Material-De-Estatistica-Ii-Prof-Mario-Roberto - Passei Direto

Impresso por Joana Forte, E-mail japf_20@yahoo.com.br para uso pessoal e privado.
Este material pode ser protegido por direitos

autorais e não pode ser reproduzido ou repassado para terceiros. 23/09/2022 05:55:02
MATERIAL DE ESTATÍSTICA II – PROF. MÁRIO ROBERTO 1
VARIÁVEIS ALEATÓRIAS
O que se entende por variável aleatória?
Até agora nossos estudos estavam praticamente voltados mais para definirmos nosso
Espaço Amostral U, sem associarmos suas respectivas probabilidades aos experimentos
aleatórios.
Existem, contudo, experimentos cujos resultados podem ser expressos por
quantidades numéricas. Ou ainda, por vezes, desejamos atribuir um valor específico a cada
resultado do experimento aleatório.
Quando realizamos a observação dos resultados de um experimento que pode ser
resultado repetidamente sob condições essencialmente inalteradas (experimento aleatório),
não poderemos, de antemão, dizer qual particular resultado irá ocorrer na próxima tentativa,
muito embora sejamos capazes de descrever o conjunto de todos os possíveis resultados do
experimento. Assim, por exemplo, antes de lançar um dado poderemos descrever que os
possíveis resultados são: l, 2, 3, 4, 5, 6, mas qual desses, em particular, irá ocorrer, no
próximo lançamento é impossível predizer com absoluta certeza. Variável aleatória é, pois
o resultado da observação de experimentos não determinísticos.
Entretanto o resultado de um experimento não é necessariamente, um número. De
fato na observação das peças que saem de uma máquina poderemos, simplesmente, anotar
as categorias "defeituosas" ou "não defeituosas". Contudo, em muitas situações
experimentais, estamos interessados na mensuração de alguma coisa e no seu registro como
um número. Mesmo no exemplo acima, poderemos atribuir um número a cada resultado
(não numérico) do experimento.
U: observação das peças (telhas) que saem de uma máquina
X número de peças defeituosas
X = 0, 1, 2, 3, .....................,n
Portanto, chama-se variável aleatória a uma variável cujo valor é um número
determinado pelo resultado de um experimento ou através da observação, e aos quais
podemos associar probabilidade.
As variáveis aleatórias podem ser classificadas em:
1- VARIÁVEIS ALEATÓRIAS DISCRETA
Seja X uma variável aleatória que assume os valores x1, x2, x3, ...........xn. Diremos que
X é uma variável aleatória discreta. Se o número de valores tomados por X é finito ou
infinito numerável.
Exemplo: U: Lançamento de quatro moedas
Seja,
X: o número de caras observadas.
X = 0, 1, 2, 3, 4
De modo geral podemos dizer que as variáveis aleatórias discretas são as que resultem de
contagens.
2- VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Seja X uma variável aleatória que pode assumir qualquer valor num intervalo,
diremos que X é uma variável aleatória contínua.
Exemplos:
a) Número de horas de duração de uma lâmpada
ESTATÍSTICA II - Mário
Utilizamos cookies essenciais e tecnologias semelhantes de acordo com a nossa Política de Privacidade e, ao continuar você concorda com essas condições. Ok
Impresso por Joana Forte, E-mail japf_20@yahoo.com.br para uso pessoal e privado. Este material pode ser protegido por direitos
b)
b) A altura de um indivíduo que pode ser: 1,65m, l,652m, 1,6524m, conforme
a precisão de medida.
De modo geral podemos afirmar que as variáveis aleatórias contínuas são aquelas
que resultem de "medição", em especial, de tempo, temperatura, comprimento, peso,
volume, etc.
Um aspecto interessante é o que o mesmo experimento pode dar margem à
observações de várias variáveis, e a escolha da que vai ser observada fica a critério do
observador. Como exemplo vejamos o experimento "jogar 4 moedas simultaneamente".
Como variável aleatória poderemos escolher "o número de caras obtidas ou a distância
mínima entre 2 moedas". A primeira seria uma variável aleatória discreta e a Segunda seria
uma variável aleatória contínua.
1- VARIÁVEL ALEATÓRIA DISCRETA
1.1- FUNÇÃO DE PROBABILIDADE

A probabilidade de que a variável aleatória assuma o valor X, é a função de
probabilidade de X que representamos por P(X = xi) ou simplesmente por P(X).
f(x) = P(X = xi) f(x) = 0 se X  xi

n
 f(xi) = 1
i=1
Portanto a função que associa probabilidade aos possíveis valores de uma variável
aleatória, denomina-se função de probabilidade.
A função P(X) pode ser expressa por uma tabela ou gráfico
Exemplo
Seja E: o espaço amostral no lançamento de 2 moedas e X: o número de caras C obtidas.
Isto é:
E = (K,K); (K,C); (C,K); (C,C)
X = 0, 1, 2 
TABELA: X 0 1 2
P(X) 1/4 1/2 1/4
GRÁFICO:
P(X)
1/2
1/4
0 1 2 X
1.2- FUNÇÃO REPARTIÇÃO

Define-se função repartição da variável aleatória X, no ponto x, como sendo a
probabilidade de que x assuma um valor menor ou igual a X, isto é:
F(X) = P(X  x). No exemplo acima teremos:
F(X) = 1/4 se x  0
F(X) = 1/2 se 1  x  2
F(X) = 1/4 se x  2
2- VARIÁVEL ALEATÓRIA CONTÍNUA
2.1- FUNÇÃO DENSIDADE DE PROBABILIDADE

Seja X uma variável aleatória contínua. A função densidade de probabilidade f(x) é
uma função que satisfaz as seguintes condições.
f(x)  0
f(x).d(x) = 1
b
Assim P( a  x  b) = f(x).d(x)
a
2.2- FUNÇÃO REPARTIÇÃO +oo

F(X) = P(X  x) = P( -oo  x  +oo) = f(x).dx = 1
-oo
Seja X uma variável aleatória contínua com a seguinte função densidade de

probabilidade.
f(x) = 2x para 0  x  1
0 para  (qualquer) outro valor
para x  0  F(x) = 0
f(x) = para 0  x  1  F(x) = 2x.dx = 2x2 x = x2
0 2 0
para x  1  F(x) = 1
Representação gráfica
F(x)
1 x
Exemplo/Exercício Seja f(x) = 3/2 (1 - x2 ), 0x1
0, caso contrário
Ache a função repartição e esboce o gráfico.
3- DISTRIBUIÇÃO DISCRETAS DE PROBABILIDADES
3.1- DISTRIBUIÇÃO DE PROBABILIDADE
No contexto das distribuições de probabilidades, os valores individuais de

probabilidades podem ser designados pelo símbolo f(x), que enfatiza a existência de uma
função matemática (variáveis contínuas). Por P(X = x), que enfatiza que a variável
aleatória pode assumir diversos valores, ou simplesmente por P(X).
Para uma variável aleatória discreta todos os possíveis valores da variável aleatória
podem ser listados numa tabela com as probabilidades correspondentes: distribuição de
probabilidade Binomial, Hipergeométrica e de Poisson. Para uma variável aleatória
contínua não podem ser listados todos os possíveis valores fracionários da variável, e desta
forma as probabilidades são determinadas por uma função matemática, são retratadas,
tipicamente, por uma função densidade ou por uma curva de probabilidade.
3.2 VALOR ESPERADO E VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS

DISCRETAS. n
Média, Valor Esperado ou Esperança Matemática:  = E(X) =  xi.P(xi)

i=1
3.3 PROPRIEDADES DA ESPERANÇA MATEMÁTICA:
3.3.1- A média de uma constante é a própria constante
E(X) =  k.P(xi) = k. P(xi) = k
3.3.2- A média de uma variável multiplicada por uma constante é igual à constante
multiplicada pela média da variável.
E(k.X) =  k.xi.P(xi) = k. xi.P(xi) = k.E(xi)
3.3.3- A média da soma ou da diferença é a soma ou diferença das médias.
E( X + Y) = E( X ) + E( Y ) ou E(X - Y) = E(X) - E(Y)
3.3.4- Somando ou subtraindo uma constante a uma variável aleatória, a sua média fica
somada ou subtraída da mesma constante.
E(X + k) = E(X) + E(k) = E(X) + k ou E(X- k) = E(X) - k
3.3.5- A média do produto de duas variáveis aleatórias independentes é o produto das

médias.
E(X.Y) =  xi.yj.P(xiyj) = xi.yi.P(xi).P(yj) =  xi.P(xi). yj.P(yj) = E(X).E(Y)
3.4- VARIÂNCIA
A forma geral de desvios para a fórmula da variância de uma distribuição discreta de

probabilidade é:
V(X) = 2(X) =   xi - E(X)2.p(xi) ou
V(X) = 2(X) = E(X2) - E(X)2 ( Fórmula Computacional)
3.5- PROPRIEDADE DA VARIÂNCIA
3.5.1- A variância de uma constante é zero
2(X) = V(k) = E k - E(k)2 = E(k - k)2 = 0
3.5.2- Multiplicando-se uma variável aleatória por uma constante, sua variância fica
multiplicada pelo quadrado da constante.
V(k.X) = 2(k.X) = kX - E(k.X)2 = k.X - k.E(X)2 = k(X - E(X)2

= k2.X - E(X)2 = k2.V(X)
3.5.3- Somando-se ou subtraindo-se uma constante à variável aleatória, sua variância não se
altera.
2(X + k) = 2(X) + 2(k) = 2(X) + 0 = 2(X)
3.5.4- A variância da soma ou da diferença de duas variáveis aleatórias independentes é a

soma das respectivas variâncias.
2(X +Y) = 2(X) + 2(Y) e
2(X - Y) = 2(X) + 2(-Y) = 2(X) + (-1)2.2(X) = 2(X) + 2(Y)
EXEMPLO:
A tabela abaixo está registrado o número de caminhonetes solicitadas em uma agência

de aluguel de carros durante um período de 50 dias.
Demanda Nº de dias Probabilidade Valor Ponde- Demanda ao Quad. Ponde-

possível X P(X) rado X:P(X) quadrado X2 rado X2.P(X)
3 3 0,06 = 3/50 0,18 9 0,54
4 7 0,14 = 7/50 0,56 16 2,24
5 12 0,24 1,20 25 6,00
6 14 0,28 1,68 36 10,08
7 10 0,20 1,40 49 9,80
8 4 0,08 0,64 64 5,12
TOTAL 50 1,00 E(X) = 5,66 E(X2) = 33,78
OBS. A probabilidade de serem solicitadas exatamente sete (7) caminhonetes em um

determinado dia aleatoriamente escolhido no período é de 0,20 e de cinco (5) é de 0,24.
Determine:
a) A esperança matemática
b) A variância, cálculo computacional.
a) E(X) = 5,66
Isto é, o valor esperado para dados discretos pode ser fracionário porque ele
representa um valor médio de longo prazo e não o valor específico para qualquer
observação dada.
c) V(X) = 2(X) = E(X2) - E(X)2 = 33,78 - (5,66)2 = 33,78 - 32,04 = 1,74
Isto é a variação do número de caminhonetes em torno da média ao quadrado é de 1,74.
Exercícios
1- Um dentista tem 5 cadeiras disponíveis para pacientes em sua sala de espera. A

probabilidade do número de cadeiras ocupadas X é dada por:
X P(X)
0 0,304
1 0,228
2 0,171
3 0,128
4 0,096
5 0,073
a) Ache a média E(X) =  da variável aleatória X. E(x) = 1,7
b) Calcule a variância e o desvio padrão, da variável aleatória X. V(X) = 2,53
c) Calcule P( 2  X  5). 0.468
d) Desenvolva no formato tabular a cdf ( Função de Distribuição Acumulada) dessa

distribuição.
e) Desenvolva a função repartição dessa distribuição.
2- Considere uma moeda perfeita lançada 3 vezes. Seja X o número de caras obtida.
Calcule
a) a distribuição de X
b) média de X E(x) = 1,5
c) a variância ² = 0,75
3- Considere uma urna contendo três bolas vermelhas e cinco pretas. Retire três bolas sem
reposição, e defina a V.A X igual a número de bolas pretas.
a) Obtenha a distribuição de X
b) Obtenha a média e a variância da V.A X E(X) =1,875 ² = 0,502
4- Uma moeda é lançada 4 vezes. Seja Y o número de caras obtidas. Calcule
a) a distribuição de Y
b) a média e variância de Y  = 2 , ² = 1
5- Considere uma mesa contendo 10 frutas das quais 4 estão estragadas. Retire três dessas
frutas ao acaso, sem reposição e defina a V.A. X igual a número de frutas estragadas.
a) Obtenha a distribuição de X
b) Obtenha a média e a variância da V.A.  = 1,2 , ² = 0,560
4-DISTRIBUIÇÃO BINOMIAL
4.1- INTRODUÇÃO: DISTRIBUIÇÃO DE BERNOULLI
Seja um experimento que consiste na realização de uma prova, cujos resultados só

podem ser "sucesso" ou "fracasso". Observando ainda que na realização desta prova os
eventos são independentes, vamos chamar de X uma variável aleatória que de acordo com
a pressuposição citada, somente assumirá valores 0 e 1, sendo 0 a ocorrência do evento
"fracasso" e 1 a ocorrência do evento "sucesso" com probabilidades
P(X = 0) = q X 0 1
P(X = 1) = p P(X) q p  p+ q = 1  q = 1 - p
Obs.
q = l- p é complementar de p, pois p + q = 1.
2- E(X) =  xi.p(xi) = 0.q + 1.p = p  E(X) = p
3- V(X) = E(X2) - E(X)2 = 02.q + 12.p - p2 = p - p2 = p(1 - p) = p.q 
V(X) = p.q
Consideremos que:
a) n provas independentes e do mesmo tipo são realizadas.

b) Cada prova é uma prova de Bernoulli ou seja, admite dois resultados: sucesso ou
fracasso que são mutuamente exclusivos.
c) A probabilidade de sucesso ou fracasso é a mesma em cada prova, isto é, constantes.
d) p é a probabilidade de sucesso em cada prova e q = 1 - p a ocorrência do fracasso.
4.2- DISTRIBUIÇÃO BINOMIAL
Se p é a probabilidade de um evento acontecer em uma tentativa única (sucesso), e q

= 1 - p é a probabilidade de que o evento não ocorra (insucesso), então a probabilidade do
evento ocorrer exatamente x vezes em n tentativas, isto é, de que haja X sucessos e n - x
insucesso, é dado por:
P(X = x) = n px . qn - x
x
PARÂMETROS DA DISTRIBUIÇÃO BINOMIAL
Baseados na propriedades da E(X) e V(X) e como a variável binomial X é uma soma

de variáveis independentes do tipo Bernoulli, teremos que:
E(X) = E( x1 + x2 + x3 + ........+ xn) = E(x1) + E(x2) + E(x3) +........+ E(xn) = np

E(x) =  = n.p
V(X) = V(x1 + x2 + x3 + ........+ xn) = V(x1) + V(x2) + V(x3) + ......+ V(xn) = p.q + p.q +
p.q + .........+ p.q = n.pq. = n.p.(1 - p)
 V(x) = ² = n.p.q
FÓRMULAS GERAIS:
E(X) =  xi.p(xi)
P(X = xi) = n . pxi.(1 - p) n - xi
xi
E(X) =  xi. n .pxi. (1 - p)n - xi
xi
V(X) = (xi – E(X))².p(xi)
TRIÂNGULO DE PASCAL UMA FERRAMENTA IMPORTANTE
Números Combinatórios n n!
Ou binomiais p = Cn,p =
p!.(n-p)!
P=0 P=1 P=2 P=3 P=4 P=5 P=6
n=0 0
0
n=1 1 1
0 1
n=2 2 2 2
0 1 2
n=3 3 3 3 3
0 1 2 3
n=4 4 4 4 4 4
0 1 2 3 4
n=5 5 5 5 5 5 5
0 1 2 3 4 5
n=6 6 6 6 6 6 6 6
0 1 2 3 4 5 6
n n n n n n n n ... n
0 1 2 3 4 5 6 n
Substituindo-se cada número combinatório pelo respectivo valor, o triângulo de
Pascal fica assim:

Material-De-Estatistica-Ii-Prof-Mario-Roberto - Passei Direto

Enviado por

Direitos autorais:

Formatos disponíveis

Você também pode gostar

Material-De-Estatistica-Ii-Prof-Mario-Roberto - Passei Direto

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Material-De-Estatistica-Ii-Prof-Mario-Roberto - Passei Direto

Enviado por

Direitos autorais:

Formatos disponíveis

Impresso por Joana Forte, E-mail japf_20@yahoo.com.br para uso pessoal e privado.

Este material pode ser protegido por direitos

MATERIAL DE ESTATÍSTICA II – PROF. MÁRIO ROBERTO 1

2- VARIÁVEIS ALEATÓRIAS CONTÍNUAS

MATERIAL DE ESTATÍSTICA II – PROF. MÁRIO ROBERTO 2

1- VARIÁVEL ALEATÓRIA DISCRETA

1.1- FUNÇÃO DE PROBABILIDADE

f(x) = P(X = xi) f(x) = 0 se X  xi

P(X) 1/4 1/2 1/4

MATERIAL DE ESTATÍSTICA II – PROF. MÁRIO ROBERTO 3

1.2- FUNÇÃO REPARTIÇÃO

2- VARIÁVEL ALEATÓRIA CONTÍNUA

2.1- FUNÇÃO DENSIDADE DE PROBABILIDADE

2.2- FUNÇÃO REPARTIÇÃO +oo

Seja X uma variável aleatória contínua com a seguinte função densidade de

0 para  (qualquer) outro valor

f(x) = para 0  x  1  F(x) = 2x.dx = 2x2 x = x2

MATERIAL DE ESTATÍSTICA II – PROF. MÁRIO ROBERTO 4

Exemplo/Exercício Seja f(x) = 3/2 (1 - x2 ), 0x1

Ache a função repartição e esboce o gráfico.

3- DISTRIBUIÇÃO DISCRETAS DE PROBABILIDADES

3.1- DISTRIBUIÇÃO DE PROBABILIDADE

No contexto das distribuições de probabilidades, os valores individuais de

3.2 VALOR ESPERADO E VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS

Média, Valor Esperado ou Esperança Matemática:  = E(X) =  xi.P(xi)

MATERIAL DE ESTATÍSTICA II – PROF. MÁRIO ROBERTO 5

3.3 PROPRIEDADES DA ESPERANÇA MATEMÁTICA:

3.3.1- A média de uma constante é a própria constante

E(X) =  k.P(xi) = k. P(xi) = k

E(k.X) =  k.xi.P(xi) = k. xi.P(xi) = k.E(xi)

3.3.3- A média da soma ou da diferença é a soma ou diferença das médias.

E( X + Y) = E( X ) + E( Y ) ou E(X - Y) = E(X) - E(Y)

E(X + k) = E(X) + E(k) = E(X) + k ou E(X- k) = E(X) - k

3.3.5- A média do produto de duas variáveis aleatórias independentes é o produto das

E(X.Y) =  xi.yj.P(xiyj) = xi.yi.P(xi).P(yj) =  xi.P(xi). yj.P(yj) = E(X).E(Y)

A forma geral de desvios para a fórmula da variância de uma distribuição discreta de

V(X) = 2(X) =   xi - E(X)2.p(xi) ou

V(X) = 2(X) = E(X2) - E(X)2 ( Fórmula Computacional)

3.5- PROPRIEDADE DA VARIÂNCIA

3.5.1- A variância de uma constante é zero

2(X) = V(k) = E k - E(k)2 = E(k - k)2 = 0

V(k.X) = 2(k.X) = kX - E(k.X)2 = k.X - k.E(X)2 = k(X - E(X)2

MATERIAL DE ESTATÍSTICA II – PROF. MÁRIO ROBERTO 6

2(X + k) = 2(X) + 2(k) = 2(X) + 0 = 2(X)

3.5.4- A variância da soma ou da diferença de duas variáveis aleatórias independentes é a

2(X +Y) = 2(X) + 2(Y) e

2(X - Y) = 2(X) + 2(-Y) = 2(X) + (-1)2.2(X) = 2(X) + 2(Y)

A tabela abaixo está registrado o número de caminhonetes solicitadas em uma agência

Demanda Nº de dias Probabilidade Valor Ponde- Demanda ao Quad. Ponde-

3 3 0,06 = 3/50 0,18 9 0,54

4 7 0,14 = 7/50 0,56 16 2,24

5 12 0,24 1,20 25 6,00

6 14 0,28 1,68 36 10,08

7 10 0,20 1,40 49 9,80

8 4 0,08 0,64 64 5,12

TOTAL 50 1,00 E(X) = 5,66 E(X2) = 33,78

OBS. A probabilidade de serem solicitadas exatamente sete (7) caminhonetes em um

b) A variância, cálculo computacional.