Você está na página 1de 16

Variveis Aleatrias

Definio: Uma varivel aleatria v.a. uma funo que associa elementos do espao amostral a valores numricos, ou seja, X : A , em que A . Esquematicamente

As variveis aleatrias so classificadas em dois tipos: VA discreta: aquela para a qual o conjunto A um conjunto finito ou infinito enumervel Exs.: A = {1, 2, 3, 4, 5, 6}, A = = {0, 1, 2, 3, 4,.......}, etc. VA contnua: aquela para a qual o conjunto A um conjunto infinito no enumervel, ou seja, uma v.a. que assume valores em intervalos de nmeros reais Exs.: A = = (,), A = [0,1] , etc. Notas: Para v.a.s contnuas, a funo que normalmente associa pontos de ao conjunto A , a funo identidade; Para v.a.s discretas, a funo que normalmente associa pontos de ao conjunto A , uma contagem ou soma.

Exemplo: Trs jogadores A, B e C cobram um penalti cada um. a) Quais os resultados possveis? b) Como definir uma v.a.? c) Como associar probavilidade a essa uma v.a.? Sejam os eventos A = o jogador A marca o penalti, B = o jogador B marca o penalti e C = o jogador C marca o penalti a) = { ABC, ACBC, ABCC, ABCC, ACBCC, ACBCC, ABCCC, ACBCCC } o espao amostral. b) Temos pelo menos duas formas de definir uma varivel aleatria nesse caso: (i) X1 = nmero de gols marcados nas trs cobranas ou (ii) X2 = nmero de gols no marcados nas trs cobranas. Vamos considerar X = nmero de gols marcados nas trs cobranas X(ABC) = 3 X(ACBC) = X(ABCC) = X(ABCC) = 2 X(ACBCC) = X(ACBCC) = X(ABCCC) = 1 X(ACBCCC) = 0 Por convenincia, vamos utilizar a notao simplificada para representar os possveis valores de uma v.a.: X(ABC) X=3 X(ACBC) = X(ABCC) = X(ABCC) X = 2 X(ACBCC) = X(ACBCC) = X(ABCCC) X = 1 X(ACBCCC) X=0 Assim pode-se escrever: P(X = 3) = P(ABC) = 0.6732 P(X = 2) = P(ACBC ABCC ABCC) = 0.2854 P(X = 1) = P(ACBCC ACBCC ABCCC) = 0.0396 P(X = 0) = P(ACBCCC) = 0.0018

Funo de probabilidade de uma v.a. discreta A funo que associa probabilidades aos possveis valores de uma v.a. discreta X, chamada de funo de probabilidade discreta e representada por: p(x) = P(X = x), Propriedades: a) 0 p(x) 1; b) p ( x) = 1 .
xA

x A.

Exemplo: No exemplo dos 3 jogadores, temos A = { 0, 1, 2, 3 } e: x p(x) 0 0.0018 1 0.0396 2 0.2854 3 0.6732 p(x) assim definida, uma funo que associa probabilidades v.a. X = nmero de gols narcados nas 3 cobranas de penaltis. Exemplo: Um atirador acerta a mosca de um alvo 80% das vezes. Se ele realiza dez tiros, a) Defina uma varivel aleatria para esse caso. Qual a probabilidade de que ele acerte o alvo: b) exatamente uma vez? c) pelo menos uma vez? d) no mximo trs vezes? (escreva essas probabilidades em termos da v.a.)

a) Vamos definir a v.a. X = nmero de acertos nos dez tiros Desta forma temos que A = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }, ou seja p(x) = P(X = x), em que x { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }. b) A probabilidade de que o atirador acerte o alvo exatamente uma vez pode ser representada por: P(X = 1). Se o atirador acerta o alvo em 80% das vezes, ento, em cada tiro ele tem probabilidades 0.80 de acertar e 0.20 de errar. Sendo A = acerto e E = erro e considerando que ele acerte o primeiro tiro, temos que A/E A E E E E E E E E E prob. 0.80 0.20 0.20 0.20 0.20 0.20 0.20 0.20 0.20 0.20 tiro 1 2 3 4 5 6 7 8 9 10 Assim, a probabilidade de que ele acerte uma nica vez, sendo este o primeiro tiro igual a: (0.80)(0.20)9 Como ele pode acertar o primeiro tiro ou o segundo ou o terceiro ... ou o dcimo, ento ele tem dez vezes essa probabilidade, ento: 10 P(X = 1) = 10(0.80)(0.20)9 = (0.80)1(0.20)9 = 4.09610-6. 1 c) Se o atirador acerta pelo menos uma vez, ento, ele pode acertar uma vez ou duas vezes ou trs vezes ... ou dez vezes, portanto, a probabilidade de que o atirador acerte pelo menos uma vez pode ser escrita por: P(X 1) = P ( X = x) = P(X = 1) + P(X = 2) + ...+ P(X = 10).
x =1 10

Mas, utilizando o evento complementar, podemos escrever a probabilidade do atirador acertar pelo menos uma como sendo um menos a probabilidade de que ele erre todos os tiros, ou seja:

P(X 1) = 1 P(X = 0) = 1 (0.20)10 = 0.9999999 d) A probabilidade do atirador acertar no mximo trs vezes pode ser escrita como: P(X 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3). Mas: 10 P(X = 0) = (0.80)0(0.20)10 = 1.02410-7 0

10 P(X = 1) = (0.80)1(0.20)9 = 4.09610-6 1 10 P(X = 2) = (0.80)2(0.20)8 = 7.372810-5 2 10 P(X = 3) = (0.80)3(0.20)7 = 7.8643210-4 3


Logo, P(X 3) = 8.64410-4. No exemplo acima podemos escrever uma frmula geral para as probabilidades: 10 P(X = x) = (0.80)x(0.20)10 x. x Generalizando um pouco mais, podemos pensar num atirador que tem um ndice de acertos maior ou menor do que os 80%, como por exemplo: 95%, 70%, 40%, etc... Como esse ndice de acertos pode ser expresso como uma proporo entre 0 e 1, podemos definir uma quantidade 0 p 1, como sendo a probabilidade de que, num tiro, o atirador acerte a mosca. Considerando que o atirador pode atirar um nmero n qualquer de vezes, sendo X a v.a. que conta o nmero de acertos nos n tiros, ento podemos generalizar a probabilidade P(X = x) por:

n P(X = x) = px (1 p)n x, x

x = 0, 1, 2, ..., n.

Esse modelo conhecido como modelo binomial. O modelo binomial est associado ensaios com apenas dois resultados possveis: sim/no; ocorre/no ocorre; 0/1. Esses ensaios quando so independentes recebem o nome de ensaios de Bernoulli. Nos ensaios de Bernoulli sempre estamos interessados em apenas um dos resultados ao qual chamaremos de sucesso. A no ocorrncia de sucesso vamos chamar de fracasso. Desta forma, para o modelo binomial temos que: p = P(sucesso) e (1 p) = P(fracasso) No exemplo do atirador ocorre sucesso quando o atirador acerta a mosca e fracasso quando ele no acerta a mosca. Uma caracterstica do modelo binomial que so realizados n ensaios com apenas dois resultados possveis nos quais a probabilidade de sucesso p sempre constante, ou seja, os ensaios so independentes. Assim sendo, definimos uma varivel aleatria binomial como sendo uma varivel que conta o nmero de sucesso num nmero fixo de ensaios de Bernoulli. Notao: X binomial(n, p). No exemplo do atirados temos p = 0.80 e n = 10, logo X binomial(10, 0.80).

Outro exemplo: Considere a fabricao de componentes eletrnicos em que o ndice de produtos com defeito de 2.5%. Se um inspetor seleciona um lote de 80 peas para inspeo, qual a probabilidade de que: a) apenas uma seja defeituosa? b) nenhuma seja defeituosa? c) no mximo duas sejam defeituosas? d) Qual o nmero esperado de peas defeituosas no lote? Vamos definir a v.a. X = nmero de peas defeituosas dentre as 80. Como estamos interessados nos defeito, ento, p = P(defeito) = 0.025 e X binomial(80, 0.025).

80 a) P(X = 1) = (0.025)1(0.975)79 = 0.2706 1 80 b) P(X = 0) = (0.025)0(0.975)80 = 0.1319 0


c) P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0.6767. d) Espera-se: 800.025 = 2 peas defeituosas no lote, ou seja, espera-se np peas com defeito. Resultado: O nmero esperado de sucessos em n ensaios de Bernoulli com P(sucesso) = p dado por np. Obs: No exemplo do atirador espera-se que ele acerte 100.80 = 8 tiros na mosca.

Funo de probabilidade de uma v.a. contnua Para modelarmos as probabilidades associadas a uma v.a. contnua, temos de considerar que estas assumem valores em intervalos dos reias. Desta forma, o conjunto de possveis valores que uma v.a. contnua X pode assumir dado por A = { x : k1 x k2 }, k1 < k2. Como existem infinitos pontos no intervalo [k1, k2], no faz sentido pensarmos em calcular a probabilidade de X assumir um dado valor x A, uma vez que essa probabilidade ser igual a zero. Assim, para uma v.a. contnua, P(X = x) = 0. No entanto, podemos determinar a probabilidade de X assumir um valor entre dois pontos quaisquer pertencentes a A: P(a X b) ; P(X b), P(X a), etc Definio: Seja um funo f(x) no negativa tal que a) f(x) 0, x A;
+

b)

f ( x)dx = 1;
x +
b

c) lim f ( x) = lim f ( x) = 0 ;
x

d) P(a X b) =

f ( x)dx

A funo f(x) chamada de funo densidade de probabilidade (f.d.p.) da v.a. X, ou simplesmente funo densidade de X. e serve para descrever a distribuio de probabilidade de uma v.a. contnua.

A funo de probabilidade f(x) pode ser aproximada pelo histograma da v.a. X., conforme podemos observar pela figura 2.

Definio: Seja um funo F(x) tal que

F ( x) = P ( X x) =

f ( x)dx .

F(x) chamada funo de distribuio acumulada (f.d.a.) da v.a. X, ou simplesmente funo de distribuio. Nota:
b

Da definio de f.d.p. segue-se que P(a X b) =

f ( x)dx = F(b) F(a)

Exemplo: Seja uma v.a. X com f.d.p. f(x) dada por f(x) = 2 e k x ,
+ + 0 +

x 0.
k x

a) Para que valor de k, f(x) define uma f.d.p.? De

f ( x)dx = 2 e 2e
0 k x

dx = 1 , fazendo w = kx, segue-se que dw = kdx.


0 w

Portanto,

dx = 2 e

dw 2 = e w k k

=
0

2 e + e 0 = 1, k

de onde se obtm:

2 =1 k = 2. k

b) Encontre a f.d.a.

e 2u 2u = 1 e 2 x . F ( x) = 2 e du = 2 2 0 0
x

Portanto, F ( x) = P( X x) = 1 e 2 x . Desta forma, podemos encontrar P(1 X 2) = F(2) F(1), ou seja P(1 X 2) = 1 e 22 1 e 21 = e 2 e 4 = 0.1170.

) (

Medidas associadas: a) Valor esperado ou mdia de uma v.a. denotado por E(X) Se X uma v.a. discreta, ento: E ( X ) = Se X uma v.a. contnua, ento: E ( X ) =
xA

x p ( x) x f ( x)dx

b) Varincia de uma v.a. denotado por Var(X) Em ambos os casos definimos varincia por:

Var ( X ) = E [ X E ( X )]2 = E X 2 [E ( X )]2 ,

( )

Em que: E X

( )= x
2
xA

p ( x) , ou E X

( )=
2

f ( x)dx

c) Exemplos: 1) Para o modelo binomial mostra-se facilmente que por E(X) = np e que Var(X) = np(1 p). Dessa forma, no exemplo do atirador, como n = 10 e p = 0.80, E(X) = 100.80 = 8 acertos e Var(X) = 100.800.20 = 1.6. 2) No exemplo da fabricao de componenetes eletronicos, como n = 80 e p = 0.025, E(X) = 800.025 = 2 peas/lote e Var(X) = 800.0250.975 = 1.95. 3) Para o exemplo da v.a. contnua, temos que:

E ( X ) = x 2e
0

2 x

dx = 2 x e 2 x dx , integrando por partes, E ( X ) =


0

1 . 2

Ainda, E ( X ) = x 2e
0

2 x

dx = 2 x 2 e 2 x dx , e, integrando p.partes
0

1 1 E ( X 2 ) = , logo, Var ( X ) = . 4 2

A distribuio de probabilidade Normal. Uma v.a. X tem distribuio normal ou Gaussiana, com parmetros e 2 se a sua f.d.p. for:

f (x) =

2 1 e ( x ) 2

2 2

< x < , < < e 2 > 0 .

Notao: X normal(; 2) ou X N(; 2). As principais caractersticas da distribuio normal so: a) X tem mdia E(X) = e varincia Var(X) = 2; b) f(x) uma funo simtrica em torno de : f( k) = f( + k); c) f(x) tem pontos de inflexo em ( ) e ( + ); d) f(x) tem o conhecido formato de sino com 95% de probabilidade entre ( 2) e ( + 2) (ver figura).

A funo de distribuio acumulada da normal no pode ser obtida, uma vez que a integral

F (x) =

2 1 e ( w ) 2

2 2

dw, no tem soluo algbrica.

Isso dificulta um pouco as coisas, pois, nesse caso temos de recorrer programao numrica. Um resultado importante, entretanto, vem facilitar a nossa vida. X Considere uma v.a. qualquer X e seja a transformao linear Z = . Essa transformao padroniza a v.a. X em relao ao seu desvio padro, alm de centraliz-la na origem. Desta forma, a mdia e varincia de Z sero E(Z) = 0 e Var(X) = 1. Resultado: Seja X uma v.a. com distribuio normal com mdia e varincia 2, ento a varivel Z tem normal padronizada, com mdia 0 e varincia 1, ou seja: Z N(0; 1), e a sua f.d.p. ser dada por: 1 z2 2 f (z ) = e , < z < . 2

Nota: Por meio deste resultado, basta construirmos uma tabela de probabilidades para a distribuio normal padronizada que conseguimos as probabilidades para uma v.a. normal qualquer. Como obter probabilidades para a normal com a tabela da distr. padro? Exemplo: Seja uma v.a. X com distribuio normal com mdia 220 e varincia 16, ou seja, X N(220; 16). Calcular as probabilidades abaixo: a) P(X 225)

X 220 225 220 P(X 225) = P = P(Z 1.25) = 0.8943 4 4

b) P(210 X 228)

210 220 X 220 228 220 P(210 X 228) = P = 4 4 4 = P( 2.50 Z 2.00) = = P(Z 2.00 ) P(Z 2.50) = 0.9773 0.0062 = 0.9711

c) Qual o valor de k tal que P(X k) = 0.01? X 220 k 220 P(X k) = P = 0.01, 4 4 Da tabela temos que

k 220 = 2.33 k = 210.38 4

d) Quais os valores k1 e k2 simtricos em torno de , tal que P(k1 X k2) = 0.95?

k 220 k 220 P(k1 X k2) = P 1 Z 2 = 0.95, 4 4 k 220 k 220 Da tabela temos que P Z 1 = P Z 2 = 0.025, e, 4 4 k1 220 = 1.96 k1 = 212.16 4 Como k1 e k2 simtricos em torno de 0, ento k 2 220 = 1.96 k2 = 227.84 4

Exemplo: 2) Suponha que o nvel de dureza de uma pea de espuma tenha distribuio (40; 36) . Qual a probabilidade de que: a) Um item produzido tenha dureza inferior a 28.7? b) Um item produzido tenha dureza superior a 50.5? c) A especificao para esse produto que pelo menos 95% dos itens produzidos tenham dureza entre 28 e 52. A especificao atendida?

a) P(X < 28.7)

28.7 40 P(X < 28.7) = P Z < = P(Z < 1.88) = 0.0301 6


b) P(X > 50.5)

50.5 40 P(X > 50.5) = P Z > = 1 P(Z < 1.75) = 0.0401 6


c) P(48 < X < 52) P(48 < X < 52) = P( 2.0 < Z < 2.0 ) = P(Z < 2.0 ) P(Z < 2.0 ) = 0.9773 0.0228 = 0.9545 3) O tempo at a falha dos televisores da marca X-View tem distribuio normal com mdia 35 mil horas ( 4 anos) e desvio padro de 2.675 mil horas ( 3.7 meses). A empresa deseja fixar a garantia do produto de forma que, no mximo 5% dos televisores apresentem problemas abaixo desse limite. a) Encontre esse limite? P(X < L) = 0.05 L 35 L 35 P Z < = 1.645 = 0.05 2.675 2.675 L = 30.6 mil horas ( 3.5 anos) b) Os diretores da companhia traam um plano de ao para reduzir a variabilidade do processo de produo. De quanto deve ser reduzido o desvio padro do processo para que, mantido o limite obtido em (a), o percentual de itens abaixo do limite garantia caia pela metade? P(X < L) = 0.025 30.6 35 4.4 P Z < = 1.96 = 0.05 * * * = 2.245 mil horas ( 3.1 meses)