Janete Pereira Amador 1

11 IInnttrroodduuççããoo

Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações podem ser descritas por uma variável aleatória. A palavra aleatória indica que só conhecemos aquele valor depois do experimento ter sido realizado. Desta forma, defini-se variável aleatória como sendo uma função que associa números reais aos eventos de um espaço amostral, ou seja, os resultados do experimento aleatório são dados numéricos.

Usa-se as letras maiúscula (X, Y, Z....) para designar as variáveis aleatórias, e minúsculas (x, y, z.....) para indicar particulares valores dessas variáveis.

As variáveis aleatórias podem ser discreta e contínuas e o seu comportamento pode ser descrito por uma distribuição de probabilidade. No caso discreto, a distribuição de probabilidade pode ser caracterizada por uma função de probabilidade, que indica diretamente as probabilidades associada a cada valor. No caso contínuo, a distribuição é caracterizada pela função densidade de probabilidade.

Uma Variável Aleatória é uma variável (geralmente representada por X) que tem um valor numérico único (determinado aleatoriamente) para cada resultado de um experimento

2 VVaarriiáávveeiiss AAlleeaattóórriiaass DDiissccrreettaass ((VVAADD))

Uma variável aleatória tem comportamento discreto quando ela admite um número finito de valores ou tem uma quantidade enumerável de valores (admite apenas valores inteiros).

A definição de uma VAD só fica completa a partir do momento em que se define a função de probabilidade da variável aleatória X. Uma função de probabilidade é a função que associa a cada valor assumido pela variável aleatória a probabilidade do evento correspondente, ou seja:

Seja X uma variável aleatória discreta. Portanto, o contradomínio de X será formado por um número finito ou enumerável de valores x1; x2;.........A cada possível resultado xi, associaremos um número p(xi) = P(X = xi), i = 1; 2; 3;......, denominado probabilidade de xi. Ou seja

Os números p(xi) devem satisfazer às seguintes condições:

a) ixp i ,0)( ;

b)

n

iixp

1

1)(

Dessa forma função p, definida acima, é denominada função de probabilidade da variável aleatória X e a coleção de pares [xi; p(xi)] i = 1; 2;..........., é denominada distribuição de probabilidade de X.

Uma distribuição de probabilidades é uma distribuição de freqüências relativas para os resultados de um espaço amostral; mostra a proporção das vezes em que a variável aleatória tende a assumir cada um dos diversos valores.

Janete Pereira Amador 2

Ex1: Lançam-se dois dados. Seja a v.a. X: soma das faces. Determinar a distribuição de probabilidade da variável aleatória X. a) O espaço amostral do experimento corresponde a:

b) O contradomínio de X é dado por:

c)A distribuição de probabilidade de X é dado por:

d) A representação gráfica desta distribuição de probabilidade equivale a:

2.1 Grandezas Características

As variáveis aleatórias podem ser caracterizadas por uma grandeza de tendência central (média, moda, mediana) e outra de dispersão. A medida caracterizada como grandeza de tendência central é uma média ponderada que recebe o nome particular de esperança matemática (ou valor esperado); as grandezas de dispersão são a variância e o desvio- padrão.

2.1.1 Valor esperado – E(X)

Seja X uma VAD, seja p(xi) = P(X=xi) onde p é a função de probabilidade de X. Defini-se valor esperado ou esperança matemática de X anotado por E(X) da seguinte forma.

)(1

i

n

ii xpxE(X)

E(X) é a média ponderada dos valores de X, onde as ponderações são as probabilidades de cada xi.

Diz-se também que E(X) é a media da distribuição de probabilidade da variável aleatória X, algumas vezes anotada por . Se X puder assumir “n” valores igualmente prováveis.Ex2: Considere a variável aleatória definida no Ex1. Calcule a E(X).

2.1.2 Variância – V(X)

A variância de uma VAD pode ser definida como a média ponderada das diferenças ao quadrado entre cada resultado possível e sua média aritmética, sendo os pesos as probabilidades de cada um dos respectivos resultados. Assim a variância da variável aleatória discreta X pode ser expressa da seguinte maneira:

)()()( 2

1i

n

Ii xPxXV

onde :

X = variável aleatória discreta de interessexi = iésimo resultado de xP(xi) = probabilidade de ocorrência do iésimo resultado de xi= 1,2,3......,n

Janete Pereira Amador 3

A formula mais usual para se calcular a variância corresponde a:

22 )(.)( XEpxXV ii .

Algumas vezes a V(X) é anotada por 2 . A raiz quadrada positiva da variância é

denominada desvio padrão e é anotado por )()( XVX .

Ex3: Considere a variável aleatória definida no Ex2. Calcule a V(X) e o )(X

Exercícios:1. A empresa Equilibrada S:A vende três produtos, cujos lucros e as probabilidades de venda estão anotadas a seguir:

Produto Lucro unitário (US$) Probabilidade de venda (%)

A 15 20B 20 30C 10 50

Pede-se calcular:a) o lucro médio por unidade vendida:b) o desvio padrão:

2. Um empreiteiro faz as seguintes estimativas para o prazo de execução de uma obra:Prazo de execução (dias) Probabilidade de execução (%)

10 3015 2022 50

O prazo esperado para execução da obra e o desvio padrão, de acordo com estas estimativas são:

3. Um investidor julga que tem 0,40 de probabilidade de ganhar $ 25.000,00 e 0, 60 de probabilidade de perder $ 15.000,000 num investimento . Seu ganho esperado é:

4. Se jogarmos um dado equilibrado qual o valor esperado numa jogada?

5. Achar a esperança e variância das seguintes distribuições:X fi-5 2-4 41 82 7

X fi2 1/33 1/211 1/6

Janete Pereira Amador 4

2.2 Distribuições de Probabilidades para VAD

Quando estudamos fenômenos observáveis o que se verifica é se este se adapta as condições de determinado modelo probabilístico conhecido, desta forma torna-se bem mais fácil descrever o comportamento do fenômeno. Assim nesta seção irmos estudaralguns desses modelos, procurando enfatizar as condições em que eles aparecem, sua função de probabilidade, parâmetros e como encontrar as probabilidades. Alguns modelos são mais importantes devido ao seu maior uso. No caso de variáveis aleatórias discretas as distribuições mais importantes são:

a) a distribuição de Bernoulli;b) a distribuição Binomial;c) a distribuição de Poisson;d) a distribuição geométrica;e) a distribuição hipergeométrica.

2.2.1 Distribuição Binomial

Consideramos n tentativas independentes, de um experimento aleatório. Cada tentativa admite dois resultados: sucesso com probabilidade p (quando ocorre o evento que estamos interessados) e fracasso com probabilidade q (quando o evento não ocorre), logo a probabilidade total de fracasso ou sucesso 1 qp sendo assim: a probabilidade de fracasso pq 1Um experimento binomial deve satisfazer as seguintes condições:

1) O experimento deve comportar um número fixo de provas

2) As provas devem ser independentes, isto é, o resultado de qualquer prova não afeta as

probabilidades das outras provas.

3) Cada prova deve ter todos os resultados classificados em duas categorias.

4) As probabilidades devem permanecer constantes para cada prova

A probabilidade de ocorrer k sucessos em n provas será:

P(X = k) = knC pk qn-k sendo k = 0, 1, 2, 3, …, n

knC = knk

n

!

!, que é a fórmula do Binômio de Newton (p + q)n, daí o nome Binomial.

Desta forma tem-se:

xnx qp

xxn

nxP

..

!!

! para x = 1, 2, .................., n

com n número de provas x número de sucessos em n provasp probabilidade de sucesso em qualquer prova

q probabilidade de falha (fracasso) em qualquer prova ( pq 1 )Parâmetros da distribuição:

Média, Variância e Desvio padrão da distribuição binomial Média ou valor esperado E(X)= pn. Variância V(X)= qpn ..2

Janete Pereira Amador 5

Desvio padrão qpn ..Ex: Dado que 10% população são canhotos, suponha que se queira achar a probabilidade de obter exatamente três estudantes canhotos em uma turma de 15 estudantes. Isso se deve ao fato que algumas carteiras são adaptadas para estudantes canhotos, e a probabilidade resultante poderia afetar o número de tais carteiras a serem encomendadas para as salas de aulas. Calcule também a E(X), V(X) e o .Solução:Satisfazendo as condições para ocorrência de um experimento binomial verifica-se que:

1. O número de provas é fixo 15.2. As provas são independentes, porque o fato de um estudante ser canhoto ou destro

não afeta a probabilidade de outro estudante ser canhoto.3. Cada prova tem duas categorias de resultado: o estudante é canhoto ou não é.4. A probabilidade de um estudante ser canhoto (sucesso) é 0,1 e, assim, p =0,15. A probabilidade de falha (não-canhoto) é 0,9, logo q = 0,9.Calculando a probabilidade de 3 estudantes canhotos:

Exercícios

1. A probabilidade de um cliente aleatoriamente escolhido faça uma compra é 0,20. Se um vendedor visita seis clientes, a probabilidade de que ele fará exatamente quatro compras será.R:0,01536

2. Sabe-se que a probabilidade de um estudante que entrar na Universidade se formar é 0,3. Determine de que dentre 6 estudantes escolhidos aleatoriamente:a) Nenhum se forme R: 0,11765b) Exatamente 4 se formem R: 0,0595c) Pelo menos 3 se formem R: 0,2555

3. Numa criação de coelhos, 40% são machos. Qual a probabilidade de que nasçam pelo menos 2 coelhos machos em num dia em que nasceram 20 coelhos.R:0,99948

4. Sabe-se que 20% dos animais submetidos a um certo tratamento não sobrevivem. Se esse tratamento foi aplicado em 20 animais e se X é o número de não sobreviventes:a) Calcular a E (X) e a V(X) R: 4 e 3,2b) Calcular P (2<X )4 R: 0,42356c) Calcular P (X )2 R: 0,93082

5. A probabilidade de um atirador acertar no alvo num único tiro é 4/1 . O atirador atira 20 vezes no alvo. Qual a probabilidade de acertar:

a) Exatamente 5 vezes R: 0,20233b) No máximo 4 vezes R: 0,41485

Janete Pereira Amador 6

2 VVaarriiáávveell AAlleeaattóórriiaa CCoonnttíínnuuaa ((VVAACC))

Quando uma variável aleatória apresenta um grande número de resultados possíveis, ou quando a variável aleatória em questão é continua (pode assumir qualquer valor dentro de um intervalo definido de valores), não se pode usar distribuições discretas como a de Poisson ou Binomial para obter probabilidades. Como uma variável contínua inclui, em seus resultados, valores tanto inteiros como não inteiros, não pode ser adequadamente descrita por uma distribuição discreta. Sendo assim, abordagem mais conveniente é construir uma função densidade de probabilidade, ou curva de probabilidade, baseada na função matemática correspondente. Definição: É aquela que pode tomar qualquer valor em um determinado intervalo. Diz-se que X é uma VAC, se existir uma função f(x), denominada função densidade de probabilidade (fdp) de x que satisfaça às seguintes condições:

a) f(x) 0 para todo o x;

b)

1)( dxxf ;

Observações:Seja X uma variável aleatória contínua com função densidade de probabilidade f(x).

Sejam a < b, dois números reais. Define-se:

, isto é, a probabilidade de que X assuma valores entre os números “a” e “b” é a área sob o gráfico de f(x) entre os pontos x = a e x = b.Neste caso, tem-se também:(a) P(X = a) = 0, isto é, a probabilidade de que uma variável aleatória contínua assuma umvalor isolado é igual a zero. Para variáveis contínuas só faz sentido falar em probabilidade em um intervalo, uma vez, que a probabilidade é definida como sendo a área sob o gráfico. f(x) não representa nenhuma probabilidade. Somente quando ela for integrada entre dois limites produzirá uma probabilidade. P(c < x < d) representa a área sob a curva, como exemplificado na figura abaixo da f.d.p. f, entre x = c e x = d.

Janete Pereira Amador 7

(b) Se a < b são dois números reais então:

Neste caso a f(x) será uma função densidade de probabilidade.

Ex: Seja X uma variável aleatória contínua. Com a seguinte função densidade de

probabilidade

valoresoutrosquisquerpara

xparaxxf

0

102)(

verificar se a função é uma

fdp da variável X.1. f(x) 0

2. 12

0

2

12

222)(

221

0

21

0

xxdxdxxf

Como vemos f(x) é uma um fdp satisfazendo as condições.

3.1 Distribuições Contínuas de Probabilidade

Em muitos problemas se torna matematicamente mais simples considerar um espaço amostral “idealizado” para uma variável X, no qual todos os números reais ( em algum intervalo específico ) passam ser considerados como resultados possíveis. Desta maneira somos levados as variáveis aleatórias contínuas, principalmente quando as observações referem-se a medidas como comprimento, peso, temperatura, etc.

Janete Pereira Amador 8

Entende-se por distribuição contínua de probabilidade a distribuição que estiver associada a uma variável aleatória contínua – VAC. Assim se uma variável puder assumir um conjunto contínuo de valores de um certo conjunto de dados, então a distribuição de probabilidade P(X) é dita de probabilidade contínua. Desta forma, a seguir estudarmos asseguintes distribuições de probabilidade:

Distribuição Normal Distribuição “t” de Student. Distribuição Qui-quadrado ( x2

Distribuição F de Snedecor

3.1.2 Distribuição Normal

É mais importantes distribuição de probabilidade contínua, sendo aplicada em inúmeros fenômenos e utilizada para o desenvolvimento teórico da inferência estatística. A distribuição normal serve também como aproximação para um grande número de distribuições.

A variável aleatória X que tome todos os valores reais X , tem distribuição normal com parâmetros e 2 se sua função densidade de probabilidade for

dada por: f xx

e( )/

1

2

1 2

, X

A equação da curva Normal é especificada usando 2 parâmetros: a médiapopulacional , e o desvio padrão populacional, ou equivalentemente a variância

populacional 2 e devem satisfazer as seguintes condições:a) b) 2 > 0

Denotamos Quando uma variável aleatória X tiver distribuição normal anotaremos.

X N ( , 2)A distribuição normal é simétrica em torno da média o que implica que e média, a

mediana e a moda são todas coincidentes. A distribuição Normal possui as seguintes características:

1. forma campanular, isto é, possui forma de sino, sendo simétrica em relação a média;2. a variável aleatória pode assumir qualquer valor real;

Janete Pereira Amador 9

3. a área total sob a curva é 1; porque essa área corresponde à probabilidade da variável aleatória assumir qualquer valor real;

4. é uma curva assintótica;5. possui dois pontos de inflexão;

A configuração da curva é dada por dois parâmetros: a média e a variância. Mudando a média, muda a posição da distribuição no sentido horizontal. Mudando a variância, muda a dispersão da distribuição fazendo com que o gráfico mais achatado ou mais alongado. Tias configurações estão representadas na figura a seguir:

Na prática desejamos calcular probabilidades para diferentes valores de e .

Para isso, a variável X cuja distribuição é N ( , 2) é transformada numa forma padronizada com distribuição N (0, 1) (distribuição normal padrão) pois tal distribuição é tabelada. Nesse caso a função densidade de probabilidade é dada por:

2

2

1

.2

1)(

zezf

.

Teorema: Se X tiver uma distribuição normal com média e variância 2 e se Zx

então Z terá distribuição normal padronizada.

X N ( , 2) ==> )1,0(NX

Z

Esse teorema é usado da seguinte forma:P( x1 < X < x2 ) = P(z1 < Z < z2), onde:

zx

11

zx

22

Desta forma a variável aleatória X transforma-se em variável normal reduzida Z, como podemos ver graficamente a seguir:

Janete Pereira Amador 10

68,27%95,45%99,73%

Vê-se que a nova origem é 0 e o desvio padrão é a unidade de medida. Essa transformação não altera a forma da distribuição, apenas refere-se a uma nova escala.

A tabela da distribuição normal fornece a probabilidade de Z tomar um valor não superior a Z0: P(Z Z0). Tal probabilidade é representada pela área hachurada na figura a seguir:

A importância da distribuição normal padronizada reside no fato de que ela encontra-se tabelada, facilitando o cálculo.Ex1: Determinar área sob a curva normal padronizada à esquerda de 1,72.

Consultando a tabela, vemos que z = 1,72 corresponde área (probabilidade) 0,9573, ou seja, 95,73% da área sob a curva e acima do eixo da v.a. reduzida estão à esquerda de Z = 1,72. é o mesmo que dizermos que a probabilidade de Z ser menor que 1,72 é 0,9573: P(Z <1,72) = 0,9573.

Ex2: Determinar a área sob a curva normal padronizada abaixo de Z= - 0,53.Na tabela, a Z = -0,53 corresponde a área (probabilidade) 0,2981: P(Z < 0,53) = 0,2981, isto é 29,81% da área sob a curva e acima do eixo da v.a. reduzida Z estão abaixo do valor z = -0,53.

Janete Pereira Amador 11

Ex3: A concentração de um poluente em água liberada por uma fábrica tem distribuição N(8,1.5). Qual a chance, de que num dado dia, a concentração do poluente exceda o limite regulatório de 10 ppm?

A solução do problema resume-se em determinar a proporção da distribuição que está acima de 10 ppm, isto é P(X>10). Usando a estatística z temos:

Portanto, espera-se que a água liberada pela fábrica exceda os limites regulatórios cerca de 9% do tempo. Ex4: Sabe-se que as alturas das plantas de milho de uma certa variedade se distribuem normalmente com média de 2,20m e desvio padrão de 0,20m. Qual a percentagem esperada de plantas com altura compreendida entre 2,30 e 2,35m?X = altura das plantas; X = N (2,20 ; 0,202); P (2,30 < X < 2,35) = P (z1 < Z < z2)

z1 = 2 30 2 20

0 2

0 10

0 20 5

, ,

,

,

,,

e z2 =

2 35 2 20

0 20 75

, ,

,,

então;

P (2,30 < X < 2,35 ) = P (0,5 < X < 0,75) = 0,0819 ou 8,19% corresponde a percentagem de plantas que espera –se alcançar as alturas de 2,30 a 2,35m.

Exercícios

1. Suponha que a temperatura média do mês de julho em Santa Maria seja normalmente distribuída com média igual a 11 graus e variância de 9 graus. Calcular a probabilidade da temperatura:

a) Ser inferior a 6,7 grausb) Ser superior a 5 grausc) Estar entre 8,8 e 13,2 graus.

2. As alturas dos alunos de uma determinada escola são normalmente distribuídos com=1,60 m e = 0,30 m. Encontre a probabilidade de 1 aluno medir:a) Entre 1,50 e 1,80 m R: 0,3747b) Mais de 1,75 m R: 0,3085c) Menos de 1,48m R: 0,3446d) Qual deve ser a medida mínima para escolhermos 10% dos mais altos. R: 1,98 m

3. Os salários dos diretores das empresas de São Paulo distribuem-se normalmente com média de R$ 8000,00 e desvio padrão de R$ 5000,00. Qual a percentagem de diretores que recebem.

a) Menos de R$ 6470,00 R: 0,001107b) Entre R$ 8920, 00 e R$ 9380,00. R: 0,02994

Janete Pereira Amador 12

3.1.3 Distribuição “t” de Student

A distribuição “t” ou Student foi estudada por Gosset em 1908 e se refere a pequenas amostras, isto é, quando n < 30. Sua curva representativa é bem semelhante a curva normal, sendo também simétrica em relação a ordenada máxima, mas apresentando as extremidades com maior comprimento e mais elevadas, fato este que determina uma variância maior do que a distribuição normal.

Na distribuição normal verificamos que ela depende dos parâmetros e . Mas na maioria das vezes, a variância populacional não é conhecida e as investigações ou análises são feitas a partir de amostras retiradas dessa população.

A distribuição t de Student é aplicada em testes de hipóteses e intervalos de confiança para médias de distribuições normais, quando a variância é desconhecida, partindo-se do fato de que:

TX

Sn

t(n-1) , onde S é o desvio padrão estimado a partir de

uma amostra de tamanho n.

Se T tiver uma distribuição “t” de Student com n graus de liberdade, anota-se por T tn

E(T) = 0

V(T) = 2

, 2

A média da distribuição “t” corresponde a zero e sua função de densidade é dada por:

2/2

11

1)(

n

n

tKtf

onde:a) - < t < +;b) K é a constante para cada valor de n;

A área submetida a curva é igual a 1 e = n - 1 e corresponde aos graus de liberdade da distribuição. A medida que aumenta t Z, observando que ao ultrapassar 30 graus de liberdade já é possível usar a distribuição normal, pois a diferença entre os resultados será bastante pequena. A figura abaixo ilustra, comparativamente, as distribuições Z e t, na qual verifica-se que o gráfico de t tem a forma da normal, embora seja mais "achatada" (menos leptocúrtica).

Janete Pereira Amador 13

A tabela para a distribuição “t” segue uma metodologia um pouco diferente da normal padrão. Como existem muitas distribuições de t - Student, uma para cada tamanho de amostra, não seria possível tabelá-las da mesma forma que a da normal padrão. Assim cada linha de uma tabela representa uma distribuição diferente e cada coluna representa um valor de confiança que poderá ser “ “ ou “ /2”, isto é, a tabela poderá ser unilateral ou bilateral. A linha de cada tabela fornece a distribuição “t” com parâmetro “n - 1” denominado de graus de liberdade, isto é, o grau de liberdade = 1 n = linha da tabela..

Ou seja 1)( 0ttP

Propriedades A distribuição t de Student é diferente, conforme o tamanho da amostra; A distribuição tem a mesma forma geral simétrica (forma de sino) que a distribuição normal, mas reflete a maior variabilidade (com distribuição mais amplas) que é esperada em pequenas amostras; A distribuição tem média t = 0, tal como a distribuição normal padronizada, com média z = 0. O desvio padrão da distribuição varia com o tamanho da amostra, mas é superior a 1ao contrario da distribuição normal padronizada, em que 1 . Na medida em que aumenta o tamanho “n” da amostra, a distribuição t de Studentaproxima-se da distribuição norma padronizada. Para valores n>30, as diferenças são tão pequenas que podem utilizar os valores críticos Z.

Ex: Achar o valor de 2 pra n =7 e =1 =0,015161 n

,1nt = 01,0;6t =3,143 corresponde ao valor tabelado de t