 20
1.9 Eventos Independentes 26
1.10 Probabilidade Total . 30
1.11 Teorema de Bayes . 34
1.12 Tamanho e Modelos de Laplace
I
38

2 Variaveis Aleatorias 45
2.1 Definigoes e Exemplos 45
2.2 Tipos de Variaveis Aleatoria;:; .. . . 50
.--... 2.3 Variaveis Aleat6rias e Probapilidade . 51
2-4 Furn;ao de Probabilidade 53
2.5 Distribui<_;ao Acumulada 54
2.6 Variaveis Aleat6rias Continu~s _ 57
2.7 Furn;ao Distribui<_;ao de Probabilidade de Variaveis Aleatorias
Continua. 63
,-._ 2.8 Parametros da Distribui<_;ao 69
~ 2.8 .1 Esperarn;a de uma V9'riavel Aleat6ria Discreta 69
2.8.2 Esperarn;a de uma Variavel Aleat6ria Continua 72
- r· L
,( . . ~. ·' " . 2.'9. Furn;ao de Variavel Aleat6ria . 74
,.--._
2.10 Propriedades da Esperan<_;a _ 76

;y
 - Vl SUAL4RIO
""""'
_....., 2.11 Variancia 77
2.12 Exercicios 88

3 l\/Iodelos probabilisticps Discretos 91

3.1 Distribui<:;ao de Bernoulli 91
3.2 Distribui<:;ao Binom~al . 94
~

3.3 Distribui<:;ao Geometrica 100

~

3.4 Distribui<:;ao Binomtal Negativa 103

3.5 Distribuic;ao de Poi~son . 104
3.6 Comentarios Finais 109

~
4 Variaveis Continuas 111
4.1 Distribui<:;ao U niforme 111
4.2 Distribui<:;ao Normal 114
4.2.1 Defini<:;ao e propriedades 114
4.2.2 Padroniza<:;ao 118
4.2.3 Teorema Central do Limite . 122
4.2.4 Casos Particulares do Teorema Central do Limite 124
~

4.2 .5 Corre<:;ao de Continuidade 125

4.3 Distribui<:;ao Exponencial . 129
""' 4.4 Exercicios . 131

5 Variaveis Bidimensionais 135

' 5.1 Defini<:;oes e ExempfOS. . 135
5.2 Furn;oes de Probabilidade Marginais . 137
5.3 Calculo da Esperansa e da Variancia 138
......_
5.4 Fun<:;ao de Probabilidade Condicionada 139
5.5 Variaveis Aleat6rias Independentes 140
5.6 Exercicios . 142
........_

6 Introdrn:;ao a Inferenc;a Estatistica - Estima<;iio Pontual 145

,-. 6.1 Introdugao . . 146
~
6.2 Populagao e Amostra . 147
,....,. 6.3 Estatisticas 152
. :~
,......_
~' · ~ ' · •' •, . ~·.

6.4 Estimagao Pontual pe um Parametro 153

6.5 Exercicios 160
- .

-
Capitulo 1
11
Conceitos Fundamentais ae
Probabilidade

A probabilidade ea estatfstica sao teoremas matema.ticos muito utilizados

em situac;oes praticas. A formali za0ao da estatist ica se baseia em conceitos
probabilisticos . Este primeiro capitulo apresenta 11096es basicas de probabi-
lidade.

1.1 Aleatoriedade
A observagao e o estudo de situac;oes sobre as quais pairam incertezas ou
ha menos informac;ao do que o necessario para as caracterizar plenamente,
chamadas de aleat6rias, comec;aram ha bastante te111po .
Desde muito antigarnente os pensadores tern se colocaclo a questao de
modelar fenomenos mais ou menos irnprevisfueis, como, no larn;amento de
uma moeda ao ar, advinhar se a face que fica para cirna e a cara ou a
coroa. Outros fenomenos cle natureza similar sao a questao de chover ou nao
amanha, ou saber se a pr6xima pessoa em que se esbarrara sera. um homem
ou uma mulher. Toclas estas situac;oes tambern sao aleatorias.
Atualrnent.e as teorias que servem para rnodelar situac;oes cujo resultaclo
e incerto, OS fenomenos aleat6rios, sao a probabilidade e a estatistica. Es-
t.as sao irnportantes ferramentas nas mais diversas areas de engenharia, nas
cien.cias txatas , nas sociais e nas ciencias da sa{1cle . Tanto a probabiliclacle
.1.'. · .. .. . , ·- .

quarito a'estatistica ja atingiram 0 status de teoria matematica, com di versos

result.ados clemonstrados com rigor formal.

1
 2 CAPITULO 1. CONCEITOS FUNDAMENTi-US

As fonda<;oes da teoria rnaternatica da probabiliclade foram desenvolvidas

principalmente por Kolmogorov 1 e contribuiram para a teoria matematica da
estatistica Fisher; Pearson e Neumann.

1.2 0 Certo no Incerto

A teoria da probabilidade desenvolve modelos matematicos dos resultaaos
de experimentos, os experimentos aleat6rios. Para utilizarmos a teoria da
probabilidade, no entanto , nem tudo pode ser desconhecido. 0 resultado do
experimento tern que ser um dentre uma cole<;ao perfeitamente caracterizada
de possiveis resultados 2 .
Defini<_;ao 1. 0 conjunto de todos os resultados possfveis de um experimento
aleat6rio E e chamado de espar;o amostral e e. denotado usualmente por n.
Isto e, um espago amostral e simplesmente uni conjunto.
Exemplos de experimentos aleat6rios sao o langamento de uma moeda ou
de um dado. 0 que e, por assim dizer; incerto ou aleatorio, € se a face que
cai para cima e cara ou coroa no caso da moeda ou que numero, de 1 a 6,
aparece na face do dado .
Exemplo 2. Experimento 1. .Joga-se uma moeda. 0 que acontece? Pode ' ,--.

sair cara ou coroa, mas de antemao e incerto que resultado ocorrera. No

entanto, e certo 3 que saira cara ou coroa. Assim, o espago amostral e D =
{ cara, coroa}. Posteriormente ao larn;amento, cligamos que saisse cara; deixa
eqtao de haver qualquer d-C1vida sobre o verdadeiro valor do result.ado do
experimento .
Exemplo 3 . Experimento 2 . .Joga-se um dado. Sai 4 na face superior do dado .
; ,..-~,
Experimento Um resultado
0 espa<;o amostral eD = {1, 2, :3 , 4, 5, 6} .
1
Alguns dos grandes cientistas que se debrw:;aram sobre questoes aleat6rias foram Giro-
lamo Cardamo (1501-1576) e Galileu Galilei (1564-1642). A teoria matematica teve
contribui<;oes, por exemplo, de Blaise Pascal (1623-1662), Pierre Fermat (1601-1665) e
fundamentalment e de Kolmogorov.
2
Dai o titulo desta se<;ao . i ~

3
E claro que outras situa<;6es podem ocorrer, como, por exemplo, a moeda cair e ficar
na vertical apoiada na sua lateral (de quina) . Esta e uma situa<;ao mais complexa mas
- ~ que tarnbem pode ser incluicla na analise. No entanto, o rnodelo matematico ficaria mais
I ~

.,; .,,: •, "···'

deta.lhaclo (mais complexo, mais dificil de ser tratado) e, por simplicidade, comer;a-se por
imaginar que essa situar;ao nao ocorre.
~ ~=================================================================

1.2. 0 CERTO NO INCERTO 3

Exemplo 4. \/ejarnos alguns outros exp erimentos aleatorios:

a) 0 experimento aleat6rio consiste em jogar uma moecla 20 vezes e observar
o mfrnero de caras. N aturalmente o espago amostral e

nR = {O, 1: 2; 3, .. . ) 20} "-"-+ Espago Amostral.

b) Em uma linha de produc;ao; fabricarn-se pec;as em serie. Um experirnento

aleatorio consiste em contar o mimero de pec;as defeituosas produzidas em
um perfodo de 24 h. 0 numero de pec;as defeituosas vai de 0 a N, onde N e
o total de pec;as procluzidas no clia, e assi m, n = {O , 1, . .. , 1V} .
c) Selecione ao acaso um habitante do Rio e determine sua altura, em centime-
tros. Neste caso, podemos tomar 0 = {20, 21, ... , 230}

0 que estes experimentos tern em cornum?

* Cada experirnento pode ser repeticlo indefinidamente sob as mesrnas
condic;oes .
* Embora nao saibamos o resultado que ira ocorrer (incerteza), podemos
certamente descrever o conjunto de todos os possiveis resultados .
Duas fontes de in certeza bastante comuns sao:

* Desconhecimento de algo , falta de informac;ao (Exemplo: Na queda

livre de uma particula material pontual, desconhece-se o valor preciso
da velocidade do vento sobre a particula, o que leva a urna grande
indetermina.c;ao da posi<;ao da mesma 10.s depois);
,
* Pr6pria natureza do fenomeno estudaclo (Exemplo: No larn;amento de
uma moecla, o movirnento e rnuito cornplexo, para se poder determinar
de antemao se sai car a. ou coroa) .

Vamos est.abelecer alguma terminologia.

Definic;ao 5. Dado um exp erimento E :

i) 0 espar;.o amostral, n, do experimento E, e () conjunto de todos OS
possfveis result ados do experimento;
ii) um evento aleat6rio, A, (acontecimento aleat6rio) e, por definic;ao, um
., subconjunto do espac;o amostral, i -l c n;
iii) 0 espa<;o amostral , n, enquanto subconjunt o de si proprio, e chamado
\'_ ' '~
de event.a certo;
iv) o conjunto vazio , ¢, e cha.ma.do de evento impossfvel;
 4 CAPiTULO 1. CONCEITOS FUNDAMEN'TA IS

v) eventos aleat6rios que contenham apenas um elemento , A = { 0) } com

w E D, (apenas um unico dos possiveis resu1tados de um experimento) sao
os eventos elementare.s~
vi) dados eventos A e B, por ocorrencia de A e B ou ocorrencia simultO:nea
ou confunta dos eventos A e B entende-se o evento An B, isto e, o resultado
do experimento est a necessariamente no evento A e no B;
vii) por ocorrencia do evento A ou B entende-se o evento AU B , que
contem os resultados do even to A unidos aos do evento B.

viii) Se w e um resultado de um experimento, w E fl e A e um evento,

A c fl, entao diz-se que w favoravel a A se ·w E A e w e desfavoravel a A se
w tJ_ A.
I ,,-,,

n ~ e 0 evento certo.
</> e 0 evento impossivel.
'V'-7 I ---,

AnB e a ocorrencia simultanea OU conjunta de A e B.

""7

A uB e a ocorrencia de A OU B.
'V'-7

Exemplo 6. a) Jogue uma moeda 20 vezes e observe a seqiiencia de caras e

coroas. Adotamos a seguinte nota9ao,

c ,._,. .,. 'cara'

{J{ ~ 'coroa'

Um possivel resultado eCCCCKCCKCCCKKKCCKCCK E fl. 0 nt1mero

de elernentos do espa90 amostraJ! ~ muito grande,

#fl = 220 =2x 2 x 2 x . .. x 2

20 vezes

Este numero e obtido da seguinte forma 5 . Primeiro, uma seqiiencia de ta-

manho 20 de caras e coroas t era urn certo numero de caras, j, e um corres-
pondente nurnero de coroas, k = 20 - 1 . :E claro que j e um numero dentre
I~
0,1 ,2 , ... , 20. Se soubermos as posi96es, na seqiiencia das 20 posic;oes, das j
4
0 mimero de elementos de um conjunto A ou cardinalidade de A. e denotado por #A..
,1Tambem usamos # como sinomimo de mimero.
' 5 0/A leitor/a pode consultar o livro ... para rnaiores detalhes sobre problemas de

contagem envolvendo combinai;oes, arranjos e permuta<_;oes .

. I ,--
 1.2. 0 CERTO NO INCERTO 5

caras, sab eremos tambern as posi<_;:6es que sao ocupadas pelas coroas, sao as
20 - j posi<_;:6es (restantes) ·nao ocupaclas pelas caras. Basta entao escolher
as posi<_;:oes das j cams, entre as 20 posi<_;:oes disponiveis: isto e dado por urna
combina<_;:ao, de 20 possibilidades, escolhidas j a j,
cj _ 201
20 - i (20 - j )!
Assirn o n {1mero t otal de elementos do espago amostral consiste em somar o
rnimero de seqiiencias com nenhuma cara (a.penas a seqiiencia
I<KKKI<K . .. I<KKK,
v i11t e comas

~ 0 que corresponde a ego = 1)'

Ckkkkkkkkkkkkkkkkkkk , kCkkkkkkkkkkkkkkkkkk,kkCkkkkkkkkkkkkkkkkk
kkkCkkkkkkkkkkkkkkkk,kkkkCkkkkkkkkkkkkkkk,kkkkkCkkkkkkkkkkkkkk
kkkk kkCkkkkkkk kkkkkk,kkkkkkkCkkkkkkkkkkkk,kkkkkkkkCkkkkkkkkkkk
kkkkkkkkkCkkkkkkkkkk,kkkkkkkkkkCkkkkkkkkk,kkkkkkkkkkkCkkkkkkkk
kkkkkkkkkkkkCkkkkkkk,kkkkkkkkkkkkkCkkkkkk , kkkkkkkkkkkkkkCkkkkk
kkkkkkkkkkkkkkkCkkkk,kkkkkkkkkkkkkkkkCkkk,kkkkkkkkkkkkkkkkkCkk
kkk kkk kkkkkk kk kkkkC'k , kkkkkkkkkkkkkkkkkkkC.
com 1 cara (Clo= 20), com cluas caras (Ci0 = 190), e assim sucessivamente
ate ter 20 caras, o que perfaz
o T, C'120
C20 + . . . T, 0 2020 = .{.020

b) Relacionado a alinea a ), po demos retomar o exemplo 4a) consistindo do

experimento 'lant;ar 20 vezes urna rnoeda e con tar o n{unero t otal de caras'.
Os possiveis resultados do experimento - um nfonero de 0 a 20 ~- estao
colecionados no espa<;o amostral reduzido
OR = {0; 1, 2, 3, . .. ; 20} ~ 'rnimero de vezes que aparece cara'.

Os eventos de nR e de n esta.o relaciona.dos. Ha ate uma ambiguidade de

lingua.gem. Assim, quando se consiclera o evento 'sair nenhuma cara em 20
;
langarnentos ' isso corresponde ao evento {O}c OR e ao evento
- T' ,: :·. ' . :~
;~
n
,1;'. ... ·' '• - \."

{KKKKKK ... KJ-(J{J(} c

vinte coroas
 6 CAPITULO 1. CONCEITOS FUND.A.1v1ENTA.IS

Analogamente, o even to 'sair uma cara em 20 larn;amentos' , quando referido

ao espa<;;o amostral reduzido, do numeros de caras, corresponde ao evento
{l}c DR, enquanto que referido ao espa<;;o amostral D, das sequencias de
sorteio de caras e comas, corresponde ao evento. I ,-..,

scrr
l-~,\y YCFY
~' y KKCKY
·~,y ... ,
19 coroas 18 coroas 17 coroas
KK .. . KC~,KK . .. K ~}cD
1 coroa 0 coroas
I ~

cuja cardinalidade e 20, e que tambem esta na equa<;;ao ??.

Praticarnos agora expressoes linguisticas sobre eventos, mas apenas rel-
ativarnente ao espa<;;o amostral reduzido. E clam que exercicios similares
I ,_....
podem ser realizados relativamente ao espa<;;o amostral D dos sequencias de
cara e coroa.
0 evento 'sair .5 caras' corresponde ao subconjunto A = {5} c DR do ) --
espa<;;o amostral, e e um evento elementar. 0 evento 'sair no maximo 3 I ~

caras ' corresponde ao subconjunto B = {O , 1, 2, 3}. 0 evento 'sair pelo menos

17 caras' e C = {17, 18, 19, 20}. 0 evento 'sair mais de 17 caras' e D =
{18, 19, 20}. 0 evento sair 'no maximo 18 coroas' (ou seja no minima 2
I ~

caras) corresponde ao subconjunto E{2, 3, ... , 20} e, naturalmente, sair 'nao

mais que 2 coroas' e o evento D = {18, 19, 20} .
I ,,-..

Neste caso #<.J.R = 21, que e bern menor do que a cardinalidade do espa<;;o
) ~
aniostral, D, das seqi.iencias de 20 caras ou coroas da alinea a) , e e chamado,
sugestivamente, de espa<;;o amostral reduzido do experimento em a).
) -
Exemplo 7. Fabricar pe<_;as (1000 por dia) e contar as defeituosas. 0 expe-
rimento c:onsiste em contar o n{m1ero de pe<;;as defeituosas produzicla.s. Ja o
espa.<;;o amostral e o conjunto <.J. = {O, 1, 2, 3, ... , 1000}.
0 evento 'haver no maximo 10 pe<;;as clefeituosas' corresponde ao sub-
c:onjunto B = {O, 1, 2, 3, ... , 10}. 0 evento 'a percentagem de defeituosos
e de, no maxima, 3,5%' corresponde ao subconjunto do espa<;;o amostral,
C = {O, 1, ... , 35} e o evento 'a percentagem de defeituosos e menos de
3, 5%' corresponde a D = {O, 1, ... , 34}.

I
Exernplo 8. Larn;ar um dado e ver que face fica para baixo. 0 espa<;;o
'amostral e D = {1, 2, 3, 4, 5, 6}. 0 evento aleat6rio 'sair um mimero par para
baixo' e caracterizado pelo subconjunto D = {2 , 4, 6}. Ill

i -

I ~
 ··- - -- - - - --·- -

1.3. INCERTEZi-~ E RISCO 7

1.3 Incerteza e Risco

A teoria cla probabilidade oferece cliversas aplicac;6es atraves de uma
aborclagem clam de situac;oes aleat6rias . Uma possibilidade e relaciomi.-la
a situac;6es de risco. 0 que vem a ser isto? Suponhamos que se esta sujeito
a diversos fatores de incerteza ou aleatoriedade, que se tern que tornar uma
decisao antes de urn experimento a ser realizado e que as conseqi-1encias cla
decisao, isto e, o seu resultado , depenclem de um even to aleat6rio (o experi-
rnento). Neste caso, estamos perante uma situa~:ao de risco (que e a de to mar
uma clecisao incorreta - um ERRO - com respeito aos seus interesses ou
objetivos) .
Ilustramos a seguir situac;oes de risco advinclo da combina~a.o de tomada
de clecisoes e a presen~:a de event.os aleat6rios.

Exemplo 9. Perante um salgadinho que voce desconhece se esta pr6prio ou

irnpr6prio (deterioraclo) para consumo. voce tern que decidir se come ou nao:

Decisa.o""' Realidacle I Deterioraclo Pr6prio para consumo

Nao comer Decisao correta ERRO
Corner ERRO (+ grave!) Decisao correta · ·~ .,

Se voce decide comer o salgadinho quanclo este esta cleteriorado, isto se con-
stitui em uma decisao incorreta, um erro .
Neste tipo de situa<;ao sempre ha cluas possibiliclades de errar, e uma e
consicleracla. de maior gravidade. No caso do salgaclinho , se voce esta com
vontacle de come-lo, os erros sao: (i) nao come-lo quando ele esta born , e
(ii) come-lo quando esta deteriorado. Neste caso, o erro ma1s grave esta
a
relacionado segunda alternativa. Iii

Exemplo 10. No julgamento de um reu, o juiz clecreta senten9as (clecisoes)

sem conhecer toclos os fatos ( ~ INCERTEZA ). Havera sentenc;as corretas e
aquelas inconetas. Ha ainda aquela seutenga muito :incorreta: conclenar um
inocente. (A socieclade considera este o erro mais grave: naturalmente). A
tabela abaixo resume as possibilidacles.

Senten<;a ""Reu Inocente Culpado

·A bsolver(Deixar Livre) CORRETO ERRO
Conclenar(Manter Preso) ERRO (+ grave~) / CORRETO
 8 CA.PITULO 1. CONCEITOS FUNDAI'vIENTA.IS

1.4 Noc;ao Empirica de Probabilidade

A probabilidade de um evento aleat6rio A, denotada por P(A), e um
numero entre 0 e 1 que, informalmente, pode ser pensado como a nossa
confiarn;a de que o resultado do experimento perten~a ao evento A - quanta
mais perto de zero menor e a confiarn;a e quanto rnais perto de 1 maior e a
~confiarn;a . Assim se todos os resultados w E D forern favoraveis a A, nao, ha
maior confian~a possivel do que o resultado do experimento pertencer a A, e I ,......_

entao P(A) = 1. E claro que neste caso, A coincide com D, A = D. Isto e,

P(D) = 1. Ja se nunhum resultado w E D for favoravel a A, isto e A = </>,
devemos ter P( </>) = 0, pois nao temos confiarn;a alguma que o resultado
esteja no conjunto vazio <P (nao ha nenhum elemento) .
A motiva~ao empirica para atribuir uma probabilidacle a um evento pro-
vem da constancia ou regularidade da freqiiencia relativa quando um ex-
perimento e repetido cliversas vezes. Vamos ilustrar a no<;ao de freqi_iencia
relativa e a de regulariclade de resultados aleat6rios atraves de um exemplo.
0 experimento que se considera e o la.m;amento de uma moeda, que sera
realizado diversas vezes . Calcula-se, entao, a chamada

'freqiiencia relativa' =

on de
I ,,.._

nc e o numero de vezes que se obteve cara;

{ n e o numero de vezes, ate o momenta, que se lan~ou a moeda.
I -
Como exemplo, poderfamos ter obtido a seguinte seqiiencia de freqiiencias
relativas:
0 0 1 1 2 3 4 4
1'2'3 '4'5' 6 ' 7 '8
No denominador vemos quantas vezes foi larn;ada a moeda.
Talvez mmca tenhamos realizado esse tipo de experimento, que ebastante
mon6tono, mas nao ficarfamos surpresos de verificar que , grosso modo, esta
seqiiencia pocle oscilar em torno de 1/2 e acreclitamos que fica cacla vez rnais
perto de 1/2 consoante formos lan<;ando rnais e mais vezes a moeda. I ~

... ~.. . Estas observac;oes sao claramente empfricas, isto e, experimentais, e se

'!.'
voce as acha estranhas ou duvida que essas conclusoes sejam confiaveis, fa<;a
voce mesmo a experiencia (que alias e bem economica de se realizar e ja foi
! ~
 _._
......._
1.4. NOQA.O EMPIRICA DE PROBA.BILIDA.DE 9
,,....
"""\
realizacla por va.rios cientistas), mas lance, nmitas vezes mesmo, a moecla, e
,......_ anote os resultaclos.
,......., De qualquer modo, este t ipo de constancia nos resultados tern sido ob-
,,--._ servado em varias situa<i>es praticas e por isso se construiram as teorias
maternaticas de probabilidade e estatistica para lidar com elas 6 .
A esta constancia dos resultados experimentais se d:i o nome de regulari-
dade da .freqiiencia relativa ou regularidade estatistica.

Agora, suponhamos que larn;o uma rnoeda uma {mica vez . Entao

D = {C, K}

J\ fotivados pela. seqi.iencia de freqi.i encias, atribuimos a ocorrencia dos eventos

A 1 = 'sair cara' = { C}
A. 2 = 'sair coroa' = { K}

as seguintes probabilidades,
1 1
P(A 1 ). = - : P(A.)) = -
2 - 2
e tambem ,

P (D) = 1; P(¢) = 0

0 espago amostral D correponcle ao even to 'sair cara ou coroa', e ¢ = ' nao

sair nern ufra nem coroa'. A probabilidade de o result.ado estar no espac;o
amostra.1 7 e de lOOo/r:> e de nao estar no espac;o amostral, isto e, de estar em
nc = ¢ e de o.
E complicaclo usar a n0<;ao de probabilidade para tratar do caso de um
larn;amento apenas. De fato, a n0<;ao deve ser empregacla quanclo o expe-
rimento e realizado um grande mimero de vezes, cla seguinte forrna. Supo-
nhamos que a moecla. seja la.rn:;ada. 500 vezes. Como a probabiliclade cle sair
cara e de 1/2, podemos afirmar que , em aproximaclamente 500 x ~ = 250
5 Da mesma forma, por observar;ao , se construiu uma teoria envolvenclo objetos

primarios , pontos , retas , pianos, assumindo verdadeiras relar;oes iniciais entre eles, do
tipo, ~lados dois pontos distintos, existe uma unica reta que passa por eles , etc, constru-
[ · ~: , ..... indo 1prma;lmente assim , a geometria Euclidiana, [?] .
7
S6 para relembrar, 25 %, 25 / 100, i-
50/ 200, 2, 5.10- 1 e 0,25 sao tao sornente repre-
1

senta<;oes distintas do mes1no numero real

 10 CAPITULO 1. CONCEITOS FUNDA.1HENTAIS

vezes aparecera cara. Observe, no entanto, que isto nao quer dizer que nao
possam ter ocorrido apenas 98 caras. Pode! Quando se lanr;am 500 vezes
uma moeda, podem sair apenas 98 caras, mas nao e o usual , nao e o que se
espera.8 .

lo5 Modelo de Probabilidade de Laplace

Come<;amos por considerar espa<;os amostrais com um n{1mero finito de
elementos, como nos exemplos do dado e da moeda.
Laplace considerou que em um experimento com n cliferentes result.a-
dos, e nao havendo nenhuma diferen<;a substancial entre os res ultados, as
freqiiencias relativas de cada um deles iriam oscilar em torno de 1/n. "
Esbo<;aremos um argumento nao matematico em favor de 1/n. Come<;aremos
por definir .fi, como sendo a freqiiencia relativa do resultado 1, h, como sendo
a freqiiencia relativa do resultado 2, e assim por cliante. Entao,

fi+h+ ... +fn = 1

Mas nao ha porque privilegiar nenhum dos result.ados. Assim ,

f
. 1
~

~ "
-t-
J2
,-...._;
~
,-.....,,
· · · ,...., . n f'
e entao

.ii + Ji + ... + .f1 1

n vezes

n.fi 1

donde fi = l/n.
0 exemplo de uma moeda, com resultados cara e coma, se comporta
dessa forma. Tambem o caso de um dado, em que a freqiiencia relativa de
sair 5 oscilaria em torno de 1/6, ajudaria a apoiar o modelo de Laplace para
atribui<;iio de probabilidades. E possivel imaginar, mas certamente mon6tono
8 Aviso
aos 'navegantes' : apesar de probabilidade e estatistica serem teorias matemati-
:.·
r.·
·~'
, _: · · ·' .• . \." . ::!'· · . ~ cas, formalmente corretas, o uso destas para analisar
situa~oes praticas (como, de resto,
acontece com qualquer teoria) envolve o risco de se fazer afirma~oes que nao se confirmam
na pratica.
 1.6. 0 EXPERil\IIENTO DE D'ALEl\1BERT 11

experirn.entar, que a frequencia relativa de sair o dois de copas em muitissirnas

extrai;oes de uma carta de um baralho (com 52 cart.as) oscilaria em torno de
1/ r'')
o~.

Modelo classico de probabilidade de Laplace: Se n e o nt'1mero de

elementos do espai;o amostral e o evento A. tern k: elementos (diz-se que ha k
casos favoraveis) entao constr6i-se uma probabilidade pondo:
p (A. 1 = ~ = # de casos favor aveis a A
1
n # de possiveis result.ados
Considera-se que toclos os eventos elementares tern a mesma probabilidade,
1/n, de ocorrer.
.......
Exemplo 11. a) Jogue um dado e observe a face. EnUio, D = {1, 2, 3, 4, 5, 6}
1
e ha 6 resultaclos possiveis. Assim.. P ('sair uma clacla face '). = -6
·'"""
4 2
b) No caso do dado, seja A. = {1, 2, 3, 4}. Entao, P(A) = 6 3
Como se interpreta esta probabilidacle? Note que o grau de confianc;a de que,
quando se joga um dado, saia um elemento de A = {1, 2, 3, 4} e alto, 2/3,
que e bem perto de 1 (gra.u de confiarn;a total). 0 que se esp era do moclelo
e que, se forem feitos muitos la.rn;:amentos do dado, e calcular-se a freqii.encia
relativa de ocorrencia de A , o quociente do numero de vezes que o result.ado
e 1, 2, 3 OU 4, pelo rnimero total de lanc;amentOS - esta frequ encia relativa
oscile em torno de 2/3 conforme se \•ai lan c;ando mais e mais o dado, e va
cada vez mais ficando perto de 2/3 . Ha que admitir que est.as afirmac;oes sao
um tanto vagas . De fato elas s6 ficam mais precisas quando se axiomatizam
essas noi;oes.

1.6 0 Experimento de d'Alembert

Apesar do modelo de Laplace ser bast.ante importante e poder ser aplicado
em varias situa<;oes, ha situac;oes em que isto nao ocorre e e necess<:1.rio estar
atento .
Hao caso da aplicac_;:ao do modelo de Laplace ao experimento de d'Alembert.
d' Al~mbert tentou aplicar o modelo de Laplace ao experimento de lanc;ar duas
rnoeclas e' contar o numero de cams que ocorrem. Assim, e claro que
rt = {O, 1,2}
 12 CAPITULO 1. CONCEITOS FUNDA.1\1ENTAIS

Logo, seguindo o modelo de Laplace, e coma o espa<;o amostra.1 tern tres

elementos, d'Alembert atribuiu as seguintes probabilidades aos eventos
A 0 -v-+ 'na.o sair nenhuma cara: .. . .,. A 0 = { 0},
P(A ) = #de casos favoraveis = #Ao = _l .
D #de possiveis resultados # fl 3'
A1 ~ ' sair mna cara' -v--:. A1 = {1}, P(A 1 ) = ~~1 = ~;
A. 2 -v-+ 'sair duas caras' 'V"-7 A 2 = {1}, P(Jh) = ~~2 = ~;
Bern, o que isto tern de errado? d' Alembert realizou e anotou o resultado dos
experimentos e constatou que as frequencias relativas de sair 0 cams, sair 1
cara e sair 2 caras nao :ficavam oscilanclo em torno de 1/3, por rnais que ele
fosse repetindo o experimento, como e previsto pela aplicagao do modelo de
Laplace. De fa.to, as freql.iencias relativas oscilavam em torno de 1/4, 1/2 e
1/4, respectivamente.
0 que aproveitar deste exemplo? Bern, a previsao de qualquer modelo
te6rico deve ser confrontada com resultados experirnentais: 'a experiencia e
a mae da ciencia' . Neste ca.so devemos rej eitar a aplicac;ao do modelo de
Laplace ao experimento de cl'Alembert.
Por acaso, neste exemplo ainda e possivel utilizar-se parcialmente o mo-
delo de Laplace. Isso veremos mais tarde na pr6xima segao . ~.

1.7 Uma Fun<;ao Chamada de Probabilidade

Como vimos na sec;ao anterior , nem sempre e possivel utilizar o mode-
lo· de Laplace para atribuir probabilidades a eventos de forma a ter uma
compatibilidade entre a previsao te6rica e o result.ado experimental.
Por isto toma-se uma abordagem mais abstrata, sem tratar de formas es-
peci:ficas de atribuic;ao de probabilidade a eventos, mas selecionando algurnas
poucas propriedades razoaveis que essa atribuic;ao deve gozar.
Dissemos anteriormente que a probabilidade de um evento e um numero
entre 0 e 1 que, em termos do modelo, espelha a nossa con:fian<;a na ocorrencia
do evento. De fato, como ja dissemos, queremos mais do que isso, queremos
tambem que esse gra.u de con:fianc;a esteja fortemente relacionado ao valor
'alvo' da oscilac;ao experimental regular da freqiiencia relativa. Est.as con-
siderac;oes praticas, aparentemente nao sao levadas em conta na definic;ao
,forma.l (maternatica) de probabilidade, mas mesmo assirn, apesar de nao
·!:· , , '' ~.. .. '• .
'parecer, elas estao profundamente ligadas (consulte o capitulo 5 do excelente
livro de [?]).
 ,,,,...... -·· -

,. . . ::.::::=======================================================================================-~~==--=-=-==·-- ··--

1.7. PROBA.BILIDADE 13

Diz-se que A e B sao eventos mutuarnerde exclusivos quando A. n B = ¢

(A e B sao e;onjuntos disj untos) . ::\ este caso, clenota-se a ocorrencia dos
d
euentos A ou B , isto e, a sua uniao por A U B.
Diz-se que uma colec;;ao de eventos (ou subconjuntos) A 1 ,A 2 , . . . , e for-
macla por eventos mutuamente exclusivos (ou disjuntos 2 a 2) se
' . -1- .
n.i /' n -'4· j = q>, '/. T J

......_ Defini':;ao 12. Seja E um experimento e no espac;;o amostral associado a

E. Uma fun gao P e uma prnba.bih:dade se:
i) P e definid.a para ca.da evento 9 A. , isto e, para cada subconjunto de D;
ii) P(A) e um n-L1mero entre 0 e 1, 0 :S P(A) :S 1;
iii) P(D.) = 1;
iv) Se A e B forem eventos mutuarnent e exclusivos (i.e ., An B = ¢) enta.o
d
P(A u B) = P(A) + P(B) . (1.1)

v) :.VIais geralmente, para eventos Ai, i = 1, 2, . . . , +oo mutuamente exclu-

sivos, tambem se exige, na definic;;ao de probabilidade, que
+::o +oo
A= LJAi =? P(A) = 2= P(Ai)
i=l i=l

Observa<;oes. 1) 0 n-L1mero de subconjuntos poss:fveis em um conjunto SL de

LS elementos e 2i.s = cp5 + Ci5 + C'f5 + · · ·+ Cii onde C~ denot a a combinac;;ao
de n elementos tomados k a k. Assim, neste caso, uma probabilidade em n
e furn;;ao definida em 215 pontos (cada 'ponto ' e um subconjunto de n).
2) A partir cla condi<;ao (iv) e claro tambem que se tivermos uma cole<;ao
finita. A 1 , lh, ... , An de eventos mutuamente exclusivos e

9 Por vezes, quando o espa<;o arnostral tern um niimero infinito de elementos, ha uma

questa.o tecnica (isto e, relacionacla ao rigor matematico) associacla a escolha dos sub-
,, conju11tos de n que podern ser charnados de eventos . Repetindo : as vezes, nem todos
os subconjuntos de 0 poclem ser chamados de eventos. Esta complexidade tecnica, no
T· ', •
. ._: '· ··· '• - entari.to, niio vai a.fetar nenhuma das quest6es que estaremos considerando e por isso nao
sera discutida aqui. Quern estiver interessado, pode consultar o ja referido livro de Barry
James[?].
 14 CAPiTULO 1. CONCEITOS FUNDATvIENTA_IS

entao

OU

Le-se a equac;;ao (1.2) como: "a probabilidade da uniao disjunta e a soma Clas
probabilidades dos eventos" .
3) A func;;ao de probabilidade P e uma funr;ao de conjunto, isto e, e uma
func;;ao definida nos subconjuntos de um conjunto 10 .

Exemplo 13. Ao jogar um dado (nao-viciado 11 ), o espac:;o amostral e

n= {1, 2, 3; ... , 6}.

Temos que definir a probabilidade P nos subconjuntos de D, mas neste caso,

como n tern urn n{1mero finito de elementos, basta definir P nos eventos
elem en tares

P({l}), P({2}), P({3} ), P({4}), P({5}), P( {6}).

II II II II II II
l/6 1/6 1/6 1/6 1/6 1/6

Desta forma, pelas propriedacles clefinidoras, obtemos a probabilidacle de

.
qualquer evento,

P( {l, 3, 5}) = P( {l} u {3} u { ,5})

por (??) . 1 l l 3
= P({l}) + P({3}) +P({5}) = 6 + 6 + 6 = (3

10
Daclo um moclelo matematico de um corpo material, representado por n, uma furn:;ao
de conjunto usual e a furn:;a.o 'rnassa'' m, definida nos subconjuntos ('materiais') de n; se
A c D e um subconjunto de n, m(A) e a 'massa' de A. Alem disso, a partir da furn;:ao
m podemos definir uma func;a.o de probabilidade em n, basta fazer P(A) = m(A)/rn(D),
desede que a massa de D seja finita, 0 < m(D) < oo. Esta func:;ao satisfaz a clefinic;ao 12.
11
Dado viciado e um dado que favorece sair uma face em detrimento de outra ou out-
/.
l'
·,.
I.: ' • • . .\·. • ·~·· . ,; ras,do ponto de vista experimental, isto e, as freqiiencias relativas de cada face nao tendem
todas a um mesmo valor. As faces nao sao eventos equiprovaveis, e portanto nao se aplica
o procedimento cla.ssico de atribuic:;ao de probabilidacles de Laplace.
1. 7. PROBABILIDADE 1.S

A nogao de uma probabilidade, diferentemente do moclelo de Laplace,

nao fornece meios de construir modelos probabilisticos de situac;oes concre-
tas. Simplesmente estabelece as conclic;oes convenientes ou a~equadas que
urna atribuic;ao de probabilidade deve satisfazer em geral. E claro que e
possivel questionar ou tentar rn.otivar essa escolha de proprieclacles clefinido-
ra.s, mas nao o faremos. Em capitulos subsequent.es veremos como construir
probabiliclades para situac;oes concretas.
Observa<;;oes. 1) Se <fa e o conj unto vazio 12 , P( </>) = O;
2) P(Ac) = 1 - P(A). Este result.ado segue das alineas (iii) e (iv) na
definic;ao de probabilidacle 1:3.
3) Se B c A, entaoM
P(B) :::; P(A). Note, em particular, que se P(A) 0 e B c A entao
P(B) tambem e nulo.
0 result.ado (3) na observac;ao acima reflete uma propriedade que espera-
mos de uma probabilidade. Se o evento B ocorre (o result.ado do experimento
esta em B), entao o evento A tambem ocorre afinal, B c A; assim, sempre
que B ocorre, A tambem ocorre. Dest.a forma, o grau de confianc;a que
se atribui a. ocorrencia do evento B deve ser no maxirno igual ao grau de
confianc;a na ocorrencia do evento A, isto e, P(B) :::; P(A ) .

12 A demonstra<;ao deste resultaclo e assim: Como In = nu ¢I e, n e ¢ sao disj'/Lntos

(isto e,nao tern elementos em comum), tem-se que

d . .
P(\2) = P(0. u </J) = P(fl) + P(1b) =? P(rjJ) = P(ft) - P(D) = 0

i• . d
·'Como AU Ac= De A. n (/:J.C) = ¢segue que D = AU Ac donde

Iii
HA demonstrai:;a.o deste result.ado e seme+hante as dos clois anteriores. Decompoe-se A
d
em 2 eventos disjuntos, A= BU (A.\B), fa<;a urna figura, en tao

P(A) P(B) + P(A \B) =? P(A) 2': P(B)

~
='.'.: 0, da def. de pro b.

Ill
 16 CAPITULO 1. CONCEITOS FUNDAl'viENTAIS

Exemplo 14. No lanc;amento de um dado considere os eventos:

B ~ 'sair 2'
{ A ~ 'sair par' (qualquer numero par do dado)

Assim, {2} =B c A = {2, 4, 6}. Logo P(B) :::; P(A) mesmo se o dado for
viciado. ' Ill
) ~

Teorema 15. Regra da Adic;ao de Probabilidades . Dados 2 eventos,

A e B, nao necessariamente disjuntos, a realizar;ao dos eventos A ou B e o
evento AU B e sua probabilidade e:

IP(A u B) = P(A) + P(B) - P(A n B) J (1.2)

Observac;ao. Note que para eventos mutuamente exclusivos, P(A n B) =

P((p) = 0. :.\este caso, da equa<;ao (1.2) obtem-se que P(A u B) = P(A) +
P(B), o que mostra que o result.ado na equac;ao (1.2) e compativel com o
item (ii) da definigao de probabilidade.
Demonstrac;ao do Teorema. Temos a seguinte partic;ao de AU B, veja a
figura 1.1

d d
Au B = (A\B) u (B\A) u (An B)
Assim, da equac;ao (1.2)

P(A u B) = P(A \B) + P(B\A) + P(A n B) (1.3)

Por outro lado, como

d d
A= (A \B) u (An B) e B = (B\A) U (An B)

temos tambem que

P(A) = P(A\B) + P(A n B) =} P(A\B) = P(A) - P(A n B) (1.4)

't
,
,£,:
•'• ~'. . :~
P(B) = P(B\A) + P(A n B) =} P(B\A) = P(B) - P(B n A) (1.5)

Daqui chega-se a equac;ao (1.2), substituindo-se (1.4) e (1.5) na equac;ao (1.3).

,..... ----

~ ===============================================================================

1. 7. PROBA.BILIDA.DE 17

A B
A\B B~\

Figura 1.1: Partic;ao de A u B

Uma clemonstrac;ao alternativa pocle ser fe ita da seguinte forma. Escreve-

mos
rJ
AUE AU (B\A) donde
P(A u B) P(A.) + P(B\A) (1 .6)

e substituimos a equac;ao (1.5) na equac;iio (1.6) chegando tarnbern ao resul-

tado. ~

Observa<_;;oes . 1) Sejam A, Be C eventos quaisquer, entao:

P(A u Bu C) = P(A) + P (B) + P(C) - P(A n B) - P(A n C)

- P( B n C) + p (A n B n C)

Esta c uma generaliza<;ao da regra da a.di<;:ao de probabilidades para 3

eventos . Ha generalizac;~fo desta regra para a uniao de um numero qualquer
de eventos nao disjuntos.
2) D~sigualdade de Boole. Sejam AL .. . , An eventos . Entao

(LJA;\
Tl

P < LP(A). (1. 7)

i= l ) i= l
 I ~

18 CA.PITULO 1. CONCEITOS FUNDAI\!IENTA.IS

Pela regra da adi<;ao de probabilidades para 2 ou 3 eventos, vemos que

alem da soma das probabilidades dos eventos, ha que usar som.as ou sub-
tra<;6es de probabilidades de interseg6es de eventos, para que se pudesse ter
na equagao (1.7) uma igualdade. No entanto, essas probabilidades podem
ser complicadas de se calcular. l"m caso em que a desigualdade de Boole e
conveniente e quando se quer estimar a probabilidacle cla realiza<;ao da uniao
de eventos A 1 u . . . u An quando a probabilidade individual destes e pequena.

Exemplo 16. A tabela abaixo fornece algumas informa<;oes sobre o mimero

de alunos de um Instituto de l\/Iatematica 15 :
curso°""sexo Homem(H) Mulher(M) TOTAL
(P) rvfatematica 70 40 110
(A) I:vfat . Aplicada 15 15 30
(E) Estatistica 10 I 20 30
I ~

(C) Computagao 20 10 30
TOTAL 115 85 200

Consideram-se varios eventos; por exemplo, o evento E e constituido pelos

alunos de Estatistica (E "'-"+ 'cursa estatistica} Responda:

a) Qual a probabilidade de um aluno ser de estatistica?

30 (# ocorrencias a.luno de estatistica) 15

P(E) = - - - - -- - - -- - - - - - = - = 15%
200 (# ocorrencias aluno) 100 '

b) Ser homem? (Evento H V-7 'Homern')

115 ) ~

P(H) = - = 57.5%
200 .

c) Ser homem ~de maternatica aplicada?

( ;) -
P H nA -
15 - 7, 5 - -o/c
- lOO - 7, o o I ~

200
cl) Ser homem ou de matematica aplicada?

P(H u A)= P(H) + P(A) - P(H n A.)

•.y, . = 57, 5% + 15% - 7, 5% = 65%
15 Considera.-se uma estratificar;iio do universo dos alunos em 2 ca.tegorias: curso e sexo.
 ~ -;=--=·=--
·========================================================================

1. 7. PROBA.BILIDADE

e) Ser de rnatematica aplicada ou de computai;;a.o?

Como A e C sao disjuntos;

P(A u C) = P(A) + P(C) - P(A n C)

= P(A) + P(C) - P(d>)
30 30 60 30
= 200 + 200 = 200 = 100 = 303

Exemplo 17. 0 experimento de d' Alembert. Uma forma de atribuir

probabilidades a eventos do experimento de cl' Alembert sera vista agora.
Inicialmente, consideramos um outro experimento, o experirnento de larn;ar
cluas moeclas e anotar a seqiiencia de caras e coroas, na ordem que aparecern.
Claramente, o espac;o amostral e

n
-\<'., = \ \, ;'\-·-c',, C'l?
{1·-1··- . \, CC'}
...

Apesar deste experimento ser diforente do de cl' Alembert, eles estao rela-
cionados, corno mostrado na tabela a seguir:

Eventos do experirnento de d 'Alembert Hi {O} I {1} {2}

Eventos do outro experimento {KK} I {KC,CK} {CC}

Se utilizarmos o modelo de Laplace no espac;o amostral fl , obteremos a

seguinte atribuic;ao de probabiliclade:

P({KK}) = i ,P({KC,CK}) = #{I<~~CK} = ~ ,P ({CC}) = l

Agora, fazendo a atribuic;ao de probabilidacles para o experimento de
cl'Alembert, usando a iclentificac;ao acirna, obternos

P({O}) = P({KK}) = l ,P({l}) = P({KC, CK}) = ~,

1
P({2}) = P({CC}) = -
4
-- . A va)1tagern clest.a atribuic;ao cm relaGao a de Laplace conforrne apresentaclo
na $,ei;;ao 1.6 e que esta e compativel com freqiiencia.s relativas obticlas pela
i

!· ~

realiiac;ab real desse experimento repetidas vezes, e portanto e considerado

; I' ' ,

o modelo probabilistico correto para est.a situac;ao.

 I~
20 CAPiTULO 1. CONCEITOS FUNDA1WENT.A.IS

1.8 Probabilidade Condicional

Seja E um experimento com espa<;o arnostral n e probabilidade P. Quere- i -
mos analisar a probabilidade de urn evento, dado que algum outro evento
tenha ocorrido
A ""' evento; f I -

l
B ""7 evento que ocorreu .
Essa probabilidade e chamada probabilidade do evento A condicional a ocor-
rencia do evento B . Para modelar est a situa<;ao tern que se levar em consid-
era<;ao que: ! --.

I -~

• e garantida a ocorrencia de um elemento de B;

• elementos de fl\B nao ocorrem .
Assim, 0 espa<;o amostral adequado e reduzido den para B , e OS eventos
I~

.1. 0 P"SSa'Il
.Ll..L ale.
0.. P"""a. cnre"tos ( i\ n B'j c .LJ.
~ u J. Q..l. C- \ D
. _Li ; ..[ 'l. I

Vejamos um exemplo. Considere o lan<;amento de um dado, cujo espa<;o

amostral e f2 = {1, 2, 3, 4, 5, 6} e OS eventos:
A -v-+'sair um nurneros par', A = {2, 4, 6}.
B -v-+'sair um nl'1meros menor ou igual a 4', B = {1, 2, 3, 4} .
Como estudar, a.nalisar , modelar a. probabilida.de condiciona.l? A.final, o I ~

que se quer rnodelar? Considere uma sequencia de resultados

31242152461342516
Nao ha como ga.rantir que haja oc:orrencia de um elemento de B, e portanto
para falar da probabilidade do evento A condicional a ocorrencia do evento
B, deve-se excluir da sequencia experimental todos os elementos que nao
pertern;am a B . Fazendo isto com a sequencia anterior , abtenhamos assim, I~

a nova sequencia

3124212413421 I -

Os eventos A n B, quando considerados subconjuntos de B, assumindo que

B tenha ocorrido, passam a ser denotados por A I B: le-se 'evento A dado
B ' ou 'evento A dada a ocorrencia do evento B'. Ha en tao a necessidade
de construir uma nova probabilidade para tratar desta nova experiencia; a
,
mesma letra P continuara a ser usada. Aqui estaremos reduzindo o espa~o
,. ' c ..
·' a.mostral den para B . A nota<;ao utilizada eP(A I B) que se le probabilidade
,,

de A dado B .
 ...-.. -- -- -

,........_
1.8. PROBABILIDADE CONDICIOi\lA.L 21

Note que P(B) e P(B\B) nao coincidem, em geral, uma vez que B I B e
o evento certo, e portanto P(B I B) = 1 e usualmente P(B) < 1.
No langamento do dado, calculamos as frequencias relati'vas dos eventos
An B={2A} e A I B, no exemplo:

(• #de ocorrencia de par 9 . ,

J4 = . = - = 0. 5294
· #total de expenmentos 17 ·
. #de ocorrencia de 2 ou 4 7 .~
f 4nB = = - = 0. 411 i
·· #total de experimentos 17 ·
, _ #de OCOrrencia de 2 OU 4 _ 7 _ r . /
f
, AJB -
#total de expenmentos
. - -
13
- 0, 0384

Quando 0 dado nao e viciado

#A 3 1 _
P(A) = -1-1-o = - = ? = 0, b
TJ - - 6 -

l\ este caso, o evento An B= {0,2,4} enquanto evento 'nao conclicionado' a.

ocorrencia de B tera probabilidade
#AnB 2 l . ..
P (An B) = = - = - ~ 0.3333
#0. 6 3 '
Ji a.ssumindo que B tera necessariamente ocorriclo , An B e um evento de B
onde B e o espago amostral, denotado por AjB, e razoavel definir-se
P(A I B) = #An B = ~ = ~ = o. 5
#B 4 2 ·
::\os casos em que e razoavel construir probabiliclades corn a abordagem de
Laplace, e tambem razoavel construir probabilidacles para. OS eventos do
espa<;o amostral reduzido pela condigao de ocorrencia do evento B c n,
tarnbern utilizanclo a abordagem de Laplace como acabamos de ilustrar. Ve-
~-
ja.mos urn exemplo:
Exemplo 18. Larn;ando clois dados nao-viciados, consiclere os eventos:
A 'V'-'t 'a soma dos resultados e 6';
B 'V'-'t 'o resultado do P dado e maior do que o result ado do 2g dado'.
a) Calcule, segundo a aborclagem de Laplace , a probabiliclacle de que ocorra
.-t ~:, _
. ·' o evento A dado que o evento B ocorreu .
b) d~1Cl{ie, analogamente, a probabilidade de que ocorra o evento B dado
que o evento A ocorreu.
 22 CAPITULO 1. CONCEITOS FUND.A.JvIENTAIS

Solu~ao. 0 espac;o amostral tern 36 elementos 17 ,

(1, 1) (1, 2) (1, 3) (1, 4) I (1, 5) I (1, 6)

(2, 1) (2,2) (2, 3) I (2, 4) I (2,5) (2, 6)

D=
(3, 1) (3,2) I (3, 3) I (3,4) (3, 5) (3, 6)
(4, 1) I (4, 2) I (4, 3) (4, 4) (4, 5) (4, 6)
I (5, 1) I (5, 2) (5, 3) (5, 4) (5, 5) (5,6)
(6, 1) (6, 2) (6,3) (6, 4) (6,5) (6,6) '
Note que clestacamos acima o event.a A atraves de caixas,

0 evento A tem cinco elementos e o evento B, que pelos e constituiclo

elementos estritamente abaixo da diagonal principal, na representagao de fl
acima, tern 15 elementos.
a) Usando o modelo de probabilidacle de Laplace, e uma vez que o espago I -

amostral e B, ternos (a intersec;ao A. n B e dada acima por caixas, na repre-

sentac;ao de A):
# de ca.sos favoraveis a A I B (= An B) I ~

P(A I B)
# de casos favoraveis a B
#(An B) 2
#B 15
b) Neste ca.so, o espai_:;o amostral reduzido e A. Assim,
# de elementos do evento B I A (= A. n B) 2
P(B I A) = - I -
# elementos do novo espa.c;o amostral A) 5
~
I --
Em geral, esquecem-se as considerac;oes acima e usa-se a seguinte definic;ao:
) -
Defini~ao 19. Sejam A e B dois eventos de D. Define-se a probabiliclade
condicional de A dado B,
P(AnB) P(B)
P(A I B) = se
P(B). >0 (1.8)
't' '·'
- ". ~.. ' . :;
{ P(A), ca.so contrario .
17 Nao foram inclufdas as vfrgul,as entre os elementos de fl para nao carregar a nota<;ao.
,.-... ------

1.8. PROBABILIDADE CONDICIONA.L

Observa<;oes. 1) Temos 2 formas coinciclentes de calcular P(A I B) ou

P(B A) no exemplo anterior:
J

i) Usando o rnodelo de Laplace de atribuigao de probabilidades, como foi

apresentado na resolw;ao do exemplo (reduzindo o espa<;:o amostral na alinea
a) do exemplo a Bena alinea b) a A), ou
ii) "Csando a formula da defini<;ao acima (valida quando o espa<;:o amostral
e D).
Vejamos que coincidem no exernplo. De fato, usando a defini<;:ao,

a alinea a) fica P(A I B) = P(A. n B) = 2!~,6. = 2_

P(B) lo/.J6 b

e a alin ea b) fica P(B I A\ = P(A n B) = 2/36 = ~

' P(A ) 5/36 5
2) Fixado B, (com P(B) > 0), P(A I B), como clefiniclo na equagao (1.8) , e
uma probabiliclacle, isto e, satisfaz a cl efini~:ao ?? :
i) Pesta definicla para todo o evento A I B do espago arnostral B,
ii) 18 0 ~ P(A I B) ~ 1,
iii) P(B I B) = l;
d
iv) A. 1 n A2 = ¢ =? P((A.1 u A2)IB) = P(A1IB) + P( i bJB)
v) A concliga.o (v) da definigao de probabilidade tambem e satisfeita.
:3) Podemos, por (2), dizer que, dados n, uma probabilidade P e um evento
B em D, a probabilidacle conclicional e uma nova estrutura probabilfstica
construida a partir de urna uelha estrutura probabillstica. Isto e comum em
matem<::'itica, construg6es novas a partir de constn1g6es antigas.
4) Alem disso, tambern decorre cla definiga.o que (veja observagao na pag. 15
e o teorema (??)):
a) P(Ac I B) = 1 - P(A I B )
b) A1 c A2 =? P(A1 I B) ~ P(A2 I B)
c) P( (A1 u A2) I B) = P(A1 I B) + P( i b I B) - P( (.41 n A.2) I B)
Exemplo 20. Suponha que um escrit6rio possua 100 maquinas de calcular.
Algumas s8.o eletricas (E) e outras mecanicas (::VI) ; algumas novas (:.\) e outras
·· sao nrnito usaclas (U) . A tabela informa o mimero de maquinas em cacla
~~ .-, clasE;e: ,l
~: ;, ." " - -:,·
, ·,1·. '

18 Demonstre este resultado apartir da defini<;ao 19 e da propriedade da probabilidade

dacla no item 3 da observac;ao da pagina 15
 24 CAPITULO 1. CONCEITOS FUNDAI\IENT.A.IS

E M TOTAL
N 40 30 70
u 20 10 30 I ,..__

TOTAL 60 40 1100 1
Uma pessoa entra no escrit6rio e pega uma maquina eletrica ao acaso . Qual
a probabilidade de que esta seja nova?

Solw;ao: Inicialmente, a partir da tabela dada, cancelamos as probabili-

dades dos eventos indicados (usando abordagem de Laplace).

Pro babilidades E IV1

N P(NnE) = -' P(N n 111) = -·
u P(U n E) = -1_
100 P(U n 1"\1) = i100

tTsando a definic;ao de probabilidade condicional, que e um moclelo materrnHico

adequado a esta situac;ao, obtemos:
Evento 'maquina nova dado que e eletrica': NIE

pr NIE". = P(N n E) 40/100 40 2

~ \- ) P(E) 60/100 60 3

Poder-se-ia, alternativamente, recorrer a abordagem de Laplace para o

calculo <la probabilidade condiciona.l.

# casos favoraveis a NIE= N n E 40 2

P(N IE)
# ca.sos favoraveis a E 60 3
II
Em geral, e mais facil trabalhar com a noc;ao de probabilidacle condicional,
definic;ao 18 . Dest.a definic;ao, obtemos a Regrn do Prodv,to de Probabilidades,

P(A n B) = P(A I B) · P(B). (1.9)

para toclos os eventos 19 A e B

Exemplo 21. Qual a probabilidacle de sairem 2 cartas de copas em uma

extrac;ao de 2 carta.s de um baralho, sem reposic;ao?
- ·'•:', , ' : ~-------------,----
19
Esta afirrnar;ao e verdadeira mesrno quando P(B) = 0, ja que, neste caso, An B c
B ::::} P(A n B) :S: P(B) e P(A n f3) tambem se anula, logo os dois lados se acumulam .
...-.... - ---

1.8. PROBABILIDADE COTVDICI01VAL 25

Solrn;ao. Considere os eventos

A "-"" 'sair carta de copas na 1!? retirada;;
B "'""' 'sair carta de co pas na 2!? retirada'.
0 even to de interesse e, na verdade, a ocorrencia simultanea de A. e de B,
isto e, a interse<_;ao A n B (cart a de copas na 1a retirada e carta de co pas na
2a retirada),

A n B "'""' 'sair copas na 1!? e 2" retirada '

::'\ote que

# de ocorrencias favoraveis a A
P(A)
-!/- de ocorrencias no universo
13 (cart as de co pas)
32 (cart.as no baralho)
# de ocorrencias favoraveis a B I A
P(B I A)
# de ocorrencias no novo universo
12 (copas no baralho incompleto)
31 (cartas no baralho incompleto)

Assim, usando a regra do produto de probabilidades, temos :

~
2 13
P(An B) P(B I A) . P(A) = .
ol 52

Observai;;oes. 1) A regra do produto pode ser usada quando temos experi-

mentos que ocorrem em seqiiencia (ou em etapas) e estamos interessaclos na.
probabilidade dos clois eventos - em cada uma clas etapas - ocorrerem, isto
e, na probabilidade de ocorrencia simultanea dos dois eventos. Sejam A1 o
evento com respeito a 1" etapa e Jb o evento com respeito a 2" etapa. Entao

P(ib I Ai) · P(A.i) -+ forma boa para lembrar

P(A.i) · P(A 2 I Ai) -+ forma boa para etapas
'-v-'~
T · .- . . :~ etapa 1 etapa 2
, .: '· : ·' .. . \:·

II
 26 CAPITULO 1. CONCEITOS FUNDAl'\iIENTA.IS

2) A regra do produto de probabilidacles admite uma generalizac;ao para

3 ou ma.is eventos . Sejam A; B, Ce D eventos quaisquer. Entao 20 :

P(An Bn C) P (A) · P(B I A) · P(C I (An B))

P(A n B n c n D) P(A) . P(BJ A.) . P(Cl(A n B)). P(Dl (A n B n C))
3) Quando temos eventos sequenciais, A. 1 , A. 2 , A 3 , onde A1 ocorre primetro,
e depois A 2 e em seguida A. 3 , a probabilidade que os tres ocorram e:

4) Esta regra admite generaliza\ao para 4 ou mais eventos sequenciais.

Se Ai, .lb, A 3 e A. 4 sao eventos que ocorrem em sequencia, com A, acorrendo
primeiro e em seguida e sucessivamente A. 2 , ib e A 1, tem-se que:

P(A1 n A2 n A3 n A4)
= P(A1). P(A2 IAi). P(ibl(A1 n lh)). P(A.4 J(A1 n A2 n A,3))

1.9 Eventos Independentes

A IlO\aO de eventos independentes e bastante importante. Dados dois I ~

eventos, quer-se estabelecer condig6es que garantam que a ocorrencia de um

deles nao afete a ocorrencia do outro. Esta no<;ao e definida precisarnente
co mo a seguir.

Defini<;ao 22. Dois e'.,rentos A e B sa.o eventos independentes se

P(A n B) = P(A) · P(B) (1.10)

Observac;oes. 1) Para iniciantes e comum a confusao entre indepenclencia

e disjurn;;ao. No entanto, preste aten<;ao. Se A e B forem eventos clisjuntos,
20 Usandoa regTa do produto para 2 eventos, Ce An B , e em seguida para os eventos
I ~
A e B, obtemos

P(A. n B n C) = P(C n (An B))

.... ~·· .._· :~
= P(C I (An B)) · P(A n B) = P(C I (An B)) · P(B I A)· P(A)
I ~
 1.9. £1/ENTOS INDEPENDENTES ')'7
~ 1

entao A e B serao independentes se e s6 se P(A) = 0 ou P(B) = 0. (Isto

mostra que inclependencia e disjunc;ao sao conceitos distint.os). Ou seja, se
os eventos ..4 e B tern probabilidade nao nula de ocorrerem, P(A) # 0 e
P(B) # 0, e se forem independentes, entao sua intersec;ao nao pode ser
vazia, (veja equac;ao 1.10).
2) A condic;ao de indepenclencia, equac;ao (1.10), e equivalente 21 a que

P(A I B) P(A) ou a (1.11)

P(B I A) P(B)

3) Se os eventos A e B sao independentes, entao tambem sao independent.es

os even tos 22 :
a) Ace B
b) Ace Be
c) A e Be

Exemplo 23. Urn dado equilibrado e jogado 2 vezes. Sejam os eventos:

21
a) Demonstra<;:ao de que independencia implica P(A I B) = P(A) . Assuma que A
e B sao inclependentes, isto e, P(A n B) = P(A.) P(B). Assim, <la equac;-ao (L S) e da
independencia obtemos
P(AnB )
P(A. / B)
def
{ P(BJ .
P(A)
se P(B) i- 0
caso contrario

{
P(A)P(B)
incl. P(B) se P(B) i- 0
P(A)
P(A ) c. c.
,.....__
demonstra.ndo (1.11). (Abreviamos caso contrario por c.c.).
b) Agcira veremos que P(A I B) = P(A.) (equa<;:ao 1.11) irnplica independencia. Pela
regra da multiplicac;ao, P(A n B) = P(A / B) P(B) = P(A) P(B) onde, na t'1ltirna
igualdacle, se usou a equa<;ao (1.11), e entao conclui-se que A e B sao independent es .
22 A principal ideia na demonstra<;:ao dos resultaclos 3a), 3b) e 3c) , como de resto na

clen10nstrac;-ao dos resultados clas observac;-oes da pagina 15, e 'decornpor ' o espa<;o amostral
em subconjunt.os.
Demonstra<;ao de 3a). Assuma que A e B sao independent.es . Decompomos B em
d
event os clisjuntos, B = (B n A.) u (B n _.etc) e obtemos P(B) = P(B n A)+ P(B n Ac) .
l\fas P(B n A.) = P(B) · P(A) e entao

P(B n A c) P(B) - P(B) · P(A.) = P(B) · (1- P(A.))

T· .· .
\: ',,." P(B) · P(JF), ja que P(Ac) = 1- P(A)

Assim, P(B n Ac) = P(B) P(Ac) donde B e Ac sao independentes.

 28 CA.PiTULO 1. CONCEITOS FUNDA.lv1ENTA.IS

A ~ 'o 1Q dado mostra um nti.mero par'

B ~ 'o 2Q dado mostra um 5 ou um 6' I ,,---

Pergunta: A e B sao independent.es?

Solm;;ao . Claro que sao independentes, a ocorrencia de um deles nao afeta

de modo algum a ocorrencia do outro : um nao tern relac;ao com o outro!
Vamos, no entanto, verificar a partir <la definic;ao, que estes eventos ~ao
independent.es . 0 espac;o amostral D e o mesmo do exemplo 18. Os eventos
A, Be An B sao 23 :

(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)}

A= (4,1) (4,2) (4,3) (4,4) (4,5) (4, 6)
{ (6 , 6)
(6 , 1) (6 , 2) (6,3) (6,4) (6 , 5)

f (1, 5) (1,6) } ~

(2, 5) (2, 6)
(3, 5) (3, 6)
B=
(4, 5) (4, 6)
(5,5) (5, 6)
(6, 5) (6,6)

(2,5) (2,6)}
An B = (4, 5) (4, 6) ·
{ (6, 5) (6, 6)
>)
Assim,

12 1
P(A) = 18 =
36
~
2
P(B) - - - -
36 3
P(A) P(B) = ~
e como P(AnB) = 366 = f3 concluimos que , de fato, P(AnB) = P(A) ·P(B),
logo, OS event.OS Sao indepenclentes. ill I ~

Exemplo 24. Reconsidere o experimento e os eventos definidos no exemplo

anterior. Calcule a probabilidade <la ocorrencia simultanea dos eventos A. e
B.

Solrn;;ao. E solicitado 0 calculo de P(A n B) . Neste caso, pode-se proceder

. : · . ;como ja delineado no exemplo anterior, construindo-se An B, para obter
23 Veja nota de rodape (17).
 1.9. E\/'ENTOS INDEPENDENTES 29

P(A n B) = 1/6, diretamente ernpregando o princfpio de Laplace, como foi

feito.
e
No entanto, o que usualmente se faz o seguinte. Reconhece-se, intuitiva-
mente, que os eventos A e B sao independent.es. Entao, usa-se que P(A n B)
e igual a P(A) P(B), e calcula-se P(A) e P(B) e seu produto para obter
P(A. n B).
e
Isto ainda nao o fim da historia. Para calcular P(A) se faz uma recluc;:ao.
e e
Considera-se que apenas o 1Q dado jogaclo, pois A um evento primordial-
mente referido ao 1Q dado. Assim, consiclera-se o espac;:o arnostral reduzido,
nR1 = {1 ,2,3,4,5,6}, dos resultados possi'.veis do IQ dado, e 0 evento AR ,
AR -v-+ 'sair um # par' (no 1Q dado),
Desta forma AR= {2 , 4, 6}, e

3 1
-
6 ')

Analogamente, considera-se o espa<;;o amostral reduzido, QR 2 = {l , 2, 3, 4, 5, 6}

dos resultaclos possfveis do 2Q dado , e o evento BR,
BR -v-+ 'sair 5 ou 6' (no 2Q dado),
Assim , BR= {o, 6} e

2 1
P(B) .3
6
r
e finalmente,
. . . 1 1 1
P(A n B) P(A).· P(B) = P(A .fr,) P(B
. R
) = -
23. - = -
6

Isto tudo e
feito sem consiclerar explicitamente A ou B e sem usar a
notac;:ao AR e BR· Faz-se menta.lmente a iclentificac;:ao A -v--> AR e B -v-+ BR .

Exemplo 25. De um baralho completo retira-se uma carta, a.nota-se o naipe

e devolve-se a cart.a ao baralho. Retira-se uma seguncla carta. Qual a pro-
babilidade deter saido uma c:arta de ouros e outra de paus nest.a ordem?

Solµc_;ao . Podernos, considerando o espac;:o amostral que tern 52 x 52 ele-

~{ .· ,
mentos, obter,
,_, •.... ''-', ' :~
1.3 x 13 1
P(A. n B)
52 x 52 16

-
 30 CAPITULO 1. CONCEITOS FUNDAJ\JENTA.IS

Alternativamente , considere os seguintes eventos, 1g evento : A -v-+

'retirar uma carta do baralho e ser ouros'
2g evento: B . .,_.,. 'retirar uma carta do baralho e ser paus'
Evento de interesse: A n B -v-+ 'sair ouro e depois sair paus'
Analoga.mente ao que foi feito no exemplo anterior, como e intuitivamente
claro que A e B siio independent.es , podemos usar que:
. 13 13 1
P(A n B) = P(A) · P(B)
.
= ~ ·-
b2 52
= -16

Exemplo 26. Considere dois larn;amentos de um dado e os eventos: --

A "v"-7 'o primeiro dado e par'; c
-v-+ 'a soma e rnaior OU igual a 6' .

a) \/erifique que sao dependentes. b) Calcule a probabilidade de ocorrencia

simultanea de A e C. c) Voce sabe resolver a alinea anterior de duas formas
diferentes?

1.10 Teorema da Probabilidade Total

Lma noc;ao bastante importante e a de uma partic;ao do espac;o amostral.
Observe a figur a abaixo.

I .-...

·'· ~·· .._' . :;

Definii;;ao 27. Os eventos Ai, A 2 , . .. , Ak formam uma partir;iio do espac;o
n
amostral se:
 .------ - - - - - -- - - - - - - - - -----

1.10. PROBABILIDADE TOTAL 31

i) S2 = A1 u ib U . .. Ak;
ii) A/s sao subconjuntos disfuntos 2 a 2 ou eventos rrwtuamente e:rclv,-
. . , ,, n 4 , . , .
sivos, isto e, hi , , / J = <P, z =f- .J .
Observa<;oes. 1) Cada elemento da partic;ao, Ai, i = 1..., k, e chamado de
uma parte den.
2)Uma parti<;ao do espa~:o amostral define, de certa forma, uma cla.ssi-
ficac;ao dos elementos do espago amostral no sentido em que cada elemento
do espago amostral esta em uma e apenas uma clas partes de n. Utilizam-se
os adjetivos exaustiva. e exdudante relativamente a uma parti<,;ao querendo
significar, respectivarnente a condigiio (i) e (ii) cla definic;ao 2'7. Interpreta-se
que em uma partigao os elementos de cada parte tern alguma identidade em
comum entre si e diferente da dos elementos de outra pa.rte.
Na nota de rodape da p2-lgina 27 ja not.a.mos que as dernonstrag6es ali
trataclas dependiam de urna parti~:ao, do espac;o arnostral, em dois eventos.
Podemos usar a palavra estratificac;ao do espac;o amostral ao inves de
partic;ao , e cada elemento da partic;ao e um 'extrato ' do espac;o amostral.
Exemplo 28 . .Jogue um dado e considere os eventos
A1 'V'-7 'sair um primo' ---'t A1 = {2, 3, 5}
A 2 'V'-7 'sair um par' ---'t A 2 = {2 , 4, 6}
A.3 'V'-7 'sair 1' ---'t A.:3 = { 1}
Os eventos A1 , A 2 e A3 nao formam uma partil;ao de fl:
mas
(Os eventos A1 , A. 2 , ib sao exaustivos mas nao exdudant es, com ,respeito a
Q).
Exemplo 29. Dados os subconjuntos do espago arnostral n = {1, 2, 3, 4, 5, 6},
B 1 = {1 , 3, 5} ---'t n{1meros impares
B 2 = {2} ---'t primos pares
B:, = { 4, 6} ---'t esses clois m'.imeros ai!
Note que B 1 , B2 e B:3 formam uma parti9ao den.
Observac;ao. Dada uma partic;ao de D, Ai, A. 2 , ... , Ake Bum evento, entao
poclemos pensar em B como um espa90 amostral recluzido e, neste caso, os
conjurrtos
A1 n B , .l b n B, . .. 'Ak n B
" ,..: ' • • .\ ·. . .. ~

formam uma partigao de B chamacla de partir;ao incfozida (pela partic;ao de

D). Observe a figura abaixo .
 32 CAPITULO 1. CONCEITOS FUNDA1VIE1V TAIS

I ,...._

I -

I ~
Em particular, B pode ser escrito atraves de uma uniao de eventos mer-
amente exclusivos,

k
) _...,_
B = LJ(Ai n B)
i=l

e, assim, pela condic;:ao (v) da definic;ao de probabilidade (veja a pagina 13),

I ~

e, usando a regra da multiplica<;:ao obtemos,

P(B) = L P(B I Ai) . P(Ai)

i=l I -

Este resultado e o: ! -

i ~
Teorema 30 . Teorema da Probabilidade Total. Sejam A 1 , .. . , Ak uma
partic;ao do espa<;:o amostral n e B um evento qualquer de n. Entao
.y.. . : .,
(1.12)

I ,...._

\ -
. . .,:-:-=
: - =-=--·==============================================================-=-=-====-------

1.10. PROBABILIDADE TOTAL 33

Observai;;oes. 1) A equa\ao (1.12) da probabilidade de um evento B na

presem;a de uma extratifica<;ao de D e obtida 'fatiando-se ' o evento B nos
varios extratos Ai de D; B I A; .
2) Com a regra do produto de probabilidades, este resultado tambern e 11til
naqueles experimentos que poclem ser dividiclos em etapas :
Ai ~ evento clefinido somente para a 1° etapa.
B ~ evento definido em termos cla 2° etapa.
::'\este caso, no entanto, A 1 , ib, _.. , Ak clevern forrnar uma parti\ao.

Exemplo 31. Considere 2 caixas, cacla uma contendo parafusos grandes

e pequenos. Suponha que uma caixa contenha 60 parafusos grandes e 40
pequenos e que a outra caixa contenha 10 parafusos grandes e 20 pequenos.
Suponha que e escolhicla uma caixa ao acaso e de la e retira.do um parafuso.
Determine a probabiliclade de que este seja grancle.

Solui;;ao. Decompornos este experimento em duas etapas,

a . ( Evento A 1 ~ 'sai a caixa 1'

1- etapa. Escolher uma caixa < . . . . ..
l Evento A 2 ~ ·sai a ca1xa 2·

Note que os eventos A 1 e ib forrnam uma partigao do espa<;o amostral.

Como nenhurna das caixas e privilegiada na escolha, (a escolha e 'ao acaso'),

2f! etapa . Escolher um parafuso {Evento B ~ 'parafuso e grancle'

0 calculo da probabiliclacle clo evento B e realizaclo usando o teorema cla
probabilidade total,

P(B) = P(B I Ai) . P(A1) + P(B I A2) . P(lb)

P(B) = 60 . ~ + 10 . ~ = !_
100 2 30 2 15
Resposta. A probabiliclade de ser escolhido urn parafuso grandee 7/15 . ll!i

..-._
'
.
, Exen1plo 32. Considere urn lote de 100 ma<;as sendo que 10 sa.o poclres e
90 sao boas . Deste lote extraimos em dois dias seguidos uma ma<;a por dia.
,_: ' ' "
·'• I',.,: . . ' ~
Assui11ii1do que dois dias sao insuficientes para as mac;as boas passarem a
poclres, qual a probabilidade da mac;a do 2° dia estar poclre?
 34 CAPITULO 1. CONCEITOS FUNDAJ'vIENTA.IS

-
Solu<;ao. Decompomos este experimento em etapas:

1§. etapa. Pegar uma mac_;a. no 1Q dia. Partigao:

41 ~ 'maga.
- ·
e podre'
{ ib "-"'+ 'mac_;a e boa '

2a etapa. Pegar uma outra mac_;a, no 2Q dia. { B 'V'-7 'maga esta podre' .
Pelo teorema <la probabilidade total,

P(B) P(B I A1). P(A1) + P(B I A2) . P(ib)

g 10 10 90 1
P(B) 99 . 100 + 99 . 100 = 10
II

1.11 Teorema de Bayes

0 Teorema de Bayes e um resultado bastante import.ante e a forma de
aplica-lo a situaQ6es concretas - o uso do teorema para moclelar - leva a duas
formas de pensamento estatistico, a escolha classica e a Bayesiana.
Teorema 33. Teorema de Bayes. Seja A 1 , A 2 , .. . , Ak uma partic;ao do
espago amostral n. Seja B urn evento qualquer de n tal que P(B) > 0.
Entao:
P(Ai). P(B I Ai)
P (A.i I B) k
(1.13)
I: P(B I Aj). P(Aj)
j=l

Demonstra<_;ao. Da definic;ao de probabilidade condicional , quanclo P(B) >

0, e em seguida aplicando a regra do produto no numerador e o teorema da
probabilidade total no denominador obtemos:

P (A I B) = P (Ai n B) = P(B I Ai). P(A;)

- i P(B) k
I: P(B I Aj). P(Aj ) i ·-

j=l

Ill
, Observa<;oes. 1) 0 teorema de Bayes nao afirma nada no caso em que
· ~" . · '' P(B) = 0, mas neste caso, pela definic_;ao de probabilidade condicional, P(Ai I
B) = P(Ai)·
J ·-

I ~

J --

J ~
 30 CAPJTULO 1. CONCEJTOS FUN]JAMENTAJS

2'~ eta.pa. Pegar uma mit ra nws:i'i, no '.2Q c\ia. { B ~ 'mac;a est~\ podnc'.

Pelo teorema da probabilidade toU1l

/
I

P(B) P(B ! A1) · P(Ai) + P~B j ib) · P(A2)

9 HJ 1() 90 1
P(B) ~. - + ___..:. . -·- . == ---:
99 100 ' 99 100 10

1.11 Teorema de B·ayes

Teorema 32 . Teorema de B.f!yes. Seja A 1, A. 2 . .. .. Ah llllW p~irti()u dc1
espac;o amostral 0 Seja B lllll evento qualquer de 0 t:n.l qllc P (B) ::_, rJ.
Enti'i.o :
p (A.;) . p ( B I A;) (1.1 •±)
P(A; I B) k
L P(B I il.J) . P(A1)
f=l

Demonstrac;ao. Da defini<Jio cJe probabilidacle condiciormda. qun.ndo P(B) >

0, e em segnida aplicando o tcon:· nw. cL1 pro.balJiliclade t.utnl HO clcctw111inaclc1r
obternos: i
P(B \A;)· P(A;)
,,......_ ' P( '1 I'B) ~ P(A,~JJ) =
r, · P (B) ·k
L P(B I Aj) 'P (AJ)
j=l '
.-...•. :.
II

Observac;oes. 1) 0 teorerrn1 de· Bayes uao afirnrn nacla 110 casu C'rn qtH'
P(B) = U. mas ucste u1so. pch1 dcfitiic_;0,o de pruliabilicL-1.f.k vullcli( iond;,
(p6gina20), segue que. P(A; I B) = P(A;) = 0. ! ··· -

2) Note: que: pel() teorenw dc1 proh <1bil icL.1dr tutctL o qurn ientr: un r:q It• 1(Jj;, : l I -l)
1

e igual a P(B). /
3) Como o teorema cla probabilidacle total, u tebrema de Bayes f! pnrt..jc11-
larmente 1'ttil quanclo ha um experiuicnto em clna.s et.a.pas. Sejam Ai. } =
1. 2, ... k eventos clefiniclos em tenrios cla primeira etapi1., e forrrnmclo mi ia
parti~8o clo espac_;o arnostral. Seja B um r;vcnto clefinido em termos cli1. st·-
guw:la f'tc-tpa. Ent)w u t.c·orenw de Bnyes fot nPU''. 1.mrn fom1a de u1knl;t1
P(A; ! B)
P(A; I 13) = 'prolic-il>ilidack de i.1111 l'Vent.u cleliuidu em tenuus del F 1·tctp<1
claclo CJUC·~ VOCe conhec:e 0 . OCUlTCll Ila seguucla t'(,~q)a'.

~:
,... ·' . ' ~ ', '

....
_:;

........
 -·
;:_<•:"·::··.' -_.·...:·.··

1.11 TEOREi\1A DE BAYES 31

4) P(A;) e charnacla probabilicl0de a priori de A; (ou seja, probabilidadc

a11tes do conhecimento do que ocorreri depois - no caso, B).
5) f(A.; I BJ e cham;:i.da de probabiliclacle a posteriori (O Useja probabiliclacle_
. de um evento sabendo-se 0 que ocorren depois - 110 CE\.SO, B ).
6) Usando esta terminologia, n,ota-se que o teorema de Bayes fornece o valor
de um::i. probabiliclade a posteriori em hrnc,:8.o'das probabilidacles a priori .
.. ...:..·......
. - •: -
,,,_..:.;.~_- ,~_
Exemplo 33 . T':rfa1 rnaqnin as cliferentes Alt. Ah e t\f: 1 s8.o utilizadas parn
prnduzir pCi,rd.fu::>os do mesrno tipo. Suponha. que Mt prncluz 20% do tot.al
de parafusos, M2 procluz 30% do mesmu total e M3 prodnz 50r1~ , Suponlw.
ainda que 1% dos parafusos produzidos . por ·Ah. 2% cl0~ parafusos cle Ai2 e
33 dos parafosos de Af3 s§,o defeituosos . Assuma que um parafuso e esco-
lhiclo ao acaso de toda a proclrn;:ao e v~rifi c a-se que ele e clefeituoso. Qua] a
probabiliclacle de ter siclo procluz iclo pela maquina M 2?

Solw:;ao. Consiclere os eventos:

l\11 •...-, ' parn.fuso e produziclo pela l" nt~quirrn'
Ah ~ 'parafuso e procluziclo pehl 2'·' rrn\quin a'
J.f3 -v-,'parnJuso e procluzido pela 3~ lTtciquina'
0 enunciaclo especifica. que ;

Se.ia D o evento: 'o parafuso e defeituoso'. 0 exercicio p ede que se calcule

P(Ll·h I D ) ·-- sei que saiu clefeituoso. e n.gota {: ver a probabilitlacl e de ter ( -
vinclo cla m c1qui11a 1\.h. P elo teorermi. de Baves temos ,

P( i\{ ; I D) = .. . .· . . . . . P(D I Jh) . P(i\·12) ·.

- , P(D I Mi) · P(ivlt) + P(D I Ah) · P(i\12) + P(D / M3) · P( 1\fi)

e como, pelb enunciaclo, sabemos que

II P (D I lH1) = 0, 01 II P (D I Ah) = 0, 02 II P (D I M;i) = 0, 03 '.11

olit r:'rnos, snhstitnindo estes valores,

U.002·0.3 6
= 26 %
P(/vh ID)= 0, 001. 0, 2 + 0. 002 . o.:3 +·0.003 . 0. :) 2 + G + 15
Iii
 32 CAPfTULO 1. CONCEJTOS FUNDAMENTA.JS
/.

Exemplo 34 . Parn selt:cionar ;-;eus fnncionarios, uma empresa oferece <WS

ca.nclidatos um c:urso de treini'.IJnento durante 1 sema.na. Ao final, eles sii.o
submetidos a urna prova e 25% s,:i.o clas;:diuKlos corno bons (B), 50% como
m~clius (M) e os ou troc; 25% como frac:o::< (F) . Como rneclida de ec:unorni11 .
o D eparta.mento de Seler;i'i.o pretencle Sllbstituir o trcinu.ri1eut<i por urn teslc
contendo pergunta.s envolvendo conhecimentos gerais e especificos. nws. para
isso, gosta.ria. de conhecer a probabiliclacle de que urn individuo •:1provnclo no
".:·
teste fosse considerado fraco, c:aso fizesse o c1irso. AsC>ini, nest<' ctno, nute:o do
.:•'f '··
,..--....,,;;· · ·· ···i inicio do curso, os cancliclatos for am submeticlos a.o teste e, cle acordo corn
·~ ·~:~
......-.:-.~ . .
.: .. ~ .. os rcsultaclos, recebPrnm os :oeguint,es conceitos : Aprova.clo (A) ou H.epto-
~>-,,'.· - vaclo (R). Ao final do curso, as E>cgui11tes prob::ibilidaclcs conclicionais fonnn
. ~·~

obtidaC>~n:
P(A i B) = 0, 80 I
P (A ! 1\!J) = 0, 50 \

~-'---- ··~-·-··
P(A I F ) = 0, 20 J
.,·-···.

Solm;ao . Sabemos que:

II P(B) = 0, 2~(M) = 0, 50 II P(F) = 9Ji:] i .

Dt:tennina-se entao P ( F' i A):

,~_f:( A I F) · P(cJ_.--·------------
P(F i A)_= P(A I B) · P(13 ) + P(A t Mi· P(JJ) + P:( A ! f) · f'CF_:
' 0 20 . (), 25 ' ' . .
Pr f I _4 ) = . .· . ·.
- ·~-.-. ' = 0. llJ "'" l ry;{
\I. 0.80 · 0,25+0.'.i0 ·0 ,50+U . 20·TJ.2S ..
R.csposta. Ap1m::t:> lOo/r dos apnlvaclos eque .seriarn classificuc.lCJS COJ,ll'() frm o.~
clunrnte o cmso. ii!I

I· ·
0 bserva<;;ao. Corn()

P UJ ! ,.:.\.) "''" U -J.O

f-!(J l ! A) = 0 . .riCJ

sonM111 90<.Yc, estaC> probabilidacle::- podern ajuclar na deciC>i.io de ::;ub::>lituir

o treiHarnen,t.o pelos testes, urn n vez que os test.es sf•o mais baratos clr:' se
ren.l.izar, c selcciomun qiwse qne igunlme11tc, us candiclntos .
...-... .
2 l()\;sc'rve quf: a st)Jm\ n;i.,J 'cl:i. I. N°l'lt: t•'rn que cla 1· ! urna \•t'Z q11t' .~ 1s 1miver·sos si1.c1
distintus . Dmict l=llHJ',{ St' k>c-,:-'(' p111 i·•'(('!ttplu: r'\A i /3) + P!.11 j {rt. lllrt~1 Vl .'/ c;t tc' •),.;
 --;.;. . ."__:-···__·.·,. 1
i

j
...; :

1.12. TA.IVIA.NHO E l'vIODEl;iOS PE LA.PLACE 33

Exemplo 35. Urna corricla e disp\1tacla por 3 equipes . H1zem parte cla eqt1ipe
l urn Palio, 2 Vectrn.s e um Audi . A equipe 2 tern clois p.:1.lios , l\Ill Vect.ra
e ur;1 Audi. A equipt~ 3 tern nm Palio. l.lltl Vectr~1. e clois Auclis. Assuminc\o
1

que a chanc'.e de vitoria. de cada equipe e de cacla c;;i,rro em cacla equipe sao
iguais e consicleranclo-se que sen:~ vencedorn a. -equipe cu:jo carro ocqpa o l"'
..
~~~r~<,-,._
lugar, qual a probabiliclacle de ter sido vencedot·a a equipe 2, sabenclo-se que
' f.~ ..- o 1Q lugar foi obticlo por urn Vectra? . .
...:.:. ~ . ~ ;.· .

Soluc,;ao. Consicleramos os seguintes eventos :

A; .-,....; 'a i- es ima equipe e venceclora':
B "'""" 'Vectra oc upa a 1 posi~a.o';
4

A. 2 \ B .,,... 'a. equipe 2 e venceclorn dado q11e urn Vect.ra ucupou a F

posi~:ao'. Como,

--....··'
/·
1
P(B I At)
2 (Vectras) .
4 (carros) '
P(B \ l h ) = ~ :. P (B l lb). =o 4
.
!
'

poclemos c~Llc:ular, usando o teorema de Bayes,

P ( A2 \ B) = P(B I Ai) . P (A1) + P(B I A2) . P(lb) + P (B I J::b) . P (A.1)

...--....•. ... ·'
P(A2 I B ) . . 1/ 4. 1/3 . = 0 ?5
2/4 . 1/3 + 1/ 4 . 1/ 3 + 1/4 . 1/3 )-

1.12 Tamanho e Modelos de Lapl~ce

0 fr1oclelo cle Laplace de atribui<;:ao de probabilicla.cles, isto e, o modelo
de probabiliclacle de Laplace clefiniclo em espaGOS amostrnis com um ll1'.1mero
finito de elementos, e bastante irnportante
Situac;:oes sernelhantes 8. escolha de urn ponto , cle fonna alcat<irfa. en1
um conjunto finito. tm1 qne ut.da po11t1i c~ eqnivalent.e ao outro, sii.o i.\ t-'sculha
aleat1Sria de pontos em conjuntos inhnitos, sern prefen~nc ic1 pur m~nhum ddes.
c:o~no por exernµlo:
.;. :
:~
 34 CAPITULO 1. CONCEITOS FUNDAi\iIEN'l. .,AIS

• em urna esfe:ra (urn dado com infinitos !ados) --- joga-se unH es fern ;1~i
alto, e o ponto que fica 'cobclo com o ch8.o' (ou 0lternativnme11te o qtw
e
fica 'para cima') 0 ponto selecionado:
I
• em uma circunferencia (roda da for t una) ~ roda-se \lma circ:unferenc:ie:t
e, digamos, 0 ponto que ficar nq 'polo norte' e 0 escolhido;

• em um disco, escolher, sem preferencia, um pon~o qnalquer. Neste caso

e ma.is dificil irnaginar um experimento real para prnc:ecler ~\. escolh;1 clo
ponto.

No exernplo da circunforencia cle raio 1, cligamos que queiramos saber

qual a probabilidade de um evento A form ado peios pontos com angulo entre
0 e 11 /3, por exemplo. Semelhante cto moclelo de Laplace no caso de espa(;os
amostrais finitos, podecse definir: .

'tamanho de A'
P(A)
'tamanho da c1rc:ui1forenci ~. '

Neste caso, a no<;ao de tarnanho 1180 pode ma.is ser o nl'.tmero de ponr<ps.
: uma vez que teriamos ·urn nl'.unero infinito tanto 11\l nunwrador corno nci
denominaclor. Uma forma e atribi1ir 3. no(;a.o de tamanho o cornprimertt.o.
Assim,

1
P(A)
6
e
A icleia basica usar-se uma uoc;ao de tama.nho (ou medida) que se poc;s,1
aplicar a subconjutos .

• .., Y· , :~
 Capitulo 2

Variaveis Aleatorias

Este capitulo aborda um conceito bast.ante conveniente para tratar de

experimentos aleat6rios, a variavel aleat6ria. Informalmente, uma vari<:ivel
aleat6ria e um nurnero associado ao result.ado de um experimento. A relagao
entre eventos e variaveis aleat6rias desempenha um papel import.ante e comegara.
a ser utilizado neste capitulo.

2.1 Defini~oes e Exemplos

Inicialmente consideremos um exemplo que indicara como as nogoes de
variaveis aleat6rias e de evento se relacionam .
Exemplo 51. Considere a 'experiencia.' consistindo em jogar uma moeda
equilibrada 2 vezes. Se usarmos C para designar a ocorrencia de cara, e
K para clesignar a ocorrencia de coroa, entao o universo de resultados, o
espago amostral da experiencia aleat6ria, pode ser represent.ado por r2 =
{CC, CK, KC, K K}, onde, por exemplo, o elemento KC do espac;o amostral
denota a ocorrencia de urna coroa no 19 larn;:amento seguida de uma cara no
29 larn:;amento. Temos a seguinte probabilidade (indicada apenas nos eventos
elem entares)
Even to I {CC} {CK} {KC} I { }( K}
Pro babilidade 1/4 1/4 1 1/4
No intuito de construir uma variavel aleat6ria, podemos, por exemplo,
asso<±iar a\o resultado do experimento, o numero de caras,
elemento de n ""7 numero de caras

45

, ..-,
\
r

Assim, ao elemento CC do espac;o amostral associamos o n{unero 2 (= 2

caras); ao CK e KC associamos o 1 e ao }( K associamos o 0. Os resultados
possiveis da variavel aleat6ria sao 2, 1 e 0.
Denotando a variavel aleat6ria aqui estudada por X, po demos explicitar a
variavel aleat6ria, como na tabela abaixo , atraves do seu valor nos elementos
I~

den.
I ~

Elementos den I Valores de x

f<K I X(KK) = 0
C'K X(CI<) = 1
KC X(KC) = 1
CC X(CC) = 2

lnversamente, dados os valores <la variavel aleat6ria, podemos explicitar

os eventos respectivos,

Valor de X Evento Correspondente

0 {KK}
1 {CK,KC}
2 {CC}

P odemos agora considerar (construir) um novo espac;.o amostral ( numerico)

\;r = {O, 1, 2}, proveniente dos valores da variavel aleat6ria, definindo as
I
probabilidades de ocorrencia dos valores da variavel aleat6ria, a partir das ~

probabilidades dos eventos de D relacionados , na tabela acima,

* P({O})=P({KK})=l
d
0 P({l})=P({CK, KC})=P({CK}u{KC})
1 1 1
= P({CK}) + P({KC}) =
4+ 4 = 2
* P({2}) = P({CC}) = ~4
e que pode ser resumido em forma de tabela,
Evento {O} {1} {2}
I r--.
Pro babilidade 1/4 1/2 1/4

i
46 "'
i r--.

I
'
I ~

--.,

~
 -- --- ----- - -~-- - --·------- ----------- -- -~ · ~---

Figura 2.1: Variavel aleat6ria. As pei;as a e d sao defeituosas , e as pec;as be

c sao boas . Denotamos por I a variavel aleat6ria (que indica a qualidade).

E usual usar a notac;ao [X = OJ para. denotar o evento de D para o qual a

variavel aleat6ria assume o valor 0, isto e, fazendo uma consulta a qualquer
urna clas duas tabelas acima, ·vemos que [X = O] = {K K}. Analogamente,
[X = 1] = {CK,KC} e [X = 2] = {CC}.
Exernplo 52. Ao clescrever uma pec;a manufaturada poclemos empregar
as categorias 'clefeituosa' e 'nao-clefeituosa'. Estas categorias podem ser
tomadas como os possfveis resultados de um experirnento, que consiste em
analisar pec;as manufaturadas por detenninado processo de produc;ao. Uma
variavel aleat6ria natural, nestas cirClmstancias, consiste na seguinte atribui-
c;ao,
0 +-- defeituosa
1 +-- nao-defeituosa
que pocle ser representada pela figura 2.1 abaixo

; · Definic;a_o 53. Sejam E um experimento e D um espac;o a.mostral associaclo.

.. ' . .
U ni~~-fungao
~: ''

X:D-+IR

47
 que associa a cada elemento w de Q um rnimero real X (w) e denominada
uma variavel aleat 6ria.

O bserva c;;oes. 1) Notac;;ao . Usam-se letras maiusculas para denotar variaveis

aleat6rias. Como por exemplo , X, Y , Z etc e letras minusculas para seus
valores: :r:, y , z etc.
2) Por ser uma fungao, uma variavel aleat6ria atribui a cada ponto do espago
amostral um unico numero real;
3) Uma variavel aleat6ria nao precisa ser injetora.1

E xemplo 54. Escolha um ponto ao acaso numa circunferencia de raio 1 e

defina a variavel aleat6ria

1{ = 'angulo com a horizontal'

211
Observe a figura abaixo
Os valores possiveis da variavel aleat6ria estao no intervalo unitario [O , l[.
Note que a probabilidacle de sair um pont o qualquer e nula 2 . !ll!

Exemp lo 55 . Considere o experimento de escolher ao acaso um ponto num

disco de raio 1. Uma situagao concreta espelhada por esse experimento e o
larn,;amento de um dardo a um alvo (assumindo que sempre se acerta no alvo,
isto e, 0 dardo nao cai na parede, por exemplo).
Os eventos, neste caso , sao os subconjuntos do disco; em particular
subconjuntos com apenas um ponto, como , por exemplo , { (0 , O)}, { (1, O)},
{ (1/2, - 1/2)}, etc . Um outro evento e a 'mosca', o disco de raio 1/10 e ) -
centro na origem.
Algumas variaveis associadas sao:

X -1- 'a abscissa do ponto selecionado', X(:r , y) = x;

R -1- 'o raio do ponto selecionado', R(:-r, y) = 2
+ y2J:y,
1
P or exemplo, em duas moedas larn-;adas, t em-se para X, o numero de caras , que
X(CK) = X(KC) = 1 Assim, em dois pontos diferentes do dominio , CK e KC E fl, a
func;a.o X assume o mesmo valor 1; isto mostra que X nao e injetora.
2
Ha infinitos pontos (na.o ha porque haver 'privilegios'). A probabilidade de sair qual-
: ~ quer um dos diferentes pontos e igual e o sorteio dos diferentes pontos constituem event os
disjuntos . Dai e s6 lembrar que a probabilidade de eventos disjuntos e a soma das proba-
bilidades e que o resultado deve <:;star entre 0 e 1.

I ~.

48

I ~
 1t/2
TC/2
~\
'"I~ tI \T o
\ //
~------/
3TC/2

Figura 2.2: Roda da fortuna. A roda gira e 0 ponto selecionado e 7r I 4.

Seja D o disco,
D = {(x, y) E JR 2 tal que x2 + y 2 s; l}. De fato as variaveis aleat6rias
acima consideradas estao definidas em D. Podemos considerar e·ventos definidos
a partir das vari<iveis alea.t6rias R e X. Por exemplo seja A o evento ... 0
evento

A {(:r, y) ED tal que 1/3 s; R(x, y) s; 2/3}

{(~r, y) ED tal que 1/3 s; Jx2 + y2 s; 2/3},
eB e descrito pela variavel aleat6ria X como:
B = {(x,y) ED tal que X (x,y) 2': O}.
Observe a figura 2.3. Tarnbem representaclo na figura refericla, temos o
even to JVI='rnoscas' ,
Ai= {(X, Y) ED tal que R (X, Y) s; 0, 1}. ~
~
.
.
Exemplo 56. No tampo de uma mesa, considere o experimento de anotar
os ppntm~ com defeito. Uma variavel aleat6ria e a coordenada :r; = _,y (x, y)
do ·p6'ut~'. Neste caso, uma outra variavel de interesse seria a cordenacla
y = Y(::r, y) do ponto com defeito

49
 Figura 2.3: Disco. Os eventos A e B estao representados pela regiao hachu-
rada. A 'mosca' e representada pelo disco central.

2.2 Tipos de Variaveis Aleatorias

Seja X uma variavel aleatoria. Denote por Rx c IR a imagem de X, isto
e, o conjunto dos valores que a variavel aleatoria X assume. Estes valores I ,......._

sao bastante import.antes; na maioria das vezes acaba por esquecer o espa<;o
amostral inicial onde a variavel aleatoria est.a. definida em detrimento da
imagem Rx de X. No exqnplo 50 , Rx = 1" = {O, 1, 2}, no exemplo 51,
R 1 = {O, 1}, no exemplo .52 , RH = {O, 1} e no exemplo 54, Rx = [O, l] e
RR= [O, l] .
Essencialmente, para as aplica<;oes que estamos interessados em conside-
rar, ha dois tipos de variaveis aleat6rias: as discretas e as continuas 3 . Parte

.; ~~As noc;oes de variaveis aleat6rias discretas e continuas sao exdudentes mas nao ex-
't'
austivas, isto e, uma variavel aleq,t6ria nao pode ser simultanearnente discreta e continua
(nao exdudente) mas nem toda ~ variavel aleatoria e discreta ou continua (noc;oes nao

50

I ~.
 - ·- ·- - - -- - ·-·· ---- - -- -- ------- -- --- · ---

da distirn;ao entre esses dais tipos de vanaveis aleat6rias, e relacionada a.

imagem da variavel aleat6ria, isto e, ao conj unto Rx.

Defini~ao 57. "Cma variavel aleat6ria e discreta se o mimero de valores

possiveis de X for finito, (i.e., Rx = { :r 1 , . .. , :-z:k}) ou infinito enumeravel4
(i.e., Rx = { x 1 , x 2 , . . . , xk, . .. } ) , ou melhor, xR-x for um conjunto discreto .

Exemplo 58. As seguintes varia:veis aleat6rias sao discretas:

a ) X ~ 'n{tmero de caras' em 2 dois lanc;amentos (jogadas) de uma moeda.
Esta e uma varia.vel aleat6ria discre ta com Rx = {O , 1, 2}.
b) Considere o experimento que consiste na contagem do n{nnero de ch amadas
telefonicas que chegam a uma residencia em um clia. Denote por

X ~ 'o mimero de chamadas '

Assim, Rx = {O, 1, 2, 3, 4, . . . } = Nu {O} e X e

uma variavel aleat6ria
discreta.
c) A variavel aleat6ria no exemplo 51 e
discreta, e as variaveis aleat6rias
clefinidas no exemplo 52 e 54 nao sao discretas. m

Exemplo 59. 0 experimento que consiste em sort.ear o angulo em uma

girada da 'roda da fortuna ' nao e modelado por 'Urna variavel aleat6n:a
discreta, uma vez que Rx = [O, l[ nao e um conjunto discreto. illl

As variaveis aleat6rias continuas serao apresentadas em se<;ao adiante,

uma vez que sua caracteriza<.;ao nao e tao simples quanta a; das variaveis
aleat6rias discretas.

2.3 Variaveis Aleatorias e Probabilidade

No capitulo anterior, a n o\ao de probabilidade desempenhou um papel
importante e vamos aqui relacionar as no<joes de variavel aleat6ria e de pro-
babilidade. De fato 1 a rela<.;ao que existe , e que j a foi exemplificada no e-
xemplo .51 , e entre os eventos que sao definiclos em um espa<.;o amostral e os
eventos que po dem ser clefinidos a partir de variaveis aleat6rias .
---. ·"'.
Dado um valor possivel de um experimento, :t:i E Rx, definimos o evento
-r·
J. ~~ .. ; ~ •'

exaustivas, ha varia veis aleat6rias de outro ti po).

4 De fat.o , R x niio podera ter nenhum pqnto de acumulai;:a.o

51
 [X = ::ci] = {w En tal que X(w) =Xi· (2. 1)

Este conjunto, [X = x,J, e cliversamente chamaclo de conjunto de nivel Xi cla

funcao X, OU de imagem inversa de X, e neste caso e denotaclo por x- 1 (xi) -
Como X e uma func;ao , podemos usar uma linguagem de furn;ao para
expressar o conjunto [X = xi] ; este e o subconjunto forrnado pelos elementos
do espac;o amostral, w En, que vao, por X, em :'Ci, isto e, tais que X(w) =Xi·
Observe que do lado esquerdo da equac;ao (2 .1) temos uma notac;ao para o
evento e do lado direito temos a definic;ao do evento a partir de uma variavel
aleatoria. Para exemplificar, retome o exernplo (51). Ha la uma tabela, a
terceira, onde na segunda coluna se tern os eventos [X = OL [X = 1] e
[X = 2], como comentado ao final do exemplo.
Assim, os eventos passam a ser de.finidos a partir da variavel aleat6ria e
analogamente, o calculo de probabilidacles passa a ser refraseado em termos
dos valores que uma variavel aleatoria assume . Poclemos, por exemplo, cal-
cular P([X =Xi]), que usualµiente e clenotaclo simplesmente por P(X = ::ci)·

Exem.plo 60. (Continuac;ao do exemplo 51). No lanc;amento de duas rnoedas, I

0 espac;o amostral e
~

n= {CC,CI(KC,KK}
Se X denota o mimero de caras, entao,

[X =OJ= {KK} "-"+ P(X = 0) = P([X =OJ)= P({KK}) = t

[X = 1] ={CK, KC}"-"+ P(X = 1) = P([X = 1]) = P({CK, KC}) = ~=~
[X = 2] ={CC}"-"+ P (X = 2) = P ([X = 2]) = P({CC}) = t I ~

Observa<_;ao. Se a i= b, [X =a] e disjunto de [X = b] (a int ers ec;~fo e vazia)

isto porque Xe urna furn;ao. Assim, se Rx = {x 1 , x 2 , ... }, entao os eventos

;
{ .

.· , sao disjuntos e D = Ui[_X = Ti]

· '' Formando entao uma partic;ao do espac;o amostral D; a variavel aleat6ria
X 'promove' uma 'estratificac;ao' do espac;o amostral.

52

i -
, . . ., ;::::==================================================================================

2.4 Func;ao de Probabilidade

Definii:;ao 61. A funr;ao de probabilidade (ou probabilidade) associada a uma
variavel aleat6ria discreta X, e a fuilt;ao f que atribui a cacla valor da variavel
aleat6ria, xi E Rx a probabiliclade do evento [X = xi],

j .f(:r;i) = P([X =xi])= P(X =xi), Vi I

Observa<;ao. A furn;;ao de probabil!dade .f satisfaz :

i) flri) 2:: 0, uma vez que f (xi) = P([X = xi]) e sen do o valor da
probabiliclade de um evento e sempre nao negativa.
ii) 2=:ri f (:r.i) = 1. Isto vem da observac;ao anterior. Como [X =
x 1 ], [X = ::r 2 ), [X = x 3 ]; . . . , forrnarn urna partic;ao do espa<;o amostral D,
entao :

1 P(D) = P(U~JX = :r.t]) = L P([X = 2:i]) = L .f(xi)

Xi.

De fato, a func;ao de probabilidade f e uma probabilidade 5 no espa<;o

arnostral Rx= {:c1,X2, ... }.

Exemplo 62. Sejam ;3 bolas em uma urna: uma preta (P), outra amarela
(A) e aincla uma verde CV) . Consiclere o experimento 'retirar 2 bolas com
reposi<;ao' . A tabela abaixo retrata as possibiliclacles.

p \ 2a I[ p I A [ \/
p pp PA PF
A AP AA AF
\i' \f P \/A I \l \.·r

~este caso, o espac;o amostral e

D ={PP, PA, PV, AA, AP, A\/ , 1/ P, \/A, 1/\l}

Seja X o nurnero de bolas pretas. Entao, Rx = {O, 1, 2}. Assume-se que

cada elemento do espa<;o amost ral tern a mesma chance de ocorrer -- eventos
.' ,\'. • ' ,\.

exemplo, a condigi:io (iii) da definigao 12 e assim verificada para o espago arnostral

5 Por

Rx: P(Rx) = P({:i; 1,x2,. .. }) = l,c;P({x;}) = IxJ(x;) = 1

53
equiprovaveis. Assim,
) ~
4
f(O) = P(X = 0) = P({AA,A1l, VA, \/V}) = g
f(l) = P(X = 1) = P({PA,P\l,AP, \lP}) = i
f(2) = P(X = 2) = P({PP}) = ~
E facil verificar que f satisfaz as propriedades apresentadas na ultima ob-
servac;ao:
f(O) 2 O; f (1) 2 O; f (2) 2 0
e
f(O) + f(l) + f (2) = 1

Observa<_;oes. Ha diferentes formas de representar a func;ao de probabili-

dade:
1) Atraves de uma expressao analitica
4/9, se :T = 0, 1
J(x) = 1/9, se :r; = 2
{
0, c.c. (caso contrario)

2) com o auxilio de uma tabela,

Valores de X = .T o 1 1 I 2
Val ores de f (;r) J(o) I 1(1) 1(2)
3) ou uma r-epresentar;Cio gra.fica, veja figura 2.4.
i ~

2.5 Fun<_;ao de Distribuic;ao A cumula da

Defini~ao 63 . Seja X uma variavel aleat6ria discreta. A .funr;ao de dis-
tribuir;ao acum·ulada de X , ou sin1plesmente funr;ao de distribuir;ao ou ainda
distribuir;ao acumulada, representada por Fx, ou por F , definida para val- e
ores x E IR por:

F(x) = Fx(x) = P(X:::; :r) = ~ f(x i)

54

I ~
 . . . . ;:..:===:=:===============================-=-=--==-=-=-=-=-=-=·============================·=-=--·=-=
---=
--=-=-==-·.
,.......

,-.... -=-

,.....,.

,,.._ f(x)

)
'"""' I
I
..-...
4/9
,.......,
119 x

2
.........

Figura 2.4: Representa<;ao grafica de uma furn;ao de probabilidade.

Exemplo 64. Apresentamos a seguir o calculo da fun~a,o de distribuic;ao da

variavel aleat6ria do exemplo 61 , e que e representada graficamente na figura
2.5. A variavel aleatoria assume tres valores, 0, 1 e 2, os quais sao valores de
'transi~ao' na defini~ao da furn;ao de distribuic;ao acumulada. Esses valores
clelimitam 4 regioes na reta, ]- :xi, O[, [O, 1[, [1, 2[ e [2, +cx:i[. Vejamos o calculo
de F em alguns pontos.
Ill F( - 2) = P(X ::;; -2) = 0 (pois ,ll x E Rx tal que x ::;; -2)
e F( -1 ,5) = P(X::;; -1,5) = 0

e F(O) = P(X ::;; 0) = P(X < 0) + P(X = 0) = i

11 II g
0 4/9
')' . 4
e F(2/3) = P ( X::;; ~) = P(X < O) + P(X = O)+P(O < X::;; 2/3) = -
•.) II 11 II 9
. .. 0 4/9 0

'7·
J.' ...: .. ' '·' •• ..t'. :F(l~ = P(X ::;; 1) = f (0) + f (l) = ~
• F(2) = P(X ::;; 2) = f (0) + f (1) + f (2) = 1
,,.--.
55
.-..

""
,....._

......_
 -
,.-.,

-
f(x)

i
8/9

4/9

Figura 2.5: Func;ao distribuic;ao acumulada.

e F(3) = P(X:::; 3) = f (0) + J(l) + j(2) = 1

E claro entao que
0 se < 0, x I '"""

F(x) = 4/9 se o:::; x< l, J __..._

{ 8/9 se 1 :::; ;r: < 2'

1 se ::r > 2.

:'.\ ote o papel de 'transi~ao', na formulagao analitica da furn;ao distribuic;ao 1 -

acumulada, dos valores que X assume.

Observac;ao. A fum;ao de distribuigao (acumulada) satisfaz as seguintes ~
propriedades:
i) 0:::; F(:r) :::; 1 (pois F(x) ea probabilidade do evento [X :::; x].)
ii) (Nao-clecrescente) Se :r:::; y entao F(:t:) :::; F(y).

,[ ,,,·:·; . ,, .. . :~ Dernonstrac,;ao. Dado x E JR considere o evento [X :::; 1:] e denote

P(X:::; x) = P([X:::; :r]) = P(] - oo, x])
J -
56
 Se :r S y entao [X x] c [X s
y] e s pelo item 3) da observa<_;ao da pagina
15, obtemos que F(x) = P(X ::c) s s P(X s y) = F(y) , ou seja, a furn:;ao
distribuic;ao acumulada e uma fun<_;ao nao-decrescente.
iii) (Comportamento assint6tico) lim F(x) = 0, e lim F(x) =1.
:t---+-= x---++oo
iv) (Furn;ao distribuigao e continua a direita). Seja Ti um ponto de des-
continuidade de F (isto e, Xi e um dos ·valores da variavel aleat6ria discreta
X), ent a.o:
limF(x) = F(xi)
~t+:Ti

As notac;6es :t t :ci, x --+ x{ e x '\, ;ci significam que o limite e tornado

pela direita de Xi ( ou seja, por valores superiores a :ri), e assim todas as
igualdades abaixo, mesmo a ultima, significam limite pela direita de uma
fun<_;ao qualquer F,
lim F(x) = lim F(i:) = lim F(x) = F(:rt)
x---+xt x.~x; :r:\,x;

v) 0 salto que F da em Ti e igual a probabilidade de [X = :1:1], P(X =

;?;i) = f (Ti) - 0 salto e clefinido por:

F(:1:i) - lim_ F(x) = f(i:i)

3.'---+X-
'

onde, analogamente , x --7 x;; significa qu e 0 limite e tornado pela esquerda

de J;i, isto e, por valores inferiores a Xi· Temos entao que:
lim F(:--c) - lim F(x) F(:i-i) - lim F(:r:) = f (xi)
:E---+xt x-t:ci x 4xj

No exernplo acima temos:

f (2) F(2) - F(r) = 1 - 8/9 = 1/9

f (1) F(l) - F(l - ) = 8/9 - 4/9 = 4/9
f (O) F(O) - F(o-) = 4/9 - 0 = 4/ 9

2.6 Variaveis Aleatorias Continuas

. ,-r1 .,. A de~nigao de uma varia.vel aleat6ria continua e um pouco menos natu-
ral , - ~'.~· qt{isermos ser matematicamente corretos, do que a de uma variavel
1' 1.: ' • • ,\ •.

aleat6ria discreta.

57
 As noc;oes de variaveis aleatorias discreta e continua nao sao dicot6micas,
isto e, apesar de uma variavel aleat6ria discreta nao ser continua, e vice-
versa, elas nao 'esgotam' as possibilidades; ha variaveis aleat6rias que nao
sao nem discretas nem continuas.
As variaveis aleatorias continuas surgem muitas vezes quando considera-
mos a medi<;ao de grandezas fisicas como, por exernplo, o cornprimento de
uma barra de ferro, ou a sua rnassa, ou o tempo de evapora<;;ao de uma certa
quantidade de agua. Uma propriedade de uma variavel aleat6ria continua e
que havera um intervalo (finito ou infinito, i.e., [a, b[; ] - oo, a[; [b, +cc[
etc.) no qual a variavel aleat6ria assume qua.lquer um dos valores do intervalo.
Considerernos um exemplo.
Exemplo 65. Roda da Fortuna. Neste exemplo podernos dizer que:
0 Do ponto de vista probabilistico, todos OS pontos sao indistinguiveis.
® Em particular; to dos OS pontos sao igualmente provaveis ( = eqi.iiprova.veis).

De fato todos OS pontos tern probabilidade nula. 0 argumento e 0 seguinte,

se P(e = ei) = E > 0, entao

i=l i=l

Mas isto nao pode ser pois, por defini<;;ao, temos que ter probabilidade :::; 1,
para qualquer evento.
Se eu rodar a roda vai sair um ponto. E inegavel. Mas a probabilidade
de qualquer ponto nao e nula? Isto nao e contradit6rio? De fato, nao e
contradit6rio.
A ideia de probabilidade esta intimamente relacionacla a freqiiencia rela-
tiva de ocorrencia em urna serie de repeti<;;6es. A freqiiencia relativa de sair
o mesmo ponto em repeticlas rotar;oes da roda e tipicamente, usualmente,
insignificante, por isso atribq.imos probabilidade nula. m

Embora a probabilidade de todos os pontos seja 0, a vizinhan<;;a de um

I ~

deles pode ter uma probabilidade maior de ocorrencia do que a vizinhaw:;a do

outro; a furn;;ao densidade de probabilidade serve para cuidar deste aspecto.
Defini~ao 66. Uma func;ao f que satisfac;a as seguintes propriedades e
chamada func;ao de densidade de prnbab:il.:ida.de (fdp):
,; i) f(x) ~ 0 vx valor de JR I ,...._

ii) .l: f (:r) dx = 1.

58
 ----------·- - -

''
x
····--·····-L.:.. ___ ..:: __ ,,~_ .. .:...~----·-·-------··- . ·····-···-·····---··-···-···...
b

Figura 2.6: Func;ao densidade de probabiliclade. A area abaixo da regiao

hachurada e a probabilidade P (a < X < b).

Dada f ha associado naturalmente um espa<;o de probabilidacle (JR, P) e uma

variavel aleat6ria X, X(x:) = x, tais que, por clefini ~: ao,

/b
P([a, b]) = P(a S ,;Y S b) = Ja f°(.'r) ch (2 .2)
P ( { w)aSX ((,,')Sb})

Uma vari;:'ivel aleat6ria X e chamada de vari6.vel aleat6ria continua, quanclo

existe uma func;ao de densidacle f tal que (2 .2) e satisfeita, isto e,

/b
P (a S X S b) = Ja. f (x) dx . (2 .3)

Observac;oes. 1) Se X e uma variavel aleat6ria continua, a probabilidade

de ocorrencia de um ponto e nula dado que:
--r·
P(X = a) = P(a S X S a) =la f a.
(x) dx = 0.

59
 2) Se X e uma variavel aleat6ria continua, entao, P(a :::=; X :::=; b) =
P(a < X::; b) = P(a::; X < b) = P(a < X < b). Este resultado provem do
fato expresso no item acima que a probabilidade de ocorrencia de um ponto e
nula e que a probabilidade de eventos disjuntos e a soma clas probabilidades
dos eventos . Por exemplo,
b -

l
. a
J(::c) dx por clef. P(a :::=; X :::=; b) = P(X =a)+ P(a < X:::;; b)

Assim , P(a :::=; X :::=; b) = P(a < X ::; b) ja que P(X = a) = 0.

3) P (a ::; X ::; b) represent a a area embaixo do grafico de .f entre os pontos
a e b, veja figura 2.6.
4) A chance re lativa de 2 pontos a e b e dada pelo quociente:

f (b)
q = f(a)
Se q > 1 diz-se que b tern mais chances de ocorrer do que a.
Se q = 1 diz-se que a e b tern a mesma chance de ocorrer.
Se q < 1 diz-se que a tern mais chances do que b de ocorrer.
Note, no entanto, que ambos os pontos tern probabilidade nula de ocorrer.
Isto NAO significa que e impossivel ser sorteado um <lesses pontos. Sair um
ponto especffico e um evento possivel, isto e, pode ocorrer, apesar de ter
probabilidade nula.
Exemplo 67. Considere a roda <la fortuna . 8 assume valores em [O, 27r[.
Como as chances relativas dos varios pontos sa.o iguais, entao f sera cons-
tante. Por isto diz-se que 8 tern distribui<;ao uniforme. Note que
.f (b)
q = j(a) = 1

implica que f (a) = f (b), par.a to do a e b, donde,

j .( :r: ) = {K, x E [O, 27r[

0, caso contrario
I
I, .\:
• ••
·~ # •' '• • :: •• c · . •:; a) Como determinar K? b) Qual a probabilidade do lg quadrante?

60
) --
 - - -- - - -- - - -

...-.,

,-.. ""'-

......_
A
f(x)
,,......

,.-.-.

,,-.

l/2I1 ---~ __,

x
- -- -----'··_,_,,_, ...... D>-

2I1

Figura 2. 7: Fun<_;ao densidade de probabilidacle de vari1ivel aleat6ria uni-

forrne.

Solw;ao. a) Para a determina.c;ao de K , usamos a condic;ao (ii) da definic;ao

de fdp:

P(D) l ,g. P(O _::; 8 _::; 211) = fo 2

7r .f(x) d:t

·2-;r

./ 0
J( dx 1 =? JCr 1 2-;r
lo
=l =? 211 }{ =l =? E:_£]
K = -,-
211

Assim:
( l 0 ,::; :r < 211
f (:r) = ) 211 '
l 0, caso contrario

- '
b) ' l Q Quadrante' {=? 0 ,::; e< 11 /2
'• 'Q lrante ') = 1·-rr/'>~ 1
,.,. .r, ,,,: . "
~
P( 1-0 :.·. uac
·, 0
-dx
211
l · -.
= -211 71
2
= -41 ,, como esperado !

Observa<;ao. Repare que quando o espai:;o amostral e uma area no piano, ou

61
 A
f(x)

112 --- - ----- - - - ---- - ------

x
----~---------- ----- --- ---- ------------0--------~

I ~

Figura 2.8: Representa<:;ao grafica da densidade de probabilidade do exemplo

67.

uma regiao no espago, e se quisermos considerar situac,;oes em que a chance

relativa dos pontos e igual a 1, entao a fungao _f sera uma Constante K 110
espa<:;o amostral com K = 1'comprimento do intervalo' ou K = larea do
disco ', etc).
E claro que isso s6 funciona se os pontos tiverem a mesma chance de
ocorrer. Isto e uma generaliza<:;ao do modelo de Laplace; compare com a
{1ltima sec,;ao do ca pf tulo 1.

Exemp lo 68. Seja X uma variavel aleat6ria continua com jdp:

_f (:-c) = { K x, 0 < x < ,4 .

0, caso contrano

Pede-se: a) o valor de K; b) a probabilidade da variavel aleat6ria estar entre

2 e 3; c) a probabilidade da variavel aleat6ria assumir valores acima de 3.
?;' ....
T - 4 •Rx 14
T ,
Solw;ao. a) 1 = P(O < .-\ < 4) = { j(x) &-c = ? = 8A
.fo ~ o

62
I~
,,-... ·-·--

--·-·--- - - - - - - - -- -- · - -
. ------··-

8K = 1, e j K = 1/8 J. A fungao densidade de probabilidade fica

.) ( :r/8, 0 < :1: < 4

f (.r = ~
· l 0, caso contrario
Resposta. 0 valor de K e 1/8.
b)
_ ) /r.: -
p (2 < )\. < 3 =
3
X
d:r; =- . -1
1 x- 2 1
3
9 1
16 - -41
5
16
.2 8 8 2 2
Resposta. A probabilidacle de X estar entre 2 e 3 e 5/16 .
c)
. l+oo f(:r:) d:r = }.
P(X > 3) = .,
('4
J(:r) cl:r + lco f (:r:) cl:r
• v 3 4

=
f
,4

3
-ix d:1: + 1·00 0 dx =
u 4
1
- · ',
8 ~1
'.t214
3
16 - 9
16
7
16
Resposta. A probabilidade de X ser superior a 3 e 7/ 16.

2. 7 Fun~ao Distribui<:;ao de Probabilidade de

Variaveis Aleatorias Continua
Defini<;ao 69. Seja X uma variavel aleatoria continua com fungao densidade
f. A funr;ao de distribuir;iio de probabilidacle ou acv.mulada de X, represen-
tacla por F..v:' OU por F, e:
f"l:

F..x:(.r) = P(X::; ;;;) = P(-oo < X::; :r:) = ./_ f(x) d1:
00

Exemplo 70. Ache a fungao de clistribuigao da variavel aleatoria da.da no

exemplo anterior.
Solu~ao. Como
(:: 0
f(x) =<s ' < x <4
l 0, caso contrario
temos 3 ca.sos a considerar, dependendo cla posi~:ao de x na reta: (i) :z: :::::; O;
. (ii) 0 < .T < 4; (iii) x ~ 4.
i) Se ,;r: S ;O,
F..y(:r) = ;·:i:
-oo
.f('u) dtt = t
.J_ oo
0 d·u =0

63
 f(x)

--------------------- --- -----

''
''
'''
'''
'''
__ __
'
_______ __!___ _ _
x
·---~---·-·· ---··-··· --·

Figura 2.9: Grafico da furn;ao distribuic;ao de probabilidade do exemplo 69.

ii) Se 0 < ::i: < 4,

j ·xf(u) du= lo 1x f(u) du = lx 8udu = 16 Ix u2

:r2
Fx(x) = f(u) du+
- (X) • -oc 0 . 0 0 16
) ~

iii) Se ~r 2: 4

Fx(x) = [~ f (u) du=[~ f( ·u) du+ .i 4

f (u) du+ .lx f (tt) du
= {° 0 du + {4 '1!_ du + {x 0 da ) -
.J_oo Jo 8 }4
= -
'U.214 = -16 = 1 (Como esperado)
16 0
16
Colecion a.ndo os pedac;os obtemos: I ~

o, :r :'.S: o
:r2
.[ .(·~·; ~ ·'
Fx( x) = , 0<x<4
{ 16
1, x > 4 i ~

64
) -
I ,,...._

I -
 Exemplo 71. A fungao de densidade de .Y e:
2
r (t ) = { K. (y - 2) para 0 < y < 2
J y/ 0 , .
, caso contrano

Calcule: a) A constante K; b) P(O < Y < 1); c) A furn~ao de distribuigao de

}" .

Solm;ao:
a)
.o
.·)

i- .
f(y)dy = 1 =?-
~-0
')
l-
K(y - 2) 2 dy
. = 1 =?-
. . ., 12
J<._ (y-2)
· .
3
·
0

0
=
8
1 =?- - K
3
= 1

Resposta. L--=-iJ
b)
t .
.Jo f(y)dy =Jo
t 3
3(Y - 2)2dy =
3
8.
( - 2'3
y 3 ; o=
l 1
- 8+ 1 = 8
7

Resposta. P(O < Y < 1) = 7/8.

c) Fy(y) r
= .}_ f(v.) d·u. Pela expressao da furn;ao clensidade, vemos que ha
00
dois pontos de tra.nsi<_;ao, o zero e o clois, clefinindo 3 intervalos,

de - cxJ a 0 .·. y ::::; 0

Intervalos de_ 0 q, 2 .·. 0 < y ~ 2
{
acnna de 2 .". y ~ 2

1) Se y ::::; 0,
·y [Y
Fy(y) j
= . -co f('u) du= 1-cx· 0 du= 0
2) Se 0 < y < 2,

......... Fy(y) =
ry
J_co f('u) du=.
1·0 f(u) du+ Jory f(v.) du
-co

y3 . ·) (u - 2r{ ly (y - 2) 3
=
l - (u-2)-du=
.o 8 8 0
=
8
+1

65
 i ~.<) f(x)

Figura 2.10: Grafico do exemplo 70 a)Furn:;ao densidade de probabilidade;

b )Fungao distribuigao de probabilidade.

3) Se y 2: 2,

Fy(y) = [~ f(u) du=[~ f(u) du+ .l 2

f(u) du+ 1Y f(u) du
(23 ? (u-2)312
=Jo 3(u - 2)- du= · · = +1 (como previsto)
8 0

Finalrnente ,

o, se y SO
1.+CY~2 l , se0 <y< 2
3

Fy(y) =
{
, l, se y 2: 2

§I

Observat;6es. Se X e uma varia:vel continua com fdp .f e F e a fungao de I ...-..._

distribuigao , entao:
1) F e uma fungao continua;
2) F e nao-decrescente;
3) lim F(:r) = 0 e lim F(x) = 1;
x~ - oo · x~+oo

4) Se f e continua, entao:
.. ~

d
.f(:r:) = -d F(.7:).
x
66 .
 Demonstra<_;;ao do item 4) .

F'(:c) = lim F(x + h) - F(:c)

h--+0 h
.
= 1lffi
P(X ::; x
- - --
+-h)-- -
P(X ::; h)
- --
h--+0 h

= lim
h--+0
l-x
x+h J(u)du -

h
(1: f (1l)du
.J-co

l1:+h f (u)du r h ' .l

= lim · :r; = lim 1 (!;, ( ) ) 1 = f (x)
h--+0 h h-+0 h
Aqui, x < ~(h) < x + h e portanto, quando h -+ 0, ~(h) -+ .:r ::::?
f(~) -+ f(x), pela continuidade de f. Alem disso, a penultima igualdade
e proveniente do teorema do valor meclio para integrais. ill
5) X varia.vel aleat6ria continua. Entao:
F(b)-F(a) = P(a::; X::; b) = P(a < X < b) = P(a ::; X < b) = P(a < X::; b) .
._,....._ Demonstrac;ao de uma das igualdades,
. d
P(X::; b) P(] - oo, b]) = P(] - oo, a] u]a, b])
P(] - oc, a])+ P(]a, b]) = P(X::; a)+ P(a < X ::; b)
Assim,
P(a < X::; b) = P(X ::; b) - P(X::; a) = F(b) - F(a)
Desta forma, o conhecimento da furn;ao de distribuic;ao acumulada per-
mite o calculo de probabilidades(lado direito acima), sem se utilizar a fclp.
Exemplo 72. Considere a func;ao distribuic;ao acumulacla obtida no exemplo
anterior,

F(:r) = {~~ ~I2~: l,

1, x 2: 2
a) Deterq1ine a fun~:a.o densidade de probabiliclade: b) A partir da furn;ao
dist~'ibuig'ao acumulada e possivel determinar-se a probabilidade de eventos
sem recorrer a fungao de densiclade. Desta forma calcule P (O::; X ::; 1).

67
 SolU<;;ao:
a)

o, .']; < o =
3
(x-2r-,
')
os;x<2
8
f(x) = F'(:T) = ~(x - 2) 2
, 0 s; x < 2
{ {
0, x;::: 2 0, caso contrario

7 7
b) P(O s; X s; 1) = F(l) - F(O) = S- 0= S
!Ill

Exemplo 73. Seja TY uma varia;vel aleat6ria com densidacle:

c.e- 3"'' , w > 0

f(w) ~ { · -
I.. 0, caso contrario

a) Calcule a constante c; b) Represente graficamente a fdp; c) Determine

a furn;ao de distribui<;ao de Hl; d) Represente gra:ficamente a fun~ao dis-
tribui~ao acumulada de vV; e) Calcule P( -1 < H7 < 2), P(H' > -3) e
P(vV;::: 3).

Solm;;ao.
a)
00
I+== -c
l=
1 0
f(w)dw= ( 1 - .3w )
- -ce
3 0
1
3
=}lc=3I

c) Fv-v(w) = .l: f ("u)du. Ha. dois casos a considerar u) s; 0 e w > 0.

i) w s; 0
F 1v(eu·) = {w J(v,)du =
.J _oo
;·w Odu = 0
-oo

ii) w> 0

. , Fn7(w) = Jw j(u)du = 1·o J('u)du + fw f(u)du = fw 3e- 3 u du

._· .~
-oo . -oo
w
.!0 J0
. 1 -3u -3u.'
Fw(w)=3· (- 3e ) l0 =- e +l

68
 ---- -- - - - - - - - - - - - -- -

·' \
O. w < - 0
Fii-(WJ =
,'

{ 1 - e-·3w , l.u > 0

Observe que,

.-- lim Fvv(w)

w-++oo ·
lim (1 - e- 3w) = 1
"-'-++oo .
lim Fn·(w) lirn 0 = 0
w-+-co w-+ -oo

co mo deveria ser.
e) Para se calcular a probabilidade dos eventos pediclos, pode-se usar a
fda F1v(w):
i) Calculo de P( - 1 < T+- < 2) :

P(-1 < T·V < 2) = P(-1 < lV :S 2)-P(TV = 2) = Frv(2)-Fiv( -l )-O = -e- 6 +1

ii) Calculo de P(lV > -3):

P (Hl > -3) = 1 - P (l·V :S -3) = 1 - 0 = 1

iii) Calculo de P(VV ;:::: .3)

P(1Y 2: 3) 1 - P(lV < 3) = 1 - (P(Hl :S 3) - P(vV = 3))

1 - (1 - e- 9 ) + 0 = e- 9 ~ 0, 00012

2.8 Pa:rametros da Distribuicao .:>

Usualmente, os parametros de uma variavel aleat6ria sao a esperanc;a e

a variancia, conceitos que serao definidos mais adiante , nesta sec;ao. Por
analogia, em um modelo linear, y = m; + b tambem temos parametros, a e
b, que apresentam interpretac;oes especf ·cas, b representa a intersec;ao com o
eixo dos y' s e a represent a a inclinac;ao da reta. veja a figura ?? .

. 2. 8 .l E speran<;a de un1a Variavel Aleatoria Discreta

T, J,: '·....,;\
I' ' .~

Defiiiic;a~ 7 4. 0 valor esperndo ou espera.ru;a. de uma variavel aleat6ria

discreta, x' ta.mbem cham aclo de merJ,ia. da. ·variavel aleat6ria e:

69
 ._
f(x)

y=ax+b

\(l

b tga=a

x
···--- - --·-·········--··---········ ......... ··········-··-··- -- --- ... ····-········-··-··-·-············ ············ - ·-->-

F igura 2 .11: Modelo linear, uma reta: a represent a a inclina<:;ao da reta, e b

representa a interse<:;ao com o eixo y.

E (X) = L xiP(X = :r.t).

onde P(X = x.,) = f (:r;) e a fun<:;ao de probabilidade da variavel aleat6ria

X.
Exemplo 75. Calcule a esp~ran<:;a no larn;amento de um dado.

Solm;ao . Os ·valores que X assume sao X = 1, 2, 3, 4, 5, 6, com proba-

1
bilidade -6 . Assim.,

.
E (X) = 2= xiPi = 1· 61 +2 · 63 + 64 + 65 + 1 = 6=2=3,5
21 7

X-i.

·:· · :) Ill
'i:'
Interpreta<;ao. Se larn;ar o dado sucessivas vezes, a media dos resultados
encontrados tendera a ser 3,5 (mas podendo ser mais ou menos, e um valor

70
--- ~
- =·=
--=
--=-=-===
-=======-=-==--=-=-=-=-====-=~
--
=-=-=======================
- ==-=-=-=
- =-=-===========·==-=
--
==~--

"aproximado") . Esta e uma interpretai;;ao imprecisa, uma vez que tent a

estabelecer uma conexao entre o modelo probabilistico (rnaternatico) e urna
realidade experimental.

Exemplo 76. Seja X uma variavel aleat6ria, assumindo os valores -1, 0,

1 e 2 respectivament e com probabilidades 0,10; 0,25; 0,30; 0,35 . Calcule a
esperarn;a de X.

Solrn;ao.
E (X) = (-1) · (0, 10) + 0 · 0, 25 + 1·0,30 + 2 · 0, 35 = 0, 9
~

Observa<_;ao. A esperanga ou media de uma variavel aleat6ria discreta X

nada mais e, do que uma media ponderacla dos val ores de X, Xi , COm pesos
P(X = Xi) ;
Interpreta<_;ao fisica: centro de massa . Suponhamos que temos uma
barra cujo peso seja clespresivel e que nas posigoes .Ti tenhamos particulas
pontuais com massa n-1,i, veja figura. t:"ma pergunta natural e saber onde
posicionar o dedo para conseguir que as massas a esquerda do d.eclo equilibrem
as massas 3, direita. l\ao entraremos na fisica do problema, m as a resposta e
dada por

:r1 · rn1 + X2 · m2+ ... ::Cn • mn

m 1 +·m2 + .. . mn
X1 · m.1 + :r2 · rri2 + .. . Xn · rn.n

'massa total'

onde a 'massa total' e dacla pela soma das massas de cada uma das particulas,
NI= m 1 + m 2 + ... + mn . Neste caso, Tp e chamado de centro de massa cla
barra e Tp e obtido atraves de uma media ponderada dos :r:~S .
Note que p; = rnif AJ pode ser pensado como uma furn;ao de probabilidade
definida em cad a uma das posi~: oes; Pi = P (X = :r.;), uma 1.rez que 1 2: Pi 2:: 0
e;

rn 1 mn ·m 1 + . .. + rnn __
P1 + P2 + · · · + Pn = -
J.11
+ · · · + -I\1 = - - - -- -
i\.1
1

,•
'
Assirn·, x; = :r1 ·Pi + x2 · P2 + .. . + xF · Pn · Mais ou menos isto e, a posigao
J,: ' •.- .• 1 ·, - '

do centro de massa e a esperanga de uma variavel aleat6ria. Inversamente,

71

"°""
 a esperanc;a pode ser interprftacla como o centro de massa:

Xp X1 ·Pi + · · · + Xn · Pn·
'.1'1 • Pi + · · · + Xn · Pn
1
X1 ·Pl +···+ ::Cn · Pn
P1 + · · ·Pn
X1 · Pl + · · · + Xn · Pn
'massa total'
.No exemplo 76, podemos pensar que temos quatro massas distribuidas
ao longo de uma reta, nas posic;oes -1, 0, 1 e 2, com massas 0,10; 0,25; 0,30 e
0,35 . Neste caso, para equilibra-las temos que colocar o ponto de apoio (um
cutelo) na posic;ao 0,9.

2.8.2 Esperan~a de tuna Variavel Aleatoria Continua

Consideramos agora o valor esperado (esperanc;a, media) de uma variavel
aleat6ria continua.
Defini<;ao 77. Seja X uma variavel aleat6ria continua com furn;ao densidade
de probabilidade / . A esperanc;,a de X e:

E (X) = [~ xf(x)dx
/+oo
quancto esta integral existe e e finita, .Loo ::r: J(x) cLr < 80.

Interpretac;ao do centro de massa. No caso continuo, tambem e possivel

interpretar a E (X) como sendo a posic;ao de equilibrio em uma barra cuja
densidade f = f(:r)
varia, possivelmente, de ponto a ponto.
Exemplo 78. Seja X uma variavel aleat6ria com densidade

f(x) = {2/3, se 0 < ~T.< 3/2

· 0, caso contrano
.•
'Calcule E (X) e interprete o resultado do problema como sendo a posic;ao do
centro de massa.

72
 -·---
,. . . , -.;: _ .-: .;-=--=-=-==-=-========================-==-=-=--=--=-=-=--=--=·--=-===--=-=-=---==---=-====--===--=-=---=-=---=============--=--=-==-=-==--
- --.---··

Solm;ao. 0 calculo de E (X) e feito a partir cla defini<;ao:

r XJ r:3/2 ') , .2 , 3/2 3
=j
1
E ( X) x f (:r) dx = I ; dT = ')
-co Jo 3 ,) o 4

Iii

-- Este exemplo admite uma interpreta<;ao de calculo do centro de massa de uma

barra. Assuma que temos uma barra come<;ando em 0 e terminando em 3/2,
com densidade uniforme (constante) e igual a 2/3. Neste caso, como E (X)
representa o centro de massa, devemos esperar que, cle-viclo a. uniformidacle,
este esteja localizado no meio da barra, isto e, em 3/4, o que de fato se
verifica, I E (X) = 3 / 41 (meio da barra).

Exernplo 79. Seja X a variavel aleat6ria com densidade:

f(x) = {Kx, 0 < x < 3/2

· 0, caso contra.rio

Determine a esperarn;a de X.

Solw;ao. 19 passo. Determinac;ao do valor de J(

3/2 K.T2 , 3/2 8

-.
1 =
1
0
K ;r, dx = -')-
~ 0
= 1 => K = -
g

Assim:
ST 0< X < 3/2
.--.. f(x) = 9· '
{ 0, caso contra.rio

2 9 passo. Calculo da esperarn;a:

oe [ :3/2 8 13/2
J
Q ? ·
r
E (.\') = :T
,
j (:r) dx = U

0 x- cLi- = r x
3
. = 1.
-OQ •· 0 ;:; ~I 0

,-,. Pense na barra. veja a figura. E (X) e um valor intermediario dentre todos
. /: " ~ ·' ~\
os i.ralores que X assume.
•'• ,_ ' ' '" I •
..:
 Exemplo 80. Afodelo das situar;oes anteriores. Em uma guerra, um casal
esta dividido pela linha de batalha. Depois das 17 horas, todos os dias, a
guerra para para descansar e o casal tern chances de se encontrar. Dado que o
temp o para o casal se encontrar tern fdp anteriores (dos 2 ultimos exemplos)
determine a hora media do encontro.
Resposta. 17 h 45min OU 18
~ "-..,,--'
17h+3/4h 17h+lh
(soluc;ao do lQ exemplo) (solrn;ao do 2g exemplo)

No 2Qcaso, a densidade cresce conforme mais tempo passou do fim da

data, ate lh e 30 min. A esperarn;;a isso, e mais pr6xima de lh e 30min.

2.9 Esperan<_;a de Fun~ao de Variavel Aleatoria

Seja X uma variavel aleat6ria e Y = h(X) uma furn:;ao de X . Entao Y
tambem e uma variavel aleat6ria. Assim, podemos determinar sua func;ao
de probabilidade (no caso discreto) ou sua densidade de probabilidacle no
caso continuo, a furn:;ao de distribuic;ao, Fy, e seus parametros, a esperarn:;a,
E (Y), e a variancia, Var (X).

Teorema 81. Seja X uma variavel aleat6ria e Y = h(X).

a) Se X for cliscreta entao:

E (1') = E (h(X)) = L h(xi)P(X =xi)

b) Se X for continua com fdp, f, entao:

E (1') = E (h(X)) = .l: h(:r)f(:r) cfa

Observa~ao. 0 ganho deste teorema e que para calcular a esperam;a de 1"

"' nao e necessario calcular a furn:;ao
de probabilidade (no Caso discreto) OU a
fdp (no caso continuo) da variavel aleat6ria }'.

74
,. . . _ ::::=====================================·-=-=-===-=--=
--=--=
-=
- ====-====-=-========-=-=-====================

Exemplo 82. Considere o seguinte jogo. Lance um dado . Se der

1 --+ adversario paga 2
2 --+ vc paga 1
3 --+ vc paga 1
h(X)
4 --+ vc paga 1
5 --+ adversario paga 1
6 --+ vc paga 1
Calc ule o valor esperado do jogo.
Solm;ao. X e o resultaclo do dado e Y = h(X) equanto se ganha em furn;;ao
do resultado X. Note que
2, sex= 1
h(.T) = -1, sex~ 2,3,4,6
{
1, sex= b
Assim,
E (1") = ~ h(:r.i )P(X = :r.i)

= h(l)P(X = 1) + h(2)P()( = 2) + · · · + h(6)P(X = 6)

1 1 1 1
= 2. - - - - - - - + -1 - -1 = 1
--
6 6 6 6 6 6 6
Von perder mais do que ganhar! (Em media, se jogar muitas vezes, perco -i
vezes o numero de vezes que jogar) .

Exemplo 83. Seja X o tempo que urna pe<;a e banhada em um tratamento

qufmico e Y = 0, 003X 2 a espessura superficial resultante. Assuma que o
tempo do banho e uma variavel aleat6ria uniforme

f(x) = J110' 0 :SJ: :S 10

. l 0, caso contrario
Cakule o valor esperado da espessura da c:arnada superficial.

SolU(;ao.

:: $ (1() = E (f (X)) = /'~ h(J~:)j(x) dx = / 0, 003:r

2
· / cfa: = 0, 1
. -= Jo 0
 2.10 Proµriedades da Esperan~a

0 calculo da esperarn;a de variaveis aleat6rias e facilitado se recorrermos

as seguintes propriedades:
a) Se X = C, onde Ce uma constante (P(X = C) = 1) entao E (X) = C.
Demonstrac;ao. E (X) = 2:i= 1 C · 1 = C
b) Se b e uma constante e X uma variavel aleat6ria, en tao:

E (bX) = bE (X).
Demonstra<;ao. (Caso continua)

E (bX) = .l: bxf(x)d:r; = b 1: xf(~r)dx = bE (X)

E (X)

c) Se a e b sao constant.es, entao:

E (aX + b) = aE (X) + b.

Demonstrac;ao. Segue do result.ado anterior e das propriedades da integral.

d) Sejam X e Y duas variaveis aleat6rias quaisquer. Entao :

E (X + Y) = E (X) + E (Y).

Definic;ao 84. Duas variaveis aleat6ria.s X e Y sao independentes se e s6 se

os eventos
[a< X <::: b] e [c < }" <::: d]
forem independent.es para todos os valores de a, b, c, d.

e) Se X e Y forem va.riaveis aleat6rias independentes, entao

• •> E (XY) = E (X)E (Y) .

,I
' Observa<;ao. Porque a esperarn;a satisfaz as propriedades (b) e (d) diz-se
que a esperanc;a e (uma func;ao) linear.

76
""' ::...:.:.::::..:_~-=
-====--===-=-==-=
-===-=-=====
-=-=-============-=-=====-=-=-================================

Exemplo 85 . "Cma firma de constrU<;<-°io concorre freqiientemente a 3 tipos de

obras publicas que lhe podern dar; respectivamente, 10, 20 e 40 mil reais de
lucro_ Historicamente, a firma sabe; pelo tipo de obra, que as probabilidades
de ganhar a concorrencia sao 203, 80% e 303 respectivamente_ Quando
concorre a tres obras, cada urna dos tres tipos, qual e o lucro total esperado?

Solm;ao. Sejam; Xi, o lucro da firma proveniente da obra z 1, 2, 3.

Assim,

L = 'lucro total' = X 1 + X 2 + X3

"\.' - {10,
.'\_l -
com prob. 0, 2
0, com prob. 0, 8

20, com prob.O; 8

"\·r _
J\.? -
-
{

0,
==> E (X2 ) = 0 · 0, 2 + 20 · 0, 8 = 16
com prob. 0, 2

-y- -
Jl3 -
{40, com prob. 0, 30
==> E (X 3 ) = 0 · 0, 70 + 40 · 0, 30 = 12
0, com prob. 0, 70

Finalmente , o lucro total esperado e de E (L) = 2 + 16 + 12 = .30 mil reais.

illil

2.11 Variancia de uma Variavel Aleatoria

A media e um importante parametro de uma variavel aleat6ria, mas
nao serve para clistinguir comportamentos bastante distintos de variaveis
alea~?ria_-. Isto e, ha variaveis aleat6rias com comportamentos muito di-
versos, n1as com a mesma media. Veremos abaixo um exemplo que ilustra
algurnas clas di:ficulclacles.

77
 Exemplo 86. Sejam X, }', Z e VV as variaveis aleat6rias abaixo:

X = 0 com prob . 1

}'' = {-1 com prob. 1/2

1 com prob. 1/2

z= {-100 com prob. 1/2

100 com prob. 1/2

H/ = { - 100 com prob. 3/4

300 com prob. 1/4

Calculamos a esperarn;a de cada uma das variaveis,

E (X) = 0 · 1=0

E CV) = (-1). t+ t = 1. 0
1 1
E (Z) = (-100) · "2 + 100 · "2 = 0
3 1
E (Hi ) = - 100 · - + 300 · - = 0
4 4
~ ote que as 4 variaveis aleat6rias tern a mesma esperarn;a mas sao variaveis
aleat6rias completamente diferentes. Nao e possivel distingui-las atraves
da esperarn;a. 0 conceito de variancia ajuda na distirn;ao dessas variaveis
aleat6rias.
Suponha que voce tente 'prever' o resultado da variavel aleat6ria X pela
media µ = E (X) . Isto e, antes de realizar o experimento e obter o valor
;t; que X assume, VOCe preve que 0 valor de X que ira surgir e a media OU

esperan<;a de X , µ = E (X). Entao o erro que voce comete e X - p (que e

uma variavel aleat6ria).
l'\ote que 0 errO medio cometido, isto e a esperan<;a de X - JL, e nulo,

E (X - µ) = E (X) - E (µ) = E (X) -µ = 0

~
II µ
,I

"Alternativamente se fpoderia considerar IX - µj mas a algebra e inconve-

niente. A esperarn;a do quadrado de X - µ e melhor.

78
 .......... ----

- - -- -----·--·~- ---·-·· · -

Definic;ao 87. Dada uma variavel aleat6ria X, a variaricia de Xe

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

e 0 desvio padr-ao de xe
DP (X) = yfVar (X) .

Observa~oes. (1) :.\ote que Var(X) = E (X 2 ) - (E (X)) 2 . De fato,

Var (X) = E (X 2 - 2X(E (X)) + (E (X))2)

= E (X 2 ) - 2E (X(E (X))) + E ((E (X))2)
= E (X ) 2
- 2E (X)E (X) + (E (X)) 2
= E (X 2 ) - (E (X))2

m
2
(2) Como sabemos, E (X ) = 'esperarn;;a de uma furn;ao cla variavel aleat6ria
x (a fungao quaclrado); e dada por :
se x e discreta
se x e continua
Assim:

:L(x; - µ) 2 P(X =:Ii), se Xe cliscreta

Var (X) = E (X - E (X)) 2
= ji,x
{. -oo (:t:· - tiff (:r) dx' se x e continua

ou ainda, usando \Tar (X) = E (X 2 ) - (E (X)) 2 ,

2

L -Tl P(X = ;r;) - ( L :r.i p. (X = x.i)) . sex e .discrcta

Var (X) =
{
1
x (j.~ )2 sex e continua
;
1
. -00
:r 2 f(.r)d.r -
-co
:rf(:r)dx

--:· ·. · ·' (3) ~.o.te J1uc se [X] = U, X tern unidade U, entao a unidade de Var (X) e
~: ~ ~ ,.· . 1::
u2 ; (\/ar '(X)] = U2 ; e assim a unidade do desvio padrao sera U, [DP (X)] =
U, ou scja tern a mesma unidade que a variavel aleat6ria (o que e uma

79
 vantagem com relagao a variaancia; a vantagem da variancia sobre o desvio
padrao e que a algebra que envolve 0 seu calculo e mais simples.
(4) Tanto o desvio padrao como a variancia sao uma medicla cla 'dispersao ',
isto e, 0 'espalhamento ' dos valores da variavel aleatoria x em torno de
E (X) no sentido que:

i) quanto maiores forem DP (X) ou Var(X) , mais clispersos sao os valores

de X;

ii) quanta menores forem DP (X) ou \ lar (X), menos dispersos da media
Sao OS val ores de _X.

(5) Sao comuns as seguintes notagoes: µ = E (X), a 2 Var(X) e a

DP (X) .

Exernplo 88. (Continuagao do exemplo anterior) . Sabendo que E (X)

E (Y) = E (Z) = E (TV) = 0, obtemos

Var (X) = E (X 2 ) - (E (X)) 2 = 02 · 1 - 02 = 0

=> DP (X) = VO = 0

2 2
Var (Y) E (Y 2 ) - (E CY)) 2 = (-; ) + (1] - 02 = 1

=> DP (Y) = Vl = 1

2
(l~0) + (-li0)
2
Var (Z) E (Z 2 ) - (E (Z)) 2 = - 02 = 10.000
=> DP (Z) = 100

Var (Hl) E (lV 2 ) - (E (TV)) 2 = (-100) 2 · ~ + (300) 2 · l= 3.000

=> DP (Hl) = Jm = 1ov36

'~" .
' :~
Exemplo 89. Seja X a variavel aleatoria que represent.a o result.ado do
langamento de um dado. Calcule Var X e DP (X).

80
- - ·

· -- - - -- ~ - - -- -· ·

Figura 2.12: Dispersao <la variavel aleat6ria. Observa-se, a grande diferenga

que pode ocorrer ao considerar, para estes casos muito simples, o valor da
esperanga ao inves do valor da variavel aleat6ria.

Figura 2.13 : Fig. do exercicio

SolU<;ao.

E (X) 2: P(X = :z:i) = 1 · 61 + 2 · 61 + · · · + 6 · 61 = 27

= :Ti

E (X2) = L: :cf P(X =xi) = t.

(12 + 22 + 33 + .. . + 62) = 961

Var (X) E (X') -- (E (X))' = 961 - G) 2

91
---
6
49
4
35
12

DP(X) VH ~ 1,707

Exemplo 90. Calcule Var (X) e DP (X) da variavel aleat6ria X cuja fdp e
dada por:
1
-. 0 < :r < 10
fxCi:) = 10 - -
{ 0, caso contrario
Solm;:ao.
l·lO ~ cl:r = ~ 110 = 5
il lO ') .
,10 ;r Y-?
E (X) = JJ(:r)d.T =
. 0 . 0 10 20 0

,·; =
E ("\:-) ;1:~ f
,=
(:r)cLc
{ 10 :r2
-. c!J.; =
;r3
--?
110 100
. 0 .Jo 10 10 · ,__, 0

Var (X) E (X2) - (E (X))2 = l~O - 52 = 235

,) .
5
'T· ,,, '' •.\ - .. ; DP (X) . = -
.V3 == 2.89
.

81
 -
Figura 2.14: Furn;:ao densidade de probabilidade do exemplo 90.

Teorema 91. (Propriedades da Variancia) A variancia de uma variavel

aleat6ria satisfaz as seguintes proprieclades:
a) Se C e uma constante entao Var C = O;
b) Se C for uma constante, entao 6 :

Var(X + C) = Var(X)

(c) Se c e uma Constante, entao: . . . ___

Var( CX) = C 2 · Var X

Em particular,

DP (CX) = Jvar(CX) = ICI ·DP (X)

cl) Sejam a e b constantes. Entao,

Var(aX + b) = a Var
2
X

e) Sejam X e Y variaveis aleat6rias indeperidentes. Entao,

i) Var(X + Y) = Var(X) + Var(Y)
ii) Var(X - lr) = Var(X) + Var('V)
f) Se X e Y nao sao independentes, entao:
. .

Var(X + Y) = Var X + Var Y + 2 cov(X, 1·)

onde a covarfoncia entre X e }r e

cov(X, lr) = E [(X - E (X))(Y - E (1r))] = E (X1') - E (X) · E (:V)

6 Ao se somar urn valor constante C a uma varia.vel aleat6ria, a media e deslocacla

por C, E (X + C) = E (X) + C, mas a variancia nao se altera, o que e razoavel - se
't'
.; deslocarrnos os valores todos por uma mesma constante, a clispersao continuara a mesma.
A soma de urna constante a todos os valores nao aumenta nem diminui a clispersao em
torno da media.

I / '-,

82
....-... -··------·

- -·~·· --·--- --- - - ------- - - - -

Demonstra~ao. (b).
Var (X + C) = E (X + C) 2 - (E (X + C) ) 2
= E (X 2 + 2CX + C 2 ) - [E (X) + E (C) ] 2
= E (X 2 ) + E (2CX) + C 2 - ((E (X)) 2 + 2CE (X) + C 2)
= E (X 2 ) - (E (X)) 2
A clemonstra~ao de (cl) e conseqiiencia de (b) e (c).
Demonstragao de (e)
'lar(X - 1') = \ 'ar(X + (- Y)) =Var (X) + Var( -1')
= Var (X) + (-1) Var (Y ) = Var (X) + Var (1")
2

Demonstrai;ao de (f)
'lar("Y + 1") = E((X + 1") - E(X + Y)) 2
= E((X 2 + 2XY + 1- 2 ) - 2E(X+ 1")E(X + Y)+
+ [E(X)] 2 + 2E(X)E(Y) + (E(1' )) 2

= E(X 2 ) + 2E(X1") + E(Y 2 ) - 2[E(X)2 + 2E (X)E(Y) + E(1") ]+

2

+ [E(X)j2 + 2E(X)E(Y) + [E(Y)] 2

= Var(X) + Var(Y) + 2E(XY) - 2E(X)E(:V)
= Var(X) + Var(l") - 2Covar(X, Y)

Observai_;oes. 1) A correlaQao entre duas va.riaveis alea.t6rias e uma quanti-

dade que surge no calculo da. variancia da soma das duas variaveis a.leat6rias
qua.ndo estas nao sao independentes:
2) Se X e 1' sao independentes, entao
cov(X, 1'") =0
mas o reverso nao necessariamente e ·verdadeiro. Isto e, qua.nclo ){ e Y sao
variaveis alea.t6rias com cov(X, Y) = 0 :'\AO PODEMOS concluir que X e
1" sao inclependentes.
3) E daro, no entanto, que se
·,
'· ~'. ' :~ cov(X, 1·-) =J. 0
entao x e y nao sao indepenclentes.

83
 Defini<;ao 92 . A correlar;Jio entre as variaveis aleat6rias X e }- e:
cov(X, }")
PXY =
O"xO"r·

onde O"x e O"y represent.am, respectivamente, o desvio-paclrao de X e de 1".

Observa<;oes . 1) -1:::; PxY:::; 1.

2) p e adimensional, [p] = 1.
3) A correlagao mede o grau de rela.cionamento linear entre va.riaveis aleat6rias
no seguinte sentido. Se Y = .a X + b, entao,
a > 0 :=:}- PxY = 1
a < 0 :=:}- pXY = -1

Exemplo 93. Determine a media e o desvio paclrao do peso liquido de um

produto sa.bendo que a media do peso brnto e 800g, com clesvio padrao de
200g e que o peso da embalagem tern media lOOg com desvio de lOg.

Solu<;ao. Temos 3 variaveis aleat6rias,

B "-"-7 'peso bruto' 1

L "-"-7 'peso liquido' ~ B=L+C
C "-"-7 'embalagem (peso) ' J
oncle L e C sao variaveis alea.t6rias independentes . Proceclemos ao calculo
da mclia (ou esperarn;a).
Calculo da media (OU espera~1<;a):

E (B) E (L + C) = E (L) +E (C)

donde

800 = E(L) + 100 :=:}- IE (L) = 700g J

0 peso lfquido medio e 700g.

; Apresentamos agora o calculo do desvio padrao. Comegamos por calcular a
variancia. Como
B=L+C

84
 - - ---- - - - ---- - --- - - - - -- -

tem-se que
·var (B) = Var (L + C) =Var (L) +Var (C)
onde, na ultima igualdade usou-se que L e C sao indepenclentes 7 entre si (as
embalagens sao produzidas em um lugar e o preenchimento efeito em outro,
por exemplo) . Como DP (B) = 20 e DP (C) = 10, e relembrando que ,
Var X =[DP (X)] 2
obtemos 400 = Var(B) = ' /ar( L + C) = Var(L) + 'v'ar(C) = ·var(L) + 100
.- . Var(L) = 300 e DP (L) = /300"'"' 17, 32g 1i

Observa<;ao. Atengao ! Como ERRAR este exercicio

L=B-C
Var (L) = Var(B - C) = Var (B) + Var (C)
ERRO: B e C nao sao indepenclentes 1

Exemplo 94. "Cm processo de fabricagao procluz pega.s com peso medio 30g
e desvio-padrao de 0,7 g. Essas pegas sao acondicionadas em pa.cotes de
uma dezena cada. A embalagern (para 10 pe<:;as!) pesa em media 40g com
variancia 2,25g2 . Qual a media e 0 desvio-pa.drao do peso total do pacote?
Solu~ao. Consiclere as seguintes variaveis aleat6rias:
X 'peso total do pa.cote'
-v-7

ii -v-7 'peso da 'i -esima pe<:;a, i = 1, ... , 10' Z -v-7 'peso da ernbalagem'.
Sabemos que
E (Z) = 40g E (1i) = 30g
·var ( Z) = 2, 25g2 DP (.Vi) = 0, 7

lx=f1~
I
+zl
i=l I
Assim, o peso medio total do pacote e dado por:
10 ) 10 10

T·
~ ,(X); = E (
~ 1i + Z = ~ E (Yi)+ E (Z) = ~ 30 + 40 = 340g

7 No entanto B e dependente com Le com C .

85
 Como

10 ) 10
Var X Var (
~Yi+ Z = ~ Var(Yi) + Var(Z)

Pela independencia do peso das pe<;as e do pacote

10
2.:)o, 7) 2 + 2, 25 = 7, 14g2
i=l

temos que
DP (X) = ~g ~ 2, 67g.
II
Observa~ao. Para IERRAR Ieste exercicio, considere as seguintes variaveis
aleat6rias
X """"' 'peso total do pacote';
Y """"' 'p eso de urna pe<;a';
Z """"' 'peso da ernbalagern.'.
En tao ,

X = lOY
~
+Z (2.4)
ERRO

0 erro e devido a que cada pec;a tern, potencialmente, a. sua pr6pria variavel
aleat6ria. peso e portanto o peso total nao e lOX e sim X 1 + X 2 + .. . + X 10 .
Usando a equac;ao (2.4) acima cometemos um ENGAl\O no valor do desvio
padra.o que passa a ter um valor superior ao seu verdadeiro valor:
independencia

Var (lOY + Z) =Var (lOY) +Var (Z)

= lOOVar(Y) + Var(Z)
= 100(0, 7)2 + 2.25 = 51 , 25g2
e portanto,

DP (101' + Z) = J.51. 25 = 7, 15g

. ',I'. '
I que e maior do que 2,67 g afirmado .
CQffiQ

'· E razoavel que o verdadeiro valor do desvio padrao seja inferior ao ap-
resentado na equa~ao (2.4) uma vez que, como cada pec;a tern o seu peso,

86
~ ~-================-===--==-===
- -=
- ========================
--~==-=-=
--=
--=--===---==
-~ --
=--==-==-~-
= --=
---==---

algumas podem estar mais pr6xirnas da media enquanto outras estejam mais
distantes . .\'a equa<;:ao (2.4) o que ocorre e que todas as pec;as tern o mesmo
peso, e assim, quanclo uma se afasta da media, todas se afastam, dando urna
contribuic;ao rnuit.o grande a. variancia, que depende do quadrado cla distancia
a media. ill

·.::" ' . ;

87
 -
-
2.12 Exercicios
Exercicio 95. Suponha que X tenha fdp : f(x) = 8/x 3 , x > 2 e J(x)
0, c.c .. Seja TV= (1/3)X. Calcule E (lY), sem empregar a fdp de TV .

Exercicio 96. uma caixa cantem 4 artigos bons e 2 defeituosos. Dois artigos
sao retirados sem reposic;ao. Seja X a V.A. que representa o rnimero . de
artigos bons retirados. Calcule a func;ao de probabilidade e a func;ao de
distribuic;ao acumulada de X.

Exercicio 97. 0 volume de vendas de uma empresa, em centenas de milhares

de reais, e uma V.A. cuja furn;ao de densidade e dada por:

· ( x, para 0 < x < 1

f (x:) = ' k, para 1 ::; x <2
l 0, para outros valores de x

(a) determine o valor da constante k; (b) represente graficamente a func;ao

densidade de probabilidade; (c) Calcule P(X > E (X)); (d) Determine a
func;ao de distri buic;ao acumulada de X e, (e) represente-a graficamente.

Exercicio 98. 0 tempo de espera (em minutos) entre duas chamaclas telefonicas
em uma certa central telefOnica e uma F.A. com fdp dada por:

f(t) = {e-t, para t > 0

0, para t ::; 0

Qual a probabilidade de que o tempo entre duas chamadas seja: (a) inferior
a 4 minutos? (b) superior a 10 minutos?

Exercicio 99. Xe uma V.A. cuja distribuigao de probabilidade e dada por:

X = :l~i 1 I ? 3 4 I 5 outros
J(xi) 3/20 I 4/20 8/20 4/20 I 1;20 o

.I
a) Qual o no me da fun gap .f (xi)?
, (

b) Calcule a fungao de distribuic;ao acumulada da V.A. X.

c) Calcule E (X) e Var (X) .

88
. . . ._ .:=-=-=-:..:·==-=-=-=··=
--=--=-=-==-=-======-=-=-=-=-=====-:.-.:. ··=
:.:.- =
--=·==-=--=-=-=-==--=-=-=-=·-:_-=-==--=-~-=========================-·=
··-=-:::===·=-=
·------

Exercido 100. Seja X uma V.A. continua com fdp dacla por:

ax. para. 0 S x < 1

f(x) =
CL. ,~a~~., 1 S :r < 2
{ - (.1,.X , oa., para 2 S x < :3
\. 0, c.c.

a) determine a constante a; b) Calcule E (X).

.-.. Exercicio 101. 0 tempo T, em minutos, necessario para um operario pro-

cessar certa pec;a, e uma V.A. com a seguinte distribuic;ao de probabilidade:

3 I 4 o 6 7 ou tros
0,1 0,3 I 0,2 0,2 / 0,1 / 0

a) Calcule o tempo medio de processamento.

b) Para cada pec;a processada, o operario ganha uma quantia fixa de 2,00
u .m . ( cluas uniclades monetarias), mas se ele processa a pec;a em menos de
6 m inutos, ganha 0,50 tun . por cada minuto poupaclo. Por exemplo, se ele
processa a pec;a em 4 minutos, recebe a quantia adicional de 1,00 u.m.
Encontre a distribuigao, a media e a variancia da V.A. G, a quantia em
u.rn. ganh a por pec;a.

Exerdcio 102. Uma certa liga e forrnada, combinando a mistura funclida

de dois meta.is. A liga resultante contem uma certa pe rcentagem de chumbo,
X, que pode ser considerada uma v.a. com fdp:

.f(x) = (3/0)10- 5 x(IOO - :r), se 0 S :TS 100

Suponha que L , o lucro liquido obtido na vencla clesta liga (por unidade de
peso) , e a seguinte func;ao da percentagem de chumbo : L = C'1 + C'2 X, onde
C'1 e C.2 sao constantes. Calcule a E ( L) (= lucro esperado por unidade de
peso) .

Exerdcio 103. 0 espa<;o amostral de urn experimento aleat6rio e dado

pelo conjunto {a, b, c, cl, e, .f}, e cacla resultado e igualmente provavel. Uma
variavel aleat6ria (VA.) X e clefinida pela tabela abaixo:
I\ ' ,'~
R.esultado J a Ib c d elf
x 1010 1,5 1,5 2I3

89
a) Determine a fun<;;ao de pro babiliclade de X;
b) Determine as seguintes probabilidades: bl) P(X = 1; 5) ; b2) P(O , 5 <
X < 2, 7); b3) P(X > 3) ; b4) P(O :S X < 2) .

Exercicio 104. lim processo de fabricac;ao produz pe<;;as com peso rnedio
de 20 g. Essas pec;as sao acop.dicionadas em pacotes de uma dezena cacla. A
embalagem pesa em media 50 g. Qual a media do peso total do pacote? .

Exercfcio 105. Considere a V.A. continua X, com fdp dada por:

f(x) = { (1/2)x, para 0 < :r <2

0, c.c.

a) Mostre que se trata efetivamente de uma fdp e fac;a a sua representa<;;ao

grafica.
b) Determine a furn;ao de distribui<;;ao acumulada de X e represente-a
graficamente.
c) Calcule: cl) P(X:::; 1); c2) P(l/4 < X:::; 1/2); c3) P(X > 3/2) .

90
,....,_ - .

,. . . ._ ===-.::-=-=··=
--==-=··===-=--==··-=·==-=··-=-=-=-=--=----==--=---=·==-=·-=-=-=-==========================================·=--=
·-=-·=-=·==·-=--=-=·==--=--==
· --·-·

Capitulo 3

Modelos Probabilisticos de
Variaveis Aleatorias Discretas

Neste capitulo apresentaremos algumas classes de vanaveis aleat6rias

discretas que passarn a ser considerados modelos probabilisticos de situa96es
concretas. Trataremos da distribui~ao de Bernoulli, da binomial, da geome-
trica, da binomial negativa e da clistribui~· ao de Poisson. Todas estas sao
relacionaclas. Urn dos objetivos de se conhecer estes modelos e reconhece-los
em situa95es praticas e empregar as conclus5es pertinentes que eles permitem
ao problema espedfico que se esta a considerar.

3,1 Distribui~ao de Bernoulli

A distribuic:;ao de Bernoulli trata de experimentos simples no qual apenas
2 resultaclos e:xistern, como, por exemplo, quando:

a) Uma moeda e larn;ada e o result ado e cara ou coroa 1 .

b) L ma pe(a e escolhida ao acaso de um lote com 300 pegas e discrirnina-se
Se esta e clefeituosa OU perfeita (nao-defeituosa).

1
Talvez aqui se possa pensar que a moeda pode cair de ' quina' ; a teoria da probabiliclade
e capaz de incluir esta. situa<;ao, mas seria muito no presente momento e assumimos entao
:· ~: :; ~ .. \ '• . a sittia.gao ,~ deal que a posii;ao final da. mo eda s6 e cara ou coroa. Isto e a.nalogo, no estudo
da queda de um corpo, a assumir que nao ha atrito do ar ou, o que e o mesmo, que assumir
que a queda se da no vacuo.

91
 c) Um dado e lan<_;ado e pode sair a face com o rnimero 6 ou alguma das
outras faces (sai 6 ou rtao sai 6).
d) Uma pessoa e escolhida ao acaso em um grupo de 500 e ela e ou nao
do sexo feminino.
Pela conveniencia de clarificar o raciocinio muitas vezes classifica-se o
result ado em sucesso ou em fracasso (falha, insucesso). For exemplo, se v9ce
esta apostando que sai cara., entao 'sair cara' e sucesso e o evento 'sair coroa'
e fracasso. Associamos a estes experimentos simples uma variavel aleatoria
X que assume apenas 2 valores:
X = 1, se ocorre SUCESSO
X = 0, se ocorre FRACASSO
fodicaremos por p a probabilidade de S'UCesso, isto e:
P(X = 1) = P ('Sucesso') = p, 0 :; p:; 1
e, assim, a pro babilidade de fracasso (a probabilidade do complementar) e
P(X = 0) = P ('Fracasso')= 1 - p,
que e usualmente representada pela letra q = 1 - p.
Defini<_:;ao 106. Dizemos que uma variavel aleat6ria tern uma distrib'Uit;ao de
Berno'Ulli (ou e uma varirivel aleat6ria de Berno-ulli) com parametro p (0 :;
p :; 1) se X assume somente os valores 0 e l com furn;ao de probabilidade:
xx = 0 l
P(X=x) (1 -p) \P
Usa-se a notac;ao X rv Ber(p) que se le, X tern distribuic;ao de Bernoulli
com parametro p. Experimentos que resultam em uma variavel aleat6ria de
Bernoulli sao conhecidos como ensaio.s de Berno ulli.
I --
Teorema 107. Seja X urna variavel de Bernoulli com parametro p . Entao:
a) E (X) = p; ) -
b) Var(X) = p (l - p) = pq;
c) a = DP (X) = JVar(X) = Jp( l - p);
d) A func;ao distribuic;ao de probabilidade e:
O, sex< O
. ,; Fx(x) = 1 - p, se O:; x<l
{
1, sex> 1
: -
92
) -
,..........,,, ~- - -

---- ---------- - - - -- ---------- - ---- - --·--------- -- - - -~ - - - · - - - -- - -- -- - ---- ··-

Ip
l-p &I.il - --

x
...............

Figura 3.1: Furn;ao distribuigao de probabilidade da distribuigao de Bernoulli

D emonstra~ao . De fato ,
a) E (X) = 1 · p+0 · (1 - p) = p,
b) E (X 2 ) = 12 ·p+02 · (1 -p) =p
==? Var(X ) = E (X 2 ) - (E (X)) = p - p = p( l - p) = pq
2 2

E xemplo 108. Considere o experimento 'langar um dado ' e os eventos:

( sucesso: 'sai 6'

l insucesso: 'sai qualquer out ro valor'

Seja X a variavel aleat6ria associada. Determine a fum;ao de probabili-

dade de X , a esperarn;a E (X), a variancia Var (X) ea fungao distribuigao
acumulada.
Solm;ao. X e uma variavel aleat6ria de Bernoulli com pararnetro p =
_:' _P ('Sµcesso' ) = P (' sair 6') = t'
e sua func;ao de probabilidade e clada pela
"[· ·~. ·
tabela abaixo
J.' _,_: ,_,_,-. ·;· - -:;
)( = x 0 1
P (X = x) 5/6 1/6

93
 f(x)

-
)

5
/ 61_' 116{ -

______,_r---------1 ___ ________________________ _____.

x

Figura 3.2: Fungao distribui~ao acumulada de sair um seis.

A esperan~a e
1
E (X) p= -
6
e a variancia e
- ("''--v)
\ iar =
(-
p 1- p =
) 61 . 60 = 5
36
A fungao distribuigao acumulada e dada por:
0, se ;T <0
Fx(:r) = 5/6 , se 0::; ;r < 1
{
1, sex> 1

3.2 Distribui<_;ao Binomial

Considere o experimento que consiste em repetir n vezes um ensaio de
Bernoulli e assuma que esses n ensaios sao indepenclentes (diz-se que se obtem

94
 --- - -------~--- --· --

uma arnostra de tarnanho rt de uma distribui<;ao cle Bernoulli). Considere a

variavel aleat6ria que conta o numero de sucessos .

Exemplo 109. Repetinclo 5 vezes urn ensaio de Bernoulli (n 5), uma

possibilidade e que tenhamos 0 resultaclo:

FSSFS OU (0, 1, 1, 0, 1)

onde F denota fracasso e S sucesso. Assim,

P(FS'SFS) = P()( 1 = O; )C2 = 1; X 3 = 1; )(4 = O; _,y5 = 1)

e coma os eventos sao independentes, a probabilidade da intersec;ao e o pro-
duto <las probabilidades

P(FSSFS) = P(X1 = O) · P(X2 = 1) · P(X3 = 1) · P(X4 = 0) · P(X5 = 1)

= q . p . p . q . p = p3 q2 = p3 ( 1 - p) 2

Note que o resultado e igual ao obtido acima sempre que o evento for con-
stituiclo por 3 sucessos e 2 fracassos , nao importando a ordem em que os
sucessos e os fracassos ocorram,

P(FFSSS) = P(FSFSS) = ... = P(SSSFF) = P:3 (1- P) 2

Exemplo 110. Considere o nurnero de caras em 3 larn;amentos de mna

moecla. Considere .sair cara um sucesso e sair coma um fracasso. Denote por

C -v-+ 'cara' e J( -v-+ 'coroa'

Seja pa probabilidade de sair cara em um lanc;amento, e assuma que se trata

de uma moeda viC'ia da, isto e, que

p = P(C) /= P(K) = q

· Na tabela abaixo temos a fungao de probabilidade da variavel aleat6ria

,,.-t
i'. ;, .. ' ,, ·~ • 1:·
X -v-+ '11° de sucessos em 3 tentativas'

95
 X 'nQ de
-v-+ Eventos I Probabilidades Sep= q = 1/2
sucessos' (viciada) (moeda nao-viciada)
J·(KK
0 q3 1/8
FFF

1
CKK KCK KKC
3pq2
.
3/8
SFF FSF FFS
CCK CKC KCC
2 3p2q 3/8
SSF SFS FSS
CCC
3 p3 1/8
SSS

- Por que a probabilidade e "3pq 2" quando X = l? 0 evento (X = 1] pode

ser 'decomposto' em 3 eventos disjuntos, com a mesma probabilidade pq 2

P(X = 1) = P({SFF, FSF, FFS})

eventos disjuntos

= P(SFF) + P(FSF) + P(FFS)

= pqq + qpq + qqp = 3pq2

Ill
Caso geral. Em geral, seja X uma variavel aleat6ria que representa o
numero de sucessos em n ensaios de Bernoulli (independentes) :

Os valores poss:fveis de X sao: 0, 1, 2, 3, ... , n

(Ha. portanto n+ 1 valores ou possibilidacles para X). Assuma que P(S) = p.

Queremos calcular P(X = k). Uma possibilidade e ter k sucessos seguidos
de n - k fracassos:
/ .

96
I -

\ -
 Qualquer seqiiencia com n resultados de ensa.ios de Bernoulli, contendo k
sucessos (e n - k fracassos) tern a mesma pro babilidade de ocorrencia:

Mas quantas sequencias eu tenho? Basta saber de quantas rnaneiras posso

ocupar k lug ares (os sucessos) em n lug ares disponf veis na sequencia (de
cornprimento n). Isto e, den posi<;oes poss:lveis, 1, 2, . . . , n quero escolher k.
As restantes posi<;6es, n - k, sao ocupadas por fracassos. 0 numero total de
possibilidades e dado pela combinagao de n elementos tomados k a k,
I
ck= n.
n k!(n - k)!

Assim:
P(.X = k) = C~pkqn-k, k = 0, 1, 2, ... , n
onde n! = n .(n-1).(n - 2) . . . 3.2.1. E tambem comum a notaga,o dos nii:meros
binorniais, ( ~) = c~ .
Defini<;;ao 111. Chama-se experimento binomial ao experimento que:

(i) consiste de n ensaios independentes de Bernoulli;

(ii) a probabilidade de sucesso em cacla ensaio e sempre igual a p;

(iii) se quer saber o numero de sucessos.

A variavel aleat6ria X "'"'"" 'numero de sucessos', e chamada de variavel bino-

mial com parametros (n,p) e e representada por X rv B'in(n,p), que se le X
tern distribui<;ao binomial de pararnetros n e p. A fungao de proba.bilidacle
de uma variavel aleat6ria binomial e:

f(k) = P(X = k) = (~)pkqn -\ k = 0, 1, 2 ... n

· _Obs~rvai;ao. 0 nome da distribuigao binomial vem do binomio de Nevvton:

r·
/, .1,'. ;' .'·· ;"'\ ••· • 1:·

97
 Noh~ que se substituirrnos a por p e b por q no binomio de Ne\vton obtemos

para o k-esimo termo do somat6rio, P(X = k) = pk(l - pr-A:(~). Assim,

como o lado esquerdo e1 = (p +qr, obtemos

1 = P(X = 0) + P(X = 1) + · · · + P(X = n)

Sao comuns tambem as notar;oes X: Bin(n,p) e X --7 Bin(n,p) .

Teorerna 112. Seja X""' Bin(n,p). Entao E (X) = np e Var (X) = npq.

Demonstra<;ao. Seja X'"" Bin(n,p), e seja )C,

· { 1. se ocorrer sucesso
Xi -v--7 'Bernoulli' """" ' . , . .
0, se ocorrer fracasso no ·i-es1mo ensa10

Assim, X = L~=l Xi, com X-; independentes. Calculando temos:

I n \ n
E (X) = E ( ~ X; J = 2= E ()C) = np
\ i=l J i=l '---.,.-.-'
p

n ) n n
Var (X) =Var (
~X; =~Var (Xi)= ~pq = npq

Teorema 113. Se X 1 e X 2 sao vanaveis binomiais independentes, com

parametros (n1 ,p), (n 2,p), (em particular, X 1 e X 2 tern a mesma proba-
bilidade de sucesso)

X1 rv· Bin(n1,P)
X2 ""' Bin(n2,P)

,; entao X 1 + "\2 tambem e binomial, com parametros (n1 + n2,P),

98
,---., ::.:. ::::.:__:__=-=-==--=-=-===-===--=-=--=--=-==-===-=-=·==-=--=-==-==-=·=
--====·-=-==-=·-.·. .·-:.======-=========================--=-::..:-:. :·:-: .-=-=--==
. ---··-

Exemplo 114. Uma agencia de publiciclade afirma que 40% clas donas de
casa que recebem a visita de um vendedor de enciclopedias, acabam por
encornendar urna. a) De 12 donas de casa que recebern a visita, qua.l a
probabilidade de:

1) ::\ o maxima 3 encomendarem a enciclapedia?

a) :\a minima 5 encomendarem a enciclapedia?

b) Se a vendedar canseguir abardar 100 donas de casa em uma semana,

quantas enciclapedias espera ele vender?

Solrn;ao. 1) Considere a variavel aleat6ria .X -v--7 '11(1mero de encomendas de

enciclopedia'; cada encomenda representa um sucesso. Entaa, reconhecemos
que
X "' Bin(l2; 0, 4)
uma vez que o 'nQ de tentativas' = 'nQ donas de casa abordadas' = 12 e a
'probabilidade de sucesso em cada tentativa' = 0,4.
A encomenda de no maxima 3 enciclopedias e traduzida por X _::; 3. Ou
seja, considere o evento A -v--7 'em 12 visitas, no maxima 3 encomenda.m a
enciclopedia'; o evento A e equivalente ao evento [X _::; 3). Assim , a proba-
bilidade do evento senclo consiclerado e

P(X _::; ;3) = P(X = 0) + P(X = 1) + P(X = 2) + P (X = 3)

Agora e s6 relembrar a formula

P(.X _::; 3) = C~2 (0, 4) 0 (0, 6) 12 + Ci2 (0, 4) 1 (0, 6) 11 + Cf2 (0, 4) 2 (0, 6) 10 + Ci32 (0, 4) 3 (0, 6) 9
,--..; 0,2254

a) Neste ca.so, queremos P(X 2: 5). Para climinuir o n(1mero de contas a

,, realizar usa-se a camplementar:

.P(X 2: 5) = 1 - P(X < 5) = 1 - [P(X _::; 3) + P(X = 4)]

c::= 1 - [O, 2254 + 0, 2128] c::= 0, 5616

99
b) Seja 1r """' 'numero de enciclopedias que ele vende em 100 visitas' (numero
de sucessos em 100 tentativas).
Para cada tentativa, a probabilidade de sucesso e = 0, 41. Assim, Ip
Bin(~;~
n p

Como quero uma media, vou calcular a esperarn;a:

IE CV) =n · p I= 100 · 0, 4 =40 enciclopedias

Exemplo 115. Um fabricante de refrigerantes resolveu larn;;ar uma cam-
panha publicita.ria oferecendo premios impressos nas latas de refrigerante.
Durante a campanha, 5% das latas distribuidas para venda tinham premios.
Ao adquirir 15 latas, qual a probabilidade de se receber pelo menos urn
premio?
Solw:;ao. Seja X """' 'numero de latas premiadas na amostra de 15 1atas' . E
claro que IX ·""'
Bin(15; 0, 05) I·
Estamos interessados em calcular a :probabilidade do evento B """' 'pelo
menos uma 1ata premiada em 15 latas'. E claro que o evento B eequivalente
ao evento [X 2 1] . Ou seja,

P(X 2 1) = 'probabilidade de que pelo rnenos urna lata e premiada'

Assim, pelo complementar, I -

P(X 2 1) =1 - P(X < 1) 1 - P(X = 0) =

= 1 - C~5 p 0 (1 - p) .s = 1 - C~.s(O, 05) 0 (0 , 95) 1.s
1

'.: : :' 1 - 0, 4633 '.: : :' 0, 5:367

Resposta. A probabilidade de que pelo menos uma lata e premiada quando

se compram 15 latas, e 0, 5367 ·"-' 0, 54 = 54%. lii'l

3.3 Distribuicao Geometrica

-"'

Realiza-se um experimeIJ.tO E. 0 interesse e na ocorrencia de algum

evento A. Aclmita que um experimento E e realizado repeticlamente e que

100

) -
 as repeti<;oes sao inclepenclentes e que; em cada repetigao :

SUCESSO FRACASSO
P(A) = p P(Ac) = 1 - p = q

(i.e., temos repeti<_;6es de ensaios de Bernoulli todos iguais e inclepenclentes) .

Suponha que o experimento e repeticlo ate qne o evento A ocorra pela 1;i vez .
Define-se a variavel aleat6ria
X ~ 'mimero d e repeti<;oes necessarias do experimento ate a 1;i ocorrencia
de A, incluindo o experimento em que A ocorr<,;.

Exemplo 116. a) Calcule P(X = 3). b) Cakule P(X = k).

Solw;;ao. a) 0 evento X = 3 pocle ser descrito como

A nao ocorre na 1a tentativa,

A nao ocorre na 2a .tentativa e
{
A ocorre na 3a tentativa.

Entao,
P(X = 3) = P(F na 1il, F na 2'\ S na 3") = P(F) · P(F ) · P(S)
=(1 - p)(l - p)p = (1 - p) 2p

onde p = P(A.) ea probabilidade de sucesso do evento A.

b) Em geral I P(X = k) = (1 - p)k-l p I·

Definit;;ao 117. U ma variavel aleat6ria X euma variavel aleat6ria geometrica2

se e discre ta e assume os valores:

1,2,3,4 ...

com fun<_;ao de probabilidade

f(k) = P(X = k) = {pqk-1, k= 1,,2~3 ...

0, caso contrano

A n~ta<;ao usual e X ,...., Geo(p) .

~·, I' ' , \.
·~
defini~ao pode variar dependendo da referencia;
a.s vezes edefinida como o i1umero
/, 1.: ;, : ',, - \:·
2 Esta

de fracassos ant es do 19 sucesso . Neste caso assumiria valores a partir de zero.

101
 0 0 (zero) nao faz parte qos valores que a geometrica assume porque nao
ha como ter sucesso sem que haja experimento.
Observa<;oes. 1) X denota o rnimero de ensaios (experimentos) necessarios
ate a ocorrencia (inclusive) do lg sucesso. X e tambem referida como o
tempo de espera ate que ocorra um sucesso.
2) E (X) = ~
p
e Var (X) = ~)
p-
(verifique est.as afirmac;6es).

Exemp lo 118. Em uma cicj.ade, vendem-se, semanalmente, 10 5 , 100 mil bi-

lhetes de loteria municipal Determine o tempo media (em semanas) para
um apostador ganhar. Determine tambem o desvio padrao.

SolU<;ao. Seja X ~ 'tempo de espera ate ganhar'. Entao X tern distribuic;ao

1
pois p = -_ = 10- 5 . 0 tempo medio e dado por:
10'='

\,T) =
E (j\. -
1 = 105
10-5

0 tempo medio ate ganhar e 100 mil semanas, e 0 desvio padrao e tambem
de 100 mil semanas,

(J \/Var (X) = . ~= /
v~
1
-
10 5
10-10
- ~ 10 5

Exemplo 119 . Uma caixa contem 6 bolas vermelhas e 5 brancas. Extrai-se

sucessivamente e com reposicao 6 bolas. Determine a probabilidade de que
a 6° bola extrafda seja a 1" bola branca a aparecer.

Solm;;ao. Seja X 'v'-7 'ntm1ero de retiradas de bola ate a retirada da 1~ bola

branca'; entao,
Ix rv Geo(5/11) I
P(X=6)=pq5= (151) (161)5 = 51·1~5 ~0,0219

102
-··---- ----- ---·-- ------ --·- ·- -- - - - ·- - - · - - ····- - --- - - - · - -- -·--- - - - - - --- ···-

3.4 Distribui~ao Binomial N egativa

A distribuigao binomial negativa e uma generalizagiio da geornetrica onde
se quer saber o n(1mero de experimentos ate se conseguir k .sucessos (k 2: 1).
Experimentos/ensaios de Bernoulli sao realizados seguidamente ate a k-
esirna ocorrencia do even to A (sucesso). Seja X a variavel a.leat6ria que
representa o n umero de ensaios ate que o evento A ocorra k veze.c;.
Assim, [X = n] significa que A ocorre no n -esimo ensaio e que A tambern
tenha ocorrido (k - 1) vezes nos (n - 1) ensaios anteriores. Por argumentos
de analise combinat6ria.,

(:3.1)

Definii:;ao 120. X tem distribuigao binomial negativa se sua furn;ao de pro-

babilidade e dacla por

f (n) = P( A = n) = {C1~=i pk qn-k para n = k, k + 1, k + 2, . ..

~ · 0, caso contrario

onde X representa o numero de repetig6es necessarias do ensaio ate a ocorrencia

de k sucessos. A notagao usual e X rv B N (k, p)
Observai:;oes. 1) A geometrica e um caso particular da binomial negativa
quando k = L Em simbolos: Geo(p) rv BN(l,p) .
2) Diz-se de X que e o tempo de espera (discreto) ate a ocorrencia do k-esimo
sucesso.
k ( -,,r)
3) E (X) = ~, r
\ 'ar ./1. = -kq
p2
p
Exemplo 121. Consiclere uma caixa que contem 6 bolas vermelhas e 5 bra.n-
cas. Calcule a probabilidacle de que na 7'" extrac;ao, com reposic;ao , se obtenha
exatamente a 3;i bola branca.
Solm;ao. Seja X o numero de bolas extraiclas ate a ocorrencia da 3il bola
branca. Entao j X rv B N(:3; 5/11) [ e usamos a equac;ao (3 .1) com n = 7 e
k = 3,

.... ~-- . :~
P(X = 7) Cl col) 3~k C61) 4~n-k ~ 0, 1247.
5 6
on cl e p = 11 eq= 11
.

103
3.5 Distribui<;ao de Poisson
A distribuic;ao de Poisson elargamente utilizada quando se deseja contar o
n11mero de eventos de um certo tipo que ocorrem em um intervalo de tempo ,
em um pedac;o de uma superficie, em um volume, etc. (quando estes sao
raros no sentido do teorema 125 mais acliante).

Defini<_;ao 122. Uma variavel aleat6ria X assuminclo valores 0, 1, 2, 3, .. ·. e

de Poisson com parametros /\ > 0, se sua fun<;ao de probabilidade e clacla
por:
)..ke-A.
P(X =k)= ~'para k=0,1,2,3, ... (3.2)
{
0, caso contrario
A notagao usual e X '"" Pois(>.) e diz-se que X tern distribuic;ao de Poisson
com parametro >..

Exemplos do uso da Poisson

a) 0 n{nnero de acidentes fatais de transito em uma rodovia;

b) 0 numero de particulas emitidas por uma substancia radioativa por

unidade de tempo;

c) 0 numero de meteoritos que colidem com um satelite durante sua

operac;ao;

cl) 0 n{unero de chamadas telefOnicas por hora que chega a uma central;

e) 0 numero de bacterias por unidade de volume em um fiuido;

f) 0 n{1mero de defeitos em um fio por unidade de comprimento.

Nestes casos, >. representa o m/,mero media de ocorrencias de tais eventos no

intervalo ou conjunto considerado.
Observa-;oes. 1) A variavel aleat6ria discreta que conta o 11{1mero de
ocorrencias por unidade de tempo - ou em um conjunto - segue uma
distribuic;ao de Poisson qua:q.do se verificam as 3 condi<;oes abaixo:

i) o n{1mero de ocorrencias registrado em cada subintervalo (ou subcon-

junto) sao independentes entre si;

104

) '°'
,....,, --- -·-

- ------- - -- . - ----- -~- ~- - - ------ ·----- --~ ------ --- ------ -------·- -- ---. -- - - -

rp(i)=P(Y=i)

,. ..
i
................... .. . .. ... ·· ···- ... . . ... . ·----·-···--·· I> ··········-· · ·--···············---- ----- -----·-·····- ······-·- .. ·-·-····
0 1 2 3 4 5 6 7 8 9 10111213141516171819
I 2 J 456789IOll12!31415161Jl8l9

a) b)

Figura 3.3 : Furn,:ao distribuic;ao de Poisson.

ii) a distribui<;ao do numero de ocorrencias em cada subintervalo e a

mesma para todos eles e e proporcional ao comprimento (tamanho ou
medida do conjunto);

iii) a probabilidade de mais do que uma ocorrencia em um sub-intervalo e

nula.

2) :'.\ote que de fato a equac;ao (3.2) define uma furn;ao de probabilidade uma
vez que :

(X) x >,k 00 ~k
~
L.,
P( y = k)
~-·
" \ = L.,
v -k! · e-/\ = e- A ~ /
L., -k! = e0 = 1
k=O k=O k=O
;-----;

= e>-

3) E (X) = >., Var(X) = /\ (como exerdcio verifique estas propriedades).

4) Importante . Se a media disponivel para um conjunto/intervalo cle tama-
nho h for>., entao para um conjunto/intervalo de tamanho H, a media/taxa
-de ocorrencia e diretamente proporcional ao seu tamanho , isto e,
T1' · .-
I.: ..; •.. ;"\ ,l

105
 - ---·--- - ---· - - - ----- - - - -- - -- --- ------------- - - - ·- -- ~-- - - - - --

.·-··· ..... ·······-···-··· -·· ··· -··· - - - ··- -····-·····--····-·-- ···-···-·-· ··1
i
I
p(i)=P(Y=i) p(1l=PC<"')

I
.. " . ''
.. ,. " t t i- .;. .;. t - t -t ~ + t - ... t .. + -

I 2 3 4 S 6 1 3 9 10ll l213l4l;t61718 19
··-····-··-·····-····---·-..- - .. ·-·-·-··-
0 I 2 3 4; 6 7 8 9 10111213H15161il819
···········-·--·········--·L....
Ii
I
a) b) I
... _________ _!
Figura 3.3: Func:ao distribuic_;;ao de Poisson.

ii) a distribuigao do nfonero de ocorrencias em cada subintervalo e a

mesma para todos eles e e proporcional ao cornprimento (tamanho ou
medida do conjunto);

iii) a probabilidade de mais do que uma ocorrencia em um sub-intervalo e

nula.

2) l\ote que de fato a equaga,o (3 .2) define uma func:ao de probabilidade uma
vez que :

'°'
co

L.,
P( X
'
= k) =
x

L., k!
.>,k
v - · e-A = e--' L.,
'
00 ~k
-/
k!
= e0 = 1
k=O k=O k=O
,__ ___,

3) E (X) = /\ Var(X) = /\ (co mo exerc:lcio verifique estas proprieclacles) .

4) Importante. Se a media clisponivel para um conjunto/intervalo de tama-
nho h for/\, entao para um conjunto/intervalo de tamanho H. a media/taxa
. -de o-correncia e cliretamente proporcional ao seu tamanho , isto e,
T· ~~ ;, ~ ,, ·. . <; :7
H
Anovo =A· -
h

105
 Exemplo 123. Um departamento de conserto de maquinas recebe uma
media de 5 chamadas telef6nicas por hora.
a) A probabilidade de que; em um intervalo de 1 hora escolhido aleatori-
amente, sejam recebiclas exatamente 3 chamadas e:
Ake-Al 53e-5
P(X = 3) = -k,- = ~ ~ 0, 1404.
· A=5; k=3 ·

b) Calcule a probabilidade de que menos do que 3 chamadas sejam rece-

bidas neste intervalo de t empo .
Solm:;ao.

P(X < 3) = P(X = 0) + P(X = 1) + P(X = 2)

5- e- 1 51 e- 5 52 e- 5
- - rn- + -1!- _L - -
I 2!
~ 0 1246
)

Exemplo 124. Um PBX recebe uma media de 5 chamadas por minuto.

Supondo que o mimero de chamadas que chegam constitua uma distribui<;ao
I ,.--._
de Poisson, calcule as probabilidades:
a) que o PBX nao recebq, chamadas durante 1 minuto :
b) de se obter no maximo 2 chamadas em 4 minutos:
Solm;;ao. a) Por hip6tese,

X'"" Pois(5)

e o evento de interesse e que o 'rnimero de chamadas e nulo', isto e, [X =OJ.

J ~

Assim, querernos calcular

b) 0 rnimero de chamadas em 4 minutos, Y, emodelado por uma distribui<;ao

de Poisson, :v'"" Pois(/\novo), com/\ novo = A · ~ = 5 · = 20 isto e, t
Iy rv Pois(20)

A pergunta entao pede o calculo de P(Y ~ 2),

i ---.,
P(Y ~ 2) = P(Y = 0) + P(Y = 1) + P(1' = 2)
., .. ~

I ~

106

) ~
-.... ------

,,..... ::::.:_:::·-:..::..::
- -==-=-.:-:___-=-.:_=======-
===
·-·--======================================
- --==-
=--
==--====
-- =========-~==--==-
===
---==-==
-----

A distribuiGaO de Poisson pode aproximar a binomial, ern certas CII-

cunstancias . :VIais precisamente, temos o seguinte teorema.
Teorema 125. Seja X uma variavel aleat6ria binomial com parametros n e
p, isto e,
P(X = k) = C~pk(l - pyn-k, k = 0, 1,2, ... ,n.
Assuma que n --+ oo e p --+ 0 de tal forma que np --+ ,\. Ent ao

\k e->- I
lim P(X = k) = - / --
n-+x k!

Observa<;oes. 1) Sirnbolicamente, podemos escrever,

Bin(n,p)--+ Pois(,\),quando n--+ oo, e p--+ 0

sujeitos a concligao que np--+ ,\ .
Isto e, a distribuigao de Poisson e urn caso limite da distribuiGao binomial
quando n e grande e a probabilidade de sucesso p ~ >fn, for pequena (uma
vez que ,\ e finit o e n e grande) .
2) A aproximagao da distribui<;ao binomial pela Poisson e razoavel quando
n e grande, n 2: 20, e p pequeno, de tal forma que I np :::=; 71. Neste caso, ao
inves de usar a distribuiga.o binomial no calculo de probabilidades, usa-se a
Poisson com parametro /\ = np .
Exemplo 126. Uma companhia de seguros esta consiclerando a inclusao da
cobertura de mna doen<;a genetica relativamente rara em um seguro sal'.1de.
A probabiliclacle de um inclividuo selecionado aleatoriamente na populagao
ser portaclor da cloenga e 0,001. Um total de 3.000 pessoas estao incluidas
no grupo segurado.
a) Qual 0 numero esperado de pessoas no grupo que eportador da doern:;a?
b) Qual a probabilidade de que ning11em do grupo tenha a doern;a ?
c) Calcule a. probabilidade de que entre 10 e 15 pessoas sejam portadores
cla cloern,:a?
Solm;;ao. a) Seja X a variavel aleat6ria que representa o rnimero de pessoas
,. que sejam portadores da cloenc;a. Pecle-se a esperanc;a de X,
·~. '
~: , .·' ·. . X rv Bin( 0,001
~
nQ de tent ativas prob. de sucesso

107
onde n = 3000 representa o rnimero de individuos (tentativas) e p = 0, 001
represent a a probabilidade ser portador da doern:;a (probabilidade de sucesso).
Enta.o,

E (X) = np = 3

b) Ninguem ter a doern;a significa X = 0. Assim, queremos calcular P(X =

0). Podemos utilizar a aproximagao da binomial pela Poisson, ja que n' =
3.000 > 20 e ,\ = 3 < 7,
>,k e->- 3o e-3
P(X = 0) ~ I = - . 1 - '.'.:::'. 0,04979.
k. 0
I ~.

Podemos comparar este resultado com o verdadeiro valor que e

P(X = 0) = CfoooPo(l - p)3000 = (1 - p)3000 = (0, 999)3000 '.'.: :'. 0, 04971

Resposta. A chance que nenhuma das pessoas seja portadoras da doenga e

0,0498 ou, aproximadamente, 5%.
c) Sern a aproximac;ao fornecida acima, devemos calcular,

I ,-
ou, com a aproximac;ao,

I ~

I '"'

) ~

onde A = np = 3. A 'parentetizagao' acima apresentada corresponde a uma

1
aplicagao do algoritmo de Horner para a avaliac;ao da func;ao em questao,
·,comegando a avaliagao pela operac;ao indicacla no parentesis mais interno;
fornece um algoritmo mais rapido e preciso.

108

i -

! ~
 3.6 Comentarios Finc;ds
Neste capitulo foram apresentadas cinco dist ribui<;oes chscretas de proba-
bilidade, nomeadamente:

a) distribui<;ao de Bernoulli;

b) distribui<;ao binomial;

c) d i stribui~: a.o geometrica;

d) distribui<;ao binomial negativa;

e) distribui<;ao de Poisson .

Estas estao relacionadas da seguinte forma:

e a binomial e uma soma de Bernoulli's;

e a geometrica e o tempo de espera ate a ocorrencia do 1Q sucesso em
ensaios de Bernoulli. Assim, a binomial negativa e um caso particular
cla geometrica.

ifl a binomial negativa e 0 tempo de espera ate a ocorrencia de k (k 2:: 1)

sucessos em ensaios de Bernoulli;

e a distribui<;ao de Poisson e um caso limite da binomial, como expresso

no Teorema 125 .

0 caso limite correspondente a geometrica, a distribui<;ao exponenciaL

sera tratada no pr6ximo capitulo. Ja. o ca.so limite da binomial negativa , a
garna, nao sera tra.tado nestas notas.
Um aspecto ext.rernarnente relevante que cabe aqui consiclerar ea questao
da modelagem matemlitica de fenomenos aleat6rios.
Uma forma de modelar fenornenos naturais ou artificiais e construindo
teorias mat ernaticas relevant.es . Ora, isso pode ser muito clificil. Uma outra
posi<;ao e, conhecendo-se classes de modelos matematicos, selecionar uma que
possa ser considerada adequada para tratar cla situa<";ao em questao. A este
proc.edin ento chama-se caracterizar;ii.o do modelo .
-S~po~1hamos que venhamos a larn;.ar 20 vezes uma moecla; que desconhe-
cemos se e viciacla. Seja X o numero de caras que venham a result ar. Ao

109
 dizermos que x rv Bin(20, p)' para algum valor de p, estamos, Segundo a
terminologia introduzida, caracterizando o modelo.
Se conhecermos o ·valor de p podemos, conforme apresentado neste capitulo,
calcular a probabilidacle de eventos, por exernplo, calcular a probabilidacle de
s
'sairem no maximo 5 caras', P([X 5]). A este problema chama-se problema
direto.
Se nao conhecermos o valor de p, mas efetivamente jogarmos 20 vezes
a moeda, e anotarmos a seqiiencia de caras e coroas que ocorreram 3 , pode-
mos determinar um valor aproximado para p, com uma certa credibilidade
cientifica; este problema e dito pertencer a teoria da iriferencia estatistica,
ou mais geralmente, diz-se que se trata de um problema inverso, que se esta
iclentificando o modelo, ou que se quer treinar o modelo .
No pr6ximo capitulo trataremos de construir mais modelos probabilisticos
de situac_;6es reais, envolvenqo variaveis aleat6rias continuas, ampliando as-
sim , a nossa capacidade de caracterizar um modelo pertinente a dada. situagao
concreta. Nos capitulos posteriores, nos concentraremos na questa.o da. in-
ferencia estatistica, a identificac_;ao ou estimagao dos modelos .

. ~ --------------
3 Neste caso, entrarnos em coq.tato corn a realidade que se quer modelar, atra:ves de

resultados experimentais.

110
I~
,..-....,, - - . -

=~- ===-===-=·==-==--===
---=--==-==-========-=--=--=-==--==--===
-· =·-=-·= =- ==-==-= · =====================-----
· == - - -- - - ---- - - - - -- -------·.
·-

Capit11lo 4

IVIodelos Probabilisticos para

Variaveis Aleatorias Contfnuas

Neste capitulo apresentarnos tres distribuic;oes continuas bast.ante uti-

lizadas para modelar diferentes fenomenos aleat6rios: a uniforme , a normal
e a exponencial. A clistribuic;ao normal e a mais importante de todas as
distribui<)5es, discret as ou continuas, e o seu campo de aplicac;ao e imenso.
Outras distribuic;oes continuas, a t - stv.dent e a J.: - quadrada serao apre-
sentadas em capitulos subsequentes.

4.1 Distribui<;ao U niforme

Defini<_;ao 127. A distribuic;ao uniforme no intervalo [a, b] e a variavel aleatoria
que tern por densidade a func;ao

- 1- a< •r < b
f(x)= b-a ' · - ·"-
{ 0, caso contrario

A notac;ao usacla eX """' U[a, b] que se le, X tem distribuic;ao uniforme no

intervalo [a, b].

T· ·,. Observq<_;oes : 1) Todos os pontos entre a e b, inclusive, tern probabilidacle

nula " ma~ as chances relativas sao iguais a 1. Assim, a fdp e Constante,
,,_: ' • •,"\

f(J;) = K , V:r E [a, b].

111
 /

-
--
I ~f(x) - -
-
-
I 1 !- ------;-
j ---------\:
1
--
-
b-a \
\
\

''
'''
\
\
x '
\

I ,-.,

a) b)
) ,-.

Figura 4.l:Distribui<;ao unifprme: a) a fun<;ao densidade de probabilidade;

b) a fun~ao distribui<;ao acumulada. ) ,-..,,

I~

En tao,

1 = P(O) = P([a, b]) =lb K dx = K lb dx = K · 'tamanho ([a,b])'

K= 1 =-1-
. 'tamanho ([a,b])' b- a I .-..

onde, neste caso, o tamanho do intervalo [a, b] e o seu comprimento, b - a, e

por isto, o valor da constante que define a fun<;ao densidade de probabilidade
da uniforme e 1/('tamanho cio universo').

2) IE (X) = (a;b) I I --..

Demonstra.;;ao.

( '
E (X) = 1: xf(?;)dx = [
b2 - a 2 (b
x·b
+ a) (b -
~ a dx = b ~a ~
a) b+a
2

[ I -"

2(b-a) 2(b-a) 2

112

' -·
'"'· =
--.= - =- .::
·-= ·-=-====-=-=-=-=--= =--=-=-=-=--=-=-=--=--=-=-=-=-=-==·-=-=====-=·-=-=·-=--=-=-=·=========-=-=-=-=-==-.:::-:·-:=--=-===-=-==-=-==--=-=-=-=========-=--=-=·-=-=-:__-::._::-·-·-··-·

')\ 1'~.-\ia.l' ('V)

d} I fl.
(b-a)2
= ----
L_ 12
Demonstra<;ao. 19 ) Calculo de E (_,Y 2 ) : 1
1
0bservac;ao:

a) Verifiqne explicitamente os casos particulares :

a2 - b2 (a - b)(a + b)
a3 - b3 (a - b)(a 2 +ab+ b2 )
a4 - b4 (a. - b)(a3 + o. 2 b + ab 2 + 63 )

b) Use a formula na equa<;;ao ?? para obter o c:aso n=5 .

c)Quando a= 1 e b = r conclua que
1- rn
1+T + r 2 + ... + Tn-l
l - r

d)Use o resultado da alfnea c) quando lrl < 1, para concluir que para lim,.,,-+ 1 + r + · · ·+
00

rn- 1 = 1 + r + r 2 + · · ·. Tem-se que

1
1+r + r 2 + ... 1 - /'

ja. que limn.-+oc r"' = 0, obtenclo assim a soma de itma progressiio geometrica (PG) de
razao re 1Q termo 1.
e)Rascunho cla clemostrar;a.o cla equa<;;oa ?? .

(a - b). (an-I+ a"-2b + an - 3b2 + ... + abn-1 + aobn- 1)

a. . (an-l + an-2/J + an - :3b2 +. _. + abn-l + n,Obn-1 )
- b . (an-l + (ln- 2b + (l.n - 3b2 + ... + abn-l + (101;n-l)
an+ (a. a.n-2b - b . an-l) +(a.. an-3b2 - b. a.n-2b) +(a . a"-4b3 - b. an-3b2)
=O =O =0
+. __ (,9-. 0 obn-l :- b . albn-2) _ bn
=O
T· .-..
(: ' , . ,,

11 3
 {b 2 l l ;r3 Ib b3 - a3
E (X 2 ) } a :;c b - a d:r = b - a . 3 Ia ( b - a) · 3
2 2
(b +ab+ a )(b - a) b +ab+ a. 2
2

3 (b - a) 3

Var (X) = E (X 2 ) - (E (X)) 2

b2 +ab+ a 2 (b + a) 2 (b - a )')-
.

3 22 12

4.2 Distribuicao Normal

..>

4 .2 .1 Defini<;;ao e propriedades

A distribuic;ao normal ou Gaussiana trata-se de uma das distribuii:;oes

mais import.antes e o Teorema Central do Limite (TCL), que veremos mais
adiante, da suporte a esta afirmar;ao . Esta distribuigao ja estava presente
nos trabalhos de De l\foivre (;:::::; 1733) e foi reclescoberta ± 100 anos depois
por Gauss.

) -
Definit;ao 128. Uma variavel aleat6ria X e normal com media p (-oo < I ----
p < +oo) e variancia a 2 (0 < a < oo) sea funga,o densidade de probabiliclade
e:

I "'

·para -oo < :r < co. 0 desvio-padrao e a . A notagao usual e X "-'

N (p, a 2 ), e 18-se X e normalmente distribuida com media µ e variancia a 2 .

114
,...._ ---

f(x) ()
I L_---------- - --- - ------ -- ----

J
_J/
;' -
•

:'
I
'
'
I '
.. ... ....... ...... 1 .
u a ······-- --"h

a) b)

Figura 4.2:A distribuic;ao normal: a) a furn;ao densidade de probabiliclade;

b) a func;ao distribuic;i:'lo acumulada.

Observe que:

P(a:::::; X :::::; b) ea area abaixo da jdp ent re a e b

1 (x-1i) 2

l
b
P(a:::::; X :::::; b) = - - e- 20-
2
d:r
. a. V'fTia
Devemos ter que:
.
1 = P(D) = P(-YO < X <+co)=
!co 1
~ e-
i:c-µ)2
2.,.
2
d:r
. -co v 2xu
Observac;oes . 1) A fdp cla distribuic;ao normal tern forma de sino;
2) A fdp e simetrica em relac;a.o a. media µ ;
e
3) 0 ponto de maxirno cla fdp em x: = µ e 0 valor ma.ximo e:

. 1
j(µ) = 0=
v L.Ji(J
T· ~
i: '···'
Ass1m; se compararmos 1; = µ com qualquer outro ponto, = ~l
• "· ' : ,I'

.T e o ponto
com maior chance relativa de ocorrencia.

115
 l ----------------- -----

a) b)

Figura 4.3:NAO TEM NADA ESCRITO.

4) Os parametros da normal sao a media e a variancia (ou, alternativamente,

o desvio-padrao),

E (X) = µ; Var X = a 2; DP (X) =a

5) Fun<;ao distribui<;ao de probabilidade (acumulada). A fda da normal tern
forma de uma rampa suave indo de zero a 1 entre -oo a +oo. Essa rampa
fica mais inclinada conforme a vai diminuindo. (veja a ?? para entender o
efeito da de a) .
6) A fdp da normal nao teµi uma primitiva2 em termos <las fun<;oes ele-
mentares3 .
Teorema 129. a) Se X rv N( µ , a 2 ) e se Y aX + b, onde a e b sao
constantes , a =J. 0, entao y tambem e normal e

b) Se as variaveis aleat6rias X 1 , X 2 , .. . , Xn sao independentes e se Xi rv

N(µi, al) , i = 1, 2, .. . , n, eptao a soma tambem e normal e

X1 + X2 + · · · + Xn rv N(µ1 + µ2 + · · · + µn; a~+ 0-~ + ··· +a;)

2
Uma primitiva de uma furn:;ao f e uma func:;ao F tal que sua derivada, gera a furn:;ao
.•de interesse, F' = f .
· ·• 3 Por fum;6es elementares entende-se as fung6es do t ipo racionais (quociente de

polinomios), trigonometricas, inversas dessas e composi<:;6es dessas.

116
 - -- - - -- -------~ ---------------- ----------- ----------- - -- - - - - - - - - · - - - - - - - - - - - - ------

c) Suponha que as varia-.,eis aleat6rias X 1 , X 2 , ... , Xn formem uma amostra

aleat6ria (a.a.) de urna clistribuii;ao normal_ --- is toe, sao indepenclentes corn
a mesma mediaµ. e mesma variancia o 2 , Xi rv X rv N(tt, o 2 ), i = 1, ... , n.
Seja X n a media amostral,

n
Entao, a media amostral tambem e normal e
Y
"~n "'-'
_
( ') )
er
N µ, ~

Observa<;oes. 1) A alinea a) do teorema acima faz tres afirmac;oes:

i) Y e normalmente clistribuida: A variavel aleat6ria y que e obtida de
um rniiltiplo de uma normal.
ii) sua media e ap, + b;
iii) sua variancia e a 2 a 2 .
:\'ao falaremos nada sobre a primeira. afirrnativa(isto e, nao justificaremos a
afirmativa). As duas ultimas sao conseq1iencias das propriedades da media e
da ,-ariancia,

E (Y) E (a);_-+ b) = aB (X) +b = ap + b

2
\'ar (Y) Var (aX + b) = Var (aX) = a 2 Var (X) = a2 a

2) Analogamente, b) afirma que }' = X 1 + --·+ Xn tern distribui<_;ao normal.

A sua media e dacla por

E (Y) E (X1 + · .. + Xn)

E (X1) + ... + E (Xn) =Pl+ ... + /ln

e a sua variancia e

Var (Y) Var (X1 + · · · + Xn)

\ .:•ar (. "'-
-v )
1_
+ · · · -r · ar
I \' · ( '\T )
-''- n = a1
') '
-t- ··· + a.;')

onde a segunda igualdade e valida uma vez que X/s sao indepenclentes .
T· .· ,. ' l
3) A aliiiea c) do teorema acima e um caso particular clas alineas b) e a)
A.: ' • •,\

quando todas as medias e as variancias forem iguais , ~"; = µ e of = o .

2

117
 Usa-se a alinea a) com o valpr do parametro a = 1/n e b = 0:
- X1 X2 Xn
Xn =-+ - + ···
n n
+ -n
E (xi) = - ·
-
n
1 E ( Xi )
n
= -µ
n
==?- E (-Xn) = n · -µ = µ
n

Var (xi) = -
-
n
1
~
r a-
2
=-
o-2

~
==?- Var( Xn)
-
=n
o-2
·-
~
=-
o-2

4.2.2 A Distribui<_;ap Normal Padrao

A distribui<;ao normal p~drao (ou reduzida) caracteriza-se por ter media
nula e desvio padrao 1, isto e, ea distribuii;ao N(O, 1) . Veremos
Note que se X rv N(µ, o- 2 ) entao
X - µ
Z = rv N(O, 1)
()"

Isto segue do teorema 12~ com a= 1/o- I e I b =-µ/a- J. Assim, a variavel

J

aleatoria Z, obtida a partir qa variavel aleat6ria normal X subtraindo-se sua

media e dividindo pelo desvip padrao, tern distribui<;.iio normal padrao. Este
procedimento e chamado de padroniza9ao de x veja exercicio ?? .
A fdp de uma distribui<;aq normal padrao (Z rv N(O, 1)) e denotada usual-
mente por ¢,
A.( z ) =
~
_ 1_ -z2 /2
rn=e , - oo < z < 00
v 21f
e a fun<;ao de distribui<;ao Fz e denotada por <I>, (veja figura)
z 1
<I>(z) =
l
- = V21f
- oo < z < oo
- - e- u 12 du,
2

e como nao e possivel obter a primitiva de c/>, a fun<;ao <I> e tabelada, na

chamada tabela da n.ormal. ~ote que <I>(z) = P(Z::; z).
Calculo de Probabilidades e Padronizac;ao. Suponha que
( X rv N(µ, o- 2 ) e queremos c~lcular:
... . jb
'

~ 1 (x-µ.)2
P(a < X < b) = -·-e-~ dx
a ../2ira-

118
 i'P

I
I , ---- -------- - ------------- -

. ,. , ·
/_. ' ·
1 .. . .. . '

·_ .. _--_ :• .. ........... • ,. .... .

a) b)
-·· ·· ··--·····--------------·-- -·-_J

Figura 4.4:a)Fun~ao clensidade de probabilidacle da normal padrao;

b )Fungao de distribui~ao acumulada da normal padra.o.
Em geral esta integral s6 da para calcular atraves de metodos numericos.
Entao, para determinar P( a < X < b), realizam-se duas eta pas: (i) padroniza-
se X, isto e,
P(a < X < b) = P (a - fl< X - fl< b - µ)

-_ p(I - - < X - f-l < - -fl)

a - f-l 1J -
-. (J u CJ

- p (a---
_ fl < Z < -
b--µ) ~
\ (J (]"

= P (Z < ~) - P (Z ~ a: JI)
= <J> (~)-qi(~)
\ CJ (]" J

::\ote que z = X-;;ii rv N(O, 1) como visto no paragrafo anterior.

(ii) Consulta-se, em seguida, uma tabela cla normal, para avaliar CJ? nos
clevidos valores , conforme a equagao acima.
-· Observac;oes. 1) Na tabela da normal se apresentam os valores de CJ?(z)
para ,.algttns valores de z, usualmente, apenas para 4 ;::;;. 0,
<J>(z) = P(Z ~ z)

119
 } ,--,

a) b)

Figurf1 4.5:NADA ESCRITO.

2) Quando quisermos calcular <I>( - z) com z > 0, fazemos o seguinte (veja

a figura ??). Queremos Ai e ~ tabela oferece A2. Como Ai = A 3 e A2+A 3 = 1
I
obtemos A3 = l-A2 e pela figura,j A3 = 1 - A2 I· Isto e, <I>( - z) = 1 - <I>(z) ,,
z 2:: o.
De outra forma:

<I>(-z) = P(Z:::; - z) = P(Z 2:: z) = 1 - P(Z < z) = 1 - <I>(z)

(3) Temos tambem z > O; P(Z 2:: - z) = P(Z:::; z) = j <I>(z) j, veja na figura
?? .
(4) Para um intervalo simetrico temos
I ~

P( - z < Z < z) = <I>(z) - <I>(-z)

= <I>(z) - [1 - <I>(z)]
= j 2<I>(z) - i j I ~

veja na figura ??
Exemplo 130. Seja X ,.__, N(5, 4). Determine P(l < X < 8).
Solm;ao: Note que

µ = 5
{ o- 2 = 4 .. . O" = 2
I ~

120

I ·~
 ,.......... · - --- ·

-
"'-\ssim, padronizando e consultanclo a tabela cla normal obtemos :

p (1 < x < 8) = p (1 - 5 < x -- 5 < 8 - 5)

= p ( 1 - 5 < X - 5 < 8 - 5)
2 2 2
onde z= X - 5 ,.__, S(0.1'
? , )

= P( -2 < Z < 1, 5) = P(Z < 1, 5) - P (Z :S -2)

= <P(l , 5) - <P(-2) = cI>(l, 5) - [l - c1>(2)]
= cI>(l , 5) + cJ>(2) -1~0,9332 + 0, 9773 - 1~0,9105
Tabela

Resposta. A probabilidade de X estar entre 1 e 8 € aproxirnadamente 91%,

isto e, bem grande . I!

Exemplo 131. Seja X"" N(3 , 16). Calcule

a) P(X < 11);
b) P(X > - 1) ;
c) P(2 < X < 7).

Solugao: a) P rirneiramente notamos que

Csanclo esses val ores padroniza-se a varia vel X,

-
P (X < 11
) = P(
-x - 3
< 11 4- 3 -.) = P- (Z < 2-) = <P (2). ~ 0, 977:3
4
'--v--'
=Z~N( O,l)

b) Calculo de P(X > -1 ). Padro11iza-se e consulta-se a tabela cla normal,

P(X > - 1) p("-,- - .J·") > - 1 - 3 )

.--.. : 4 4 .
= P(Z::::; 1) = <P(l) = 0, 8413
;

T· ·.· P(Z > -1)

~: ...._ ·' I, , ,'~

c) Calculo de P(2 < X < 7)

121
 a) b)

Figura 4.6:NADA ESCRITO.

2- 3 X-3 7-3
P(2 < X < 7) P(-,- < < ~) = P( - 1/4 < Z < 1)
4 4 ..___,
=Z,..,N(O,l)

<Il(I) ~ w( - 1/4) = w(1) - [I - <Il(I/4)]

w(1) +. w(I/4) - 1=o,8413 + o, 5987 - 1=o,4400

,I -

4.2.3 Teorema Central do Limite

0 Teorema Central do Limite (TCL) e um dos mais importantes resulta-
dos de probabilidade, dai o adjetivo central no sentido de fundamental.
Uma noc;ao relevante neste contexto e a padronizac;ao de uma variavel I ~

aleatoria. Dada uma variavel aleat6ria V com mediaµ e variancia a 2 diz-se

que

W =+= V -E (V) V - µ
J .----..
DP (V) a
) .----..
- .. ~·· '
·'
''e a padronizac;ao de V; e cl1ro que E (W) ;::::: 0 e Var (W) = l(veja exerdcio \ -
??).

I -
122

) -

J --
 Seja X 1 , X 2 , ... , Xn uma seqiiencia de varia1·eis aleatorias independentes e
identicarnente distribuidas (iid) quaisquer, cada uma com mediaµ. e variancia
CJ 2 (finitas). Note que
E (X1+X2+ ·· · +Xn) nft
Var(X1 + X2 + · · · + Xn) T/,0"2

Para padronizar a soma

S = X1 + X2 + · · · + Xn
basta subtrair sua media np e diviclir o resultado por seu desvio paclrao,
ofa, obtendo-se a variavel aleat6ria

y = X1 + X2 + · · · + Xn - np
ufii,
que tern media nula e desvio padrao 1,
E (Y) = 0 e VarY = 1
l\ote, no entanto, que }' pode nao ter clistribui~ao normal , como pocle tambem
ser discreta.
No caso em que as variaveis X/s forem normais, Y tambem sera normal
e portanto tera distribuic;ao normal padrao (veja Teorema 129 abaixo). A
vantagem entao e que para o caku lo de probabilidacles envolvenclo ou a soma
<las varia veis

OU a sua media
X1 + X2 + · · · +Xn
n
poclemos recorrer a.tabela da normal, quando temos uma sequencia de V.a in-
depenclentes e identicamente distribuiclas, X i rv X, vi (isto e,X, X 1 , X2 , · · · , Xn
e uma amostra aleat6ria cla 1·.a X), cada uma com media p e variancia u 2
(finita #- 0) , entao,
., X1 + X2 + · · · + Xn -
} = - - - - - - - - - --
np
CJ,fi
Tera media nula e variancia infinita. Em geral nao e uma clistribuigao normal.
-r· ,•
1.: ' · .•;\
0 cal'Culd; probabilistico com a Tr.a Y pocle ser bem complicaclo. 0 que vale
e 0 seguinte teorema,
123

-
 Teorema 132. (TCL) Seja X 1 , X 2 , . . . , X 11 uma seqiiencia de variaveis aleat6rias
independentes e identicamente distribuiclas (iid) cada urna com media fl e
variancia a 2 (finitas) . Entao a clistribui<;ao

X1 + X2 + · · · + X -
a/ii n
nµ -t Z rv N(O, 1) quanclo n -t cc

Observa<_;oes . 1) X/s podem ser variaveis aleat6rias discretas ou continuas.

2) 0 sentido da convergencia e muito complicado para esta disciplina.
3) Note que, nas hip6t.eses dp teorema,

E·
I X1
I\
+ X2 + · · · + Xn - nµ) _o para todo n
afo -
,cvar (X1+X2+···+X 11 -n{l\I = 1 para todo n
\ a~n )

4) 0 teorema e nsado no calculo de probabilidades da seguinte forma. Se n

e grande dizemos, com base no teorema, que
y = X1 + X2 + · · · + Xn - nµ
afo

e aproximadamente distribuido como a normal padrao, isto e Y:::::::: N(O , 1),

e assim usarnos a tabela da normal para o calculo das probabilidades en•ml-
vendo a soma dessas variaveis aleat6rias.

4.2.4 Casos Particulares do Teorema Central do Lim-

ite
Teorema 133. (Aproxima<;ao normal da distribui~ao binomial.) 4 Se X tiver
uma distribuii;ao binomial cpm parametros n e p , entao

Y = X - np -t N(O, 1) , quando n -> oc

Jnp(l - p) ·
·/:~·· ' .· ~-------------
4
Esta aproximac;ao e tambem conhecida por aproxirnac;ao de DeMoivre-Laplace para a
distribuic;ao binomial.

124 I -
 - -- - · - ------------ -- ----- - ------~ - - · ------ ---- - ------- - - - -------

Observa<;oes. 1) Note que 1" e a padroniza<;;ao da variavel aleat6ria X,

1 - X-E
_T - (X)
DP (X )
N a prat1ca,
' . .
esta aprox1ma\ao e' razoave
' 1 quan do rtp > 5 e
nq > 5, onde q = (1 - p). Esta e µma aplica<;;ao do Teorema Central do
Limite, se recordarmos que a distribui\ao Binomial X pode ser representada
como a soma de variaveis aleat6rias de Bernoulli inclependentes , isto e, se

Xi ,._, Ber(p)

en tao

,r =
.../ ~. : vl
./ l _L
I
::v.,
~.C\..c..
_L • • • ..L
I I
;v
J \...n. _,-v B-1-,•n·,(·r.l·,.
> p)

2) T<~mos 2 aproxima<;;oes para. a binomial:

--+ Quando a probabilidade de sucesso e p equena: at.raves cla distribui<;;iio
de Poisson com ,\ = np qua.nclo n ~ 20 e np :::; 7
--+ Quando o rnimero de ensaios de Bernoulli e grande: atraves da. clis-
trib ui<;;iio normal quanclo np > 5 e nq > 5.

Teore ma 134. (Aproxirnac;ao normal da distribui<;;ao de Poisson .) Se X tim

distribui<;;ao de Poisson com parametro ). > 0 entao:

1 - = X;/\ -t N(O , 1) quando ,\ -t co.

Observat;;oes 1) i.'\ote que se X rv Pois(/\), entao,

X - E (X)
DP (X)

2) Na pratica, usa-se esta aproxima\ao quanclo ,.\ ~ 18.

4.2.5 Corre~ao de Continuidade

Nesta se<_;ao discutiremos um pouco mais 0 USO do TCL 110 calculo de
probabilidacles, quando as variaveis aleat6rias Xi forern discretas. Consid-
eramos apenas o caso em que estas assurnem valores inteiros . A adapta<;;ao
devem ocorrer em outros casos.
~~ , corre<;;ao de continuidade, conforme apresentada. abaixo , e relevante

- quando s~ utiliza o TCL para o calculo de probabilidade com variaveis disc-

retas . Esta corre<;ao surge porque iremos utilizar a aproximac;ao normal sem

125
de fato se ter n ---+ oo ou ,\ ---+ oo (isto e, estaremos utilizando uma aprox-
imac,:ao com n e ,\ finitos), qu ando as variaveis aleat6rias X 1 , . .. , X n sao
discretas .
Por exemplo, as vezes P (X = 3) =/= 0 pois X e discreta., mas quando
aproximarnos por uma. normal, a probabilidade fica nula. Assumimos que
X e uma variavel aleat6ria discreta com valores inteiros. Enta,o, fazemos as
seguintes alterac,;oes nas extremidades dos intervalos (adiciona-se ou subtrai-
se 0,5).

(i) Ao inves de P(X ~ :r:) usa-se P (X ~ ::r: - 0, 5);

(ii) Ao inves de P(X > :r:) usa-se P(X > x + 0, 5);

(iii) Ao inves de P(X:::; x) usa-se P (X:::; x + 0, 5);
(iv) Ao inves de P(X < x) usa-se P(X < x - 0, 5).

:\'ote que estas alterac,:oes nao sao aproximac,:oes ma.is sim sao igualclades ,
isto e, por exernplo,

P(X ~ :c) P(X ~ 1: - 0, 5)

quando 1: for inteiro.

A 16gica de memorizac,:a.o e que se :r; efetivamente pertence ao ev·ento, entao
na aproximac,:ao pela normal 'alarga-se' o evento para inclui-lo 'rnesmo' (de
forma a continuar a inclui-lo). Por exemplo, o evento [X 2 x] = [x; +oo [
e 'alargado' para [X 2 x - 0, 5) = [:i: - 0, 5; +oc[; de fa.to, [:r:; +oo[c [x -
0, 5; +oo[ e P ([x; +oo[) = P([::r: - 0, 5; +oo[).
Ja quanclo x nao esta no evento, [X > ;i; =];·c; +oo[, entao na aproxima<:;ao
'encurta-se' o evento, para exclui-lo, [X > x + 0, 5] =):1: + 0, 5; +oo[. Apesar
do 'encolhimento', ]x; +oo[::_)]x + 0, 5; +oc[, a probabilidade nao e alterada,
P(]x; +oo[) = P(]x + 0, 5; +oc[) .

Exemplo 135 . .s 0 tamanho ideal de uma turma inicial de graduac,:ao em

·.•'
Pedagogia em urna certa universidade e de 1.50 alunos . Dos estudantes que
5
Este exemplo ilustra como nos Est.ados Uniclos se montam as turmas de primeiro ano,
onde, cliferentemente do que ocorre no Brasil , nao se fixa um numero rigido de vagas
·~:nas sirn um numero clesej avel de vagas. Com este procedirnento nao ha necessidade de
reclassific a~ao e chances ha que as turmas nao fiquem ociosas como, por vezes, acaba
acontecendo no Brasil, quando ha desistencias e insuficiente rnimero de reclassifica~oes.

126
se inscre-vem no processo de selec;ao, esta adrnite 450 estudantes (apesar do
tamanho ideal da turma. ser de apenas 150 alunos). Toda via, a universidade
sabe por experiencia passacla que somente 303 dos admitidos e que irao para
ela. E alias por este motivo que ela envia cartas de aceitac;ao para um numero
de alunos maior do que ela pode comportar.
a) Calcule a probabilidade que mais de 150 estudantes vao para esta
universidade.
b) Qual a probabilidade de se montar uma turma de 1g ano com mais de
4% de alunos do que 0 numero ideal (150)?
c) Qual a probabilidacle de se montar uma turma de 19 ano com pelo
menos 43 a mais de alunos do que o numero icleaF

Solm;ao. a) Seja X o rn'.imero de estudantes que vao para a escola. Pelos

dados do problema, os candidatos

aceitam a oferta de vaga e vao para esta universidad.e, com prob. p = 30%
{ nao aceitam a oferta de vaga e vao para outro lugar, com prob. p = 70 3

Assim,

alunos admitidos'
,-"'-..,
X rv Bin( 450 0, 3)
~
prob. do aluno aceitar

onde 450 e 0 numero de candidatos admiticlos e 0,3 e a probabilidade de se

inscrever nest.a universidade .
Pede-se P(X > 150). Como E (X) = np = 450 · 0, 3 = 1:35 > 5 e
nq = 450 · 0, 7= 315 = 5 1 as concli~oes sugerem aproxima~ao pela normal.
Temos que Var (X) = np( l - p) = 450 · 0, 3 · 0, 7 = 94, 5. Pela cone<;ao
cla continuidade alterarnos a probabilidade a ser calculacla de P(X > 150)
para P(X > 150, 5). :'\ot.e que P(X > 150) = P(X > 150, 5), uma vez que
150 nao esta em nenhum dos dois eventos.
Normalizando temos:
x - 135 150 . .s - 135
.
P(X > 150, 5) = P( J94,1)
94,5
> jgn ) = P(Z
94.5
> 1, 65)
~~
. '·~" · :~ =Z~N(O,l) '.::'.l,65

= 1-P(Z::; 1,65) = 1- 0,9505 = 0,049.5

127
Resposta. Ha aproximadamente apenas 5% de chances da escola receber
rnais alunos do que o ideal. !G
b)4% da turma ideal sao seis alunos . Entao pede-se o calculo de P(X >
156) .

.
·,,.- .) ( __ .) (X - 135
P( A . > 156 = P _,\ > lo6, 5 = P _ In > 21,5)
In . _ = P(
·z > n ) =
v94, 5 v94, o
c) Pede-se P(X 2: 156). Assim ,

P(X 2: 156) = P(X > 155, 5) =

Exemplo 136. Suponha que em uma determinada central telefonica, as
chamadas cheguem a taxa de 2 chamadas/min. Qual e a probabilidade de
22 ou menos chamadas sejam recebiclas durante 15 minutos?
Solw;ao. Seja X ~ ' n{1mero de chamadas recebidas durante 15 min' . Trata-
se de urna distribui<;ao de Poisson, cuja tax.a e:
1 minuto ---+ 2 charnadas (2 ch/min)
15 minutos ---+ 30 chamadas (:30 ch/15 min) = 30 chamadas no periodo
consideraclo.
Assim , ,\ = 30 2: 18 e podemos usar a aproximac:ao normal da Poisson, ., ~

Pois(30) "' N(>., /\) = N(30, :30)

OU
X - .A X - 30 ( )
--- = rvNOl
·vf/\ J30 - '
Queremos P(X S 22):
1Q) Faz-se a correr:ao de continuidade:

P(X S 22) = P(X S 22 + 0, 5) = P(X, S 22, 5)

P(X S 22, .5) =P

x - 30
( -J35 S
22 . 5 -
-·y'30
30) = P(Z S -1, 37)
i ,----..

128
! ~
·--- ·- ------ - - ----------- - -~-- - - -------- -- ---- ---- - - - - - -

39 ) Usa-se a tabela; trabalhando-se a probabilidade a calcular de forma a

adequa-la a informagao da tabela da normal:

P(X ::; 22; 5) P(Z::; -1, 37) = P(Z > L 37)

1 - P(Z ::; 1, 37) = 1 - 0, 91465 = 0, 08535
~
1>(1,37)

4.3 Distribui~ao Exponencial

A distribuic;ao exponencial; apresentada mais abaixo; e utilizada como
tempo de espera ate a ocorrencia de um evento A.
Exemplos do uso da distribui-;ao exponencial.
a) Tt-~mpo de espera ate a ocorrencia de um tenemoto;
b) Tempo de espera ate receber uma chamada telef6nica;
c) T€mpo de espera ate a entrada de um novo cliente na loja, ou na fila
do caixa.

Definit_;;ao 137. Uma variavel aleat6ria continua cuja jclp e dacla por: .
f(x) = {/\ e->-x, para x: 2: 0
· 0, caso contdrio

e dita uma varidvel aleat6ria exponencial com pararnetro A > 0. A not agao
usada e X rv Exp (.A); diz-se que X {~ distribnido exponencialmente com
parametro .A.

Observa<;oes. 1) E (X) = l Var(X ) = ;2

2) Note que /\.\"AO ea media de X.
3) Tem-se a chamacla propriedacle da falta de m. eni6ria

I P(X > s+t I x > t) = P(X > s) \Is, t 2: 0 I

·" \" :~
que· sigriifica que a probabiliclade que o evento A ocorra clepois de s + t
' .

unidades de tempo dado que nao ocorreu ate o inst.ante de tempo t e igual

129
 a probabilidade de ocorrer ate s. Isto e, demorar mais s unidades de tempo
independe de quando se come<;ou; o processo 'esquece' que ja 'envelheceu'
(ou seja, que passaram t unidades de tempo).

Exemplo 138. Qual a probabilidade de urn rel6gio durar mais de 2 anos

dado que ja durou 1/2 ano? Se a distribuigao exponencial for um born
modelo para o tempo de duragao do rel6gio, esta probabilidade e a mesma
que a probabilidade de o rel6gio durar mais que 1,5 anos.

'j:·

130
 -· -------------- --- ----·------ -· ---- - -

-
4.4 Exercicios
Exerdcio 139. Suponha que um dispositivo eletronico tenha uma dura~ao
X (em unidacles de 1000 horns) a qual e considerada urna V.A. contfnua corn
fclp dada por:

r
1(:r)=
, {e-..
Tpara ;f > 0
0, para ::c ::; 0

Suponha que o custo de fabrica\ao de um desses clispositivos seja de 2 reais.

0 fabricante vencle a pe<;a por 5 reais, mas garante o reernbolso total se a
pe~a durar nao mais que 900 horas, isto e, se X ::; 0, 9. Para o fabricante
qual e 0 lucro esperado por pe~a?
R.: 0,03 reais.
Exerdcio 140. Suponha que a altura (em cm) de mulheres em uma cert.a
--- popula~ao segue uma clistribui<;ao normal com media 162, 5cm e desvio padra.o
2, 5cm ea altura de homens segue uma distribui~ao normal com media 170crn
e desvio padrao 5cm. Suponha que uma mulher e selecionada ao acaso e, in-
depenclentemente, um homem e, tambem , selecionado aleatoriamente. Qual
a probabilidade de que a mulher seja mais alta do que o homern? R.: 0,09.
Exercicio 141. Admite-se que o numero de client.es que freq-Lientam um
supermercaclo por mes tenha distribui<;~io de Poisson com media igual a 900 .
a) Calcule a probabiliclade de haver mais de 930 clientes em um cletermi-
nado mes.
b) Calcule a probabiliclade de haver menos de 10700 clientes em urn ano .
Exercicio 142. Cma V.A. X tern distribuic;a.o normal , com media 100 e
desvio paclrao 10.
a) Qual a P(90 < X < 110)? (R.: 0.6828)
b) Se X e a media de mna amostra de 16 elementos retirados dessa
- populac;a.o, calcule P(90 < X < 110). (R.: 1)
c) Desenhe, em um (mica grafico, as distribui~oes de X e X.
cl) Que tamanho deve ter a arnostra para que P(90 < X < 110)? Fa.c;a
n = 4, calcule a probabiliclacle e depois coloque o valor. (R.: n=4)
Exe;rcicio 143. Um detenninaclo produto e empacotaclo automaticamente
'"· ' ,\.
por uma ·rnaquina. A clistribui<;ao do peso dos prochitos e normal com media
p e desvio paclrao lOg.

131
 -
-
a) Ern quanto deve ser regulado o peso medio ~l para que apenas 10 %.
dos pacotes tenham menos do que 5009? (R.: 512, 89)
b) Com a maquina assim regulada, qual a probabilidade de que o peso
total de 4 pacotes escolhidos ao acaso seja inferior a 2kg? (R.: 0,523)
Exercicio 144. A capaciclade maxima de um ele,··ador e de 500kg . Se a
distribuic;ao X dos pesos dos usuarios e N (70, 100):
a) Qual a probabilidade de 7 passageiros ultrapassarem esse limite? (R. :
353)
b) E 6 passageiros? (R.: 0.053)
Exercicio 145. Estima-se que 60% dos acidentes rodoviarios em um certo
pais estejam relaeionados, direta ou indiretamente, com as mas condic;oes da
rede rodoviaria do pais em questao.
a) Em 8 acidentes, qual a probabilidade de no ma.ximo dois estarem rela-
cionados as mas conclic;oes cla recle?
b) Em 50 aciclentes, qual a probabilidade de que pelo menos 35 clestes
estejam relacionados as mas concligoes cla rede rodoviaria? R.: 0,0985.
Exercicio 146. No Reino do Fedor, um reino distante e primitivo, os habi-
tantes vivem em constante perigo porque o esgoto corre abertamente pelas
ruas da vetusta cidade . Sabe-se que o esgoto contem bacterias nocivas que
provocam tumores no pulmao. 0 Graride Sabio do Reino disse ao seu querido
Pavo Fedorento que o nl'1mero medio de bacterias por centimetro cubico de
liquido de esgoto e 4, disse tambem que as bacterias encontram-se aleatori-
arnemte distribuidas ao longo do liquido do esgoto.
a) Calcule a probabilidade de haver no maximo uma bacteria por 2 cm 3
de liquido de esgoto; R.: 0 . 0030192.
b) Calcule a probabilidade de haver mais que 120 bacterias por 25 cm3
de liquido . R . : 0 .0202.
Exercicio 147. A quantidade de leite em p6 contida em cada. lata fabri-
cada por uma indl'1stria tern peso clistribnfrlo normalmente com media 990g
e clesvio paclrao de lOg. Uma la.ta e aceita para venda se tiver peso liquido
maior que 976g, caso contrario e rejeitacla. Se observamos uma. clestas latas
numa linha de produc;ao ,
a) qua.l a probabilidade de que a decima la.ta observada seja a primeira
)a.ta rejeitada? R . : 0.0378(5.
' b) qual a probabilidade de que em 20 latas observadas, 15% destas sejam
. rejeitadas? R.: 0.143585.

132
 - -- - ---- -- - ---- - · -~ - - ---- ·- -··- ·----- -- ------ - -----· ---- ---- ··-- ---~ -- ·- - ---~-----· - - - - ·---·· -

Exercicio 148. Supoe-se que o tempo de vida de um a larnpada tern dis-

tribuic;ao exponencial e que, em media, as lampadas clurem 100 horns.
a) Qual a probabilidacle de uma lampacla clurar mais qne 138 horas? R. :

- 0,2515786
b) Um cliente esta disposto a comprar um lote de um grande mimero de
13.mpaclas se verificar que em 10 lampaclas escolhidas ao acaso pelo menos 6
duram mais que 138 horas. Qual a probabilidade do cliente comprar o lote?
R.: 0,0197.

Exerdcio 149 . Numa. determinada fabrica, os cigarros sem filtro sao feitos
em uma maquina automatica que pesa o tabaco a ser colocado no cigarro,
coloca o papel e enrola o cigarro. 0 peso do tabaco tern como media 1,16g e
desvio padrao de 0,05656 g. 0 peso rnedio do papel e de 0,040 g corn desvio
padrao de 0,020 g. Esses pesos (isto e, peso do tabaco e peso do papel) sao
independentes e tern clistribuic;ao normal.
a) Determine o peso medio de urn cigarro sem filtro e o respectivo desvio
padrao .
b) Qual a probabilidade de que um cigarro sem filtro tenha peso inferior
a 1,17 g?
R .: 1,2 g; D,06 g; 0, 3085

Exercicio 150. Seja 1-Y uma variavel alea.t6ria qualquer com E(Hr) = f-l e
1/ ar (TV) = o- 2 i- O. '[ se as propriedacles cla esperarn,;a. e da variancia para
mostrar nue'l
a variavel aleat6ria \/ = E-µ, obtida de VV subtraindo-se sua
(J .

media e cliviclindo-se o resulta.do pelo clesvio paclrao, satisfza.s,

E(1/) = 0 e \T ar(TT) = 1

iS tO f, a media de \T e11Ula € a Variancia e l_

~ .

. . '~.. ' .. :~

133
.. ------·-- · - --- - - ~-- --- --- - - - --- - · - - - - - -- - - - - - - - - - -- ---- -- - --- - - - - --------- - - ------------ --

Capitulo 5

Variaveis Aleatorias
B idimensionais

Variaveis aleat6rias bidimensionais ou vetores aleat6rios surgem quando,

ao resultado de um experimento , associamos um par de mimeros .

5.1 Defini<_;oes e Exemplos.

Consicleraremos alguns exemplos.
Exemplos de Variaveis Aleatorias Bidimensionais
a) No lanc;amento de um darclo a um alvo circular, uma varianel aleat6ria
bidimensional e (<I>, R) onde <Ii E [O, 21t[eR E [O, l] representam o angulo e o
valor.
b) Em um estudo <las possiveis causas de ocorrencia de cancer de pulmao,
estamos interessados na rela~:ao entre
x ~ 'n{1mero meclio de cigarros fumado diariamente ' ;
y· ~ 'idade em que contrai cancer'.

c) No estudo <las conclic;oes climaticas de urna localidade, consideramos a

relac;ao entre
C ~ 'quantidacle de chuva';
. :,T. . "-:t 'temperatura';
d) No estudo de caracteristicas individuais dos alunos de uma universidade,

135
se analisam a altura e o peso de individuos.
e) Em um estudo da ocupa<_;ao territorial em uma cidade, a posigao (X, Y)
das habitar;oes.
f) Um produto e classificado de acordo com o mimero de defeitos que cont.em
e tambem de acordo com o tempo que levou para ser produzido. Sejam X
e }T as variaveis aleat6rias que represent.am, respectivarnente, o nurnero .de
unidades de tempo que o produto levou p;:i.,ra ser produzido e o nurnero de
defeitos por produto.

Definic;ao 151. i) Sejam E urn experimento e Do espar;o amostral associado

a E. Sej am X = X (w) e Y = }" (w) du as variaveis aleatorias associadas ao
experimento E. Denominamos (X, Y) uma variavel aleat6ria bidimensional
OU um vetor aleat6rio (X, }") nada mais e do que uma furn~ao (X, Y) : n -+
JR..2 .
ii) Quanclo a variavel aleat6ria biclimensional (X, Y) assume apenas um
numero finito de valores - vetores em IR.. 2 - ou um mimero infinito enu-
meravel de valores, clizemos que ela e discreta.

iii) Para um vetor aleat6rio discreto a probabilidade p(:c, y) = P(X =

X, Y = y) e chamada de junr;.ao de probabilidade con.Junta de X e Y (OU
distribuigao de probabilidade bivariada ou, simplesmente, distribuir;ao bi-
variacla).

Observa<_;oes. 1) As vezes a fungao cle probabiliclacle conjunta e denotada

por Px,Y(x, y) ;
2) P(X = x, Y = y) = P([X = x] n [1" = y]), onde por exemplo [X = .r] =
w ED tambem que X(w) = .T:
3) p(x,y)satisfaz
i) p(:r, y) 2: 0 (por ser a probabilidade de um evento) ;
ii) P(O) = 2= 2=p(x , y) = 1
:r; y

4) E usua.l representar p , no caso cliscreto finito, atraves de uma tabela de

dupla entrada, onde na primeira coluna se colocam os valores que X assume
e na primeira linha os valores que Y assume. No interior da tabela colocam-
I
se os valores da probabilidade,. veja a tabela a seguir. As ultimas linhas e
''colunas serao explicadas na proxima se<:;ao.

136
 ------- - - - - - - - - -- ---- - -- - -- - ----- -~-------- ---- - ---------------------·-·-- ---------·-~--- -- -

Tabela 5.1: Tabela de dupla entrada, represen tando furn;oes de probabilidade

conjunta e as imaginariais .
I
X""Y Y1 II Y2 I .. . I Yn I Px I

X1 p(:r1,Y1) I JJ( T1, Y2J .. . I p(x1 , Yn) I Px(xi) I

X2 p(:r2, Y1) I p(:r2, Y2) I ... !i p(x2, ·yn) Px(x2)

I

.. . I
:rm p(:rm, Y1) p(:r.,.,I.; Y2) ... I P(Xm, Yn) I P.x(:rm)
py py(Y1) I py(Y2) . .. I py(Yn) I l

Exemplo 152 . As entradas na tabela abaixo representarn a probabilidade

conjunta de Xe Y, como definido no exernplo acima., alinea f) .

X""Y 0 1 I 2 :3 I
1 1/8 1/16 I 3/ 16 1/8 1/2
2 1/16 1/16 1/8 112
'-v-" '-v-" '-..,,.-'
P(Y=O) P(Y=l) P (Y=2) P*') 11

onde, por exernplo , P(Y = 1) representa a probabilidade clas pec;:as terem 1

defeito.

Analise:

~ de pec;:as feitas em 1 unidade de tempo

Zero dcfeitos {
1
de p e~as fei tas em 2 unidacles de tempo
16

- 5.2 Func;oes de Probabilidade Marginais

A cada variavel aleat6ria bidimensional discreta (X, }'), associamos 2
variaveis aleat6rias uniclimensionais X e Y .

Defini<;ap 153. Seja (X, }r) um vetor aleat6rio cliscreto corn func;:ao de pro-

-
'·
/.' ,_: '• ~- ·.
babi'Ifdade conjunta p(:r, y) . Entao as fun c;:oes de probabiliclade rnarginais de
;\

x e y sao

1.37
 Q Px(x) = P(X = x) = t=Pxy(x, y) (somat6rio em y)
y
@ py(y) = P(Y = y) = J::pxy(x, y) (somat6rio em x)

Observac;ao: 1) Estas fun~oes Px e py sao furn;oes de probabilidade de

variaveis aleat6rias. Assim sptisfazem as propriedades usuais, em particular,

Px(x) 2: 0 e LPx(x) = 1
x

e analogamente para py .
2) Na tabela 5.1 acima, r~presentamos na ultima coluna a probabilidade
marginal de X e na ultirna l}nha a marginal de Y .
3) Em principio, sabendp-se as furn;oes de probabilidade de X e de Y,
separadamente, nao e possivel obter-se a fungao de probabilidade conjunta.
Ou seja, a distribuigao de probabilidade conjunta representa um ganho de
informa<;ao sobre o conhecimrnto individual <las fun<;oes de probabilidade <las
variaveis aleat6rias X e Y.
Podemos completar a t~bela do Exemplo 152, com as probabilidades
margmais.

x"'Y II o 1 2 3 II Px(x) I
1 1/$ 1/16 3/16 1/8 8/16
2 1/16 1/16 1/8 1/4 8/16
Py(y) II 3/16 I 2/16 I 5/16 I 6/16 I 1
Por exemplo:

Px(2) = LPxy (2, y) = p(2, 1) + p(2, 2) + p(2, 3) + p(2, 4)

y

= 1/16 + 1/lp + 1/8 + 1/4. 8/16 = 0, 5

5.3 Calculo da Esperan~a e da Variancia

Seja (X, Y) um vetor al~at6rio e PxY sua fun<_;ao de probabilidade con-
junta. Entao, a esperanc;a de X pode ser calculada por
I ~

y x

138
 - - - - - - - - - -- -·- --·-··------· - --

De fato,

E (X) = µx = ~. .:rpx(x) = :Lx ( LP(x,y))

x C[; \ 'Y

= L. (2= :i.:p(:l:, y) \) = L (L :rp(x, y) ),

x y . y x

Analogamente, ·var (X) = E (X 2 ) - (E (X)) 2 onde

E (X 2) = L :r:2px(x:) = L.
x y
(2= x
J:2 p(:r:, y))
Exemplo 154. No exemplo 152,
- 8 8 3
E (.X) = L::rpx(1;) = 1 · +2· =
2
16 16

5.4 Fun<;ao de Probabilidade Condicionada

Quando cluas varia.veis aleat6rias sao definidas em um experimento aleat6rio,
o conhec:irnento de uma pocle rnudar a probabilidade que associamos aos valo-
res da outra variavel aleat6ria. Um terrno relacionado e estratificac;ao (usa-se
umas das variaveis para 'estatificar', 'particionar' o espac;o amostral).
Recordamos que a probabilidade condicionacla e:
P(B I A) = P(A n B) c1uando P(A) > 0
· P (A)

Defini~ao 155, Dado vet.or aleat6rio discreto (X, Y"), com probabilidacle
conjunta dada por p(:r: , y), definimos a probabilidacle condicional de}' dado
X = :r: por:
p(x,y)
PY IX=x (Y ) = Px (x ) quando Px (:i:) > 0

e am1Jogamente
~- -·~:
r· ( · ....

139
Observac:_;oes. 1) Fixado x, Y I X= x com furn;ao de probabilidade dada
por PYI X = x e uma variavel aleat6ria. ; .~
Assim, a partir da variavel aleatoria Y iremos ter muitas variaveis aleat6rias
condicionadas Ylx=x, tantas guantos forem os valores de X. Neste caso, dize-
mos que X define uma estratifica<;ao na variavel Y.
2) 0 mesmo pode ser feito para a variavel aleat6ria X fixando Y = y
3) Note que, fixado x, temmr

LPYJX=x(Y) = 1
y

e, analogamente, fixado y,

Exemplo 156. Calcule a fl_fn<;ao de probq,bilidade de X IY = 2, baseado

no exemplo 152,
Soluc:_;ao. Ha que considerar os seguintes dois valores,
p(l,2) 3/16 3
PXIY= 2 (1) = py(2) = 5/16 = 5
- P(1, 2) - 2/16 - 2
PX1Y=2(2) - py( 2) -
-1
- 5 - 1 - PXIY=2(l)
I J ~

5116
Observe que a soma dos doi~ valores e 1, como previsto! 1!!11

5 .5 Variaveis Aleat6rias Independentes

Definic:_;ao 157. Seja (X , Y) vetor aleatorio discreto. As variaveis aleat6rias
x e y sao independentes se:
jp(x, y) = Px(x) · py(y) j Vx,y (5.1)
Observac:_;oes. 1) Esta condi<;ao e equivalente a:
a) p(X = x I Y = y) = P (X = x)
I
b) p(Y=ylX =x)= P(Y =y)
''2) Basta que afun<;ao (5.1) falhe para algum par - basta UM - para que
as variaveis aleat6rias nao s~jam independentes.

140

I .---,
 Exemplo 158. No exemplo 152, X e Y sao inclependentes? Nao , pois, por
exemplo,
1 . . 8 J 40 20
p( 2 , 3) = S =/= Px( 2 ). py( 3) = 16. 16 = 16 = 8

r--

,,.-

,.-.

' ,_ ,
' ' ·'
,,.....

,--.

141
,.....
,,....._

,.....__

-...
,-..
 ii'
5.6
G

E xerCiCIOS
Exercicio 159. 0 numero de chapeus de chuva (X) e gabardines (Y) que
uma loja vende em um dia qe inverno tern a seguinte distribui<_;ao de proba-
bilidade:

II Y tx --7 11 o 1 2
0 0,05 0,05 0,1
l 0,05 0,1 0,2
2I
0,1 0,1 0,25

a) As variaveis X e Y sap independentes? 1

b) Calcule a fun<_;ao de probabilidade de X I Y = 2
c) Qual a probabilidade do evento X > 0 I Y = 2?
Exercicio 160. Sejam Xe Yo numero de gols marcados pelas equipes A e
B, com distribui<_;oes de probabilidades daqas abaixo:

II X = x II 0 I 1 I 2 I 3 I outros
~

_,...
II P(X = x) II 0,2 I o,4 1 0,2 1 0,2 1 0
.,
II Y = y II 0 I 1 I 2 I outros II ~

II P(Y = 'y) II 0,2 I 0,4 I 0,4 I 0 II

"""'
Calcule a fun<_;ao de pro~abilidade conjunta sabendo que as V.A.'s sao
independentes. De tambem p resultado sob a forma de uma tabela de dupla
entrada 2 .
Exerdcio 161. Seja a fungao de probabilidade conjunta dada abaixo das
V.A. 's Xe Y ;

p(x, y) = { c(2x +. y) , para x = 0, 1, 2ey=0,1, 2 e 3

0, c.c,
1
E razoavel que essas variavei~ nao sejam independentes, mas a argumentar;ao pode ir
em varios sentidos: i) A pessoa comprar guarda-chuva ou capa de chuva, assim se uma se
vende mais a outra se vende menos: ii) Se comprar mais guarda-chuva quando ha amear;a
de chuva e assim, tambem se compra mais guarda-chuva: iii) etc.
2 Note que quando X e Y saq independentes, o conhecimento das funr;oes de proba-

.)bilidade de cada uma das variaveis X e Y, e equ~valente ao conhecimento da funr;ao de

probabilidade conjunta de (Xe Y). Assim, nao ha ganho de informar;ao com a funr;ao de
probabilidade conjunta. Comparar com a alinea 3) da observar;ao da pagina 138

142
 ---- --- ----- - - · ~ - - · · · - - · - - -- - -·-··-·

Calcule:
a) 0 valor da constante c. (R.: 1/42) b) P(X = 1, Y = 1); c)
P(X :=::; 1, 1" 2: 2) cl) As fun<;oes de probabilidade marginais de cada uma
das variaveis a leat6rias.

Exercfcio 162. Em uma fabrica de componentes eletronicos, no fim cla linha

de prodw:;ao, um engenheiro avalia cacla unidade produzida com respeito a
defeitos eletricos e mecanicos. A avalia~:ao e realizada em um teste que simula
a vida do produto manufatnrado . Baseado em uma. amostra de 100 unidacles,
os seguintes n{uneros de clefeitos foram determinados:

II Y -i x ~ I o I 1 I 2 I 3 I 4 I
0 70 4 2 1 0
1 4 2 ;3 1 1
2 2 1 1 1 2 I I

3 2 1 0 0 0
I
4 1 1 0 0 0

X e urna 'l.A. que representa o rnimero de defeitos mecanicos e y· a que

representa 0 numero de defeitos eletricos.
a) Construa a tabela de probabiliclade conjunta de X e Y.
b) Determine as furn:;oes de probabilidacle marginais de X e 1", isto e,
px(:r) e py(y), respectivamente.
c) Most re que p x (x) e py (y) satisfazem as concli<;oes de furn:;oes de pro-
babilidacle.
d) Diga em palavras o que Px ( x) fornece. E py (y) '?
e) Calcule E (X) e E CY) .
f) Determine a fungao de probabilidade condicionada de X dada Y, isto
e, Px 1y.
g) Determine a furn;ao de proba.bilida.de condicionada de Y dado )( isto
e, PY iX ·
h) Explique em pa.lavras o que significa P(X = :r I }" = 2).

Exercicio 163. Em um estuclo sobre rotativiclade de rna.o-de-obra, foram

definidas para urna certa populagao as \'.A . 's X e }', oncle X represent.a
(·,.: ...
o nlirnen;i de empregos que um funcionario teve no 1iltimo ano e Y repre-
ser1t~ o Ei°alario at.ua.l. Tabulados os dados, foi obticla as seguinte distribui<_,;ao
/.

conjunta:

143
 II Y ix~ I 1 2 3 4 II
800 ' 0 0 0,10 0,10
1200 0,05 0,05 0,10 0,10
2000' 0,05 0,20 0,05 0
5000 0,10 0,05 0,05 0

a) Calcule P(X = 2) e f(X = 2 IY -:-- 1200); b) X e Y sao indepen- ) ,.-,

dentes?

I ~

I ~

I ~

,,,'

144
~-

Capitulo 6

Introducao ...>
a Inferencia
Estatistica Estimacao _;)

Pontual

A utilizagao de moldes probabilisticos em situagoes praticas exigem cer-

tos parametros de modelo, sej am escolhiclo ou identificados de forma a se
adequarem a situa~ao sendo analisada. As tecnicas que guiam essa escolha
formam a estatiestica.
A inferencia estatistica consiste de metodos usados para tirar conclus6es
acerca de uma popula.~a.o, a partir de dados experimentais ou informagoes
coletaclas. Os dados experimentais formam uma amostra (A PA.RTE) -
conceito que sera detalhaclo ma.is adiante - , e extraem-se informagoes cla
amostra para se obter conclusoes acerca da populagao (0 TODO). Em r e-
surno, da parte se conclui sobre o todo.
Este tipo de abordagem da percepgao cla realiclade que nos cerca, faz
parte cla experiencia cotidiana, de todos. Veja-se, por exemplo, o caso cla
preparagao de urna refeic;ao. E usual provar-se um pouco da comicla para
se verificar se aquela esta suficientemente bem temperada, ou se precisa de
rnais sal. Faz-se isto com urna pequena pon;ao da cornida (a parte) para se
concluir sobre a comida toda (o todo).
Para ser cientificamente Mil , em situac:;oes complexas, estas ideias in-
tuitivas do dia a dia tern que ser formalizadas. Isto e, do ponto de vista
cientificq, ha que se estabelecer urn procedimento padrao e passivel de ser
repetidc>°'. Sera mostraclo corno fazer isto atraves das tecnicas de inferencia.
estatfstica.

145
 6 .1 Introd u<;ao
As tecnicas de inferencia estatistica apresentadas neste texto se encaixam
em tres tipos: (i) a estima<;ao pontual (ii)a estima<;ao intervalar e (iii) o teste
de hip6teses. A estima<;ao pqntual sera considerada neste capitulo, enquanto
a estima<;ao intervalar (intervalo de confia,n<;a) e o teste de hip6teses serao
abordados em cap:ftulos sub~equentes.
Consideramos agora exer,nplos ilustratiyos dos problemas que cada uma
dessas tecnicas aborda.

Exemplo 164. ( Compara<;~o entre as tres tecnicas) Para estudar a taxa

de crescimento de pinheiros jovens, isto e quanto crescem em um ano, medem-
se 40 pinheirinhos da estufa, com 1 ano de idade, escolhidos aleatoriamente.
Queremos inferir algo sobre p, media de crescimento populacional denotada
por µ . Usualmente pode-se tplicar tres tecnicas estatisticas:

e Estima<;ao pontual: estimar um valor para a media desconhecida µ;

e Estima<;ao intervalar: qeterminar um intervalo de valores possiveis para

) ~

µ;

Cl Teste de hip6tese: deddir se a altura media e OU nao um certo valor

µo .

Exemplo 165. (Estima<;ac:r pontual) Barras de ferro, quando tracionadas,

podem sofrer uma ruptura. Mesmo quando estas sao de mesma extensao e
espessura, a tensao na qual ocorre a ruptura varia de barra a barra.
Com isto, podemos modelar a tensao de ruptura como sendo uma variavel
aleat6ria. Suponhamos entao que esta variavel aleat6ria seja uma <las dis-
tribui<;6es continuas que foram discutidas no capftulo anterior, por exemplo
distribui<;ao normal.
Uma coisa e saber que a distribui<;ao e uma normal, N(µ, a 2 ), digamos,
e outra coisa e conhecer os Rarametros µ e a- 2 que a identificam. Para com-
pletamente identificarmos 0 modelo, devemos saber quais Sao OS parametros.
I
Os procedimentos cientifico para escolher os parametros sao chamados de
estimar;ao de parametros au estimar;ao pontual.

.1 No exemplo podemos ter tambem a seguinte situa<;ao: apesar de serem

' 'iguais', as varia<;6es nas ten~oes de ruptura sao 'distintas' , dependendo: (i)
do lote de materia prima; (if) do processo de manufatura (metodo); (iii) do

146
 ~-------------· ·------------- ·· · - -- - - ····

- ----- -- -· -- - - ·----- ------- -- ---- ------------- -·-------- ~-- -- ·

..---.. ---------------------========================-:...:.:========================-~.

procedimento de medi<:;ao; (iv), da maquina utilizada; (v), do operador da

maquina (mao-de-obra) 1 .
Neste caso, poder-se-ia considerar diversas distribuigoes de probabilidade
para a tensao de ruptura, como, por exemplo, uma para cada lote de materia
prima. E, para cada uma dessas distribui<_;oes te.rfamos que identificar o
moclelo.

Exemplo 166. (Teste de hip6teses) Assuma que o proceclimento de feitura

da barra de ferro possa ser realizaclo a clnas temperaturas clistintas, t 1 e t 2 .
0 engenheiro de produc;;a.o conjectura que a temperatura de processamento
ti e mais favoravel a procluc;;ao de barras corn maior capacidacle de suster
tensoes, isto e, a ruptura se cla a uma tensao maior.
0 teste de hip6teses e uma tecnica estatistica para auxiliar na aceitagao
ou na rejeigao da conjectura proposta pelo engenheiro, atraves da analise cle
evidencias experimentais em favor da veraciclacle ou nao cla conjectura. l:l

6.2 Popula~ao e Amostra

Entende-se por popular;.iio o conjunto de elementos de um determinado
estudo, e por amostra uma pa.rte (subconjunto) da populac;;ao selecionada.
Quando a amostra e escolhida de tal forma que nenhum dos elementos cla
populagiio seja privilegiado na escolha, dizemos que se tra.ta de uma arnostra
aleat6rio.2 .
0 tamanho da populac;;ao ou da amostra e o nt1mero de elementos na
populac:;ao ou na amostra, respectivamente. 0 tamanho cla populac;;ao ou da
arnostra pode ser infinito ou finito (e 'pequeno' ou 'grande').

Exemplo 167. Em uma empresa, poclemos consiclerar a populac;;a.o (variavel

observacla) como sendo constituicla peios salarios de cada um dos funcionarios,
isto e, neste caso, a populac;;ao e um subconjunto de pares ordenaclos formado
1
Quanclo, em um processo proclutivo, proc.:nra-se estratificar a informa(;a.o a partir clas
classes descritas acima, diz-se que se esta a considera.r os cinco lVI's (vicle negrito no texto;
do iugles: 1naterials, m ethod, m easurement , machine, man).
2
A questao de como escolher elernentos de popula.c;; ao sem privilegiar nenhurn dos ele-
mentos ·-escolher uma a.rnostra aleat6ria- e trata.da na teoria. de amostragem. Um exemplo
··..
__..,.,.
simples· de ~ como justificar e o seguinte. Co:q.sidere a escolha aleat6ria de um mirnero de l
-
{ , \; ', .... I '~ • \:·

a 3. La.nee um dado. Se o resultaclo for l oil 2 escolher 1, se for 3 ou 4 escolher 2 e se for

5 ou 6 escolher 3.

147
pelo nome do funcionario (ou seu numero de identidade, ou CPF, etc) e pelo
seu salario em reais. 1 /""

Uma amostra pode ser constitufda pelos salarios de 35 funcionarios . Ill 1 ------

Exemplo 168. Uma outra populac;ao pode ser constituida pelo numero de
garrafas produzidas por dia em uma fabrica, durante um ano, e uma amostra
de tamanho tres seria o numero de garrafas produzidas nos dias 13/05, 17 /07
I
e 03/11, digamos 1002, 997 1005. r '

Por experiencia, sabemo~ que o numero de garrafas produzidas variara

de dia a dia. Como consequ~ncia, tambem escolhendo diversas amostras de
tamanho 3, obtemos ternas piferentes de numeros. Ha uma grande variabi-
lidade. Iii

Uma forma de se estudar problemas envolvendo populac;oes e construir

variaveis aleat6rias. Por vezes, a constrrn;ao de uma variavel aleat6ria nesses
casos envolve preferir meno:'? informac;ao em troca de alguma compreensao
do fenomeno sendo consideqtdo. Vejamos um exemplo.
Exemplo 169. Assuma qur o seu interesse e determinar se as pessoas sao
altas ou baixas. Digamos que voce tome como padrao para esta questao, a
sua pr6pria altura, 1,74 m. Assim, se a altura de algum individuo e menor
do que 1,74m, entao este e considerado baixo ao passo que, se tern altura ,-.,
1,74m ou superior, e considerado alto. .---.,
Neste caso, a partir da populac;ao constr6i-se uma variavel aleat6ria de
Bernoulli. Seja
N "-""+ 'todos os brasileiro(S';
A"-""+ 'brasileiros com altpra pelo menos 1,74';
B "-""+ 'brasileiros com altµra estritamente inferior a 1,74'.
d
Entao, N =AU B. Defina a variavel aleat6ria

X:N {0,1}

n X(n) ~{ 0, sen EB
1, sen EA
I ~

Ent..io, X rv Ber (p) onde

#A
P([X = 1]) = -
#N
#B
1-p P([X =OJ)= -
#N
148
,-. _ ~-----------------------==========================================-==-==--·- - ·
-- - - - - -- -

E claro que o valor p desta distribui<;ao de Bernoulli tern um conte{1do de

informac;ao compreensf vel; e a furn; ao de brasileiros 'altos' !ill

Um outro exemplo , rela.cionado com este na medida em que constr6i uma

varia.vel aleat6ria a partir de uma populac;ao, mas cliferente por produzir uma
1·ari2.vel aleat6ria sern nome tradicio nal, isto e, sern ser uma clas dist ribuic;oes
estudadas, ser{t apresentado a seguir.

Exemplo 170. Com a mesma populac;ao, defina a variavel aleat6ria Y que

atribui a cada indivfduo da populac;.ii.o a sua alt ura em centimetros:

Y: N --* {20, 21, 22 , .. . , 229, 230}

n i--+ }'(n) = 'altura em centimetros da pessoa n'

:\este exemplo temos varios eventos, como por exemplo, [Y = 174], cuja
probabilidade (func;ao de probabilidade de variavel aleat6ria cliscreta) e,

f (174 ) = P([Y = 174]) = #'brasileiros c~~Valtura 174cm'

Note que as variavei aleat6rias X e Y estao relacionaclas. De fa.to,

[X =OJ = [1" ::;: 173] e [X = 1] = [1" ;::: 174]

Assume-se que se a popula~:ao (quando um conj unto numerico, ou ja con-

strufda uma variavel aleat6ria com ou sem nome) tenha uma distribuic;ao
de probabilidade (que se diz populacional). A formalizac;ao da ideia de pop-
ulac;ao assume que esta e urna variavel aleat6ria . Definirnos entao urna amos-
tra aleatoria.

Defini<;ao 171. Dada uma populac;ao definicla a partir de uma variavel

aleat6ria X com clistribuic;ao de proba bilidade F, X rv F, uma amostra
aleat6ria ( aa) de tarnanho n e uma seqiiencia de varia.veis aleat6rias, X 1 , X 2 , . .. Xn,
inde,penclentes e identicamente distribuiclas ( iid) como X; em simbolos,
,_: ' , ~ ·' ·'· :'- ' .. . ~

Xi rv F para todo i = 1, .. . n

149
 Desta forma, cada um dos dados amostrais possam ser pensados como
variaveis aleat6rias indepen1entes e distribuidas como a popula<_;ao.

Exemplo 172. Assuma que estamos investigando o tempo de vida de um

componente eletr6nico. Representamos o tempo de vida por T . Assuma que
Te exponencialmente distri~uido,
T ,. ._, Exp (>.)

Dada uma amostra aleat6ria de T, isto e, uma seqiiencia de variaveis aleat6rias

T 1 , T 2 , ... Tn, com Ti ,..._,Exp ().), o problema tipico da estima<_;ao pontual e
obter o valor de >..
Considere o componente j . A variavel aleat6ria Ti representa o tempo de
funcionamento desse compop.ente, isto e, de fato o seu potencial, antes de
efetivamente ser usado. Acoµtece que usando o i-esimo componente, havera
um momento em que ele dei+ara de funcionar. Isso nao parece aleat6rio; Nao
e alea6rio! Denote por ti o tempo de vida efetivo do i-esimo componente.
A variavel Ti representa um tempo de vida potencial do componente e ti o
tempo de vida realizado. Como a priori, antes de deixar de funcionar, nao
podemos dizer qual sera o tempo de vida, modelamos esta situac;ao atraves
de uma variavel aleat6ria, Ti .

Seja X 1 , X 2 , . . . Xn uma ;:i,mostra aleat6ria de uma distribuic;ao F8 , onde e

e o parametro (1 ou mais) e fiSsuma que conhecemos a forma da distribui<_;ao,
mas nao conhecemos o valo~ especifico do parametro.
Por exemplo, poderfamos ter uma amostra de:

a) uma distribuic;ao de Poisson cuja media e desconhecida;

b) uma normal onde:

a media e a variapcia sao desconhecidas;

a media e desconhecida mas a variancia e conhecida;
a media e conhecida mas a variancia e desconhecida.

No estudo de Probabilidade, assume-se que se conhece tanto a distribui<_;ao

quanto os seus parametros e responde-se a questoes sobre a probabilidade de
·''eventos (o chamado Problema Direto). Repetindo, dado o modelo proba-
bilistico determinam-se pro~abilidades de eventos

150

! -
 ------ -- -· -----·- - - ---· - ---·-·····----- ---·----- - - - -·-··-------- - - - - - -----
-- --~----------· - -
. - ·--- --·-- -- ---- ---~-- - -.-- - - --- - ------ --~-- --- --- --

Em Esta.tistica, usualmente conhece-se a distribuigao (mas nem sempre),

nao se conhecem parametros populacionais (pelo menos nao todos), conhecem
alguns eventos atraves de uma amostra aleat6ria e responclem questoes acerca
de parametros (0 Problerna Inverso). Repetinclo, dado parcialmente o mod-
elo pro babillstico e observac;oes, cleterminam-se as inforrnac;oes (parametros)
que faltam para completar o conhecimento cla distribuic;ao 3 . Em resurno , em
estatistica o problema central e usar observa<;oes da situa<;ao que esta sendo
modelada para inferir valores para os parametros.

Exemplo 173. Um exemplo e, qucremos inferir a partir de uma amostra

aleat6ria, a propon)io p de flum inenses que bebern determinado refrigerante .
.:\ote que seria muito caro obter a verdacleira proporga.o.

Para estimar, utilizamos a propon;ao observa.da, p, em uma amostra

aleat6ria,

#de indivicluos que bebem o refrigerante

#de individuos consultados

onde n e 0 tamanho da amostra - numero de inclividuos consult ados - e

Sn e o ni'unero de indivfduos na amostra que bebem o refrigerante.
Um moclelo probabilistico para esta situa<;ao e constituiclo por uma variavel
aleat6ria de Bernoulli. Evidenternente este modelo s6 faz sentido se conside-
rarmos a preferencia coletivarnente e assim se caracterizar como uma situagao
em que nao temos conhecimento cornpleto. Para um indivfduo espedfico, ou
ele tern a prefereucia pelo refrigerante ou nao.
Note que como existern muitas amostras, o valor de p varia de amostra
a amostra. De fato, p e uma variavel aleat6ria. Esta variavel aleat6ria e
chamada de uma estatfatica, como ·veremos na pr6xima segao.

3 A distribuic;ao entre problemas diretos e inversos e interessante para se estruturar o

raciocinio, e apresentamos urn exernplo em Algebra Linear :

• Problema Direto: Dada a equac;ao da reta, 3x + 4y = 5, decidir se o p onto (2, 2)

pertence a. reta OU nao.

"'i!.' ' \, · • • _, ~· .Pn~blema Inverso: Dados os pontos ( 1, ~) e ( k, 1) determinar os parametros cla reta
ax+ by= c.

151

I~
 603 Estatisticas
Definic;;ao 174. Dada uma .a mostra aleatoria X 1 , X 2 , •.. Xn, de uma pop-
ulac;ao, uma estatistica L e simplesmente uma func;ao da amostra aleatoria, .-----

As estatfsticas mais comyns sao:

• A media amostral

-.
19 A variancia amostral,

32 -1- ~(v
7 V-)2
Ai-A
n - 1 L,.-'
i=l

e 0 desvio padrao amosfral,

1 n
s - ~(Xi-X) 2 ,.-- ,
n - 14--
i=l

o A proporr;.iio de sucessp,

p= #sucessos
#tentativas

Estas estatisticas estao asso~iadas a determina\ao dos parametros da popu-

la\ao, conforme a tabela 6.1. Outras estatisticas tambem bastante comuns
sao:
• 0 menor valor da amoptra,

• 0 maior valor da amo:ptra,

/ ,., : ·~, : ; ;i. - ·;. - :~

152

; ~
 '--'

Tabela 6.2: Comparagao

- -
entre as armas.
Criterio Melhor arma
:ryiedia AeC
Pouca: dispersao BeC
~: ,·,,. ::. ~
,
"'+-'

Assuma que x 1 , x 2 . .. Xn sejam valores observados da amostra aleat6ria,

X1 = X1, X2 = X2, .. . Xn = ~n· Entao uma estimativa dee e
e= Tn(X1, X2, . .. Xn),

um valor numerico.

Quest6es importantes sopre estirnadores sao:

i) Quan do um estimador e adequado?

ii) Dentre 2 estimadores, f!Ual e 0 melhor?

Sao usados conceitos de propabilidade para responder a estas questoes. ,_

Exemplo 176 . Quero comprar um rifle. Ha 4 modelos disponiveis A, B, C
e D. 0 vendedor permite que voce atire 15 yezes com cada um para testa-los.
Qual a melhor arma? Depeifde do criterio de escolha. Veja Figura 6.1.

Se escolhermos a arma que satisfaz os dois criterios, apresentados na

tabela 6.2, escolheriamos a C. Outros criterios poderiam ser usados (por
exemplo, o custo poderia ser levado em conta).
Note que um estimador e uma variavel aleat6ria e, portanto, (quando
continua) tern um densidadEJ de probabilidade, .fr.
Em estatistica, as propriedades basicas de um estimador para definir sua
qualidade sao a acuracia (de:pende da media do estimador) e a precisao do es-
timador (que depende da variancia do estimador) . Um caso limite de acuracia .__..,

e a nogao de estimador nao viciado.

Defini~ao 177. Um est imador T e nao viciado (ou sem vies, nao tenden-
cioso, centrado) para a estimagao do parametro e se

E (T) = e '--

-~

154

...__,,
~ :~;

~
 ·-- ~ - -- - .... ------------·--·-··-·- --

Tabela 6.1: Parametros -populacionais

-
e estatisticas.
1
Po pulac;~fo Parametro Amostra I Estatistica !I
i Esperarn;a OU rvfedia µ Media amostral I x
Variancia IT
')
Varia.ncia amostra.l I 52 II
1
Probabilidacle de sucesso p Proporga,o I j5 ,.,.. .,; .. ·· , ... .... :t .JI.,

• A. amplitude da amostra ('range')

R X cnl - X c1)

e A variancia arno.stral nao -corrigida

n
(]'~2 _
- ~ 2=rv.
, ,'\._ ,l _ f-·)2
f!..

'-' n i= l

2
A estatistica R tambem e associada a determinagao Observamos que 1J .

o uso destas estatfsticas nao estao restritas aos casos em que Xi tern uma
distribui<;ao de probabilidade conhecicla como as que foram considera.das nos
capitulos 3 e 4. Os modelos tratados nos capitulos 3 e 4 sao chamaclos
moclelos parametricos. Quando se aplicam as estatistica para determinar
'-' os parametros das distribuic;oes) as estatisticas passam a ser chamadas de
'-'
estimadores (dos pararnetros) . A tabela 6.1 exibe este uso.
'-

6.4 Estimacao Pontual de um Parametro

..:>

'-
Seja eo parametro da distribuic;ao, F =Fe . 0 para.metro epode denot ar,
por exernplo, a media, o desvio padrao, uma proporga.o, etc. Em geral, B
'-
pode representar uma quantidade escalar ou uma quantidade vetorial, B = µ.,
e = (µ, o 2 )' e = (e1' 82 ' . ' ' en). E usual representar 0 conj unto de toclos OS
possiveis para.metros, o espar;,o param.etrico, por 8.
Definic;ao 175. Um estimador clo parametro e, da distribuigao Fe , e uma
'-'
estatistica da amostra aleat6ria
'-'
Tn = 'T,1,(X1 , X2 , ... Xn)

- que Se pretende seja uma aproxima(_{aO de 8 - e que sera usacla para

estimar e.
1.53

-
...._

-
-
.......
0 ,
-- - - - --- - - -- · - - - - - - - -- - - - -- - - - - - -

Exemplo 178. Considere uma populac:;ao corn media p . :.\fostre que a media
amostral

X = ~
Jt
txi
i-1

e um estimador nao-viciado para a media P, -

Solw;ao . Ha que ·verificar que E (X) = /l . De fato,

Assirn, X e um estimador nao-viciado para a media da populaz;ao.

Definic.;ao 179. Sejam Te T dois estimadores nao viciados de um parametro

(). Dizemos que T e rnais eficiente do que T se

Var (T) < Var (T)

0 ideal, em geral, e usar estimadores com a menor va.riancia possivel.
Exemplo 180. Considere uma populagao normal X com pararnetros /l e CJ 2 ,
corn u 2 conhecida. Queremos estimar a media /l, a partir de uma amostra
aleat6ria X 1 , X 2 , ... ,Xn. Va.mos comparar dois estimadores para a media p:
(i) A media amostral X;
(ii) Aperias uma observa<:;ao, por exemplo a terceira, X 3 .

Solrn;ao. Primeiro verificamos o vfcio dos estimaclores. Como:

E (X) = p e E (X:~) = p

(uma vez que _X3 tem a mesma distribuic:;ao que a populac:;a.o - nao e :r3 , nao
e um valor numerico especffico) OS dois estimadores sao nao viciados. Agora
verificamos as variancias:

Var (X)

t'

155
 -

a) b)

I ® +t0
~--~d_ _ _ _
Figura 6.1: Alvos

onde se usaram as propriedades da variancia, em particular a propriedade

que a variancia da soma de yariaveis aleatorias independentes e a soma das
variancias de cada uma delap individualmente. Como X 3 tern a mesma dis-
tribui<;ao que a popula<;ao, I ,......_

Logo, sen> 1,

2
~= Var (X) < Var (X3 ) = J
2
n

entao X e um estimador ma~s eficiente que X 3 para o parametro µ.

,Exemplo 181. Calcule o viFio dos estimadores

:, (i) S 2 (X1, ... Xn) = n~l E~=l (Xi - X) 2
I

(11.. ) CYA2(X 1 l)ln

X n ) -- n
1 ••• ~i=l
(Xi - X-)2 para a vanancia.
•A .

156
 Solw;ao. Tenho que ver de quanto a m6clia cl el es clifere de u 2 .

ao passo que

n -1 ?
--s~==}
n
E( 0-2) E(' - 152) = n - 1E(S2) = n - 1a2
n n n

A precisao de um estimador e a capaciclade do estimador de fornecer esti-

mativas repeticlas que estao pr6ximas umas das outras . Como urn estimaclor
e urna variavel aleat6ria, isto significa que a probabilidade esta mais con-
centra.cla em algum ponto. A concentrac;ao cla. probabilidacle ou precisao do
estimador e rnedida pelo desvio-padrao; quanto menor o desvio padrao, mais
preciso e 0 estimador, e quanto maior 0 desvio-paclrao , menos preciso e 0
estimador.
Urna pergunta que surge esee born usar apenas estimadores nao-viciados.
Compare as furn;oes densidade de probabiliclade de estimadores de um parametro
e, daclas na figura.
A acurcicia de um estimaclor depe nd e de IE (T) -Bl e diz-se que a acuracia
de um estimador T 1 e maior que a de um estimador T 2 se:

r· Em, outras palavra.s, quanto m ais pr6ximo for a media do estimaclor ao

, \.
,·,\'. '
.\: '· ·· ·' ...
paiamefro, mais ac urado e o estimador. Em particular, se o estirnaclor for
·

n ao-viciado, ele tera a maior acuracia possivel.

157
 .

l
[{~)

rw .

IA I~
11
I
I
-
I
I I e "3 ---
Tl .......,.;_ "'!.•
In 1· " II D
II
I
--
Figura, 6.2: Acuracia e presi<;ao
~
-
Tabela 6.3: Compara<;ao de (fStimadores com rela<;ao a acuracia ea precisao.
I Estimadores I T1 I T2 I T3 I
Acuracia maior (nao-viciado) intermediaria menor i -

i
Precisao menor intermediaria ma10r

Em resumo, a acuraria de um estimador esta relacionado a media do

estimador enquanto ~ a precIBao esta relacionada ao desvio padrao do
I
estimador.

Na Tabela 6.3 esta esquematizada uma compara<;ao entre os estimadores

1'1 , T2 e T 3 da figura 6.2, utifizando as no<;oes de acuracia e precisao. I '°""'

Se tivessemos que escolhe;r um, poderfamos optar pelo estimador T2 , ~a

vez que ele nem e pouco pre,eiso nem e pouco acurado. Assim, o estimador
T2 representa uma solu<;ao dr compromisso entre os tres estimadores.

,i
As vezes, estimadores viciados sao preferiveis a estimadores nao-viciados
'que nao sejam muito precisqs. Um criterio plausivel e escolher o estimador
que apresente o men or erro quadrado medio (EQM), onde o erro quadrado

158

I ~

I ~
 ·- ·-·----~- -· ---- - - ~- -- ------ - ·- - --

medio de um est.imaclor T para o par;lmetro e e, por definigao:

p = E(T)
EQJ11(T) E·\rr.,,, 2
\ - µ + /l - 8.) 2
\ -1 - 8) ) = E(·T
E[(T - µ) 2 + 2(T - f-l) (,u - 8) + (p - 8) 2 ]
E(T - p) 2 + 2(µ, - 8) E(T - p) +(µ ..- 8) 2
~
=D
Var(T) + (E(T) - 8) 2

2
Var(T) + (Vicio/

Dados dois estirnadores Ti e T2 para um mesmo parametro 8, a ejiciencia

relativa dos estimadores e o quociente dos EQ:'vI de cacla. um dos estimaclores:

Se E !rel < l diz-se que T 1 e um estimador ma'is e:ficiente para a estima<;;ao

de() do que T 2 . (Neste caso, observe (lUe EQN!(Ti) < EQ .M(T2)) .

' ,'
\.~J

r · ·.
\: ' • •.\ - .. - ~··
,•, ' ., :~

159
 6.5 Exercicios
Exercicio 182. Suponha q~e nos temos uma a.a. de tamanho 2n de uma
popula<_;ao denotada por X 1 e E(X) = µ e Var(X) = a 2 . Seja X 1 =
2n ·n
(1/2n) I: Xi e X 2 = (1/n) ~Xi dois estimadores de µ. Quale o melhor
i=l ;=l
estimador de µ? Justifique 4- resposta.

Exercicio 183. Suponha que T1 e T2 sao estimadores nao-viciados de um

) ~
parametro e. Sabemos que Var(T1 ) = 10 e Var (T2 ) = 4.
a) Qual estimador e "methor"? E em que sentido ele e "melhor"?
b) Calcule a eficiencia retativa dos dois estimadores.

Exercicio 184. Suponha que X e uma V .A. com mediaµ e variancia a 2 . Seja
X 1 , X 2 , ... , Xn uma amostra ,aleat6ria (a.a.) (isto e X/s sao independentes e
identicamente distribuidas) 4e tamanho n qa. popula<_;~io representada por X .
Seja X a media amostral. As afirma<_;6es abaixo sao verdadeiras ou falsas?
Justifique a resposta.
a) A variancia da media 11mostral e rnaior do que a variancia de X. I -
b) 0 valor esperado da media amostral e igual ao valor esperado da
variavel aleat6ria X.

Exercicio 185. Um engenheiro deseja estimar a produ<_;ao media de um I -

processo quimico baseado na~ seguintes medi<_;oes independentes X 1 , X 2 , X 3 .

Considere OS estimadores paf a a media indicados abaixo:
T1 = (X1 +X2+X3)/3; T2 = (X1+2X2+X3)/4; e T3 = (2X1+X2+2X3)/5 .
I -
Qual o estimador que prefere? Justifique a resposta.

Exercicio 186. Considere um universo normal ea estatistica T definida da

seguinte forma: I ,-....

para amostras de dimensao f.

a) Determine a distribui~ao amostral de Te os respectivos parametros.
/ .
b) Te um estimador naq-viciado para a media da populai;ao?
., .~

Exercicio 187. As afirma<_;i5es abaixo sao verdadeiras ou falsas? Justifique

a resposta.

160

I ,-..._

) '"'
 a) Se X e Y sao variaveis aleatorias inclepenclentes e iclenticamente dis-
tribuidas, entao Var(X - }') = Var (X) + Var (Y) .
b) Se Xe}' sao \/.A's quaisquer , entao E(X + Y) = E(X) + E(Y) .
c) Se X e \'.A qualquer, entao Var(cX) = c2 Var(X), oncle c e uma
constante.
d) Se Xe uma V .A. com media igual aµ e variancia igual a a 2 , entao X
tern variancia igual a 17 2 /n.
e) Se Z'"" N(O, 1), entao P(Z < -z) = P (Z > z).
f) Se Z ,_..., N(O, 1), entao P(Z > z) = 1 - P(Z < z).

Exercicio 188. Responda as quest6es abaixo de forma clara:

a) Quale 0 objetivo principal de inferencia estatistica?
b) 0 que e populac;ao no nosso contexto?
c) E amostra?
cl) No contexto de inferencia estatistica o que vem a ser urn parametro?
De exemplos de parametros.
e) \-o contexto de inferencia estatistica o que vem a ser uma estatistica?
De exemplos de estatfsticas.
f) No cap.6 estamos tratando de estimac;ao. Estimac;ao de que? Porque
estamos tratando cleste assunto?

7· .( ·'. ~" .

161

~'
..-..... -- - -

-- ··-··-- ---·- ----··· -·--- ~ ----- - ---- - - -- - - -- -- --- -- --- --- --- - -----· - -- -,...,....,------ -------·-- ___________________ __ .., -- ~ ---~ ~ - --·- -·-

Capitulo 7

Estimacao Intervalar - _:J>

Intervalos de Confian~a

Os metodos de estima<)io pontual permitem associar , a urn pararnetro

populacional, um estimador.
A cada estimador est arao associadas tantas estimativas posteriormente
diferentes quantas forem as amostras especificas (particulares) que forem
utilizadas para o seu calculo. Assim, ha uma variabilidade nas estimativas
particulares, refiexo do estimador ser uma variavel aleatoria.
Geralmente, nenhuma das estimativas coincide com o valor do parametro
a ser estimado . Uma grande limitagao da estimativa pontual e nao fornecer
informa<;ao quanto ao rigor OU a confianga das estimativas. Esta clificuldade
e sanada pelos metodos de estimagao intervalar ou seja a constrU<;ao de in-
tervalos de confianga (IC) .
Neste capftulo apresentaremos IC's para a media, para a variancia, para
popula<.;oes normais ou nao e para amostras grandes ou pequenas. Sao
tambem apresentados IC's para a propon:;ao de sucessos.
Um exemplo de um estimaclor e a media amostral:

-f-
~'\. -- -1 (""l
n
v- + , · · --
J\.n
)

oncle (Xi, ... , X,J e uma amostra aleat6ria, o que faz de X tambem uma
vari~vel aleat6ria. Quando selecionamos uma amostra especffica, (x 1 , .. . , J;n) ,
obtemos, partindo do estimador, uma estimafrua do parametro
. -~.: ~·· ' :~
1
X -(:Y1 + :Y2 +. · ·:En)
n
163
 x

Figura 7.1: Distribui<;ao da media amostralX ,...., N (µ , ~)

que e um numero especifico.

7.1 Intervalo de Confian<;a: Um exemplo

Iremos ver um exemplo especifico de constru<;ao de um intervalo de con-
fian<;a no caso em que a pollula<;ao e normal.
Seja X rv N(µ, cr 2 ) uma variavel aleatoria da qual assumimos descon-
hecer o valor da media E(X) = µ . Considerando uma amostra aleatoria
(X 1 , ... , Xn), sabemos que aI media amostral se distribui como uma normal,
X rv N(µ, CT 2/n), cuja medir e a mesma da variavel aleatoria original, mas
-

cuja variancia, cr 2 /n, pode ~er tao menor do que a variancia de X quanto
I ~
quisermos - basta considerar uma amostra com muitos elementos, ou seja
com n grande veja a figura A.1 A variavel aleatoria
X-µ
Z = CT/Vn rv N(O, 1) (7.1)

tern distribui<;ao normal padrao. Dado um numero 0 < a < 1 (tipicamente

pequeno - a bem menor QUf 1/2) seja zo.; 2 E JR tal que P(Z 2: zo.; 2 ) = a/2,
·!· · ,;veja figura 7.2. Entao, por simetria,

a/2
i -
164

' """
 - -- - - - - -- - --- - ---- - -- - --

i{x)

aJ2
--------·-··----~-~~ci!T · ·-·· --·---···----·--··-··· -··-·--··--··-·-· ··-·--·-·········•

..
Il
.. J .

Figura 7.2: defini~ao deZ%

Assirn,

P(-Zo:/2 < z < Zo:/2) P(Z < z0 ;2) - P(Z::::; - z01 ;2)
1 - P(Z 2 Zo:/2) - P(Z::::; Zo:/2) \(.7.~?)
1 - 0:

Para. deterrninar za; 2 ; basta. usar que

<P(za;2 ) = P(Z ::::; Za/2) = 1 - P(Z > z0 ; 2) = 1 - a/2

Consideremos um exemplo numerico .

Exemplo 189. Seja o: = 0, 1. Assim, % 0, o.s. Procure na tabela da

normal (nas colunas) o ntm1ero Za/ 2 = z 0 ,05 .

Solm;;ao. 0 numero Za./2 = Zo,o.s e tal que

. ) .
<f>(zo,o.s = P(Z::::; Zcx/2 = zo,o.s ) = 1-
n
2 = 0, 95

'T· ',•
isto _e,
1.: ' • • ,"I ;' ~ '. ' :;

<f> ( Zo,05) 0, 95 =? zo,os = 1, 64

165
 Substituindo Z na equa<;ao A.2 por sua expressao dada na equa<;ao 7.1
obtemos:
X- µ
P(-Za./2 < z < Za.;2) P(-za.;2 <
J
/,(ii, < za.;2) = 1 - a
n

1- a

ou ainda,
- J - J
P(X - r,;:;Za/2 < µ < X
vn ·
+ vn
r,;:;Za.;2) = 1- a

Para chegar nesta ultima equa<;ao, multiplica-se a equa<;ao anterior por (-1),
(naturalmente invertendo-se :::; por 2 e somando-se, em seguida, X a todos
os termos. Assim,

P(µ E ]x - Jnza.;2,X + Jnza.;2 [) = 1- a (7.3)

Definimos entao o intervalo de confian<;a de (1 - a)100% para a media µ

como sendo o intervalo que ~e encontra no lado esquerdo da equagao acima,
Como exemplo, quando a = 0, 1,

] X- - Vnzo,05,
J
X- + Vnzo,05
J [
=
J-X - J
Vn.1, 64, X- + Vn.l,
J
64 [

e um intervalo de confianga de 90% para a media. Notamos que X depende

da amostra aleat6ria e Zo,05 e obtida da tabela, nao depende da amostra. 0
tamanho do intervalo de confianga e: }nzo,05= }n.1, 64, veja a figura 7.3
Exemplo 190. Admita que a altura dos calouros nacionais segue uma dis-
tribuigao normal cuja varianaia e conhecida (o- 2 = (0, 051m) 2 ). Admita ainda
'l~"' _,,: '~ ,• ;1 ''' ~.' . ,Rue foi selecionada uma amo~tra aleat6ria com dimensao n = 5 e a respectiva
media amostral x = 1, 70m. Determine u:rn intervalo de con:fianga de 95%
para a mediaµ.

166
........ ------~ --·

X=.£'.c. .ZaJ2 X+cr . .ZaJ2

\ Il \.-fl

Figura 7.3: Intervalo de confiarn;a

Solw;;ao. Como (1 - 0:)100 = 95, obtem-se o./2 = 0, 025, donde

Ct
P(Z < zo,02d = 1- 2= 0, 975

pela defini<:;ao de Cf>

Cf> ( Zo,025) = Q, 975

e pela tabela da normal, determina-se

Zo,02.5 = 1, 96

l\1onta-se entao 0 intervalo de 95 % de con:fian~:a para a media,

- 0, 051 . -
]
-
X -
CJ -
r;;;Z0:1 2, )(
yri '
+ CJ
r;;;Zo.12
yn '
[
] 1, iO - y0 1, 96; 1, rO + 0,.y051
fg 1, 96
[

]1 , 68; 1, 72[

Observa<_:;oes . a) 0 intervalo
~- ' :~
- CJ
] )( - Za/2 Vn ; )(- + Za/2 vn
CJ [
r;;;

1,67
e chamado de intervalo de cpnfianc;a de (1 ~ a)l00% para a mediaµ.
b) Os extremos do intervalo sao chamados de limites de confiarn;;a a

(1 - a)100%.

c)O valor (1 - a)100% e chamado de rn'.vel ou coeficiente de confiarn;;a.

d) 0 valor Za.;2cr I fa, isto e, ,a semi-amplitude do intervalo de confianc;a (IQ),
e o erro maxima cometido com o nivel de cop.fiarn;;a especificado na estimativa
deµ .
e) µ nao e uma variavel aleatpria e sim um parametro X. Ja Xe uma variavel
aleatoria e com isso o (IC) varia dependendo <la amostra.
f) Interpretac;ao de um intervalo de confianc;a: Se um numero bastante grande
de amostras aleat6rias sao oqtidas e um IC de (1-a) 100% de confianc;a para o
parametro (J e construido coin cad a amostrq,, entao 'tipicamente' (1- a) 100%
<lesses intervalos conterao o verdadeiro valor de e. Mais geralmente, temos o
seguinte:

Definic;ao 191. Seja (1 - a) uma probabilidade especificada e L e U furn;;oes

de X 1 , . . . Xn ea tais que:

P(~ < (J < U) ~ 1- a

entao o intervalo ]L, U[ e chp,mado de intervalo de confianc;a para

(J com ( 1 - a) 100% de confianc;a.

7 .2 Distribui<_;ao Amostral da Media

A media e uma variavel p.leat6ria cuja distribuic;ao de probabilidade dis-
cutiremos a seguir, conform~ for a informac;ao que temos sobre a amostra
aleatoria e sobre a distribuic;~o de probabilidade da variavel aleatoria basica.
0 conhecimento da distribuic;ao amostral da media permite a construc;ao
de intervalos de confianc;a . yamos considerer situac;oes em que a variancia e
conhecida ou desconhecida e em que as amostras sao grandes ou pequenas.

7.2.1 Variancia conhecida

Aqui consideramos a dif?tribuic;ao amostral da media X em populac;oes
normais e ii-normais, quandp a variancia cr 2 e conhecida.

168

....
 -.:;------~----
---------- - · - -- - - ---·-·-·
~--
--=--:.___~-·
-

(i) Popula<;iio normal(amostra pequena ou grancle). Seja X 1 , . .. X uma 11

amostra aleat6ria de uma populagao normal corn media p - desconhecida

- e variancia o 2 - conhecida. Entao,
X-µ
a/jii rvN(O,l) (7.4)

Este resultado everdadeiro independente do tamanho n da amostra,. podendo

ser urna amostra pequena.
(ii) Populai;ao n-normal(amostras grandes) . Seja X 1 , ... X 11 urna amostra
aleat6ria de uma popula<;a.o - que possivelmente na.o e normal - com media
""' p (desconhecida) e variancia J 2 (conhecicla) . En tao,

X- µ " (7.5)
rJjjii-+ Z"' N(O, 1)

quando r&-+ oc.

A partir deste result.ado afirma-se que, para uma amostra grandei) a
distribuic.:;ao de

e aproximadamente igual a de Z ,. ._, N(O, 1). Assim, ao inves de usar a

verdadeira distribui<;ao de probabilidade cla media amostral -- que pode ser
bern dificil de obter - para construir intervalos de confianc;a, pode-se utilizar
a aproximac;ao dada pela normal.

7.2.2 Variancia desconhecida

Nesta seci;ao apresentaremos a dist ribuic;ao de probabilidacle <la media
amostral X quando alem da media tt, a variancia da variavel ba.sica( a po-
pula<;;ao) e desconhecida; sao considerados em casos normais ou nao.
(i) Popula<;;ao normal (amostras de qua.lquer ta.manho). Seja X 1 , ... Xn uma.
.''amostra aleat6ria de uma popula<;ao normal com media, 11 , e variancia, o 2 ,
.<:' > • .... ·~· -
desconhecidas. Entiio,
X-µ
S/fo
1 '\1ais adiante serao exemplificados os valores validos para o tamanho da amostra.

169
 onde S 2 e a variancia amostral 2 e tv e a distribui<_;;ao t-student com v graus
de liberdade. Os valores da pistribui<_;;ao t-student sao tabelados. Se temos
n = 4 amostras, na tabela usamos v = n - 1 = 3 graus de liberdade.
Este resultado e verdadeiro independente do tamanho n da amostra, po-
dendo ser usado em amostra.s pequenas. ,
(ii) Popula<_;;ao ii-normal(ampstras grandes). Seja X 1 , . . . Xn uma amo_s5ra_
aleat6ria de uma populac;ao ~ao necessariamente normal, com media e vanancia ~
desconhecidas. Entao, '
x .-µ --+ Z rv N(O, 1)
sJn,
quando n--+ oo.
Um comentario analogo ci.o anteriormente feito vale aqui. Assim, ao inves
de usar a verdadeira distribuic;ao de probabilidade de
X -µ
S/y'n
para construir intervalos de Fonfianc;a, pode-se utilizar a aproxima<;ao dada
pela normal, quando n for grande.

7 .3 Intervalos d~ Confian~a

Pelo que acabamos de ver, dada uma populac;ao com mediaµ e variancia
e X 1 , ... Xn uma amostra aleat6ria e, assumindo que a- e conhecida, entao,
o- 2
se a populac;ao e normal
- a- - a
P(x - Zo./2 -vn <µ<x + Zo./2 vn) 1-a

ou quando n for grande (n ~ 30) .

-
P(x - Zo./2 vr- < µ < x +
a -
Zo./2
a
vn) ~ 1-a

Assim, em ambos os casos

- a
] -
X Zo./2 Vn
.·,
; ' . , ." • I

2A variancia amostral e uma yariavel aleatoria e, portanto, pode diferir de o- 2 .

170

-
~~~~--~~~~~--~-·-
-----=-
-~-~~
- -- -
_-_._
- _
-_·--
· -
- ~~~--~~-··_
-_-
_-_
-_. _-~· -
· -· -=-
-~--~
- __:_··~-=--=-=
--~-=-=--=-=-~~_::_:::.=:__:

e um intervalo de confiarn;a de nivel (1 - o:) 1003 para a media, cleviclo as

equac;oes A.3 e 7.5 e por argumento analogo a obtengao cla equa<;ao 7.:3.
J a quando CJ 2 e desconhecida ternos duas possibilidades :
(i) Populac;ao normal

T = X - ,Ll
S/Vii
Seja io:,v tal que

Assim,

P (t%,(n-l) < Jn(XS - µ) < i%,(n-1 )) = P( -J -t'f,(n-l); t%, (n- 1) [ ) = 1- Q'

clevido a simetria, com relagao a origem, da distribuiga.o t- de student.

Equivalentemente, um IC de (1 - a)100% para a media e dado por:

- s - + la / 2 fa
s [
]X - ta / 2 Vn X

para amostras grandes ou p equenas .

(ii) Populac;a.o nao-normal com amostras grandes, (n > 30) , ou para
populac;ao normal. ::\este caso, um IC para a media e:

- s
] )( - Zn/ 2 r;:
. vn
)(- + Za / 2 yn
sr;: [

Exemplo 192. As alturas de 400 individuos foram cleterminaclas tendo-se

encontraclo uma altura media de 168 cm e uma variancia amostral nao-viciada
de 64 cm 2 . Determine o intervalo de confian<;a de 95 % para a media clas
alturas da popula<;ao .

., Solw;ao. Denote por X a variavel aleat6ria que representa as alturas dos

individuos . Assuma que X 1 , . .. Xn representa uma amostra aleatoria, e se
x 1 ,. .. x 400 for a amostra especifica obtida, entao,
? •)
x = 168cm s- = 64 cm- , s = 8cm

171
 -
Em um intervalo de confian~a de 95% = (1 - a)l00%, a = 0, 05 e, como,
a
<I>(zo,025) = P(Z _:::; zo,025) = 1 - 2 = 0, 975
consultando uma tabela da normal, obtemos

Zo ,025 = 1, 96

entiio, o IC de 95% para a mediaµ e dado por: \ ~

!

8 8
] 168 - 1, 96 20 ; 168 + 1, 96 20 [
)167, 2; 168, 8[

Exemplo 193. Uma maquina pode ser ajustada para produzir pec;as de
comprimento medio fixado. Sabe-se, por experiencia, que o comprimento <las
pec;as fabricadas por essa maquina segue uma lei normal com J desconhecido.
Depois de ter sido regulada, a maquina fabricou pec;as com os seguintes
comprimentos:
140cm 144cm 145cm 147cm 148cm 149cm 150cm 150cm
151cm 151cm 152cm 153cm 153cm 155cm 158cm 148cm
Determine OS limites de conf:iarn_;a de 95% para 0 comprimento medio das
pe<_;as.

Solrn;ao. A media e o desvi1o padrao sao desconhecidos, a populagao e nor-

mal , e a amostra e pequena. ·
A media e a variancia amostral nao viciada sao
~ f:'.Omprimentos
x = 16
= 149, 625cm

'·
, . :;Alem disso, (1 - a)lOO = 95, donde a = 0, 05, e
/, ~'

ta/2;(n-l) = to,025;15 = 2, 131

172
Assim, um intervalo de confian~a de (1 - a)10% = 95% para a media ~l e
dada por:
s s r

l X-

l! 149 . 6 ·y
t%,(n-l)
.

"""' O -
c
-yn
?~, 1~1.:_
u
s
,7-.
·"

149, 625
+ t ~,(n-1) jn lI

+ 2.. 131-4s Lr I
J , ' 4

Substituindo-se o valor numerico de s obtem-se o intervalo.

7 .4 Intervalo de Confian~a para Propor~oes

Considere uma variavel aleatoria binomial, onde X representa o numero

de sucessos. As vezes e conveniente considerar a propon;ao de sucessos; p, e
urn estirnador de p e dado por
numero de sucessos
p = numero de tentativas
Se X rv Bin(n, p) representa o rnimero de sucessos em n tentativas,

ri

~ota mos que p = f (X) e furn;ao de X e satisfaz as seguintes propriedades:

a) E(f;) = E(~) = ~E(X) = ~np = p
b.) Var(p~·) = Far(K) = 1lar(X)~ = np(i;pl =pg
'n n" n" n
c) DP(p) = C!f! = ·/P!f
Observa<;ao . Pelo teorema central do lirnite
p- E(p) 7)- p
--t Z rv N(O; 1)
~
quando n --t oc.
Na pratica; podemos aproxnnar P~ por N(O, 1) desde que n > 20 e
vn
np > 7.
0 parametro a ser estimaclo e p. Note que CJ13 = ~ tambern e
descqnqe~iclo (porque efunc;ao de p, f(p = ~); onde p eclesconhecido),
mas podemos substitui-lo por ~·
173
 Desta forma, para amm1tras grandes, um intervalo de confiarn;a (1 -
a)100% para p e dado (pela aproxima<;ao normal e usando p) por:

l~
p Za/2V1j(l ~ P) ; P+ Za/2JP(l: fi) [ I ~

Exemplo 194. Em uma amostra aleat6ria de 400 votantes, encontram-se

453 favoraveis ao partido A. Calcule um intervalo de confiarn;a de 953 para
a verdadeira propon;ao de votantes neste partido.
Solm;ao. p = ~ = 453 = 0, 45. Tem-se tambem que q= 0, 55, n = 400,
I ~
(1 - a) = 0, 95, %= 0, 025. Entao z% = zo,02s e
P(zo,07s) = 1 - a/2-: 0, 975
Assim, zo,o2s = 1, 96 e

Jp(l: ~) 0,45r0,55 ~ o~­

----;:;::::u :Lo
400 '
Finalmente, um IC de 953 para p e: ) ~

)0, 45 - 1, 9 · 0, 025; 0, 45 + 1, 9 · 0, 025( = JO , 40; 0, 50[

Ill
Observa<,;ao. Se quisermos aumentar o grau de confian<;a do IC, este tera
que aumentar de tamanho. Para diminuir o tamanho do IC, podemos:
(i) aumentar o tamanho da amostra n, maptendo o grau de confian<;a;
(ii) manter o tamanho da amostra, e diminuir o grau de confiarn;a.

7.5 Intervalo de Confian<_;a para a Variancia

7.5 .1 Distribui~ao Amostral para a Variancia I ~

) ~
Teorema 195. Se Xi, . . . X 71 ea amostra aleat6ria de uma popula<;ao normal
com media µ e variancia a 2 , entao
I
a media amostral X e a variancia amostral
S 2 sao variaveis aleat6rias iIJ.dependentes cujas distribui<;6es sao:
(72
X rv N(µ,-)
n
2
rv Xri-1

onde x~ e a chamada distriqui<;ao qui-quadrado com v graus de liberdade.

174
 - Figura 7.4: ???

Figura 7.5: llllll

Observa<;ao. Recorde que

A fun~ao clensidacle de probabilidacl e da qui-quadrado x2 com n gram; de

liberdade e clada por:

x >O
caso contrario

oncle r (.) ea fon~ao gama clefinida atraves de uma integral,

A furn}i..o x;,n clefinida por

') ')
p (x~ 2: x;,,n) = a

esta tab elada para diversos valores de o: e ri.

7.5.2 Intervalo de Confian<_;a para a Variancia

Pelo teorema anterior temos que (vej a a figura ):

') (n- 1)5 2 2 )

P(XI -%- ,(n-l) < (J2 < X%,(n-l) 1- Q

ou, equivalenternente, invertendo,

~ ..
i

-;°"'I ~\'.·~·: ·· ·'

(n- 1)52 ·) (n -1)5 2 )
P ( - - - - < er < - - - - 1- o;
X 'H n - 1) X1-~,(n-l)

175
Assim, um IC de (1 - a)100% para a variancia a 2 e
(n - l)S 2 [

X1-%,(n - 1)

ja que a probabilidade deste intervalo e (1 - a).

Exemplo 196. 0 peso de componentes eletr6nicos produzidos por uma ein-

presa e uma variavel aleat6ria que se assume normal. Para estimar a varia-
bilidade do peso dos componenentes, escolheu-se uma amostra aleat6ria de
11 elementos, cujos valores 13m gramas sao: 98; 97; 102; 100; 98; 101; 102;
105; 95; 102; 100. Apresente:
a) Uma estimativa pontual para a variancia do peso das componentes;
b) Apresente uma estimativa intervalar de 95% de confiarn;a para a variancia
do peso.

Solm;ao. a) Um estimador para a 2 e dado por S 2 , com n - 1 = 10,

i ,-
n 11
2 1 ~ -2 1~ -2 2
S = n_ L)Xi - X) = 10 L.)Xi - X) ~ 7, 9995g
1 I -
i=l i=l

Assim, uma estimativa pontual para a 2 e 7, 99959.

b) Como a = 0, 05, entao 1 ~ %= 0, 975, n - 1 = 10
2
Xo,975;10 3,25
2
Xo,025;10 20,48

Agora e s6 calcular o IC de 95%:

10 . 7, 9995. 10. 7, 9995 [ j -

] - - -, = ]3, 905; 24, 635[

20,48 3,25

Com 95% de confiarn;a, a 2 e~ta entre 3,9 e 24,6.

' '

176
 7.6 Exercicios
Exercicio 197. a) Determine um
normal com variancia 4, com base
valores estao dados a seguir: 9, 14,
b) Qua.I deve ser o coeficiente de
do intervalo seja 2,77?
I.C. de 80% para a media de uma V.A .
em uma amostra de 8 elementos, cujos
10, 12, 7, 3, 11, 12.
confiani:;a a utilizar para que a amplitude

Exercfcio 198. Admite-se que o numero de chamadas telef6nicas que uma

pessoa recebe por dia tern urna distribui\ao de Poisson com parametro /\ .
Fma pesquisa realizada corn 100 pessoas inclicou que o nl1mero rnedio de
e
chamaclas por clia de 4, com desvio paclrao de 2. Calcule um LC. de 95%
para/\ .

Exerdcio 199. Uma cadeia de supermercados tenciona abrir uma nova loja
em um bairro onde vivem aproximadamente 12 000 pessoas. Antes de se
tomar a decisao foi feito um estudo no ambito do qual 400 pessoas foram
entrevistadas. Dest.as, 310 indicararn poder vir a utilizar regularmente os
servii:;os do no-vo supermercado. Encontre um I.C . de 95% para a propori:;a.o
de pessoas que podera ser cliente habitual da loja.

Exercfcio 200. 0 peso de cornponentes eletronicas, produzidos por cletermi-

nada empresa, euma V.A. que se supoe ter clistribuii:;ao normal. Pretendendo-
se estudar a ·variabilidade do peso dos referidos component.es, selecionou-se
uma amostra de 11 elernentos, cujos valores em gramas foram: 98, 97, 102,
100, 98, 101, 102, 105, 95, 102, 100.
a) j-\presente uma estimativa para a variancia (o- 2 ) do peso dos compo-
nent.es .
b) Construa um I.C. para. a vari£mcia do peso dos component.es com grau
de confiarn:;a de 95%.

Exercicio 201. Uma experiencia conduzida para medir o tempo de rea<;ao

de um indivicluo a certo estimulo proporcionou os seguintes tempos de rea<;ao
(expressos em centesimos de segunclo): 28, 30, 28, 33, 32, 29. Admit.a que o
tempo de reagao tem distribuii:;ao normal.
a) Suponha que a variancia o- 2 e igual a 6,25; determine um I .C. de 99%
; · para 0 VE{rcladeiro tempo rnedio de rea<;aO .
l
b) NO' caso da variancia do universo o- 2 , ser desconhecicla, qua.is seriam os
limit.es de confiani:;a?

177
Exercicio 202. Na atmosfera, o nivel de gas nocivo (em volume), segue
uma distribui<_;ao normal coll} media e variapcia desconhecidas. Efetuam-se n
analises, obtendo-se os valor~s x 1 , x 2 , ... , Xn · Em uma amostra de tamanho
10, obteve-se os valores 50 para a media amostral e 100 para a variancia
amostral.
a) Determine um LC. de p53 para o nivel medio de gas nocivo na atmos-
fera.
b) Qual seria o intervalo acima se a variancia da popula<_;ao fosse 100?
c) Suponha agora que temos uma amostra 10 vezes maior do que a ante-
rior, que nos fornece os segujntes resultados: x = 48 e s 2 = 90. Qual seria o
LC. de 953 paraµ? ·

Exercicio 203. Passados d~z minutos depois do encerramento das urnas,

uma empresa de sondagern de opiniao faz as primeiras previsoes baseada em
urna amostra de 1000 eleitores; 480 destes eleitores, dizem que votaram no
candidato "Promete mas nao cumpre" . Determine um LC. de 993 para a
propor<_;ao de pessoas que votaram no candidato acima.

Exercicio 204. De uma popula<_;ao normal de media e variancia descon-

hecidas foi retirada uma amostra de 9 observa<;oes que nos forneceu : x = 4
(media amostral); s 2 =2 (variancia amostral).
a) Calcule um LC. de 90% para o desvio padrao da popula<_;ao.
b) Suponha que passe a conhecer a variancia da popula<_;ao (o- 2 = 4).
Calcule um I.C. de 953 parq, a media da popula<;ao.
c) Ainda nas condi<_;oes da alinea b), como procederia se pretendesse re-
duzir a amplitude do intervalo para a metade? Justifique.

Exercicio 205. a)Calcule r(l) .

b)Calcule r(2), usando i:r:i.tegra<;ao por partes.
c)Mostre, por integra<;ao por partes, que f(a + 1) = af(a). ! ~.

d)Assim, sen for inteiro, r(n) = (n - l)!

I~

178
 Capitulo 8

Teste de Hipoteses

Ao inves de estimar um parametro da populac;ao a partir de uma amostra

aleat6ria (como foi feito nos capitulos anteriores) queremos, neste capitulo,
testar a veracidade ou nao de uma afirmac;ao sobre um par~hnetro popula-
cional, usando ainda uma amost ra aleat6ria para tal.

8.1 Conceitos e Definic;oes Fundamentais

Uma hip6tese estatistica euma afirmac;ao acerca de um ou mais parametros
de uma popula.gao (OU varias populac;oes). Esta afirmagao e chamada de
hipotese uma vez que nao sabemos sobre a veracidade da mesma.
Usa-se a letra H para identificar uma. hip6tese estatistica. Dado B0 e um
parametro desconhecido B'

H: B :::; Bo

denota a hip6t ese que o parametro desconhecido fJ seja menor ou igual a

um dado valor B0 . Hip6teses como esta sao chamada.s hip6teses compostas
pois ela nao especifica completamente a distribuigao (uma vez que nao se diz

- exatamente o valor do parametro, mas apenas que ele e inferior ou igual a

um dado valor 80 ). A hip6tese

H: e = f3o
T· - '" ~ ',. ' :;
e chamada de hip6tese simples, uma vez que ela especifica completamente a
distribuic;ao.

181
 - --- ----------------------------------~-

Por hip6tese nula entendemos a afirma<;ao que estamos colocando a prova

e na qual, de certa forma, acr,e ditamos. Ela e denotada por H 0 . Ja a hip6tese
e
alternativa ea hip6tese que considerada aceitavel no caso de haver duvidas
sobre a hip6tese nula. A hipptese alternativa e denotada por H 1 .
0 resultado ou conclusiiq de um teste estatistico e um dos seguintes:
i) Aceita-se Ho como afirmr<;ao verdadeira (nao se rejeita a hip6tese nula);
ii) Rejeita-se H 0 como hipqtese verdadeira, aceitando-se a hip6tese alterna-
tiva H 1 como afirma<;ao verqadeira.
No entanto, em qualquer pas d:uas situa<;6es podern estar sendo cometidos
erros. Na tabela a seguir resume-se o que pode acontecer:
t Ho \ Conclusao--+ J\.ceita-se H 0 Rejeita-se H0

Verdadeira Gonclusao Correta Conclusao Errada

(Erro do Tipo I)

Falsa Conclusao Errada I Conclusao Correta

(~rro do Tipo II)
Na primeira coluna estao ~olocadas as duas possibilidades sobre a hip6tese
nula: esta pode ser verdadeira ou falsa . Ja na prirneira linha estao colocadas
as possiveis conclusoes do teste: aceita-se ou rejeita-se H 0 . Finalmente, no
corpo da tabela estao apres.e ntados as conseqiiencias do teste. Por exem-
plo, no caso do teste levar a uma rejei<_;ao da hip6tese nula quando esta for
verdadeira (posi<;ao (2,3) na tabela), chega-se a uma conclusao errada. No
entanto, nao ha como saber em que situa<_;ao nos encontramos pois nao se
sabe sobre a veracidade ou nao de H 0 .
Conforme pode ser verificado na tabela, ha duas situa<_;oes em que a
condi<;ao e incorreta:
i) Erro do tipo I (ou de 1a especie) : rejeitar H 0 quando esta e verdadeira; ) ~

ii) Erro do tipo II (ou de 2a especie): aceitp,r H 1 quando esta e falsa,

Entre as situa<_;oes descritas, o erro do tipo I e considerado o mais grave. I ,....._
A situa<_;ao e:"Semelhante f10 que ocorre flO julgamento de individuos, que \ ~

apresentamos aqui para compara<_;ao. No julgamento de um reu enfrentando

a justi<;a, podem ser cometiqos dois tipos de erro:
i) condenar um inocente; -
'" ~ '. '
.:;ii) absouver um culpado.
Atualmente a sociedade ~onsidera mais grave o primeiro erro: condenar
um inocente.

182
 Pode-se fazer uma analogia pondo:
Reu e inocente
Ren e culpado
A tebela a seguir resume as possibilidades.
t Realidade \ Sentern;a-+ I Absolver o Reu I Condenar o Ren
Reu e inocente Sentern;a justa I Sentern;a
injusta
(muito grave)

Reu e culpado Sente<;a injusta I Sentani;a just.a

II (grave)
A hip6tese alternativa pode assumir diversas formas. Tratarernos aqui
apenas as seguintes possibilidades:
e e
i) H 1 : f- 0 (hip6tese bilateral)
ii) H 1 : B < fJ 0 (hip6tese unilateral a esquerda)
iii) H 1 : () > 80 (hip6tese unilateral a clireita)
0 nfvel de signi.fica:ncia do teste e:
a = P('erro do tipo I') = P(rejeitar H 0 dado que H 0 e verclacleira)
Ja ,6 denota a probabilidade do erro do tipo II,
,3 = P('erro do t.ipo II') = P(aceitar H 0 dado que Ho e falsa)
0 poder do teste e dado por (1 - ,:3), que, claramente, por complementariedade
de eventos, e
(1 - .3) = P(rejeitar H 0 dado que H 0 e falsa)
·valores tfpicos para o nivel de significa.ncia sao 1%; 2, 5%; 5% etc e para
o poder de um teste sao 95%, 97, 5%, 993, etc . Evidentemente que o ideal
e que o nivel de significancia seja mais perto possivel de zero e que o poder
do teste seja mais perto de 1.

8.2 Procedimento Geral de um Teste de Hipoteses

T· '\ , ' :~
Resumidamente, para se testar urna hip6tese estatistica acerca de um
par~'imetro populacional; realizam-se os seguintes passos que serao detalhados

183
 e exemplificados mais adiantp:
(i) Considera-se X uma vari~vel aleat6ria em uma dada popula<_;ao;
(ii) Tem-se um afirma<_;ao (htp6tese) sobre um certo parametro populacional
(parametro da variavel aleat,6 ria X), e.
Por exemplo, afirma-se qµe e = () 0 (onde () 0 e um numero especificado).
(iii) Explicita-se a hip6tese :q.ula Ho

Ho : e= Bp OU Ho : (} ~ eo OU Ho : () ::::; Bo

(iv) Explicita-se a hip6tese p,lternativa, H 1 (hip6tese considerada aceitavel

se H 0 for rejeitada). A caracteriza<;ao estatistica da hip6tese alternativa de-
pende do grau de conhecimento que se tern do problema estudado.
(v) E extraida uma amostra aleat6ria desta popula<;ao (e atraves desta amos-
tra, pretende-se comprovar qu refutar a afirma<_;ao sabre 0 parametro e).
(vi) Constr6i-se uma estatistica T, que sera avaliada na amostra aleat6ria.
Esta estatistica e chamada ~statistica de teste;
(vii) Estabelece-se um valor Eara o nivel de significancia requerido pelo teste;
(viii) Determina-se uma regiao, chamada de regiao critica, RC, ou regiao de
rejei<;ao;
(ix) Calcula-se a estatistica na amostra aleat6ria especifica e verifica-se se o
I
resultado pertence OU nao a RC;
(x) A conclusao do teste e:
e Se T pertence a RC, rejeitamos H 0 ;
e Se T nao pertence a RC, aceitamos H 0 .

Em resumo, em um teste de hip6teses , a partir de uma estatistica de teste

T e de uma amostra aleat6ria da popula<_;ao, dizemos se a hip6tese nula, H 0
e OU nao aceitavel.
A constru<;ao da RC e feita a partir da escolha do nivel de significancia
a,

a = P( erro do tipo I) P(rejeit ar Ho I Hoe verdadeiro)

P(T E RC I Ho e verdadeiro)
1:
Note bem: para construir a ftC do teste assume-se a veracidade da hip6tese
nula.
I ....___

184
 8.3 Teste para a l\/Iedia
Mostraremos nest.a sec;:a.o como construir testes para a media. Sera.o con-
siderados distintamente os casos em que a variancia e conhecida ou desco-
nhecida.

8.3.1 Variancia Populacional Conhecida

Seja J-lo e urn nurnero especifico. Considera-se um dos testes abaixo para
a media desconhecicla fl cla popula<;ao:

Ho: fl J-&o x H1 µ. =I /lo -- Teste bilateral

Ho /.J Po x H1 µ > Po - Teste unilateral a direita

Ho: J-l Po x H1 J-l < P.o - Teste unilateral a esquerda

A estatistica de teste e
X - f.lo
T
a/fo
::\a determina~:ao da regiao c:ritica, ou de aceita<;ao (complementar a regiao
critica), se assume a hip6tese nula, donde E(X) = fLo e tambem E(Xi) = µo .
::\ota-se entao que a estatistica de teste T t em media E(T) = 0 e variancia
F ar(T) = 1. Assim , quando n e suficientemente grancle, pode-se, pelo teo-
rema central do limite, afirmar que a distribui\ao de T e aproximaclamente
iV(O, 1) .
A cletermina<;ao cla regiao critica depende da hip6tese alternativa que
escolhemos. Consideramos inicialmente o caso de urn teste bilateral.

Regiao critica de um teste bilateral Assurna que

~. Dado que H 0 e assumida ·verdadeira, entao, pelo que foi dito acima (talvez
~·
quando 71 for grande) , T rv N(O, 1), veja na figura 8.1. Assim, e como
. .,: ' , •. ,1 . .~ .
' :'

185
 T

~
-z.= '
, RA:
J z=al2
Re~ de aceitaciio, ~
x

Figura 8.1: Sob H0 , T"' N(q, 1). Assim, perto de zero aceita-se H0 e 'longe'
de zero rejeita-se H 0 .

segue-se que
P(erro do tipo I) = P(T < -zo.; 2 ou T > zo.;2) = o:

Observa<_;ao: Se T cai rpuito a direita de zero OU muito a esquerda de

zero, entao e razoavel assum1r que H1 e correto e rejeita-se H 0 .
Assim, com nivel de significancia o:,
i) rejeitarnos H 0 se T E J-oo, J
- zo.; 2 [ u zo.; 2, +oo [, ou seja, se T < - zo.;2 ou
T > Zo./2
ii) aceitamos Ho se TE [-zq;2, zo.; 2 ] isto e, se -zo.;2 ST S Zo./2 ·
Um valor critico da estatistica de teste eum mirnero que separa as regioes
de rejeic;ao e de aceitac;ao. No caso do teste acima, - zo.; 2 e z 0 ;2 sao valores
criticos.

Regiao critica de um teste unilateral a esquerda Assuma que

Hi : µ < µo

:· ·'
·'· . . ~ Dado que H0 e verdadeira, eptao, T"' N(O, 1) (talvez quando n for grande).
1: ,,,: ·~ .~ ·' ... ~
'' Como

186
 segue-se que

P(erro do tipo I) = P(T < -z0 ) = CY

Desta forma, RC=] - oo, -zo[· 0 valor critico e Za e a RA = [za, +::x:;[.

Observa<;ao. Se T cai muito a esquerda de zero, entao erazoavel assumir
que H 1 e correto e rejeita-se H 0 .

Regiao critica de um teste unilateral a direita Assurna que a hip6tese

alternativa e:

Neste caso a regiao crftica e ]z0 , +oo[. Rejeita-se H 0 quando T > za e aceita-
se Ho quando T ::::; Za Valor critico: z 0 .
Observa<;ao. i) A escolha da hip6tese alternativa reveste-se de fun-
damental impor tancia, devendo basear-se no conhecirnento que se tern do
problema.
ii) Usua.lmente, nsam-se hip6teses nulas com igualdade:

Ho 0 = fJo

uma vez que e possivel controlar ct.

No entanto, e possivel se considerar:

H0 /J. ::::; /Jo x H1 11 > /Io ou

Ho /l 2 /lo x H1 11 < /Lo

l'vfas, nestes casos, a hip6t.ese nula H 0 nao e capaz de especificar et . 0 que se

faz na pra.tica e proceder como se estivessemos testando :

Ho fl = Po x H1 fJ > Po ou
Ho µ = 110 x H1 fl < /Lo
{ · ;, ' :~
iii) :'.\ao rejeitar H 0 quer dizer que, corn o nfvel de significaucia especificado,
nao ha evidencias estatisticas suficientes para rejeitar.

187
 Exemplo 206. Uma maqui:p.a de encher pacotes de cafe, enche segundo uma
distribuic;ao normal com media µ e variancia 400g 2 . A regulagem de µ exige
que se pare a prodrn;ao. De meia em meia hora, colhemos uma amostra de 16
pacotes e verificamos se a prpduc;ao esta sob controle, isto e, se a verdadeira
media de produc;ao e µ = 500g OU nao. Se em uma dessas amostras, obtemos
uma media _X = 492g, VOCe pararia OU ,nao a prodrn;ao para verificar a
regulagem da maquina (use a = 1%)?
Solrn;;ao. Se X e a variavel aleat6ria que representa o peso de cada pacote,
X rv N(µ, 400). As hip6tese$ neste caso sao:

H0 : µ = 500g x H1 µ =f 500g
onde µ 0 = 500g

A escolha da hip6tese alternativa como bilateral refiete o fato que a maquina

pode desregular tanto para mais como para menos. Quando H 0 e verdadeira,
µ = 500g e
132
X rv N(µ 0 , ~) = N(500; 400/16) = N(500; 25)
n
A estatistica de teste neste caso e:
X-µ
T = a/yS, rv N(O, 1)
,.......
I

0 intervalo de aceita<;ao (da hip6tese nula) e:

Se a estatitica de teste estf ver dentro do intervalo, aceita-se a H 0 , caso

contrario, aceita-se a H 1 .
Como a 2 /n = 25, a/ y1n = 5. Tambem, a = 1%, leva a a/2 = 0, 005 e

<I>(zo,oos) = 1 - 0, 005 = 0, 995 ::::} zo,oos = 2, 58

Substituindo no intervalo,

[-2, 58 2, 58]

,Como a estatistica de teste ~

., •1

.X - µo 492 - 500
T = -1,6
q/vn 5

188
 e -1,6 E [-2,58;2,58], aceitamos a hipotese nula a 1%.
Concluimos que o desvio cla media pode ser considerado razoaveL e e
devido a variabilidacle natural do processo. iii

Exemplo 207. 0 clepartamento de qualidade de uma firma produtora de

conservas de alimentos especifica que o peso liquido rneclio por ernbalagem
de um prodnto cle-ve ser de 500g. Experiencia passada rnostra que os pesos
tern distribuic;ao normal com clesvio padrao CJ= l5g. Uma amostra aleatoria
de 20 embalagens tern um peso liquiclo medio de 495g. Isso e prova suficiente
e
de que o verdadeiro valor do peso medio inferior ao estabelecido? (Use
n=0,05).

Solw;ao. Neste exemplo, as amostras sao pequenas (n 20) e tern dis-

tribuic;ao normal. Devemos usar um teste unilateral:

Ho : fl = .SQOg x H1 : /.t < 500g

A estatistica de teste e:
X - Po 495 - 500
T = J25 ;: :; -1, 491
CJ/yin 15/

Ovalorcrfticoe: - za = -z0 .05 = -1,645earegiaocritica: ]-oo;-1,645[

Como -1, 491 rf:_ RC, nao ha evidencias estatisticas suficientes para que
rejeitemos a hipotese qu e as embalagens estejam sendo produziclas com media
de 500g. m

8.3.2 Variancia Populacional Desconhecida

Uma situa~:ao comum e desconhecermos a media ea variancia do processo.
Considera.mos dois casos: amo.stras grandes e amostras pequenas.

Amostras grand es (n 2 30). :\este caso , o procedimento cle teste eo

mesmo do caso anterior, substituinclo-se apenas CJ por S. Isto e vciJido
pelo Teorema Central do Limite .

. - Amostras pequenas. Se amostras pequenas sao utilizaclas e CJ 2 e des-

{ · con~~~:id~, precisamos especificar a distribuic;ao populacional para poder
cor1st~·ui1:' um teste de hip6teses. Quando a populac;ao e normal, temos os
seguintes testes:

1.89
 -
Ho : µ = µ 0 x H1 : µ #- µ0 - (Bilateral)

H0 : µ = µ0 x H1 : µ > µ0 - (Unilateral a direita)

H0 : µ = µ0 x H1 : µ < µ0 - (Unilateral a esquerda)
Fixa-se a . A estatstica de teste e:

X-µ o
T =
S/y'ri,
As regi5es de rejei<_;ao dependem da hip6tese alternativa:
i) Hi : µ #- µ o.
ReJ" eita-se Ho se T < - ±£2'n-1 OUT> fo_~' n- l·
Aceita-se Ho se - t%,n-l 6 Ts; t %,n-l·
ii) Hi : µ > µo.
Rejeita-se H 0 a nivel de E)ignificancia a se T > ta,n-l ·
Caso contrario, aceita-se H 0 .
iii) H1 : µ < µo.
Rejeita-se Ho se T < -ta,n-1·
Caso contrario, aceita-se H 0 .

Exemplo 208 . Um representante da cornpanhia de aguas de uma cidade

diz que o consumo residencip1 medio de agua e de 350 litros por dia. Para
verificar tal afirma<_;ao, um estudo foi feito levantando o consumo de 20 casas,
selecionadas aleatoriamente. 0 resultado deste estudo e apresentado abaixo I "'""

com o consumo medio diario: 340, 356, 332, 362, 318, 344, 386, 402, 322, 360,
362, 354, 340, 372, 338, 375, 364, 355, 324 e 370. Com n:fvel de significancia
de 5%, verifique se os dados ,contradizem o representante.

Solw;;ao. Temos:
I ,......_

Ho:µ = 350 x H1 : µ #- 350

a = 0, 05, n = 20 e a variaµcia e desconhecida e a amostra e pequena. A
estatistica de teste (popula<_;~O normal) e:
't'·

353, 8 - 350 :::::; 0 78

T
21, 8/v'20 '
! ~
190

. ;..
 j<:'i. que

x _!___
20
. L~ y J'l·1 -- ·Y3 , 8
uu .
i=l

s2 1 2= (Xi-),'.)_
20
.' r n£,
-471,~
_ / re 'l
==> s = 21, 8
19 ·i =l

Como e umteste bilateral, aceita-se H 0 a riivel de significancia de 5% se

!Tl < t'f,n-1 = to,002.5;19 = 2, 093 . Como 0,78 < 2,093, aceitamos H 0 .

8.4 Teste para a Variancia

Querernos testar a hip6tese que a 1/ariancia a 2 de urna popular;ao normal
e igual a um valor especificado a5. Sej a X 1 , ... Xn urn a amostra aleat6ria
dessa popular;ao. Considere os seguintes testes:

H 0 : a 2 = a 0 x 1 1 : a- t= 0'0 --- (teste bilateral)

•)IT')'')

- (teste unilateral a direita)

H0 : 0"
2
= a5 x H 1 : a2 < a;5 - (teste unilateral a esquerda)
Fixa-se um nivel de significancia a. A estatistica de teste e dada por:

·) (n - 1)82
X7i.- 1 ---.)-- sob H 0
O'f5

As regioes de aceitar;ao sao, respectivarnente:

')
H 1 : er< ·) ,\ . H ') ·)
a 0. hceit.amos o se X~i - l > Xi-o;n-1·

:).91
 8 5
o Exercicios
Exercicio 209. Uma fabrica de instrumentos de precisao produz tubos que
deveriam ter 10 cm de comprimento. 0 comprimento, no entanto, esta su-
jeito a ligeiras altera<_;oes deyido a fatores externos, tais como: alterac;oes na
temperatura, vibrac;oes, etc. Admite-se que o comprimento dos tubos tern
distribuic;ao normal com var~ancia desconhecida. E feita uma inspec;ao a ,20
tubos, que fornece uma media de 10, 04 cm e um desvio padrao de 0, 05 cm.
Fixando o nivel de significancia em 5%, deve o processo ser interrompido
para afinac;oes?
Exercicio 210. Dois amigo~ encontraram-se e o seguinte dialogo decorreu:
Rodolfo: - usabes, dissrram que o prer;.o media de um apartamento de
luxo em Jpanema nao ultrapassa a 20 mil dinheiros. Por este prer;o estou
seriamente pensando em corrprar um".
vVeidlich: - "Nao pode serf lvessa regiao os rwve apartamentos desse
tipo que vi custavam: 40, 34, 32, 20, 20, 30, 22, 26 e 28 mil dinheiros".
Admitindo que os prei;;os dos apartamentos seguem uma distribuic;ao nor-
mal, comente o dialogo.
Exercicio 211. Uma empr(fsa tenciona importar um grande lote de instru-
mentos de precisao para posterior distribuigao no pais. Os fabricantes garan-
tem que o respectivo peso medio dos instrumentos e de 100 gramas. Sendo
o peso uma caracteristica importante
I
na qualidade do produto, resolveu-se
testar a garantia do fabricante. Para tal, o departamento tecnico da empresa
importadora obteve uma amostra de 15 instrumentos. Os seguintes valores
15 15
foram obtidos desta amostra: L xi = 1344g L (xi - x) 2 = 3150g 2 . Ad-
i=l i=l
mitindo que o peso enormalf11ente distribuido, diga qual a conclusao a tirar?
(Use o: = 0,01).
Exercicio 212 . Uma firma tern seguido a politica de oferecer uma garantia
de 2000 utilizac;6es para determinado aparelho que vende. Esse procedimento
ba~eia-se em estudos levado~ a efeito no periodo inicial da produi;;ao que in-
dicaram um numero medio qe utilizai;;6es possiveis por aparelho de 2060 com
um desvio padrao igual a ~O. Existem indicios que, atualmente, a garan-
/ . tia pode vir a mudar (devidp a diferente qualidade dos materiais utilizados,
,.
f .r,'. ..; ···' '• - ,~· _:.:~. . ...:;condii;;oes de fabrico alteradp,s, etc).
a~ Proceda ao teste apronriado (supondo que o desvio padrao se mantem),
sabendo que 10 aparelhos s~lecionados aleatoriamente e testados pela firma
!\
192
,..,_
1' ,-

fornecera.m os seguintes valores: 2100, 2115, 2025, 2064, 2071, 2088, 2067,
1995, 2150, 2095. Suponha que o mirnero de utiliza<;:oes permitidas tern
distribui<;:ao normal (use o: = 0,05).
b) Determine para cada. um dos valores alternat ivos: µ 1 = 2030; 2040;
2045; 2050; 2055; 2065; 2070; 2080; 2090.
bl) a probabiliclade do erro do ti po II;
b2) os valores assumidos pela fungao poder (ou fungao potencia) e faga um
grafico cla mesma.

Exercicio 213. 0 fabricante de um determinado tipo de paquimetro afirma

que as medigoes efetuadas com este tipo de instrumento sao afetadas por um
erro cujo des·vio padrao e CJ" = 0,01 mm. Admite-se que este valor e comum
a toda a escala do aparelho . Com o objetivo de verificar se um paquimetro
daquele tipo, em servigo ha muito tempo, ainda possuia as caracterfsticas
indicadas pelo fab ricante, o responsavel de um laboratorio de controle de
qualidade, repetiu, em concligoes estabilizaclas, 20 medig6es sobre urna de-
terminada dimensao padrao. 0 desvio-padrao amostral das leituras obtido
nesta experiencia foi de .s = 0, 013mm. Poder-se-a concluir, ao nfvel de sig-
nificancia de 53, que o paqufmetro se degradou com o uso'? As medigoes
seguem a lei normal.

Exercicio 214. No fabrico de certo tipo de pec;as, admite-se uma varia-

bilidacle maxima de 0,5 mm nos respectivos dia.metros das pec;a.s. Perante
urna amostra de 20 pegas em que se calculou a va.riancia arnostral (= 0,3
mm 2 ), pocle-se concluir que o processo de fabrico esta fora de controle? Os
cliametros das pegas obedecem a lei normal. Use a = 0,05 .

Exercicio 215. 0 rnJ.mero de clisparos de flash que determinado tipo de

pilhas assegura (500 para as pilhas Al e 420 para as pilhas A2), seguem
uma distribuic;ao aproxirnadamente normal com CJ" = 81. Suponha que a
empresa F , importadora cleste tipo de material, tenha recebido um grande
lote de pilhas para a clistribuigao irnediata, todavia clesconhece o tipo de
pilhas (pois, a especificagao cl as pilhas foi extraviacla) . En tao, foi dec:idido
testar nove pilhas e classificar o lote em func;ao dos resultados obtidos nesta
amostra. Estipulou-se n = 0.05 e as seguintes hip6teses: H 0 = 500 contra
H 1 = 420.
q;). Id~tifique os erros que podem decorrer da decisao a tomar. Calcule
as suas probabilidades.
b) Se 0:: fosse fix ado em 0, 01, q ue valor result a para ,3?

i93
 c) Voce poderia justificar o uso de um valor diferente para a?
d) Como varia o valor d,e /3, caso se decida obter uma amostra maior?
Calcule f3 sea dimensao da p,mostra for n :;:::: 16.
e) Que decisao tomaria se nas nove pil}las testadas, 0 numero medio de
disparos fosse de 436? (Use p: = 0,05) .

Exercicio 216. A despesa µiensal em alimentac;ao de uma familia perten-

cente a certa classe de rendirpentos tern desvio-padrao a= 170 u.m.(unid~de
monetaria). Cre-se que a qespesa mensal media e de 1500 u.m. . Fixado
o nivel de significancia a ; 0,05, com base em uma amostra aleatoria de
tamanho n, obteve-se a probabilidade do erro tipo II (/3) igual a 0,10, apro-
ximadamente. Determine o tamanho da amostra.

I ..-,-

) /

194
·.·

Apendice A

Linguagem de Conjuntos

As nogoes e a notagao de conjuntos sao usa.das intensamente na teoria

de probabilidade e por isso recorclamos neste apendice algumas clas mais us-
adas. Urna no<_;:ao relevante em probabiliclacle e o Espar;o Amostral, o con-
junto/colegao de todos os resultados possiveis de um experimento (espago
amostral do experimento) . Os subconjuntos do espa<;:o amostral sao rele-
vantes.
Um confunto e urna colegao de objetos. Usualrnente e representado por
letras maiusculas A, B, C. .. Elem entos de um conjunto sao os objetos
que, inclividualmente, forrnam o conjunto. A seguinte notagao e utilizada.
Quando w e um elemento de A., escrevemos w E A (le-se "w pertence a A" .
Quanclo u) nao e um dos elementos de A dizemos que w nao pertence a A e
escrevemos w tf: A..
Existem duas maneiras de dar, especificar, clefinir um conjunto, por ex-
tensao ou por cornpreensao :
a) Por extensao: Voce fornece uma. lista dos objetos.
Ex: A= {1 , 2, :3, 4, 5, 6}

b) Por compreensao: Voce fornece uma. proprieclade que os elementos do

conjunto e somente eles satisfapm.
Ex: A e o conjunto forrnaclo pelos naturais menores ou iguais a 6 ou
A = { J: E N; x :::; 6}
Assim, por exemplo: 1 E A e 7 ~ A
0 Diagrn;na de Venne uma representagao grafica de conjuntos e suas relag6es.
\!eja figura7 .1

195
 Observa~oes. 1) 0 c A para todo conjunto A. Esta afirmativa e ''ver dadeira
por vacuidade" pois voce nao precisa verificar nunca que os elementos de 0
estao ou nao em A, ja que 0 nao contem nenhum elemento.
2) Em probabilidade, os resultados de experimentos sao os subcorijuntos do
espago amostral D (que contern to dos os resultados possi veis). Em partic-
ular, o subconjunto 0 e interpretado .c omo um resultado impossivel (evento
im possi vel).

A uniiio dos conjuntos A e B , A U B e o conjunto formaclo pelos elernen-

tos que pertencem a A, ou que pertencem a B ou que pertencern a arnbos;
Au B = {c En tal que c EA OU c EB}. Veja figura A.2

A inter.ser;ao de A e B e o conjunto An B = {c E D tal que c E A e c E B};

somado pelos elementos que pertencem internamente a A e a B, veja figura
A .2.

Dizemos que OS eventos A e B sa.o clisjuntos se An B = 0.

0 CO?nplemento de urn conjunto ll, denotado por Ac OU c~ OU A, e 0 conjunto
dos elernentos do conjunto universo D que nao pertencern a A . VE;ja figuraA.3

Ac = {a E D tal que a ~ A}

E possivel verificar as seguintes propriedades do complernento:

Au Ac= D(os conjuntos A e Ac sao 'exaustivos')

An A_C = 0(os c:onjuntos A e A_C sao 'exduclentes')
· ~
Isto pode ser interpret.ado corno: Ac contem todos os elementos de D que nao
es tao em A mas que, unidos aos elementos de A, formam (esgotam) D.

A diferenr;a entre dois conjuntos A e B , denotada por A \B ou A - B (18-se

'' A menos B") eo conj unto formaclo pelos elementos de A que nao pertencem
a B,
,...... '.

. /
1"""1>,,
A \B = {:r E A tp,l que :i: ¢:. B}

O b serva~ao 1) A= (A\B) u (An B);

197
 i
!

01

a) AUB b) AnB

Figura A.2: a) Diagrama de Venn da uniao de A com B; b) Diagrama de

Venn da intersei:;ao de A com B.

2) Na decomposii:;ao anterior, A e decomposto em 2 eventos disjuntos

(AnB)n(A\B) = 0

3) Assim, dizemos que A B e An B e uma decomposii:;ao exaustiva e exdu-

dente de A.

Apresentamos a seguir uma serie de propriedades da uniao, intersei:;ao e da

complementai:;ao de conjuntos.

Proposic;ao 218. Sejam A, B e D eventos quaisquer de 0. Entao valem as

seguintes propriedades:

a) Comutatividade:
AUB =B UA e AnB = BnA
b) Associatividade:
AU (Bu D) =(Au B) u D
An (BnD) = (AnB) nD
c) Distributividade:
An (Bu D) =(An B) u (An D)
Au (B n D) =(Au B) n (Au D)
d) (Ac)c =A (0 complemepto do complemento e o pr6prio) .
.;e) • AnD=A e AnA=A
e AUr2 = r2 '1 AUA = A
I
• An 0= 0 • A fl Ac= 0

198
 Figura A .3: Diagra.ma de Venn de um conjunto e sen complementar.

• AU0=A
f) J1 \ B = A n Bc.

g) Leis de Morgan:
... (Au B)c =Ac n BC
@ (An BY= Ac u BC

Exemplo 219. (Aplica<;ao das leis de Morgan) Considere os seguintes

conjuntos de pessoas da populac;ao rnundial:
A ---+ 'Altos'
B ---+ 'Brasileiros'
Agora identificando a uniao de conj unto como "ou", e a intersecc;ao corno
"e", em linguagem comum, temos:
.4 n B - 7 'Brasileiros (e) Altos'
Ac ---+ 'Baixos'
Be ---+ 'Estrangeiros'
(An BY= A_C u BC ---+ 'Bahos OU Estrangeiros'

, @
I
Colocarnos esta informat ao na forma de uma tabela:

Brasileiro Estrangeiro
E F
Baixo G H

199
- - - - -- - -- - -... -----·-----.-·······---- -·-·· ··-- --- - -- - - -- - ·---··· - --- ..·-·- .. ····· · ------- ~-r--

e E=AnB
e F = An BC = A \B
e G = B n Ac= B\A
e H =Ac nBc

o Suponha agora que voce tenha tres eventos, A, B e C . Utilizando os

simbolos de uniao, interse<;ao e complemento, exprima os eventos abaixo.
Desenhe o diagrama de Venn para que possa melhor visualizar os resultados

a) S6 ocorre A.
R: A ocorre e nao B o-u C ou ambos . Note que as conjun<;oes ou e e
foram destacadas propositalmente. Logo
'somente A ocorre' = An (BC u cc)
b) A e C ocorrem, mas nao B.
R: A e C ocorrem simultaneamente e nao B. Logo )

'somente A e C ocorrem' = An C n (Bc)

c) A, B e C ocorrem.
R: A e B e C ocorrem simultaneamente. Note que e foi novamente
real<;ado para ressaltar o simbolo a ser utilizado. Logo

'A, Be C ocorrem' = AnBnC ,. . . ,

d) Pelo menos um evento oe6rre.
~.

R: Ou A ou B o0 c orre . Logo
f lo menqs um ocorre' = A U B U C

e) Exatament~u ocorre.
R: Ou ocorr A e B e C nao ocorrem, ou ocorre B e A e C nao ocorrem,
ou ainda ou o orre C e A e B nao ocorrem Logo
'exatamente p.m ocorre' =(An BC n cc) u (B n Ac n cc) u (C n Ac n BC )

f) Nenhum ~corre.
R: A unica maneira de garantir que nen.hum dos eventos ocorra e definir
"
'!:'· 1.: · ;;um conjunto \aue seja complementar a unia,o dos eventos A, Be C. Logo

'nenhum ocorre' =(Au Bu C)c

200

\
\
,,.-._

~.

g) Exatamente dois ocorrem.

R: Ha tres possibilidades de dois eventos ocorrerem. Ocorrern A e B e C
nao ocorre, OU ocorrem A e c e B nao ocorre) OU ocorrem B e c e A nao
ocorre. Logo

'exatamente dois ocorrem' = (An B n cc) u (An c n BC) u (B n c n Ac)

201