ESTATTICA I Professora: Diana Andrade-Pilling dianaa@univap.

br

INTRODUO
Esta apostila destina-se ao curso de Estatstica I, aplicado na Universidade do Vale do Paraba (UNIVAP), para os cursos de Engenharia Aeronutica, Engenharia ambiental, Engenharia Civil, Engenharia Eltrica, Engenharia Qumica, Arquitetura e Urbanismo. O material baseado nos livros: Estatstica Bsica - Probabilidade e Inferncia, de Luiz Gonzaga Morettin Volume nico, Editora Pearson Education; Probabilidade & Estatstica para engenharia e cincias, Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers e Keying Ye 8 edio, 2009.

ndice
Captulo 1
Representao e operaes com dados: Tabela de freqncias, Tabelas de freqncias relativas, Histogramas.

Captulo 2
Variveis aleatrias e Probabilidades: Variveis aleatrias, Espao amostral, Funo de probabilidade, Regra da adio, Regra da multiplicao, Esperana (ou valor esperado), Varincia, Desvio Padro, Probabilidade condicional, Teorema de Bayes.

Captulo 3
Distribuies de probabilidade para variveis aleatrias discretas: Distribuio binomial, Varincia e esperana de uma varivel aleatria binomial, Distribuio de Poisson, Varincia e Esperana na distribuio de Poisson.

Captulo 4
Variveis aleatrias Contnuas: Distribuio Exponencial, Distribuio Normal, Distribuio normal reduzida.

CAPTULO 1
REPRESENTAO E OPERAES COM DADOS
TABELAS
Tabelas de Freqncias: uma tabela que relaciona categoria de valores, juntamente com contagens do nmero de valores que se enquadram em cada categoria. Como exemplo, suponhamos que numa determinada classe de alunos temos a seguinte tabela com o nmero de faltas:

O objetivo organizar melhor esta tabela, ou seja, queremos construir uma tabela que relacione o nmero de faltas com o nmero de vezes que ela ocorreu. Por isso, faz necessrio seguir os seguintes passos: Passo 1: Decidir o nmero de classes da tabela de freqncia. Este nmero deve ficar entre 5 e 20, geralmente depende das quantidades que dispomos. Vamos escolher 10 classes como exemplo. Passo 2: Determinar a amplitude (A) das classes. Para isso, tomamos o maior valor de falta, subtramos pelo menor valor e, finalmente, dividimos pelo nmero de classes escolhidas. Maior valor = 16 Menor valor = 1

A=

Passo 3: Escolher o limite inferior da tabela como sendo o menor valor encontrado na tabela. No nosso caso, o menor valor 1. Passo 4: Adicionar a amplitude no menor valor para encontrar o segundo limite inferior. Repita isso para encontrar o terceiro limite superior e assim por diante.

Passo 5: Monte a tabela com as classes a esquerda e conte o nmero de vezes que aquela classe apareceu na sua primeira tabela. Faltas 1-2,4 2,5-3,9 4,0-5,4 5,5-6,9 7,0-8,4 8,5-9,9 10,0-11,4 11,5-12,9 13,0-14,4 14,5-16 Freqncias 9 3 10 6 5 3 6 0 1 2

Tabela de Freqncias Relativas: uma tabela semelhante a tabela de freqncias, mas obtida atravs da diviso da freqncia de cada classe pela freqncia total. A tabela acima possui freqncia total 45, que a soma de todos os nmeros a direita da tabela. Assim, a tabela de freqncias relativas ser a tabela acima com sua coluna a direita dividida por 45. Faltas 1-2,4 2,5-3,9 4,0-5,4 5,5-6,9 7,0-8,4 8,5-9,9 10,0-11,4 11,5-12,9 13,0-14,4 14,5-16 Freqncias Relativas 0,2 0,067 0,222 0,133 0,111 0,067 0,133 0 0,022 0,044

GRFICOS
O uso de tabelas para resumir um contedo de dados nem sempre til para tirar algumas concluses. Assim, o uso de grficos se faz necessrio para melhor representar os dados da tabela. Histograma: o primeiro grfico de grande importncia. A elaborao deste grfico necessita de uma tabela de freqncias ou freqncias relativas. Portanto, seguem-se abaixo os passos para a construo de um histograma. Passo 1: Construa uma tabela de freqncias ou de freqncias relativas; Passo 2: Coloque no eixo vertical as informaes sobre as freqncias; Passo 3: Coloque no eixo horizontal as informaes sobre as classes utilizadas. Passo 4: de extrema importncia colocar um Ttulo, e as legendas nos eixos.

Utilizaremos como exemplo a tabela j feita sobre as faltas cometidas pelos alunos de uma determinada classe. Note que utilizaremos a tabela de freqncias relativas, mas poderia ser tambm a tabela de freqncias.

Figura 1: histograma feito sobre os dados da tabela de freqncias relativas de faltas cometidas pelos alunos de uma classe.

Figura 1: histog cometidas pelos

Exerccio 1.1) Os dados abaixo referem-se ao salrio (em salrios mnimos) de 20 funcionrios administrativos em uma indstria. a) construa uma tabela de frequncia agrupando os dados em intervalos de amplitude 2; 11,0 1,0

b) construa o histograma.

Exerccio 1.2) Com o intuito de melhor a vida dos moradores da cidade de So paulo, a prefeitura fez uma pesquisa com usurios de transporte coletivo na cidade indagando sobre os diferentes tipos usados nas suas locomoes dirias. Dentre metro, nibus e trem, o nmero de diferentes meios de transporte utilizados foi o seguinte: 3, 2, 1, 2, 1, 2, 2, 1, 1, 2, 3, 3, 1, 1, 1, 2, 2, 3, 1, 1, 1, 1, 2, 1, 1, 2, 2, 1, 2, 1, 2, 3. a) complete a tabela de frequncia; b) faa uma representao grfica; c) admitindo que essa amostra represente bem o comportamento do usurio paulistano, voc acha que a porcentagem dos usurios que utilizam mais de um tipo de transporte grande?

CAPTULO 2
VARIVEL ALEATRIA E PROBABILIDADE
Variveis aleatrias: Uma varivel aleatria tal que no sabemos ao certo que valor tomar, mas para a qual podemos calcular a probabilidade de tomar determinado valor. Nos experimentos aleatrios, mesmo que as condies iniciais sejam sempre as mesmas, os resultados finais de cada tentativa do experimento sero diferentes e no previsveis. Exemplos: lanamento de um dado, lanamento de duas moedas. Embora, em geral, no podemos dizer exatamente qual ser o valor de uma varivel aleatria, freqentemente podemos eliminar alguns valores. Por exemplo, o nmero (W) de vezes que um reprter falou a palavra calor durante uma semana no pode ser 5/8, nem , nem 2 , nem qualquer outro nmero estranho; W deve ser um nmero inteiro. O nmero Y no dado tambm deve ser um nmero inteiro, mas deve ser um dos seis valores 1, 2, 3, 4, 5, 6. As variveis aleatrias que s podem tomar valores isolados so chamados variveis aleatrias discretas. Elas no precisam ser inteiras. Por exemplo: suponha que joguemos um dado duas vezes, e seja T a mdia dos dois nmeros que aparecem. Ento, T admite os valores 1; 1,5; 2; 2,5; 3; 3,5; 4; 4,5; 5; 5,5; 6.

Espao amostral: Espao amostral de um experimento aleatrio o conjunto dos resultados do experimento. Os elementos do espao amostral sero chamados tambm de pontos amostrais. No lanamento de um dado, o espao amostral = {1, 2, 3, 4, 5, 6}. No lanamento de uma moeda, o espao amostral = {cara (K), coroa (C)} No lanamento de duas moedas, o espao amostral = {CC, CK, KC, KK};

Exemplo 2.1) Seja uma populao de N pessoas. Dessas, M tm olhos azuis. Se no sabemos o valor de M, como podemos estim-lo?

Soluo: Observamos uma amostra aleatria de n dessas pessoas e seja x o nmero de elementos da amostra que tem aquela caracterstica. Ento, x uma varivel aleatria, pois seu valor depende dos indivduos escolhidos para formar a amostra.

Exerccio 1) Lanam-se trs moedas. Escreva o espao amostral.

Funes de Probabilidade
A funo de probabilidade uma funo que associa a cada evento de F um nmero real pertencente ao intervalo [0,1]. No caso de uma varivel comum, praticamente tudo quanto precisamos saber seu valor. Com variveis aleatrias, entretanto, a situao um pouco diferente. Primeiro, devemos saber quais valores so possveis, e quais no o so. Por exemplo, se uma varivel a aleatria X nunca pode tomar o valor 3/2, escrevemos que a probabilidade de X = 3/2 zero, ou de forma mais concisa: P(X=3/2) = 0 Feita a relao de todos os valores possveis, o que devemos saber a seguir : - Quo vivel cada um desses diversos valores? No caso da jogada de um dado, a situao muito simples: h apenas seis valores possveis e eles so igualmente provveis. Ento: P(Y=1) P(Y=2) P(Y=3) P(Y=4) P(Y=5) = = = = = 1/6; 1/6; 1/6; 1/6; 1/6; 10

P(Y=6) = 1/6; No caso de um lanamento de uma moeda uma nica vez, seja X o nmero de vezes que aparece cara. Qual a probabilidade de tirarmos cara? P(X=0) = coroa P(X=1) = cara Quando fazemos dois lanamentos, temos quatro resultados possveis: Cara-Cara Cara-Coroa Coroa-Cara Coroa-Coroa (KK) (KC) (CC) (CC)

Vamos usar K para cara e C para coroa. Qual a probabilidade de cair duas caras em dois lanamentos? P(KK) =

1 1 1 . = 2 2 4

(K e K)

Qual a probabilidade de cair Zero cara? P(CC) =

1 1 1 . = 2 2 4

Ento, temos tanta chance de observar nenhuma cara como de observar duas caras. -Qual a probabilidade de cara apenas uma vez em duas jogadas? P((KC) ou (CK)) = P(KC) + P(CK) =

1 1 1 1 1 1 1 . + . = + = 2 2 2 2 4 4 2

Qual a probabilidade de cair cara em nenhuma das vezes ? P(C e C) =

1 1 1 . = 4 2 2

Destes exemplos, podemos relembrar duas regras em probabilidade:

11

Regra da adio: i) para calcular a probabilidade do evento A ou B ocorrer, . P(A U B) = P(A) + P(B), se A e B so mutuamente exclusivos. Exemplo 2.2) Qual a probabilidade de um computador escolher 0 ou 1 num conjunto de nmeros que vai de 0 a 9? Os eventos possveis so {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} 10 possveis resultados. A probabilidade de sair qualquer um dos nmeros em uma nica escolha igual para todos os valores e vale 1/10. Assim, a probabilidade de sair 0 ou 1 ser a soma das probabilidades de sair um dos dois. P(0 ou 1) = P(0) + P(1) =

1 1 2 1 + = = 10 10 10 5

Uma forma simples de lembrar perceber que se voc escolhe dois nmeros em dez, voc tem uma probabilidade maior de acertar do que se voc escolhesse apenas um nmero. Isso porque as probabilidades so somadas neste caso. ATENO: Agora, vamos supor que queremos saber qual a probabilidade de ser escolhido algum nmero mpar ou nmeros superiores a 6. Como resultados possveis temos: Nmeros mpares: {1, 3, 5, 7, 9} Nmeros superiores a 6: {7, 8, 9} Aqui, deve-se tomar o cuidado de no contar duas vezes a mesma probabilidade de ocorrer o mesmo nmero. Temos que escrever melhor o nosso conjunto de resultados procurados: {1, 3, 5, 7, 8, 9}, ou seja, temos um total de seis resultados procurados dentro do dez possveis valores. Ento: P(mpares ou superiores a 6} =

6 = 0,6 10

Poderamos ter encontrado fazendo: P(mpares ou superiores a 6} = P(impar} + P(superior a 6} P(mpar e superior a 6}

12

5 3 2 6 + = = 0,6 10 10 10 10

Neste caso, os eventos no so mutuamente exclusivos. Assim devemos aplicar a regra geral para a soma: P(A ou B) = P(A) + P(B) P(A e B) , ou seja, P(A U B) = P(A) + P(B) P(A B) , Exemplo 2.3) Retira-se uma carta de um baralho completo de 52 cartas. Qual a probabilidade de asir um rei ou uma carta de espadas? Seja A: sada de um rei; Seja B: sada de uma carta de espadas; P(A) = 4/52; P(B) 13/52; P(A B) = 1/52 Assim: P(A U B) = P(A) + P(B) P(A B) P(A U B) = 4/52 + 13/52 - 1/52 = 16/52. prob. de sair um rei prob de sair uma carta de espadas prob de sair um rei de espadas

Regra da multiplicao: i) para calcular a probabilidade de ocorrer o evento A e, em seguida, B. P(A e B) = P(A) . P(B), sendo A e B independentes.

Exemplo 2.3) Na extrao de duas cartas de um baralho bem misturado, determine a probabilidade de que a primeira carta seja um s e a segunda seja um rei. Baralho normal: 52 cartas, sendo 04 ases e 04 reis. Ento: 4 P(s) = 4 ases em 52 cartas 52

13

Agora, se j tirei uma carta, o baralho ficou com 51 cartas. E a probabilidade de tirar o rei na segunda vez, levando em conta que no coloquei a primeira carta tirada de volta no baralho : 4 P(rei) = 51 Assim, a probabilidade de tirar um s e um rei ser: P = P(s).P(rei) =

4 4 16 . = 0,00603 52 51 2652

Uma outra frmula bastante til a frmula geral para o nmero de resultados que apresentam h caras em n jogadas de uma moeda. Para isso, devemos primeiro calcular o nmero de resultados possveis. No caso da moeda: Nmero de resultados possveis = 2n Repare que o nmero 2 est relacionado com o fato do espao amostral ser cara ou coroa, ou seja, tem 2 elementos. Se tivssemos um dado sendo lanado, o espao amostral teria 6 elementos e, nesse caso, o nmero possvel de resultados seria 6n, onde n o nmero de jogadas. Em seguida precisamos saber o nmero de maneiras possveis de se obter h caras. n! Esse nmero dado por: , onde n! = n (n-1) (n-2)...3 x 2 x 1. h!(n h)! Assim, a probabilidade de obter h caras em n jogadas de uma moeda equilibrada (no viciada) :

P=

n 2 n h!( n h)!

Exemplo 2.4) Qual a probabilidade de obter 5 caras em 6 jogadas de moeda? Esse problema pode ser resolvido de duas maneira: Na primeira: P =

6! 6 6 3 = 6 = = 5 32 2 5!(6 5)! 2 5!1! 2.2

6

14

Na segunda, queremos saber a probabilidade de dar 5 caras (independente da ordem) em 6 jogada de moeda. As combinaes possveis so: KKKKKC KKKKCK KKKCKK KKCKKK KCKKKK CKKKKK Para cada uma das combinaes acima, teramos uma probabilidade de 1 1 1 1 1 1 1 P= . . . . . = 6 2 2 2 2 2 2 2 Assim, P (KKKKKC ou KKKKCK ou KKKCKK ou KKCKKK ou KCKKKK ou CKKKKK) = 1 1 1 1 1 1 6 2.3 3 3 + 6 + 6 + 6 + 6 + 6 = 6 = = 5 = (mesma resposta da primeira 6 5 32 2 2 2 2 2 2 2 2.2 2 maneira). Para tornar as coisas mais convenientes, definiremos uma funo de probabilidade para uma varivel aleatria. O valor da funo de probabilidade para um nmero particular a funo que associa a cada valor assumido pela varivel aleatria a probabilidade do evento correspondente. Utilizaremos uma letra minscula f para representar a funo de probabilidade (f.d.p., ou funo densidade de probabilidade, ou ainda, funo de massa de probabilidade). f(a) = P(X=a) Quando estivermos lidando com mais de uma varivel aleatria de uma vez, escrevemos a funo densidade de probabilidade como fx(a) para deixar claro que a f.d.p. da varivel aleatria X. Eis a funo densidade de probabilidade para a jogada de um dado: f(1) =

1 6 1 6

f(2) =

1 6 1 6

f(3) =

1 6 1 6

f(4) =

f(5) =

f(6) =

E a f.d.p. de dar cara para trs jogadas de uma moeda:

15

1 8 3 f(1) = 8 3 f(2) = 8 1 f(3) = 8

f(0) =

nenhuma cara 1 cara 2 caras 3 caras.

Podemos estabelecer duas propriedades de imediato, as quais a f. d. p. deve satisfazer: f(a) 0 a f(a) 1 a ou seja, 0 f(a) 1 . em geral, como j vimos, quando desejamos saber a probabilidade de X = a ou X = b, temos: f = f(a) + f(b). importante verificar que para que haja uma distribuio de probabilidades de uma varivel aleatria X necessrio que: f(a1) + f(a2) + f(a3) + ... + f(an) = 1, ou seja, f (a n ) = 1 Exemplo 2.5) Lanam-se 2 dados. Seja X: soma das faces. Determinar a distribuio de probabilidades de X. Resultados possveis (1 e 1) (1 e 2) ou (2 e 1) (1 e 3), ou (2 e 2) ou (3 e 1) (1 1) (1 2) (1 3) X 2 3 4 P(X) 1 1 1 . = 6 6 36 1 1 1 1 2 . + . = 6 6 6 6 36 1 1 1 1 1 1 3 . + . + . = 6 6 6 6 6 6 36 4 36 5 36 6

e 4), ou (2 e 3) ou (3 e 2) ou (4 e 5 e 5) ou (5 e 1) ou (3 e 3) ou (4 e 6 ou (2 e 4) e 6) ou (6 e 1) ou (3 e 4) ou (4 e 7 ou (2 e 5) ou (5 e 2)

36 16

(3 1) (3 4) (4

e 5) ou (5 e 3) ou (1 e 7) ou (7 e 8 ou (4 e 4) e 6) ou (4 e 5) ou (6 e 3) ou (5 e 9 e 6) ou (5 e 5) ou (6 e 4) ou (5 e 6) 10 11 12

(6 e 5) (6 e 6)

5 36 4 36 3 36 2 36 1 36

Repare que P(X) = 1. E o grfico da distribuio tem a forma:

Existem caractersticas numricas que so muito importantes em uma distribuio de probabilidades de uma varivel aleatria discreta. So os parmetros das distribuies. Por isso, vamos falar desses parmetros abaixo.

17

ESPERANA (OU VALOR ESPERADO) O valor esperado da varivel aleatria X (ou esperana matemtica de X), representado por E(X), uma mdia ponderada de todos os valores de X. O peso, ou ponderao, de cada valor igual a probabilidade de X tomar esse valor. O valor esperado sempre um nmero real. E(X) = a1.f(a1) + a2.f(a2) + a3.f(a3) + ... + an.f(an) Ou E(X) =

i =1

ai . f (ai ) ,

Ou ainda: E(X) =

i =1

x i .P ( x i )

Outra notaes para o valor esperado de X: X, (X), . O valor esperado de uma varivel aleatria no necessariamente um de seus possveis valores. Exemplo: qual o valor esperado de nmero Y que aparece num dado: E(X) =

1 1 1 21 3.7 7 1 1 1 .1 + .2 + .3 + .4 + .5 + .6 = = = = 3,5 , 6 6 6 6 6 6 6 2.3 2

Mas Y no assume o valor de 3,5. Exemplo 2.6) Uma seguradora paga R$ 30.000,00 em caso de acidente de carro e cobra uma taxa de R$ 1.000,00. Sabe-se que as chances de que um carro sofra um acidente de 3%, quanto a seguradora espera ganhar por carro segurado? Soluo: A seguradora ganha R$ 1.000,00 por carro e perde R$ (30.000 1.000) = 29.000,00 por carro acidentado. Quando vamos ponderar as medidas, sabemos que h 3% de chance (P = 0,03) de perder 29.000 e o restante, (1-0,03) = 0,97 de ganhar. X 1.000 P(X) 0,97 X.P(X) 970

18

-29.000 Assim, E(X) =

n

0,03 1

-870

x p( x ) =
i =1 i i

x1 p ( x1 ) + x 2 p( x 2 ) = 970 870 = R$ 100,00.

Ento, R$ 100,00 o lucro mdio por carro.

Exemplo 2.7) Dada a distribuio abaixo na forma de tabela, d o valor esperado de X:

X 2 3 4 5 6 7 P(X)

1 36 2 36 3 36 4 36 5 36 6 36 5 36 4 36 3 36 2 36 1 36

E(X) = 2.(1/36) + 3.(2/36) + 4.(3/36) + 5.(4/36) + 6.(5/36) + 7. (6/36) + 8.(5/36) + 9. (4/36) + 10. (3/36) + 11.(2/36) + 12 (1/36) = E(X) = (2/36) + (6/36) + (12/36) + (20/36) + (30/36) + (42/36) + (40/36) + (36/36) + (30/36) + (22/36) + (12/36) E(X) = 7

8 9 10 11 12

Exemplo 2.8) Suponha que um nmero seja sorteado de 1 a 10, inteiros e positivos. Seja X: nmero de divisores do nmero sorteado. Calcular o nmero mdio de divisores do nmero sorteado.

19

Para isso, vamos montar uma tabela para organizar os nossos dados: N0 1 2 3 4 5 6 7 8 9 10 N0 de divisores 1 2 2 3 2 4 2 4 3 4

Repare que X o nmero de divisores, que variam de 1 at 4. Ento, necessrio montar uma segunda tabela com os valores possveis de X e suas respectivas probabilidades. X 1 2 3 4 P(X) 1/10 4/10 2/10 3/10 X.P(X) 1/10 8/10 6/10 12/10

E(X) = (1/10) + (8/10) + (6/10) + (12/10) = (27/10) E(X) = 2,7.

Exemplo 2.9) Num jogo de dados, Cludio paga R$20,00 a Lcio e lana 3 dados. Se sair face 1 em um dos dados apenas, Cludio ganha R$ 20,00. Se sair face 1 em dois dados apenas, Cludio ganha R$ 50,00 e se sair 1 nos trs dados, Cludio ganha R$ 80,00. Calcule o lucro mdio de Cludio em uma jogada. Resoluo: Para resolver esse problema, vamos organizar nossos dados numa tabela. Para isso precisamos lembrar: P(1 e 1 e 1) = (1/6).(1/6).(1/6) = 1/216 todas as faces 1 Seja Y qualquer nmero diferente de 1, a probabilidade de sair duas faces 1 : P(1 e 1 e Y) + P(1 e Y e 1) + P(Y e 1 e 1) = (1/6).(1/6).(5/6) + (1/6).(1/6).(5/6) + (1/6).(1/6).(5/6) = 15/216 Da mesma forma que o anterior, a probabilidade de sair apenas uma face 1 ser: P(1 e Y e Y) = 3. (1/6).(5/6).(5/6) = 75/216

E a probabilidade de no sair nenhuma face 1: P(Y e Y e Y) = (5/6).(5/6).(5/6) = 125/216

20

X +60 +30 0 -20

P(X) 1/216 15/216 75/216 125/216

X.P(X) 60/216 450/216 0 -2500/216

E(X) = (60 + 450 + 0 - 2500)/216 = -9,21

Exemplo 2.10) Suponha que voc ganhe R$ 100,00 multiplicado pleo nmero que aparece quando se joga um dado. Se Y varivel aleatria que representa o nmero do dado, e W representa o seu ganho, ento W = 100.Y. podemos calcular: E(W) = E(100.Y) = 100.E(Y) = 350 E(W) = R$ 350,00. Propriedades do valor esperado: a) Se k uma constante (no uma varivel aleatria), ento: E(k) = k b) e E(kX) = k.E(X)

c) Sejam X e Y variveis aleatrias, E(XY) = E(X) E(Y)

VARINCIA O conhecimento da mdia de uma distribuio importante, mas no nos d idia do grau de disperso da probabilidade em torno da mdia. A medida que d o grau de disperso (ou de concentrao) de probabilidade em torno da mdia a Varincia. Definio: VAR(X) = E{ [X E(X)]2} Ou seja:

21

VAR (X) =

(x
i =1

x ) 2 . p ( xi )

Definiremos uma frmula mais fcil de ser aplicada: VAR(X) = E{ [X- E(X)]2} = E{ [X2 2XE(X) + E2(X)} = E(X2) 2E(XE(X)) + E(E2(X)) = E(X2) 2E(X)E(X) + E2(X) = E(X2) -2E2(X) + E2(X) = E(X2) E2(X) Onde E(X2) =

(x )
i =1 i

. p ( xi )

Outras notaes para VAR(X): V(X), 2(X), 2X, 2. Exemplo 2.11) 1) Calculemos a VAR(Y) para a distribuio: Y -2 -1 0 3 5 P(Y) 1/5 1/5 1/5 1/5 1/5 Y.P(Y) -2/5 -1/5 0 3/5 5/5 E(X) = 1 Y2.P(Y) 4/5 1/5 0 9/5 25/5 E(Y2) = 39/5

Grfico da distribuio de probabilidades

22

Assim, VAR(Y) = E(X2) E2(X) =

39 2 1 = 6,8 . 5

Exemplo 2.12) Vamos agora calcular a varincia para a distribuio abaixo: X 0 1 2 Cujo grfico : P(X) 1/8 6/8 1/8 1 X.P(X) 0 6/8 2/8 E(X) = 1 X2.P(X) 0 6/8 4/8 10/8

VAR(X) = E(X2) E2(X) =

10 8 = 0,25 . 8 8

Observando os grficos e os valores de VAR(Y), conclumos que: Quanto menor a Varincia, menor o grau de disperso de probabilidades em torno da mdia e vice-versa; quanto maior a varincia, maior o grau de disperso da probabilidade em torno da mdia. A varincia uma medida quadrada, e muitas vezes torna-se artificial. Por exemplo: altura mdia de um grupo de pessoas 1,70 m e a varincia 25 cm2. Fica um tanto quanto esquisito cm2 de altura. Contornaremos esse problema definindo o desvio padro.

23

DESVIO PADRO Definio: Desvio Padro da varivel X a raiz quadrada da varincia de X, isto :

x = VAR( X )
Nos exemplos anteriores:

x = 0,25 = 0,5 x = 6,8 = 2,61

Exemplos de aplicao: Exemplo 2.13) Os empregados A, B, C e D ganham 1, 2, 2 e 4 salrios mnimos, respectivamente. Retiram-se amostras com reposio de dois indivduos e mede-se o salrio mdio da amostra retirada. Qual a mdia e desvio padro do salrio mdio amostral? Empregado A B C D Amostras A, A A, B A, C A, D B, A B, B B, C B, D C, A C, B C, C C, D D, A D, B D, C D, D X (salrio) 1 2 2 4 Salrio mdio 1 1,5 1,5 2,5 1,5 2 2 3 1,5 2 2 3 2,5 3 3 4 P(X) 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 1/16 P(A)

Repare que todas as amostras tm probabilidade de 1/16, mas alguns salrios mdios se repetem. Como queremos fazer a mdia dos salrios mdio, temos que construir outra tabela. Salrio Mdio (X) 1 1,5 2 2,5 3 3,5 4 P(X) X.P(X) 1/16 4/16 4/16 2/16 4/16 0 1/16 1/16 6/16 8/16 5/16 12/16 0 4/16 X2.P(X) 1/16 9/16 16/16 12,5/16 36/16 0 16/16

24

Assim, temos que: E(X) = E

1 + 6 + 8 + 5 + 12 + 0 + 4 36 9 = = 16 16 4

VAR(X) = E(X2) E2(X) e para encontr-la, precisamos encontrar E(X2) E(X2) = E

1 + 9 + 16 + 12,5 + 36 + 0 + 16 90,5 = 16 16

90,5 9 9,5 VAR(X) = = = 0,59375 16 4 16

Desta forma, o desvio padro do salrio mdio amostral :

VAR ( X ) =

0 ,59375 = 0 , 77

PROPRIEDADES DA VARINCIA 1) VAR(k) = 0, se k constante. Demonstrao: VAR(k) = E(k E(k))2 = E(k-k)2 = 0.

2) VAR(k.X) = k2.VAR(X) VAR(kX) = E{ [kX E(kX)]2} = E[ kX kE(X) ]2 = E[ k (X - E(X) )2 = k2 E [(X E(X)]2 VAR(kX) = k2 VAR(X)

3) VAR (X Y) = VAR (X) + VAR (Y) 2cov (X, Y)

25

PROBABILIDADE CONDICIONAL Para introduzir a noo de probabilidade condicional, consideremos o exemplo: Consideremos 250 alunos que cursam o primeiro ciclo de uma faculdade. Destes alunos, 100 so homens (H) e 150 so mulheres (M); 110 cursam fsica (F) e 140 cursam qumica (Q). A distribuio de alunos a seguinte: Disciplina Sexo H M Total 40 70 110 60 80 140 100 150 250 F Q Total

Um aluno sorteado ao acaso. Qual a probabilidade de que esteja cursando qumica, dado que mulher? Observando o quadro, vemos que P(Q/M) = 80/150 Probabilidade de estar cursando qumica, condicionado ao fato de mulher. Observamos porm, que P(MQ) = 80/250 e P (M) = 150/250. Para obtermos o resultado do problema, basta considerar que:

80 80 P(Q / M ) = 250 = 150 150 250

ou seja,

P(Q / M ) =

P( M Q) P( M )

Assim, a probabilidade condicional de A dado que B ocorre (A/B) ser dada por:

P( A / B) =

P( A B) , se P(B) 0. P( B) P( B A) P( A)
26

P ( B / A) =

Exemplo 2.14) Duas bolas vo ser retiradas sem reposio de uma urna que contm 2 bolas brancas (B), 3 pretas (P) e 4 verdes (V). Qual a probabilidade de que ambas: a) Sejam verdes? Neste caso, os eventos no so independentes. O fato de uma bola ser retirada e no reposta, indica que na segunda retirada, haver apenas 8 bolas na urna. P(V na primeira) = 4/9 P(V na segunda) = 3/8 P(V na primeira e V na segunda) = (4/9).(3/8) = (12/72) = (1/6) b) Sejam da mesma cor? P(B U B) = (2/9).(1/8) = (2/72) P(P U P) = (3/9).(2/8) = (6/72) P(V U V) = (4/9).(3/8) = (12/72) Assim, a probabilidade que procuramos ser: P = P(BUB ou PUP ou VUV)= P(BUB) + P(PUP) + P(VUV) = (2/72) + (6/72) + (12/72) P = 20/72 = 5/18 = 0,278.

TEOREMA DE BAYES O teorema de Bayes tambm chamado de teorema da probabilidade a posteriori. Ele relaciona uma das parcelas da probabilidade total com a prpria probabilidade total. Considere uma quantidade de interesse desconhecida A (tipicamente no observvel). A informao de que dispomos sobre A, resumida probabilisticamente atravs de P(A), pode ser aumentada observando-se uma quantidade aleatria B relacionada com A. A distribuio amostral P(A|B) define esta relao. A idia de que aps observar o evento B a quantidade de informao sobre o evento A aumenta bastante intuitiva e o teorema de Bayes a regra de atualizao utilizada para quantificar este aumento de informao. Assim, a equao dada por: P(A|B) =

P( AeB) P( B)

27

Ou seja, a probabilidade Condicional j estudada. Entretanto, uma generalizao disso considerar que existam mais do que dois sistemas: Ai com i = 1, 2, 3, ..., n e queremos saber qual a probabilidade de um deles, A3, por exemplo, P( A3 ).P( B | A) acontecer sabendo que o evento B P( A1 ).P( B | A1 ) + P( A2 ) P( B | A2 ) + P( A3 ) P( B | A3 ) aconteceu. Ento, teremos: P(A3|B) =

Generalizando, temos:

P(Aj|B) =

P( A j ).P( B | A j )

P( A ).P( B | A )
i =1 i i

P ( A j ).P( B | A j ) P( A1 ).P( B | A1 ) + P ( A2 ).P ( B | A2 ) + ... + P( An ) P( B | An )

Significa o nmero de subsistemas do sistema total, tal como o nmero de urnas ou caixas. Note que o denominador reflete a probabilidade de acontecer o evento B, que j aconteceu, em todos os eventos Ai com i = 1, 2, ..., n., ou seja: P(B) = P(A1).P(B|A1) + P(A2).P(B|A2) + P(An).P(B|An) Ento: P(Aj|B) =
P ( BeA j ) P( B)

Retornamos a equao da Probabilidade Condicional. Exemplo 2.15) Uma urna A contm 3 fichas vermelhas e 2 azuis, e a urna B contm 2 vermelhas e 8 azuis. Joga-se uma moeda, se der cara, extrai-se uma ficha da urna A; se der coroa, extrai-se uma ficha de B. Uma ficha vermelha extrada. Qual a probabilidade de ter sado cara no lanamento, ou seja, de ter sido sorteada a urna A? Seja P(A) a probabilidade de sortear a urna A = Seja P(B) a probabilidade de sortear a urna B =

28

P(A) = = P(B), pois existe uma chance de 50% da moeda cair cara e 50 % de cair coroa. A probabilidade de tirar uma ficha vermelha da urna A : P(V|A) = 3/5 A probabilidade de tirar uma ficha vermelha da urna B : P(V|B) = 2/10 = 1/5 Ento, a probabilidade de sair uma vermelha : P(V) = P(A).P(V|A) + P(B).P(V|B) = (1/2).(3/5) + (1/2).(1/5) = (4/10) = 0,4. Calculando P(V e A) = P(A). P(V|A) = (1/2).(3/5) = 3/10 = 0,3
3 10 = 3 10 = 0,75 P(VeA ) 4 10 4 P ( V ) = 10 P(A|V) =

Exemplo 2.16) A caixa A tem 9 cartas numeradas de 1 a 9. A caixa B tem 5 cartas numeradas de 1 a 5. Uma caixa escolhida ao acaso e uma carta retirada. Se o nmero par, qual a probabilidade de que a carta sorteada tenha vindo de A? Eu quero saber P(A|par). Caixa A: 1, 2, 3, 4, 5, 6, 7, 8, 9 4 nmeros pares. Caixa B: 1, 2, 3, 4, 5 2 nmeros pares. Ento, P(A) = P(B) = P(par|A) = 4/9 P(par|B) = 2/5 P(par) = P(A).P(par|A) + P(B).P(par|B) = (1/2).(4/9) + (1/2).(2/5) = (4/18) + (1/5) = 19/45. Assim, 1 4 2 . 10 P ( A ). P ( par | A ) P ( pareA ) = 2 9 = 9 = = 0,53 P(A|par) = = 19 19 19 P ( par ) P ( par ) 45 45

29

CAPTULO 3
DISTRIBUIES DE PROBABILIDADE

DISTRIBUIO BINOMIAL uma distribuio discreta de probabilidade aplicvel quando um experimento realizado n vezes, cada prova tendo uma probabilidade de sucesso p e sendo independente de qualquer outra prova anterior. Imagine um cientista que realiza um experimento com dois resultados possveis: sucesso ou falha. A probabilidade de sucesso em cada prova p, e a probabilidade de falha 1-p. Se o experimento realizado 10 vezes, em quantas provas podemos esperar sucesso? Formulemos primeiro a seguinte questo: se o cientista realiza o experimento duas vezes, qual a probabilidade de ambas as provas resultarem em sucesso? Se A o evento sucesso na primeira prova e B o evento sucesso na segunda prova, ento P(A) = p e P(B) = p. O evento sucesso em ambas as provas pode ser escrito como AB (A interseo B). Adotaremos uma hiptese importante: cada prova independente. Ento, podemos multiplicar as probabilidades. P(AB) = P(AeB) = P(A).P(B) = p2 Pelo mesmo raciocnio, podemos mostrar que a probabilidade de obter sucesso nas 10 provas ser p10. Por exemplo, se p = 0,8 (ou, seja, 80 % de chance de sucesso), a probabilidade de 10 sucessos, ser 0,810 = 0,107. Embora as chances de sucesso seja em qualquer prova em particular seja boa, a chance de que haja 10 sucessos seguidos pequena.

30

Agora! Qual a probabilidade de 9 sucessos e uma falha? Essa questo um pouquinho mais complicada! Formularemos ento, uma questo mais simples para comear: qual a probabilidade de sucesso na primeira prova e falha nas outras nove provas? P = 0,8 x 0,29 = 4,096 x 10-7. Agora, preste ateno nas diferenas abaixo: qual a probabilidade de sucesso apenas na primeira prova? Qual a probabilidade de sucesso exatamente em uma das 10 provas? Para achar a probabilidade de exatamente um sucesso, devemos adicionar a probabilidade de sucesso apenas na primeira prova (4,096 x 10-7) mais a probabilidade de sucesso apenas na segunda prova (4,096 x 10-7) e assim por diante. Como h dez possibilidades: P(exatamente um sucesso em 10 tentativas) = 10 x 0,8 x 0,29 = 4,096 x 10-6. Calculemos a probabilidade de de exatamente dois sucessos de maneira anloga. P(de dois primeiros sucessos e oito falhas subseqentes) = 0,82 x 0,28 = 1,638 x 10-6. Esse tambm a probabilidade de qualquer padro especificado de ocorrncia de 2 sucessos e 8 falhas. A prxima questo : quantos desses padres existem? Em outras palavras, quantas maneiras h de escolher 2 entre 10 posies possveis? Podemos aplicar a anlise combinatria.

10 = 45 2 A A! Temos que lembrar que: = B!( A B)! B

Assim, a probabilidade de exatamente dois sucessos,

10 2 8 -5 x 0,8 x 0,2 = 7,373 x 10 2

Estamos agora em condies de dar a frmula geral para a distribuio de um tipo especial de varivel aleatria: a distribuio binomial. A distribuio binomial se aplica a qualquer situao em que se realizem vrias provas independentes, cada uma das

31

quais comporta apenas um dentre dois resultados possveis. Esses dois resultados chamam-se sucesso e falha, embora, em alguns casos, possam ser designados de modos diferentes. Suponha que o cientista realize o experimento n vezes. Seja X o nmero de sucessos. Se a probabilidade de sucesso em cada prova p, ento a probabilidade de i sucessos :

P(X = i) =

n i n i i p (1 p)

Essa a frmula da funo de probabilidade para a varivel aleatria binomial. Formalmente diz-se que X uma varivel aleatria que tem distribuio binomial com parmetros n e p. Se n muito grande, os clculos podem tornar-se difceis e possvel utilizar uma outra distribuio, chamada distribuio normal que veremos mais tarde. Exemplo 3.1) Uma moeda lanada 20 vezes. Qual a probabilidade de sarem 8 caras? Resoluo: X: nmero de sucessos (caras) X = 0, 1, 2, ..., 20 p = n = 20 i=8 8 12 20 1 1 P(X=8) = 8 1 = 0,12013 2 2

Exemplo 3.2) Numa criao de coelhos, 40 % so machos. Qual a probabilidade de que nasam pelo menos dois coelhos machos num dia em que nasceram 20 coelhos? Resoluo: X: nmero de coelhos machos (cm) p = 0,4 pois 40% so machos Para calcularmos, deveramos somar as probabilidades de que nasam 2, ou 3, ou 4, ou 5, ... ou 20. Mas isso daria muito trabalho. Ento, fazemos o seguinte: P(X 2) = 1 { P(X = 1) + P(X = 0) }

32

 20 0 20 Lembrando que P(X=0) = 0,4 x0,6 = 0,00003 0 20 1 19 e P(X=1) = 0,4 x0,6 = 0,00049 1
Assim, P(X 2) = 1 0,00003 0,00049 = 0,99948 Exemplo 3.3) Uma prova tipo teste tem 50 questes independentes. Cada questo tem 5 alternativas. Apenas uma das alternativas a correta. Se um aluno resolve a prova respondendo a esmo as questes, qual a probabilidade de tirar nota 5? X: nmero de acertos X: 0, 1, ..., 50 p = 1/5 = 0,20

50 25 25 P(X=25) = 0,20 x0,8 = 0,000002 25

Esperana (valor esperado) e Varincia de uma varivel aleatria binomial E(X) = n.p Na teoria da probabilidade e na estatstica, a varincia de uma varivel aleatria uma medida da sua disperso estatstica, indicando quo longe em geral os seus valores se encontram do valor esperado. A Varincia definida como: Var (X) = E ((X - x)2) = E (X E(X))2 = E[ X2 2XE(X) + E2(X) ] = E(X2) E(2XE(X)) + E2(X) = E(X2) 2E(X)E(X) + E2(X) = E(X2) 2E2(X) + E2(X) = E(X2) E2(X)

33

No caso da distribuio binomial: E(X2) = n.(n-1).p2 +np Var (X) = = E(X2) E2(X) = n.(n-1).p2 + n.p n2.p2 = (n2 n)p2 + n.p n2p2 = n2p2 np2 + n.p n2p2 = n.p - np2 = n.p.(1-p) Var (X) = n.p.(1-p)

Em estatstica, o conceito de varincia tambm pode ser usado para descrever um conjunto de observaes. Quando o conjunto das observaes uma populao, chamada de varincia da populao. Se o conjunto das observaes (apenas) uma amostra estatstica, chamamos-lhe de varincia amostral (ou varincia da amostra). A varincia da populao de uma populao yi onde i = 1, 2, ...., N dada por

onde a mdia da populao. Na prtica, quando lidando com grandes populaes, quase sempre impossvel achar o valor exato da varincia da populao, devido ao tempo, custo e outras restries aos recursos.

Um mtodo comum de estimar a varincia da populao atravs da tomada de amostras. Quando estimando a varincia da populao usando n amostras aleatrias xi onde i = 1, 2, ..., n, a frmula seguinte um estimador no enviesado:

onde

a mdia da amostra.

34

Notar que o denominador n-1 acima contrasta com a equao para a varincia da populao. Uma fonte de confuso comum que o termo varincia da amostra e a notao s2 pode referir-se quer ao estimador no enviesado da varincia da populao acima como tambm quilo que em termos estritos, a varincia da amostra, calculada usando n em vez de n-1. Intuitivamente, o clculo da varincia pela diviso por n em vez de n-1 d uma sub-estimativa da varincia da populao. Isto porque usamos a mdia da amostra como uma estimativa da mdia da populao , o que no conhecemos. Na prtica, porm, para grandes n, esta distino geralmente muito pequena.

Exemplo 3.4) Achar a mdia e a varincia da varivel aleatria Y = 3X + 2, sendo o experimento repetido 20 vezes e a probabilidade de sucesso em X de 0,3. E(Y) = 3.E(X) + E(2). Lembrando que E(2) = 2, pois 2 uma constante (no uma varivel aleatria), temos: E(Y) = 3.np + 2 = [(3.20).0,3] + 2 = 18 + 2 = 20

E das propriedades da varincia, temos: VAR(k) = 0, se k constante e VAR(k.X) = k2.VAR(X) Temos: Var (Y) = Var (3.X + 2) = Var (3.X) + Var (2) = 32Var (X) + 0 = 9 Var (X) e Var (X) = n.p.(1-p) Assim, Var (Y) = 9 . 20 . 0,3 . (1 - 0,3) = 9 . 20 . 0,3 . 0,7 = 37,8 Resumindo:

35

Numa distribuio binomial, onde um experimento repetido n vezes e tem probabilidade de sucesso p, a probabilidade de i sucessos ser:

n i n i P(X=i) = p (1 p) i
E(X) = n . p Var (X) = n . p . (1 - p).

DISTRIBUIO DE POISSON Aproximao da distribuio binomial pela distribuio de Poisson Muitas vezes, no pequeno (p 0). torna-se muito sofisticadssimas uso da binomial, acontece que n muito grande (n ) e p muito Nesses casos no encontramos o valor em tabelas, ou ento o clculo difcil, sendo necessrio o uso de mquinas de calcular ou ento de computador.

Podemos ento, fazer uma aproximao da binomial pela distribuio de Poisson. Consideremos: 1) n (maior que o maior valor tabelado, n > 30). 2) p 0 (p < 0,1) 3) 0 < 10, onde = E (X) a mdia. Quando isso ocorre, = n . p ser tomado como , ou seja, E(x) = = n . p = .

n i n i Nessas condies, se queremos calcular P(X=i) = p (1 p) i

Mostraremos que P(X=i)

e i i!

Seja P(X=i) =

36

n i n! n! p i pi n i i n i n i p p = p p = p = n n n n i + ( 1 ) ( 1 ) .( 1 ) ( 1 )( 2 )...( 1 ). (1 p ) n i i i! i!(n i )! (n i )! i!
Se n . p = p = /n e (1 - p) = (1 - /n) Se tomarmos o limite da expresso acima, quando n , teremos: P(X = i) = lim i n i n i 1 2 3 i 1 i 1 1 = n(n 1)(n 2)...(n i + 1) . .1 = lim1.1 .1 .1 .1 . . 1 .1 = n i! n n n i! n n n n i 1 e = 1.1.1.1.1.1.....1. i . e .1 = i! i!

e i Assim, chegamos em P(X=i) = que chamada de Distribuio de Poisson. i!

Logo, a binomial tem distribuio de Poisson como limite quando n e p 0. Exemplo 3.5) Uma moeda viciada tem probabilidade de cara 0,01. Aps ser lanada 200 vezes, calcule a probabilidade de dar 10 caras usando a binomial e a aproximao pela Poisson. Resoluo pela binomial:

200 10 190 P(X=10) = (0,01) (0,99) = 0,000033 10

Resoluo pela aproximao de Poisson:

= n . p = 200.0,01 = 2
e 2 .210 = 0,000038 P(X=10) = 10!
Logo, a aproximao bastante boa, pois o erro 0,000005 apenas. Exemplo 3.6) A probabilidade de uma lmpada se queimar ao ser ligada 1/100. Numa instalao de 100 lmpadas, qual a probabilidade de 2 lmpadas queimarem ao serem ligadas?

37

X: nmero de lmpadas queimadas.

100 100 2 98 2 98 ( 0 , 01 ) ( 1 0 , 01 ) = P(X=2) = (0,01) (0,99) = 0,1848 2 2

Usando a aproximao de Poisson:

= n . p = 100 . 0,01 = 1
P(X=2) =

e 1 .12 = 0,18394 2!

Consideremos a probabilidade de ocorrncia de sucessos em um determinado intervalo. A probabilidade da ocorrncia de um sucesso no intervalo proporcional ao intervalo. A probabilidade de mais de um sucesso nesse intervalo bastante pequena com relao a probabilidade de sucesso.

e i P(X=i) = , onde a mdia. i!

A varivel X assim definida tem distribuio de Poisson. A distribuio de Poisson muito usada na distribuio do nmero de: 1) carros que passam por um cruzamento por minuto, durante uma certa hora do dia; 2) erros tipogrficos por pgina em um material impresso; 3) defeitos por unidade (m2, m3, etc) por pea de fbrica; 4) colnias de bactrias numa dada cultura por 0,01 mm2 numa plaqueta de microscpio; 5) mortes por ataque de corao por ano, numa cidade. aplicada tambm em problemas de filas de espera em geral, e outros.

38

Esperana e Varincia na distribuio de Poisson Para a Esperana, ou valor esperado, ou ainda a mdia: E(X) = Var (X) = Exemplo 3.7) Num livro de 800 pginas h 800 erros de impresso. Qual a probabilidade de que uma pgina contenha pelo menos 3 erros? X: nmero de erro por pgina 1 = n.p = 800. =1 800

e 10 e 11 e 12 + = P(X 3) = 1 P(X < 3) = 1 { P(X=0) + P(X=1) + P(X=2)} = 1- + 0 ! 2 ! 1 !

1 {0,367879 + 0,367879 + 0,183940} = 0,080302

Exemplos 3.8) Numa central telefnica chegam 300 telefonemas por hora. Qual a probabilidade de que: a) Num minuto haja nenhum chamado X: nmero de chamadas por minuto. Se so 300 telefonemas por hora, so 300 telefonemas em 60 minutos, ou seja, = 5, pois temos 5 telefonemas por minuto.

e 5 5 0 = 0,006738 P(X=0) = 0!

b) em dois minutos hajam 2 chamados

= 10, pois so 10 chamadas em 2 minutos.

39

P(X=2) =

e 10 10 2 = 0,002270 2!

c) em t minutos no haja chamado;

= 5t
P(X=0) =

e 5t (5t ) 0 e 5t = 0!

EXERCCIOS: Exerccio 3.1) Uma urna tem 20 bolas pretas e 30 brancas. Retiram-se 25 bolas com reposio. Qual a probabilidade de que: a) 2 sejam pretas? b) Pelo menos trs sejam pretas?

Exerccio 3.2) Numa estrada h 2 acidentes para cada 100 km. Qual a probabilidade de que em: Eu estou usando e = 2,7183. a) 250 km ocorram pelo menos 3 acidentes? b) 300 km ocorram 5 acidentes?

Exerccio 3.3) A probabilidade de um arqueiro acertar um alvo com uma nica flecha de 0,20. Ele lana 30 flexas no alvo. Qual a probabilidade de que: a) Exatamente 4 acertem o alvo? b) Pelo menos 3 acertem o alvo? Exerccio 3.4) A experincia mostra que a cada 400 lmpadas, 2 se queimam ao serem ligadas. Qual a probabilidade de que numa instalao de:

40

a) 600 lmpadas, no mnimo 3 se queimem? b) 900 lmpadas, exatamente 8 se queimem? Exerccio 3.5) Numa linha adutora de gua, de 60 Km de extenso, ocorrem 30 vazamentos no perodo de um ms. Qual a probabilidade de ocorrer, durante um ms, pelo menos 3 vazamentos num certo setor de 3 km de extenso? Exerccio 3.6) Numa fita de som h um defeito em cada 2 metros. Qual a probabilidade de que: a) em 5 metros no acontea defeito? b) Em 8 metros ocorram pelo menos 3 defeitos? Exerccio 3.7) O nmero de mortes por afogamento em fins de semana, numa cidade praiana, de 2 para cada 50.000 habitantes. Qual a probabilidade de que em: a) 200.000 habitantes ocorram 5 afogamentos? b) 112.500 habitantes ocorram pelo menos 3 afogamentos?

Exerccio 3.8) Uma firma recebe 720 mensagens em seu fax em 8 horas de funcionamento. Qual a probabilidade de que: a) em 6 minutos receba pelo menos 4 mensagens? b) Em 4 minutos no receba nenhuma mensagem?

Exerccio 3.9) Considere 10 tentativas independentes de um experimento. Cada tentativa admite sucesso com probabilidade 0,05. Seja X: nmero de sucessos. a) Calcular P(1 < X 4) b) Considere 100 tentativas independentes. Calcular P(X 2).

Exerccio 3.10) Numa urna h 40 bolas brancas e 60 pretas. Retiram-se 20 bolas. Qual a probabilidade de que ocorram no mnimo 2 bolas brancas, considerando as extraes: a) sem reposio; b) com reposio;

41

CAPTULO 4
VARIVEIS ALEATRIAS CONTNUAS
Suponha que escolhamos aleatoriamente um nome do catlogo telefnico e meamos a altura (em metros) da pessoa assim selecionada. Se H a altura da pessoa, podemos considerar H como uma varivel aleatria. Todavia, ela diferente das outras variveis aleatrias estudadas at aqui. Se relacionarmos todos os valores possveis de H, h valores que, obviamente no so possveis. Por exemplo, H nunca poder ser menos de 0,10 m nem mais de 3 m. Todavia, no podemos listar todos os valores possveis. A altura pode ser 1,60m ou 1,61 m, ou 1,600001 metros, ou 1,600000001m. De fato, admitindo que possamos medir a altura com perfeita preciso (isto apenas teoria, e no a realidade), h um nmero infinito de valores possveis para a altura. No podemos utilizar uma varivel aleatria discreta em um caso como esse, em que o resultado pode ser qualquer nmero num determinado intervalo. Devemos, ao contrrio, utilizar uma varivel aleatria contnua. Exemplo de variveis aleatrias contnuas: i) ii) iii) iv) Altura acima do solo em que um dardo atinge um painel; O intervalo de tempo de vida de uma lmpada; O intervalo de tempo decorrido at o decaimento de um tomo radioativo; A durao de vida de uma pessoa.

Intuitivamente, as variveis aleatrias discretas so mais fceis de entender. Entretanto, matematicamente, as variveis aleatrias contnuas so de mais fcil manejo. Se uma distribuio discreta tem muitos valores possveis prximos uns dos outros, pode, em geral, ser aproximada por uma distribuio contnua.

42

Figura: Em vermelho uma distribuio discreta. Em azul, curva contnua. Para entendermos melhor, observemos o histograma acima, que mostra o grfico de distribuio de X. No caso em vermelho, que para o caso discreto, o grfico contituido por retngulos de bases unitrias e alturas iguais s probabilidades de X = x0. As reas dos retngulos so dadas pela frmula base x altura (bxh), em cada caso. Ar1 Ar2 Ar3 Ar4 Ar5 = = = = = b1 b2 b3 b4 b5 . h1 = . h2 = . h3 = . h4 = . h5 = 1.0,1 1.0,2 1.0,4 1.0,2 1.0,1 Ar1 Ar2 Ar3 Ar4 Ar5 = = = = = P(X=1) P(X=2) P(X=3) P(X=4) P(X=5)

Para calcularmos, por exemplo: P (1 X 3) =

Ar
i =1

= Ar1 + Ar2 + Ar3 = 0,1 + 0,2 + 0,4 = 0,7 .

Se ligarmos os pontos mdios das bases superiores dos retngulos e ligarmos os mesmos por uma curva, teremos, se considerarmos X uma varivel aleatria contnua, uma funo contnua f(x), representada no grfico acima como a curva contnua. Podemos ento definir matematicamente Varivel aleatria contnua: uma varivel aleatria contnua em R se existir uma funo f(x), tal que: 1. f(x) 0
+

2.

f ( x)dx = 1

A funo f(x) chama funo densidade de probabilidade (f.d.p). Observamos que:

43

P(a X b) = f ( x)dx
a

corresponde rea limitada pela funo f(x), eixo X e pelas retas X=a e X=b. Veja figua abaixo.

A curva mais importante na estatstica a curva em forma de sino, ou a curva normal que retrata a distribuio de grandezas tais como as alturas de uma populao. Podemos estender todas as definies de variveis aleatrias discretas para variveis aleatrias contnuas. Se X uma varivel aleatria contnua, ento: Definio:
+

E(X) =

x. f ( x)dx
+

Var (X) =

{x E ( x)} . f ( x)dx ou Var (X) = E(X ) {E(X)}

2
2

onde,

E(X2) =

x . f ( x)dx
2

Exemplo 4.1)Verificar se f(x) =

2x+3, 0,

se 0< x 2 se x 0 ou x >2
uma f. d. p.

44

Resoluo: i) ii) Primeiro devemos verificar se f(x) 0 para todo x Sim, ela sempre positiva!
+

Depois verificar se :
2 2

f ( x)dx = 1
2

2
= 4 + 6 = 10 no f. d. p.

Para isso:

f ( x)dx = (2 x + 3)dx = x
0 0

+ 3x
0

Se definirmos f2(x) = (1/10)f(x), f2(x) seria uma funo densidade de probabilidade.

Exerccio 4.1) Seja f(x) = kx, se 0 < x 1 e f(x) = 0 se x 0 ou x > 1. Determine a) k a fim de que f(x) seja f. d. p. b) o grfico de f (x); 1 c) P 0 X 2 d) E(X)

PRINCIPAIS DISTRIBUIES TERICAS DE PROBABILIDADE DE VARIVEIS ALEATRIAS CONTNUAS

Algumas distribuies de variveis aleatrias contnuas so importantes. Estudaremos dois tipos delas, mas daremos maior detalhe a mais usada em problemas de estatstica, que a distribuio normal. Distribuio Exponencial Uma varivel aleatria contnua em X tem distribuio exponencial de probabilidade se a f. d. p. dada por:

f(x) =

e x 0

se x 0 se x < 0.

45

O grfico da f. d. p de X :

E
+ x e dx = 1 0

E a funo de distribuio :

F ( x) = P( X x) = e s ds = 1 e x
0

A esperana (ou valor esperado) da distribuio :

E ( x) = x.e x dx = ( x.e x
0

1 1 = ( 0 0 ) 0 e x ) = 0 1

Podemos chegar tambm na varincia de modo anlogo:

Var (X) =

A distribuio Exponencial largamente utilizada como um modelo para a distribuio dos tempos at a falha de componentes eletrnicos. Nessas aplicaes o parmetro representa a taxa de falha para o componente, e 1/ o tempo mdio at a falha. Conhecendo-se os tempos at a falha de um produto possvel definir os perodos de garantia.

46

Exemplo 4.2) Uma varivel aleatria contnua X tem f. d. p. dada por:

k x 2 e f ( x) = 0

Se x 0 Se X < 0

a) Calcular o valor de k b) Determinar F(x) c) Determinar a mediana da distribuio;

a) Sabemos que

f ( x)dx = 1 , ento:
0

k x k x k x e dx = 1 e dx = 1 ( e ) 2 20 2 0

k = 1 (0 (1)) = 1 k = 2 2

b) Lembrando que:

F ( x) = P( X x) , temos:
x s

F ( x) = P( X x) = e ds = 1 e s ds = 1 (e (e x )) = 1 + 0 e x
0 x

1 e x F ( x) = 0

Se x >0

Se x 0

47

c) Definio de mediana: m a mediana da distruio se P(X>m) = P(X<m). Ento:

P( X > m) = e x dx = e x
m

= 0 ( e m ) = e m m

da mesma forma:

P( X < m) = e x dx = e x
0

m = (e m + 1) = 1 e m 0

Fazendo P(X>m) = P(X<m), tem-se:

e m = 1 e m 2e m = 1 e m =

1 2

1 1 1 ln e m = ln m = ln m = ln = (0,693147) 2 2 2 m = 0,693147

48

DISTRIBUIO NORMAL Pode-se identificar uma distribuio normal especificando-se dois nmeros: a mdia e a varincia (ou o desvio padro). Conforme j foi visto no caso das distribuio discretas, a mdia est localizada no pico da distribuio. A varincia define a forma da distribuio se ela muito dispersa ou se a maior parte da rea se concentra na proximidade do pico. Se X uma varivel aleatria normal com mdia e varincia 2, ento a funo densidade dada por:

f ( x) =

1 2

(1 / 2 )[( x ) / ]2

O desvio padro a raiz quadrada da varincia e a distncia, a partir da mdia, a qualquer do dois pontos de inflexo os pontos fronteira onde a curva muda de concavidade (ver figura abaixo).

A figura abaixo mostra quatro distribuies normais com a mesma varincia mas com mdias diferentes.

J a prxima figura exibe quatro distribuies normais com a mesma mdia, mas com varincias distintas. A rea sobre cada uma das curvas (tanto as curvas acima quanto as curvas abaixo) 1, como deve ser o caso para uma varivel aleatria contnua. As extremidades da curva so chamadas caudas da distribuio. As caudas jamais tocam o eixo. Teoricamente, pois, a varivel aleatria normal pode tomar qualquer valor,

49

inclusive valores muito distantes da mdia. Todavia, pode-se ver que no h muita rea sob a curva nas caudas, de modo que a chance de aparecer um valor muito distante da mdia remota.

Muitas vezes voc vai encontrar a distribuio normal com a seguinte notao: X : N(, 2). Distribuio Normal Reduzida Tambm chamada de distribuio normal padronizada ou Varivel normalizada. Na maioria das vezes em que necessitamos da rea sob uma curva normal, devemos recorrer a uma tabela, ou usar um computador ou uma calculadora. Seria impossvel elaborar uma tabela para cada distribuio normal com todos os valores possveis da mdia e da varincia. Felizmente, podemos achar os resultados para qualquer distribuio normal apelando para uma tabela de distribuio normal com mdia = 0 e varincia 2 = 1. Essa distribuio chamada distribuio normal reduzida e a notao ser: Z : N(0, 1). Considere Z uma varivel aleatria com funo de densidade normal reduzida. A figura abaixo exibe o grfico da funo de densidade para Z.

50

f ( x) =

1 2

1 x 2 2

Funo de densidade normal padronizada: =0, =1.

Se quisermos achar a probabilidade de Z estar entre 0 e 1, devemos calcular a rea sob a curva entre 0 e 1. (Figura abaixo).

P(0 < Z < 1) = rea sombreada

Infelizmente, no existe uma frmula simples que nos d essa rea. Pois essa funo no pode ser integrada de forma explcita. Ela calculada numericamente e tabelada. Temos de procurar os resultados em uma tabela tal como a tabela em anexo. A tabela d a funo de distribuio acumulada, que indica a probabilidade de Z ser inferior a um determinado valor z. Usa-se, em geral, a letra maiscula grega para representar tal funo: (a) igual a probabilidade de Z ser menor do que a, ou seja, (a) = P(Z < a). A funo satisfaz a seguinte propriedade: (-a) = 1 - (a). A probabilidade de Z estar entre dois nmeros quaisquer a e b dada por P(a < Z <b) = (b) - (a) J mostramos que (0) = 0,5. Pela tabela da normal padronizada, vemos que (1) = 0,8413. Portanto, a probabilidade de Z estar entre 0 e 1 0,8413 0,5000 = 0,3413. Pela simetria da funo de densidade, vemos que h tambm uma probabilidade de 0,3413 de Z estar entre -1 e 0. Somando essas probabilidades, temos: P(-1 < Z <0) + P(0 < Z < 1) = 0,3413 + 0,3413 = 0,6826.

51

Portanto h uma chance de 68 % de uma varivel aleatria normal padronizada estar entre -1 e 1. Ou seja, h 68 % de chance de uma varivel aleatria normal padronizada estar a menos de um desvio-padro de sua mdia (em nosso caso, a mdia 0 e o desvio-padro 1).

P(-1 < Z <0) = P(0 < Z < 1) = 0,3413

Essa propriedade particular vale para qualquer varivel aleatria normal, independente de sua mdia e seu desvio padro: h uma chance de 68% de qualquer varivel aleatria normal estar a menos de um desvio-padro de sua mdia. Por exemplo, se X uma varivel aleatria normal com mdia 200 e desvio padro 30, ento h 68% de chance de X estar entre 170 e 230. Apelando-se para a tabela pode-se mostrar tambm que h 95% de chance de estar a menos de dois desvios-padro de sua mdia. Com o auxlio das tabelas da varivel normal padronizada, podemos achar probabilidades para qualquer varivel normal como segue: suponhamos que Y tenha distribuio normal com mdia 6 e varincia 9; queremos a probabilidade de Y estar entre 5 e 8. Criamos uma nova varivel aleatria Z:

Z=

Y 6 3

Que tem distribuio normal com mdia 0 e varincia 1, em razo da propriedade da adio. Ora,

56 Y 6 8 6 P(5 < Y < 8) = P < < = P(1 / 3 < Z < 2 / 3) 3 3 3 P(5 < Y < 8) = (0,667) (0,333) = 0,7486 (1 0,6293) P (5 < Y < 8) = 0,7486 0,3707 P (5 < Y < 8) = 0,3779

De modo geral, se X uma varivel aleatria normal com mdia e varincia 2, ento (X-)/ uma varivel aleatria normal padronizada. Suponhamos, por exemplo, que

52

quisssemos a probabilidade de vendar mais de 230 hambrgueres numa lanchonte da cidade. Representamos por X1 o nmero de hambrgueres. Nesse caso, = 200, 2 = 1600 e = 40. Criemos a varivel normal padronizada Z1:

Z1 =

X 1 200 40

Assim,

3 X 200 30 P ( X 1 > 230) = P 1 > = P Z > 40 4 40

Ou seja, se X1 > 230, ento Z1> do que . A tabela nos diz que a probabilidade de isso ocorrer 1 P( Z < 0,75) = 1 0,7734 = 0,2266. Se quisssemos a probabilidade de vender um total de mais de 330 hambrgueres nas duas lanchonetes. Seja X esse nmero total. Ento, = 300, 2 = 2000 e = 44,72. Estabelecendo a varivel aleatria normal padronizada:

Z=

X 300 44,72

330 300 30 = = 0,67 44,72 44,72

Se X > 330, ento Z > 0,67 e a probabilidade de tal ocorrncia 0,2514 (tabela). P(X>330)=P(Z>0,67) = 1-P(0,67) = 1-0,7486=0,2514.

Exemplo 4.3) Seja X: (20,4). Achar os valores reduzidos correspondentes a X1 = 14, X2 = 16, X3 = 18, X4 = 20, X5 = 22, X6 = 24, X7 = 26.

De X: (20,4), vemos que = 20, = 2. Assim, Z = (X-20)/2. Se X1 = 14, Z1 = -3; Se X2 = 16, Z2 = -2; Se X3 = 18, Z3 = -1; Se X4 = 20, Z1 = 0; = 0;

53

Se X5 = 22, Z2 = 1; Se X6 = 24, Z6 = 2; Se X7 = 26, Z7 = 3;

Exemplo 4.4) Usando a tabela. Seja X: N(100, 25). Calcular: a) P(100 X 106); Para X = 100:

Z=

X 100 5

=0

Para X = 106: Z =

106 100 = 1,2 5

Ento: P(100 X 106) = P(0 X 1,2) = 0,384930

b) P(89 X 107) Da mesma forma: Para X = 89: Z =

89 100 5

= 2,2

Para X = 107, Z =

107 100 5

= 1,4

Ento: P(89 X 107) = P(-2,2 X 1,4) = P(Z=1,4) P(-2,2) = 0,9192 0,0139= 0,9053

c) P(X 108) Se X = 108, Z =

108 100 = 1,6 5

P(X 108) = P(Z 1,6) = 1 P(Z 1,6) = 1 0,9452 = 0,0548.

54

Exemplo 4.7) Um fabricante de baterias sabe, por experincia passada, que as baterias de sua fabricao tem vida mdia de 600 dias e desvio-padro de 100 dias, sendo que a durao tem aproximadamente a distribuio normal. Oferece uma garantia de 312 dias, isto , troca as baterias que apresentarem falhas nesse perodo. Fabrica 10.000 baterias mensalmente. Quantas dever trocar pelo uso da garantia, mensalmente? Resoluo:
= 600 312 600 = 2,88 Z= X: durao da bateria 100 = 100

P(X 2,88) = 0,0020, ou seja, existe uma chance de 0,20 % de uma bateria ser trocada durante a garantia. Ento, ele deve substituir mensalmente 20 em 10 mil baterias fabricadas por ms.

EXERCCIOS Exerccio 4.2) Uma fbrica de carros sabe que os motores de sua fabricao tm durao normal com mdia de 150.000 km e desvio-padro de 5.000 km. Qual a probabilidade de que um carro, escolhido ao acaso, dos fabricados por essa firma, tenha um motor que dure: a) Menos de 170.000 km? b) Entre 140.000 km e 165.000 km? c) Se a fbrica substitui o motor que apresenta durao inferior garantia, qual deve ser esta garantia para que a percentagem de motores substitudos seja inferior a 0,2%?

Exerccio 4.3) O dimetro X de um cabo eltrico uma varivel aleatria contnua com f.d.p. dada por:

K (2 x x 2 ) f ( x) = 0

Se 0 x 1 Se x < 0 ou x >1

a) Determinar K; b) Calcular E(X) e Var (X).

55

c) Calcular P(0 x ).

Exerccio 4.4) A varivel aleatria X tem f. d. p. dada pelo grfico abaixo. Determinar: d) P (X > 2); e) M tal que P(X > m) = 1/8; f) E(X) g) Var (X); h) F(x).

Exerccio 4.5) Uma fbrica de tubo de TV determinou que a vida mdia dos tubos de sua fabricao de 800 horas de uso contnuo e segue uma distribuio exponencial. Qual a probabilidade de que a fbrica tenha de substituir um tubo gratuitamente se oferece uma garantia de 300 horas de uso?

56