Escolar Documentos
Profissional Documentos
Cultura Documentos
PRINCÍPIOS DA PROBABILIDADE
Autor(a): Dra. Mariza Akiko Utida
Por fim, esta unidade irá abordar a conceituação e a análise de variáveis aleatórias dependentes e
independentes, avaliando os procedimentos que definem quando duas variáveis aleatórias são
independentes.
Bons estudos!
Distribuições Conjuntas
de Probabilidade
Para você entender a teoria da probabilidade , é necessário ter em mente que tal entendimento
consiste em estudar diversos fenômenos do nosso dia a dia , ou seja, a probabilidade consiste em
utilizar a intuição humana para estudar os fenômenos do nosso cotidiano. Trata-se do ramo da
matemática que estuda experimentos aleatórios, por meio do qual é possível analisar as chances de
um determinado evento ocorrer.
Quer ver alguns exemplos? Quando você já sabe para qual curso deseja prestar vestibular, é preciso
estimar as chances de conseguir a vaga almejada. No lançamento de uma moeda, há a chance de
ela cair no chão com a face em cara ou em coroa. Nos jogos de loteria, é de conhecimento que
existe a probabilidade de ganhar (mesmo essa probabilidade sendo pequena, ela existe).
O termo “probabilidade” vem do latim probare , significando “testar” ou “provar”. A probabilidade tem
um papel muito importante em situações que envolvem a tomada de decisão.
De acordo com Meyer (1984), um pré-requisito para entender o conteúdo é conhecer os conceitos
básicos da teoria de conjuntos, que consiste, durante a manipulação dos dados estatísticos, na
aproximação de valores, devendo-se utilizar o máximo possível de casas decimais.
REFLITA
Aqui, você aprenderá sobre as variáveis aleatórias unidimensionais, bem como sobre atribuições de
probabilidades em diferentes situações, ou seja, um conjunto de valores X das variáveis aleatórias,
associando a probabilidade a cada possível resultado do espaço amostral ou do intervalo de
números reais. Você irá aprender, também, a descrever os resultados de um experimento aleatório
por meio de números ao invés de palavras; inclusive, por meio de parâmetros (isso só é possível por
meio das variáveis aleatórias, considerando funções que associam números reais aos eventos de
um espaço amostral).
Mas lembre-se: a variável aleatória, geralmente, é representada por letras maiúsculas, como X
(normalmente, letras próximas ao final do alfabeto) (Notação: X(s) = x) . Trata-se da função de
probabilidade no caso de variáveis aleatórias discretas em letras minúsculas para valores
particulares, ou seja, denotada matematicamente por P(X=a) ou P(a).
Uma distribuição discreta de probabilidade lista cada valor possível que a variável
aleatória pode assumir, com sua respectiva probabilidade. Uma distribuição de
probabilidade deve satisfazer as seguintes condições:
Segundo Meyer (1984, p. 66), a variável aleatória unidimensional é definida por “[...] uma função X ,
que associa a cada elemento a ∈ S , sendo S o espaço amostral, um número real, X (a),
denominada assim variável aleatória”.
#PracegoVer : a representação gráfica mostra, em forma de dois conjuntos (representados por duas
elipses), a função X , representada pela seta dos dois conjuntos, cujo elemento de número real é
representado pela letra minúscula a e a imagem do conjunto a sendo denotada matematicamente por
X(a) .
Magalhães e Lima (2005, p. 69) afirmam que “A variável aleatória é uma quantidade, associada a
cada possível resultado do espaço amostral que assume valores num conjunto enumerável, com
certa probabilidade, seja X uma variável aleatória e x1 , x2 , x3 , … , seus diferentes valores”.
SAIBA MAIS
As origens da probabilidade remontam ao século XV. As aplicações iniciais referiam-se, quase todas, a
jogos de azar. Os jogadores aplicavam o conhecimento da teoria das probabilidades para planejar
estratégias de apostas. Todavia a utilização das probabilidades ultrapassou muito o âmbito desses jogos.
Hoje, muitas organizações (públicas ou privadas) já incorporaram a teoria das probabilidades em seus
processos diários de deliberações.
Um exemplo para variável aleatória unidimensional seria o lançamento de duas moedas, com
variáveis como C representando “cara” e K representando “coroa”. O espaço amostral é
Ω = {CC, CK, KC, KK} , e podemos determinar a probabilidade em tabela, para sabermos,
por exemplo, quais as probabilidades de dar “cara” no lançamento das duas moedas.
Observe a tabela a seguir.
Número de “caras” 0 1 2
Probabilidade pi 1
4
1
2
1
#PraCegoVer : na tabela, temos duas linhas e quatro colunas. Na primeira linha, está sendo
indicada a quantidade de “caras” que pode ocorrer ao se fazer o lançamento das duas moedas.
É também mostrado pelo espaço amostral: na primeira coluna, nenhuma cara nos dois
lançamentos, ou seja, seria o caso de “coroa” nos dois lançamentos, e a probabilidade seria de
P0 =
1
4
ou 25%; na segunda coluna, temos a probabilidade de uma “cara” ocorrer ao se jogar a
moeda duas vezes, ou seja, P1 =
2
4
=
1
2
ou 50%; na terceira e última coluna, a probabilidade
de ocorrerem duas “caras” é de P2 =
1
4
.
Vamos ver outro exemplo? Considere um meteorologista que está trabalhando em uma previsão
climática para os próximos três dias. Suponha que a ocorrência de chuva em um dia, independente
da ocorrência de chuva em outro dia, foi determinada em 40% de probabilidade de chover (e uma
probabilidade de 60% de não chover), em cada um dos três dias. Você sabe qual é a probabilidade
de chover? Em 0, 1, 2 ou 3 dos três dias?
Solução : a distribuição de probabilidade para os possíveis resultados será representada nas figuras
a seguir, que trarão o cálculo das probabilidades e as sequencias possíveis de chuva (0,40) e não
chuva (0,60) nos três dias.
#PracegoVer : a figura ilustra a representação da probabilidade de chover nos três dias. Há cinco colunas:
na primeira coluna, temos o dia 1, em que S é a probabilidade de fazer sol (S=0,6) e C de chover (C=0,4); a
segunda coluna representa o dia 2, com a probabilidade de fazer (S=0,6); (C=0,4); (S=0,6); (C=0,4); a
terceira coluna representa o dia 3, com a probabilidade de fazer (S=0,6); (C=0,4); (S=0,6); (C=0,4); (S=0,6);
(C=0,4); (S=0,6); (C=0,4); na penúltima coluna é apresentada a probabilidade de, nos três dias, ocorrer sol
ou chuva: P (SSS)=0,216; P (SSC)=0,144; P (SCS)=0,144; P (SCC)=0,096; P (CSS)=0,144; P (CSC)=0,096; P
(CCS)=0,096; P (CCC)=0,064; na quinta coluna são apresentados os dias de chuva: 0, 1, 1, 2, 1, 2, 2, 3.
Para aprofundar um pouco mais o conhecimento obtido até aqui, a partir de nossas discussões
sobre o conteúdo, veja a imagem a seguir, que apresenta importantes considerações sobre a
temática deste material.
Figura 1.3 - Gráfico de coluna da probabilidade de chover nos três dias
Fonte: Elaborada pela autora.
#PracegoVer : o gráfico traz a representação da probabilidade nos chover em três dias. No eixo y, temos
os seguintes valores, de baixo para cima: 0; 0,05; 0,1; 0,15; 0,2; 0,25; 0,3; 0,35; 0,4; 0,45; 0,5, os quais
indicam a probabilidade de chover. Já no eixo x estão as colunas de zero dias de chuvas (os três dias de
sol e a probabilidade de 0,216); e um dia de chuva e os outros dois dias de sol (probabilidade de 0,432). A
terceira coluna, com o número 2, representa dois dias de chuvas e um dia de sol (probabilidade de 0,288),
e a última coluna, com o número 3, representa três dias de chuvas (probabilidade de 0,064).
Segundo Bonafini (2015), a uma variável aleatória, geralmente, é atribuída uma descrição numérica
para os resultados de um experimento estatístico. A palavra “aleatória” refere-se à variável e indica
que X é determinado pelo acaso, sendo as variáveis classificadas em dois tipos, trazidos na
sequência.
Uma variável aleatória é discreta quando tem um número finito ou contável de resultados possíveis
que podem ser enumerados. Já a variável aleatória contínua ocorre quando há um número
incontável de resultados possíveis, os quais são representados por um intervalo na reta numérica.
Para cada valor de uma variável aleatória discreta pode ser atribuída uma probabilidade. Ao listar
cada valor de variável aleatória com sua probabilidade correspondente, você estará formando uma
distribuição discreta de probabilidade.
Na prática, muitas vezes, temos interesse em desenvolver o estudo de duas ou mais características,
simultaneamente, ou seja, para variáveis aleatórias n dimensional , como a dureza e a tensão de
ruptura de uma peça manufaturada de aço, observam-se a altura e a temperatura da chuva em uma
certa localidade, durante um período (meses ou semanas) especificado. Dessa forma, há a
definição formal, de variáveis aleatórias para n dimensões, generalizando, assim, o estudo das
variáveis aleatórias.
111).
A distribuição de probabilidade da variável aleatória bidimensional (X, Y ) nada mais é do que uma
tabela em que se associa cada número dessa variável com a sua função correspondente de
probabilidade, também denominada, matematicamente, distribuição conjunta de (X, Y ).
n
x1 P (x … P (x ∑ P (x
1, y1 ) 1, yn ) j=1 1, yn )
⋮ ⋮ … ⋮ ⋮
n n
xn P (x , y1 ) … P (x , yn )
∑ ∑ P (x , yn )
n n i=1 j=1 n
n n n
P ∑ P (x … ∑ ∑ P (x , yn ) 1
( yj ) i=1 n , y1 ) i=1 j=1 n
#PraCegoVer : na tabela temos os valores das variáveis aleatórias X e Y, com seus respectivos
valores na primeira linha y, em que j varia de 1 a n, e na primeira coluna da tabela x, em que i
varia de 1 a n. Na segunda linha, há os valores da probabilidade das variáveis x e y, e ao final da
linha, tem-se o somatório da primeira linha i=1 para a variável x e j, variando de 1 a n. Na
terceira linha, está sendo indicada, de maneira generalizada, a probabilidade da variável x, em
que i varia de 1 a n, e a variável y, em que j varia de 1 a n.
Neste material você estudará as variáveis aleatórias bidimensionais, para uma melhor assimilação
do entendimento e da aplicação do conteúdo. Sendo assim, segundo Meyer (1984, p. 110), “sejam
X = X(s) e Y = Y(s) duas funções, cada uma associando um número real a cada resultado em
s ∈ S , denomina (X, Y ) uma variável aleatória bidimensional”.
#PracegoVer : a representação gráfica mostra dois conjuntos (apresentados em duas formas geométricas
de eclipse) e as funções X e Y , cujo elemento de número real é representado por s, estando na primeira
forma geométrica de eclipse, e suas respectivas imagens, sendo as funções X(s) e Y (s)
iii) P (X = x, Y = y) = f (x, y) .
Solução : a melhor maneira para você resolver uma probabilidade de variável aleatória
bidimensional (X, Y) cuja função foi dada por θi+j+1 se i, j = 0, 1, 2 é utilizar uma tabela.
Observe a tabela a seguir.
Y 0 1 2
0 θ θ
2
θ
3
1 θ
2
θ
3
θ
4
2 θ
3
θ
4
θ
5
cima pra baixo; na segunda linha, 0; na terceira linha, 1; e na quarta, linha 2. Os resultados
mostrados (segunda linha com a segunda coluna) já estão calculados para i = j = 0 ; temos
que o valor da equação θi+j+1 = θ . No caso da segunda linha e da terceira coluna, temos,
para i , o valor de teta é θ , e assim por diante.
2
= 0 e j = 1
Logo, calculando os nove resultados dos elementos de i e j variando de zero a dois, a distribuição
de probabilidade discreta tem por definição: a função f (x, y) é a distribuição de probabilidade
conjunta das variáveis aleatórias discretas x e y. Cada valor possível que a variável aleatória
discreta pode assumir, com sua respectiva probabilidade e uma distribuição de probabilidade, deve
satisfazer as seguintes condições:
iii) P (X = x, Y = y) = f (x, y) .
2 2
∑ ∑ P (X = i, Y = j) = 1
i=0 j=0
2 3 2 3 4 3 4 5
θ + θ + θ + θ + θ + θ + θ + θ + θ = 1
2 3 4 5
θ + 2θ + 3θ + 2θ + θ = 1
Portanto, com esse exemplo, finalizamos o primeiro tópico de probabilidade de variáveis aleatórias
bidimensionais. A seguir, conheceremos alguns modelos de funções para determinar a
probabilidade conjunta, sendo esses casos mais específicos, os quais permitem aplicar diversos
modelos para o cálculo de probabilidade.
Sendo assim, sejam as variáveis aleatórias X e Y juntamente com suas probabilidades, elas
especificam coletivamente a função massa de probabilidade conjunta , também conhecida como
função de distribuição de probabilidade.
Neste tópico, você ampliará seus estudos sobre o tema das variáveis aleatórias conjuntas , de uma
maneira mais geral, conhecendo alguns modelos de funções para determinar a probabilidade
conjunta e suas variações.
ii. ∑x ∑
y
p (x, y) = 1 para qualquer região A no plano xy
P [(x, y) ∈ A ] = ∑ ∑ p (x, y)
A função de massa de probabilidade é distribuída ao longo dos eixos x e y dos possíveis valores
das variáveis aleatórias. Por fim, vamos encerrar o estudo desta primeira função com um exemplo,
para melhor assimilar a definição vista até agora.
Exemplo: seja (X, Y ) uma variável aleatória bidimensional discreta, com a seguinte função de
probabilidade dada por:
2xi +yj
P (xi , y ) =
j 42
, para xi = 0, 1, 2 e y
j
= 0, 1, 2, 3 , determine a tabela de
distribuição de probabilidade conjunta.
0
1 1 1
0
42 21 14
1 1 1 2 5
21 14 21 42
2 2 5 1 1
21 42 7 6
Logo, pela definição, temos os valores de f (x, y) ≥ 0, pois, para todos os valores de (x, y) ,a
imagem da função dada será maior ou igual a zero se xi ≥ 0 e yj ≥ 0 .
1 1 1 1 1 2 5 2 5 1 1 1+2+3+2+3+4+5+4+
∑ ∑ f (x, y) = 0 + + + + + + + + + + + =
x y 42 21 14 21 14 21 42 21 42 7 6 42
2xi + y
j
P (X = x, Y = y) = f (x, y) = P (xi , y ) =
j
42
Por fim, a função de massa de probabilidade pode ser definida: sejam X e Y duas variáveis
discretas definidas no espaço amostral Ω de um experimento, então, a função de massa de
probabilidade conjunta p (x, y) é determinada para cada par de números, dado por:
p (x, y) = P (X = x e Y = y)
P [(X, Y ) ϵ A] = ∑ ∑ p (x, y)
(x, y) ϵ A
Há várias situações experimentais em que mais de uma variável aleatória será aplicada para
analisar os modelos matemáticos na pratica, como no próximo exemplo.
Exemplo : uma agencia de seguros presta serviço a diversos clientes que compraram uma apólice
de seguro de vida e seguro de automóvel, da mesma seguradora. Para o seguro de automóvel, as
opções são R$100,00 e R$250,00, enquanto, para o seguro de vida, as opções são R$0,00, R$100,00
e R$200,00. Agora, considere que um indivíduo seja selecionado aleatoriamente, e que tenha os dois
tipos de seguros. Seja, também, dado o par
(X, Y ) , onde X = seguro de automovel e Y = seguro de vida dos valores de
probabilidade associada a cada par, apresentado na tabela a seguir. Qual a probabilidade de o
cliente pagar no seguro de vida pelo menos R$100,00 reais, uma vez que não é interessante para a
agência que o segurado não pague nada?
Y 0 100 200
100 0, 20 0, 10 0, 20
250 0, 05 0, 15 0, 30
Solução: a probabilidade é determinada; seja A qualquer conjunto formado por pares de valores
(x, y), a probabilidade é obtida de acordo com a definição pela soma da função de massa de
probabilidade. Logo, os pares são a combinação das opções de seguros disponíveis: X = os
seguros de automóvel e Y = os seguros de vida da tabela:
(100, 0) ; (100, 100) ; (100, 200) ; (250, 0) ; (250, 100) ; (250, 200),
descartando os valores de y = 0 .
Sendo assim:
P (Y ≥ 100) = p (100, 100) + p (100, 200) + p (250, 100) + p (250, 200) = 0, 10 + 0, 20+
0, 15 + 0, 30 = 0, 75 .
Para uma distribuição contínua de probabilidade, você deve utilizar uma função densidade de
probabilidade , que, por sua vez, deve satisfazer duas restrições:
ii) ∬ f (x, y) dx dy = 1 .
R
Um exemplo, para entender melhor como determinar a densidade conjunta de uma região R
delimitada por uma função y = x e com o eixo y no plano cartesiano, sendo que a variável
2
Para determinar área de densidade conjunta de (X, Y ), é necessário, antes de mais nada, verificar
o intervalo da região R . No eixo y, temos que a região a ser calculada está no intervalo de 0 a 1 da
imagem; já no eixo y, temos que a função é y = x
2
⇒ x = √y . Logo, pela definição
d b
P (a ≤ X ≤ b, c ≤ Y ≤ d) = ∫
c
∫
a
f (x, y) dx dy , temos:
1 √y
P (0 ≤ x ≤ √y , 0 ≤ y ≤ 1 ) = ∫
0
∫
0
1 dx dy , para x = 1 .
Resolvendo a integral da Figura 1.5 - A função y = x2 de densidade conjunta de uma região R com
o eixo y, apresentada no exemplo, temos que o resultado da probabilidade da área da região R ou a
densidade conjunta é:
1 √y 1 1 3
y 2 2 −− 2
√y 1 3
∫ ∫ 1 dx dy = ∫ x| dy = ∫ dy = = √1 − 0 =
0 √y 3
|
0
3 3
2
0 0 0 0
Vejamos um outro exemplo: seja a variável aleatória contínua bidimensional (X, Y ) e “seja a
xy
função dada por f (x, y) =
2
x +
3
, 0 ≤ x ≤ 1 e 0 ≤ y ≤ 2 e zero para quaisquer outros
valores de (x, y) . Verifique se é uma função de densidade de probabilidade conjunta” (MEYER,
1984, p. 115).
A solução é dada pela definição de que f (x, y) ≥ 0 , o que é verdadeiro para o intervalo dado, e a
segunda condição é ∬ f (x, y) dx dy = 1 . Logo,
R
2 1 2 2
3 2 2
xy x x y 1
1 y 1 y 2
2 4
2
∫ ∫ (x + )dx dy = ∫ ( + )| dy = ∫ ( + ) dy = ( y + )| = + = 1
0 0
3 3 6 3 6 3 6 3 12
0 0 0 0
xy
Portanto a função f (x, y) = x
2
+
3
, definida no intervalo , é uma
0 ≤ x ≤ 1 e 0 ≤ y ≤ 2
praticar
Vamos Praticar
Um banco opera tanto uma instalação de drive-through (conceito criado nos Estados Unidos, sem
tradução na língua portuguesa, que significa: uma troca comercial que se realiza por meio da
janela do carro do cliente) quanto um guichê de atendimento. Em um dia selecionado
aleatoriamente, assume-se que
X = a proporça o de tempo em que a instalaça o de drive − through está em uso (ao
~ ~
Diante desses dados, suponha que seja uma função de densidade de probabilidade conjunta de
(X, Y ). Deve-se provar que essa função seja de densidade de acordo com a condição:
∬ f (x, y) dx dy = 1.
R
Conhecimento
Teste seus Conhecimentos
(Atividade não pontuada)
Figura - A função delimitada pelas retas nos eixos x e y de densidade conjunta de uma
região R
Fonte: Meyer (1984, p. 114).
A partir do que foi apresentado, qual o valor da constante c , para que f (x, y) seja uma função
de densidade de probabilidade conjunta?
a) c = 5000 .
b) c = (5000)
2
.
c) c = (10000)
−2
.
d) c = (5000)
−2
.
e) c = (10000)
2
.
Dependência e
Independência de
Variáveis Aleatórias
Bidimensionais
Prezado(a) estudante, é preciso chamar sua atenção para um fato importante: a análise e o estudo
dos conceitos de dependência e independência de variáveis aleatórias são muito importantes, pois
um ou mais eventos podem ser classificados como independentes quando a realização de um dos
eventos não afeta a probabilidade de ocorrência do outro , e vice-versa.
Com o crescimento dos grupos financeiros, os quais envolvem atividades de riscos, tem-se a
necessidade de ferramentas matemáticas que auxiliam a análise de dependências, principalmente
aquelas relacionadas a medidas de risco, sendo estas variáveis aleatórias.
Fundamentação Teórica
Um pré-requisito no estudo de variáveis aleatórias unidimensionais é o de dependência e
independência de dois eventos aleatórios. Os eventos A e B são independentes se:
P (A∩B) f(x,y)
P (A/B) = f (x/y) =
P (B) h(y)
Assim, dois eventos A e B são considerados independentes quando a ocorrência de um dos dois
eventos não depende ou não está vinculada à ocorrência do outro, isso é,
P (A/B) = P (A) e P (B/A) = P (B) . Logo, para dois eventos serem independentes,
utiliza-se a regra do produto P(A ∩ B) = P(A) P(B) ; e se a equação for verdadeira, os eventos A e B
são independentes, ou seja, na equação P(A ∩ B) = P(A) P(B) , se a igualdade for verdadeira, A e B
são independentes.
Logo, a restrição P(A ∩ B) = P(A) P(B) tem que ser atendida para a probabilidade de dois eventos
serem independentes. A seguir, definiremos o conceito de independência de eventos para variáveis
aleatórias bidimensionais. Analogamente, é apresentada a seguir a definição para variáveis
aleatórias bidimensionais, sendo de maneira pela qual é determinado o conceito de independência
de dois eventos A e B.
Definição:
P (X=x |Y =y)
P (X = x |Y = y) =
P (Y =y)
, se P (Y = y) > 0 .
Caso P (Y = y) = 0 , a probabilidade condicional pode ser definida por
P (X = x |Y = y) = P (X = x) (MAGALHÃES; LIMA, 2005, p. 149).
Segundo Meyer (1984), do mesmo modo que se define o conceito de independência de dois eventos
A e B , tal conceito pode ser definido de maneira análoga para variáveis aleatórias independentes,
declarando que X e Y , são variáveis aleatórias independentes, quando o resultado de X de modo
algum influenciar no resultado de Y .
Análise de dependência
A análise dessa dependência tem caráter bem especifico, pois cada medida de dependência se destina a captar determinadas
facetas do comportamento das funções. É importante, na hora de avaliar a que cada medida de dependência é apropriada,
mensurar um aspecto de dependência a ser aplicado, para levar a vários aspectos de conclusão e interpretação.
Segundo Meyer (1984, p. 122), eis a definição para variáveis aleatórias independentes: “seja
(X, Y ) uma variável aleatória continua bidimensional, serão variáveis independentes se, e
somente se, f (x, y) = g (x) h (y) para todo (x, y)”. De acordo com Magalhaes e Lima (2005,
p. 149), “Duas variáveis aleatórias discretas são independentes, se a ocorrência de qualquer valor de
uma delas não altera a probabilidade de ocorrência de valores da outra, ou seja, X e Y são
independentes p (x, y) = p (x) p (y) , ∀ (x, y) ”.
Exemplo : para verifica se duas variáveis aleatórias (X, Y) são independentes, uma faculdade fez
um levantamento, coletando os dados de 80 famílias de um determinado bairro, com o foco nas
informações especificas sobre número de pessoas que trabalham na família (X), e o número de
filhos (Y ). Para melhor visualização dos resultados, foi utilizada uma tabela. Em uma situação
hipotética, deseja-se saber se a quantidade de pessoas que trabalham depende da quantidade de
filhos de uma família. Neste exemplo, o máximo de filhos em cada família não ultrapassará 4.
Y 0 1 2 3 4 Total
0 5 4 2 3 1 15
1 2 8 6 4 1 21
2 4 8 8 5 2 2
3 4 2 2 5 4 1
Total 15 22 18 17 8 80
Observe a tabela a seguir: a qual conclusão podemos chegar por meio da análise dela?
Y 0 1 2 3 4 p (x)
0
5 4 2 3 1 15
80 80 80 80 80 80
1
2 8 6 4 1 21
80 80 80 80 80 80
2
4 8 8 5 2 27
80 80 80 80 80 80
3
4 2 2 5 4 17
80 80 80 80 80 80
1
15 22 18 17 8
p (y)
80 80 80 80 80
80
=
1
16
= 0, 0625 de 5
famílias dentre o total pesquisado em que nenhuma pessoa trabalha e não há nenhum filho.
Para x = 0 e y = 1 , temos que a razão é 4
80
=
1
20
= 0, 05 de 4 famílias dentre o total
pesquisado, que possui zero pessoas que trabalham e que tem um filho. Para x = 0 e y = 2 ,
temos que a razão é 2
80
=
1
40
= 0, 025 de 4 famílias dentre o total pesquisado que possui
zero pessoas que trabalham e dois filhos, e assim por diante.
Utilizando a definição para variáveis aleatórias independentes, p (x, y) = p (x) p (y) , temos que,
para cada variável aleatória, é necessário verificar a condição.
80
=
16
3
= 0, 1875 = p (y) .
Logo, p (x, y) = 0, 0625 ≠ p (x) p (y) = 0, 1875 × 0, 1875 = 0, 03515625. Como são
diferentes, já podemos concluir que não são variáveis aleatórias independentes, e sim variáveis
aleatórias dependentes .
Um segundo exemplo se faz necessário para mostrar quando X e Y são variáveis aleatórias
independentes. Suponha que uma máquina seja utilizada para algumas tarefas no período da
manhã e para uma tarefa diferente durante a tarde. Na tabela de distribuição de probabilidade
conjunta de X e Y , é apresentado o número de vezes que a máquina é posta em desarranjo de
manhã e à tarde.
Y 0 1 2 p (x)
0 0, 1 0, 2 0, 2 0, 5
1 0, 04 0, 08 0, 08 0, 2
2 0, 06 0, 12 0, 12 0, 3
p (y) 0, 2 0, 4 0, 4 1
VARIÁVEIS ALEATÓRIAS
INDEPENDENTES: NOVE
RESULTADOS
#PraCegoVer : o infográfico apresenta o título “Variáveis aleatórias independentes: nove resultados”.
Abaixo, há nove barras horizontais, dispostas na vertical, enumeradas de 1 a 9. As barras são azuis em
degradê, começando azul-escuro na primeira barra e ficando mais claro até a barra cinco; depois, volta a
ser azul cada vez mais escuro até a barra nove. A primeira barra está intitulada “Para primeira linha” e, ao
clicar nela, aparece o conteúdo “x = 0 = y , temos que p (x, y) = p (0, 0) = 0, 1 e
p (x) = p (0) = 0, 5 e p (y) = p (0) = 0, 2 . Logo
p (x, y) = 0, 1 = p (x) p (y) = 0, 5 × 0, 2 = 0, 1 . Portanto p (x, y) = p (x) p (y) = 0, 1 ,
satisfeito”. A segunda barra também apresenta o título “Para primeira linha” e, ao clicar nela, aparece o
conteúdo “x = 0 e y = 1 , temos que p (x, y) = p (0, 1) = 0, 2 e
p (x) = p (0) = 0, 5 e p (y) = p (1) = 0, 4 . Logo
p (x, y) = 0, 2 = p (x) p (y) = 0, 5 × 0, 4 = 0, 2 . Portanto p (x, y) = p (x) p (y) = 0, 2 ,
satisfeito”. A terceira barra também está intitulada “Para primeira linha” e, ao clicar nela, aparece o
conteúdo “x = 0 e y = 2 , temos que p (x, y) = p (0, 2) = 0, 2 e
p (x) = p (0) = 0, 5 e p (y) = p (2) = 0, 4 . Logo
p (x, y) = 0, 2 = p (x) p (y) = 0, 5 × 0, 4 = 0, 2 . Portanto p (x, y) = p (x) p (y) = 0, 2 ,
satisfeito”. A quarta barra tem o título “Para segunda linha” e, ao clicar nela, aparece o conteúdo “
x = 1 e y = 0, temos que p (x, y) = p (1, 0) = 0, 04 e
satisfeito”.
Variáveis independentes são aquelas variáveis que são manipuladas, ou seja, espera-se que as
variáveis sejam dependentes da manipulação ou de condições experimentais, enquanto as variáveis
dependentes são apenas medidas ou registradas.
Conhecimento
Teste seus Conhecimentos
(Atividade não pontuada)
Uma maneira bem pratica de verificar independência é utilizar tabela. Sendo assim, uma pesquisa
de uma universidade conceituada fez um levantamento do estágio remunerado dos seus alunos
de Engenharia, a fim de saber como estes estariam sendo aceitos no mercado de trabalho. O
cálculo foi elaborado de acordo com o salário mínimo e em relação ao ano que estavam cursando.
A probabilidade de cada caso é apresentada de acordo com a tabela (XX), com a distribuição de
probabilidade de variáveis aleatórias discretas.
Sejam:
2 0, 08 0, 08 0, 04 0 0, 2
3 0, 08 0, 2 0, 08 0, 08 0, 44
4 0, 04 0, 08 0, 08 0, 16 0, 36
p (y) 0, 2 0, 36 0, 2 0, 24 1
a) Concluímos que as variáveis aleatórias são dependentes, uma vez que a condição
necessária definida para determinar a independência não é satisfeita.
b) São variáveis independentes, pois a variável x depende da variável y.
c) Concluímos que as variáveis aleatórias são dependentes umas das outras, ou seja, x i
LIVRO
Ano : 2015
ACESSAR
WEB
ACESSAR
Conclusão
Caro(a) estudante, aqui pudemos compreender a definição e a aplicação de variáveis aleatórias
unidimensionais e bidimensionais, bem como o que são variáveis aleatórias discretas e contínuas, suas
diferenças e como calcular a probabilidade.
Você conheceu algumas funções para determinar e aplicar na probabilidade conjunta, como a função de
massa de probabilidade de uma única variável discreta X e para duas variáveis discretas X e Y .
Você também pôde se aprofundar sobre a função de massa de probabilidade, sendo aplicadas variáveis
contínuas e bidimensionais, em que a função de massa conjunta é definida para duas variáveis contínuas
X e Y , descrevendo quanta massa de probabilidade é colocada em cada par de valores possíveis (x, y).
Por fim, você viu o conceito de como identificar as variáveis aleatórias independentes e dependentes,
identificando o comportamento do conjunto na modelagem de equações.
Referências
BONAFINI, F. C. Probabilidade e Estatística . São Paulo:
Pearson, 2015.
MAGALHÃES M. N.; LIMA A. C. P. Noções de Probabilidade e Estatística . São Paulo: Edusp, 2005.
(Biblioteca Ânima).
MEYER, P. L. Probabilidade : aplicações à Estatística. Rio de Janeiro: LTC, 1984. (Biblioteca Ânima).