MINISTRIO DA EDUCAO UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CINCIAS EXATAS E DA TERRA DEPARTAMENTO DE ESTATSTICA

Centro: UFRN

CINCIAS EXATAS E DA TERRA

Departamento: ESTATSTICA

DISCIPLINA CDIGO EST0322 DENOMINAO Estatstica Aplic. Informt. Tot. 04 CRDITOS Aul. 03 Lab. 01 Est. CARGA HORRIA Tot. 60 Aul. 45 Lab. 15 Est. -

PR - REQUISITOS CDIGO MAT0005 MAT0312 DENOMINAO Clculo Diferencial e Integral II ou Matemtica p/ Engenharia II Tot. 06 06 CRDITOS Aul. 04 04 Lab. 02 02 Est. CARGA HORRIA Tot. 90 90 Aul. 60 60 Lab. 30 30 Est. -

EMENTA Probabilidade. Variveis Aleatrias Discretas e Contnuas Unidimensionais e Bidimensionais. Distribuies de Probabilidade Discretas: Poisson e Binomial e Contnuas: Normal e Exponencial. Introduo aos Processos Estocsticos. Correlao e AutoCorrelao.

PROFESSOR RESPONSVEL ALLAN ROBERT DA SILVA

Natal 2007

EST0322 Estatstica Aplicada Informtica (4 crditos, 60 horas/aula) UNIDADE I PROBABILIDADE 1.1 - Experimentos Aleatrios 1.2 - Espao Amostral 1.3 - Eventos 1.4 - Probabilidade 1.5 - Definies Clssicas e Axiomticas de Probabilidade. Propriedades 1.6 - Probabilidade Condicional 1.7 - Teorema do Produto, da Probabilidade Total e de Bayes 1.8 - Eventos Independentes UNIDADE II VARIVEIS ALEATRIAS 2.1 - Variveis Aleatrias Unidimensionais 2.1.1 - Variveis Aleatrias Discretas 2.1.2 - Variveis Aleatrias Contnuas 2.1.3 - Mdia, Varincia e Desvio Padro para Variveis aleatrias Discretas e Contnuas 2.2 - Variveis Aleatrias Discretas Bidimensionais 2.2.1 - Distribuio Conjunta de Probabilidade 2.2.2 - Variveis Aleatrias Independentes 2.2.3 - Covarincia 2.2.4 Coeficiente de Correlao UNIDADE III DISTRIBUIES DE PROBABILIDADE 3.1 - Principais Distribuies Discretas (Bernoulli, Binomial, Poisson) 3.2 - Principais Distribuies Contnuas (Exponencial, Normal) UNIDADE IV PROCESSOS ESTOCTICOS 4.1 - Noes Bsicas de Processos Estocsticos 4.2 - Processos Markovianos UNIDADE V CORRELAO E AUTOCORRELAO 5.1 - Coeficiente de correlao 5.2 - Propriedades do Coeficiente de Correlao Linear 5.3 - Regresso Linear Simples 5.4 - Anlise de Resduos 5.5 - Autocorrelao

PROGRAMA

BIBLIOGRAFIA

1. MAGALHES, M. N.; LIMA, A. C. P. de . Noes de Probabilidade e Estatstica. 5 Ed. Edusp. So Paulo. 2004. 2. DANTAS, C. A. B. Probabilidade: Um Curso Introdutrio. Ed. USP, So Paulo, 2a Ed., 2000. 3. MEYER, P. L. Probabilidade: aplicaes estatstica. Rio de Janeiro. Livros tcnicos e cientficos editora, 1984.
4. AZEVEDO, Paulo Roberto Medeiros de. Introduo Estatstica. Natal, ed. UFRN, 2005. 5. CLARKE, A. Bruce. Probabilidade e Processos Estocsticos. Rio de Janeiro, LTC S. A. 1979. 6. TRIOLA, Mario F., Introduo Estatstica, 9 ed., LTC Editora (2005).

UNIDADE I - PROBABILIDADE

1.1 Experimentos Aleatrios

A Teoria da probabilidade til para analisar situaes que envolvem o acaso. Jogos de dados e de cartas, ou o lanamento de uma moeda para o ar. As distribuies de probabilidade incorporam a estatstica descritiva e a teoria da probabilidade. Ambas formam a base da inferncia estatstica. Algumas aplicaes: Na maioria dos jogos esportivos (futebol, basquete, turfe...), at certo ponto; Na deciso de parar de imunizar pessoas com menos de 20 anos contra determinada doena; Na deciso de arriscar-se a usar determinado antivrus; Todas utilizam a probabilidade consciente ou inconscientemente. Um fenmeno ou experimento se diz aleatrio se: a) O experimento pode ser repetido sob condies idnticas; b) Todos os possveis resultados do experimento so conhecidos de antemo; c) Em qualquer realizao do experimento, no de pode predizer com certeza, qual resultado particular ocorrer, quando o experimento for realizado. Dito de outra forma: um experimento aleatrio aquele cuja natureza, envolve um elemento casual, que torna impossvel a previso, com certeza, de qualquer resultado particular, dentre todos os possveis, que este experimento possa apresentar, quando de sua realizao.

1.2 Espao Amostral

o conjunto dos distintos resultados de um experimento aleatrio, e ser representado por . Cada elemento desse conjunto (dos resultados possveis), chamado ponto amostral.

1.3 Eventos
um subconjunto do espao amostral, isto , um subconjunto de todos os resultados possveis de um experimento aleatrio, e sempre representado por letras maisculas A, B, etc. Se um evento A formado por apenas um ponto amostral, A dito evento elementar. Temos ainda que e so eventos. O primeiro chamado de evento impossvel (nuca ocorre), o segundo chamado de evento certo (sempre ocorre). Dado que os eventos associados a um espao amostral, so, por sua vez conjuntos, podemos efetuar as operaes do tipo: unio, intercesso, complementao e diferena, de forma semelhante s respectivas operaes que se realizam com os subconjuntos de qualquer conjunto abstrato, e formar a partir destas operaes, novos eventos tais como:

A B = {x : x A ou x B} , isto : A B o evento que ocorre sempre que

ocorre A ou sempre que ocorre B, e somente neste caso.

A B = {x : x A e x B} isto : A B o evento que ocorre somente quando

ocorrem A e B simultaneamente.

Ac = {x : x , x A}, isto Ac o evento contrrio de A, somente ocorre se A no ocorre, (e no ocorre, se A ocorre). Claramente nota-se que Ac A = .

A B = {x : x A e x B}, isto : (A B) o evento que ocorre unicamente quando ocorre A e no ocorre B.

Quando dois eventos so tais que, eles nunca podem ocorrer simultaneamente, neste caso se tem que A B = , eles so chamados eventos mutuamente exclusivos ou mutuamente excludentes, (em termos de conjunto, diramos que so conjuntos disjuntos). Seguem-se exemplos, para melhor esclarecer o acima exposto. Ex. 1. Uma fbrica produz um determinado artigo. Da linha de produo so retirados 03 artigos e cada um testado, e classificado como B (bom), D (defeituoso). Um espao amostral associado ao experimento : = {BBB, DDD, BBD, DBB, DDB, DBD, BDD, BDB}

Ex. 2. Considere o experimento que consiste em selecionar uma famlia aleatoriamente, em certo distrito do Serid, e verificar o n de filhos que esta famlia j registrou. Um espao amostral associado a este experimento : = {0, 1, 2, 3, 4, ...}

Ex. 3. Seja agora o experimento que consiste em retirar uma lmpada de um lote e medir seu tempo de vida antes de se queimar. Um espao amostral pode ser:

6 = R +,

isto , = {t : t 0}

Ex. 4. Um dado lanado e o n que aparece na face superior observado. Um espao amostral : = {0, 1, 2, 3, 4, 5, 6} Com exceo do exemplo 3, que contnuo, todos os demais so espaos amostrais do tipo chamado discreto. Um espao amostral discreto quando formado por um conjunto contvel (finito ou infinito). Caso contrrio, ele dito contnuo. Consideremos novamente o Ex. 1. Sejam os eventos associados a este espao, tais como: A = obter dois artigos defeituosos. Logo, A = {DDB, DBD, BDD} B = obter no mnimo 1 artigo bom. Logo, B = {DDB, DBD, BDD, BBD, BDB, DBB, BBB} C = obter no mximo 1 artigo defeituosos. Logo, C = {BBB, BBD, BDB, DBB}

Ento poderemos ter, por exemplo, os novos eventos (resultantes das operaes). A B = {DDB, DBD, BDD} = A A C = , excludentes). A C = {BBB, BBD, DBB, DDB, DBD, BDD, BDB} Bc = {DDD}, (portanto Bc um evento elementar). (portanto A e C so incompatveis ou mutuamente exclusivos ou

Consideremos agora o exemplo 3 (espao amostral contnuo), e seja A o evento dado por: A = o tempo de vida da lmpada inferior a 20 horas. Ento, A = {t : 0 t < 20} e Ac = (t 20}. Naturalmente que A Ac = (t : t 0) = o evento certo. E observe que, sempre, A Ac = , para qualquer evento A. Obs.: Vale a pena lembrar as leis de MORGAN, referente a lgebra de conjuntos: (A B)c = Ac Bc complementares) (A B)c = Ac Bc complementares) (o complementar da interseo igual unio dos (o complementar da unio igual interseo dos

1.4 Resultados Equiprovveis

Muitos experimentos aleatrios sugerem que os distintos resultados de um espao amostral finito estejam associados, cada um deles, a um mesmo valor p, que representa a probabilidade de sua ocorrncia. Por exemplo, em um lanamento de um dado honesto se tem que o espao amostral finito formado por: = {1, 2, 3, 4, 5, 6} e cada ponto amostral tem a mesma probabilidade de ocorrncia que ser neste caso, p = 1/6. Suponha por exemplo que sorteamos, numa urna com n bolas numeradas, 1, 2, 3, ..., n, uma bola ao acaso. A probabilidade de cada bola (cada ponto amostral) ser 1/n. Se um evento A, associado a este espao formado por K pontos, digamos A = 1, 2, ..., 10, (n>10), ento se tem :
P(A) = 10. 1 10 = n n

P(A) =

n de elementos do evento A casos favorveis = n de elementos do espao casos possveis

1.5 Principio fundamental da contagem e relao com a probabilidade:

Se determinado acontecimento ocorre em n etapas diferentes, e se a primeira etapa pode ocorrer de k1 maneiras diferentes, a segunda de k2 maneiras diferentes, e assim sucessivamente, ento o nmero total T de maneiras de ocorrer o acontecimento dado por:

T = k1 k2 k3 ... kn
Exemplo: uma pessoa pode viajar de natal ate recife de 2 maneiras: avio ou nibus, mas pode voltar de 3 maneiras: avio, nibus ou uma carona com um amigo. Quantas maneiras ele pode fazer esta viagem? qual a probabilidade dele ir de avio e voltar de carona? e de volta de carona? Vejamos que pela regra ele tem 2 maneiras de ir e 3 de voltar. Logo ele tem 3*2 maneiras de ir e voltar, ou seja, 6 maneiras de fazer a viagem, a seguir escritas: Avio - Avio Avio - nibus Avio Carona nibus - Avio nibus - nibus nibus - Carona

8 A probabilidade de ir de avio 1/2 e voltar de carona 1/3 = 1/2*1/3=1/6 Qual a probabilidade dele volta de carona? No h restries a sua ida, logo ele pode escolher 2 entre duas opes 2/2=1 e de a probabilidade de voltar de carona 1/3=1*1/3=1/3.

1.6 Conceitos de Probabilidade

1.6.1 Definio Frequentista
Probabilidade definida como limite de freqncias relativas (definio de R. Von Misses). Seja n o n de provas realizadas em um experimento aleatrio, e seja a, um evento associado a este experimento. Seja f(A), a freqncia da ocorrncia de evento A, isto , o n de vezes em que se observou a ocorrncia do evento A, nas n provas. Ento a probabilidade do evento A, segundo a definio frequentista, dada por:

P(A) =

lim f (A) numero de ocorrencias de A P(A) = n n n total de provas ou observaes

1.6.2 Definio Clssica

Regra de Laplace, aplicada aos casos de espaos amostrais finitos, cujos resultados, (pontos amostrais), (tm cada um a mesma probabilidade de ocorrncia). P( A) = n de casos faverveis ocorrncia do evento A n A = n de casos possveis n

Pela regra de Laplace, se tem que: a) 0 P(A) 1 b) P() = 0 n = 0 ; P() = = 1 n n

c) Se A e B so incompatveis, isto A B = , ento P(A B) = P(A) + P(B)

1.6.3 Formulao Axiomtica do Conceito de Probabilidade

Este conceito de probabilidade se estabelece a partir de uma funo real P(A), definida sobre os eventos associados a um espao amostral, a qual faz corresponder a cada subconjunto A, de (sendo este subconjunto um evento), um n real, tal que cumpra os seguintes axiomas: a) P(A) 0 b) P() = 1

c) Se A e B so eventos mutuamente exclusivos, isto A B = , ento se tem que P(A B) = P(A) + P(B)

Obs.: Esta definio axiomtica mais abrangente que a regra de Laplace, dado que, a definio
clssica se limita aos espaos amostrais finitos equiprovveis.

1.6.4 Teoremas Fundamentais do Clculo das Probabilidades

a) Se um conjunto vazio, ento P() = 0 Demonstrao: Pelo axioma (b), 1 = P() e pelo axioma (c), P( ) = P() + P() 1 = 1 + P() P() = 0 b) Sejam A e B eventos quaisquer, ento, P(A B) = P(A) + P(B) P(A B)

Demonstrao: Se A e B so incompatveis ento A B = e P() = 0, se tem ento que P(A B) = P(A) + P(B), com A B = (axioma c) Se A e B no so incompatveis, da forma: A B = (A - B) B e sendo assim pelo axioma (c), P(A B) = P(A - B) P(B) (1)

Analogamente A pode ser escrito da forma: A = (A B) (A B), sendo (A B) e (A B) eventos incompatveis. Portanto: P(A) = P(A B) + P(A B) ou P(A B) = P(A) P(A B) Substituindo em (1) se tem: c) Se Ac o complementar de A, ento: Demonstrao: Temos que = A Ac, sendo A Ac = Pelo axioma (b), temos que P() = 1 e pelo axioma (c), temos que P(A Ac) = P(A) + P(Ac) Logo, P() = P(A Ac) = 1 = P(A) + P(Ac) donde P(Ac) = 1 P(A) P(A B) = P(A) + P(B) P(A B). P(Ac) = 1 P(A)

10

d) Se A B ento

P(A) P(B)

Demonstrao
Se A B, podemos escrever B da forma: B = A (Ac B), onde A e (Ac B) so eventos incompatveis, e portanto, pelo axioma (c), se tem que P(B) = P(A) + P(Ac B), Logo P(B) - P(A) = P(Ac B), pelo axioma (a), P(Ac B) 0 Portanto, P(B) P(A) 0 logo, P(B) P(A)

EXERCCIOS
1. Faa A e B serem eventos I. Indique no Diagrama de VENN os novos eventos: a) Ocorre A, mas no ocorre B. b) Apenas A ou B ocorre, mas no ambos. c) No ocorre A. II. Encontre uma expresso para estes eventos.

2. Considere o experimento aleatrio: Lanar uma moeda e um dado. Pede-se: a) Um conjunto que represente o espao amostral associado a este experimento. b) Expresse os eventos: A = cara e n par B = nmeros primos C = coroa e n mpar c) Expresse claramente os eventos: 1. A ou B ocorre 2. B ou C ocorre 3. Somente B ocorre 4. Ocorre A B d) Quais eventos A, B e C so mutuamente exclusivos?

11

1.7 Relao Entre Probabilidade e Frequncia Relativa

O mtodo clssico para determinar probabilidades est limitado s situaes em que os resultados so igualmente provveis. Mas, h muitos casos em que isso no ocorre. Por exemplo, no caso de uma moeda no equilibrada, claro que cara e coroa no so igualmente provveis. Uma forma de lidar com situaes como esta obter alguns dados empricos, numa tentativa de

estimar as probabilidades. Parece razovel considerar o lance repetido da moeda, um grande

nmero de vezes (sob condies idnticas), observando os resultados para testar a hiptese de resultados igualmente provveis. Mas no absolutamente essencial realizar um experimento para obter dados amostrais. Em muitos casos dispomos de informao histrica, que pode ser utilizada precisamente da mesma maneira.

1.8 Probabilidade Condicionada

Sejam A e D, eventos quaisquer, associados a um espao amostral sendo P(D) > 0. Muitos problemas envolvem o clculo da probabilidade da ocorrncia de A, quando j se tem a informao de que houve a ocorrncia de D. Isto , a probabilidade de A ser calculada considerando-se a condio de que j houve a ocorrncia de D. Esta nova informao, (de que D ocorreu), equivale a restringir o espao amostral, que agora ser considerado como o conjunto dos pontos amostrais que formam o evento D. E, a probabilidade de A, dentro desta condio, chama-se probabilidade condicional de A, dentro desta condio, chama-se: probabilidade condicional de A, dado que D ocorreu. A qual ser escrita sob a forma: P(A / D), sendo definida como: P( A / D) = Desta relao acima, obtemos P ( A D) , com P(D) > 0 P ( D) a chamada REGRA DO PRODUTO DE

PROBABILIDADE, dada por: P(A D) = P(D) . P(A / D) ou P(A D) = P(A) . P(D / A)

Esta regra pode ser estendida para mais de dois eventos: Sejam A1, A2, , An eventos quaisquer associados a , ento: P(A1 A2 ... An) = P(A1).P(A2/A1).P(A3/A1 A2). ... . P(An/A1 A2 An-1)

12

Ex.: Um par de dados honestos lanado. Qual a probabilidade de ocorrer o n 2 em pelo

menos um dos dados, se j se tem a informao de que ocorreu que a soma dos n dos dados igual a seis? Soluo: Sejam os eventos: A: a soma dos dois dados 6 B: ocorre o n 2 em pelo menos um dos dados P( B / A) = P(A B) P(A)

# = 6 x 6 = 36 A = {(1,5), (2,4), (3,3), (4,2), (5,1)} # A = 5 B = {(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (1,2), (3,2), (4,2), (5,2), (6,2)} # B = 11 A B = {(2,4), (4,2)} # (A B) = 2 Portanto, P(B / A) =
2 36 5 36

2 5

Ex.: Consideremos novamente o lanamento de dois dados honestos. Qual a probabilidade de

ocorrer a soma igual a 6, se, sabe-se que em um dos dados apareceu o n 2 Soluo: agora pede-se P(A/B). Portanto P(A/B) = P(A B) = P(B)
2 36 11 36

2 11

Ex.: Para a 3 avaliao de estatstica, um professor indica os 10 primeiros captulos do livro

adotado e diz que elaborar 10 problemas, numerados de 1 a 10, onde cada um deles ser baseado no respectivo captulo a ser estudado (ex: problema 1 captulo 1, etc.) O professor avisa que a prova constar, de apenas 3 destes 10 problemas, os quais sero sorteados no incio da avaliao, aleatoriamente, um aps outro, entre 10 papeizinhos numerados de 1 a 10, que correspondero aos respectivos problemas. Um estudante, por ter ido farrear na noite anterior, somente estudou os 4 primeiros captulos.

13 a) Qual a probabilidade de que caia na avaliao somente captulos que ele tenha estudado? b) Qual a probabilidade de que somente no 3 sorteio (a 3 questo) caia exatamente um ponto que ele no estudou?

Soluo:

Sejam os eventos:

A1 = No 1 sorteio cai um ponto que ele estudou A2 = No 2 sorteio cai um ponto que ele estudou A3 = No 3 sorteio cai um ponto que ele estudou B = No 3 sorteio cai um ponto que ele no estudou (A1 A2 A3) = P(A1).P(A2/A1).P(A3/A1 A2) = 4/10 . 3/9 . 2/8 = 1/30 (A1 A2 B) = P(A1).P(A2/A1).P(B/A1 A2) = 4/10 . 3/9 . 6/8 = 1/10

1.9 Teorema de Bayes

Uma das relaes mais importantes envolvendo probabilidades condicionais expressa pelo Teorema de Bayes, tambm conhecido como regra das probabilidades das causas. Suponha que o conjunto { A1, A2, , An} seja uma partio do espao amostral , isto , Ai Aj = para todo i j e A1 A2 An = . Seja B um evento qualquer, e suponha que so conhecidas as probabilidades das causas P(Ai), e as probabilidades condicionais P(B/Ai) de ocorrncia do evento B, dado que ocorreu a causa Ai, i = 1, 2, ... , n. Ento teremos:

Teorema de Bayes: A probabilidade P(Ai/B), de ocorrncia da causa Ai, dado que

ocorreu o evento B dado por: P(A i / B) = P( A i ) P ( B / A i ) P(A1 ) P(B / A1 ) + P(A 2 ) P(B / A 2 ) + ... + P(A n ) P(B / A n )

Ex.: Temos 5 urnas externamente iguais, cada urna com 6 bolas. Duas destas urnas, (tipo A1),
tem 3 bolas brancas. Duas outras urnas, (tipo A2), tm 2 bolas brancas, e a ltima urna, (tipo A3), tem as 6 bolas brancas. Escolhemos uma urna ao acaso e desta urna retiramos uma bola. Qual a probabilidade da urna escolhida ser a do tipo A3, sabendo-se que a cor da bola retirada branca?

14 Soluo: Sejam os eventos: B = a bola retirada branca A1 = a urna selecionada contm 3 bolas brancas P(A1) = 2/5 A2 = a urna selecionada contm 2 bolas brancas P(A2) = 2/5 A3 = a urna selecionada contm 6 bolas brancas P(A3) = 1/5 P(B/A1) = 3/6 P(B/A2) = 2/6 P(B/A3) = 6/6 = 1

P(A3 / B) =

P(A3 ) P(B / A3 ) P(A1 ) P(B / A1 ) + P(A 2 ) P(B / A 2 ) + P(A3 ) P(B / A 3 ) 1 / 5 .1 3 = 2 / 5 .3 / 6 + 2 / 5 .2 / 6 + 1 / 5 .1 8

Exerccios (Regra de Bayes)

1. Consideremos a situao: Um estudante que em certa manh sai de casa apressado para a escola e apanha na cozinha aleatoriamente uma das 3 sacolas iguais que esto em cima da mesa. Uma delas contm o seu lanche: dois sanduches de queijo manteiga. Outra sacola contm o lanche de sua irm: ums sanduche de queijo manteiga e outro de presunto, (que ele detesta). A terceira sacola contm restos de comida que ser dada ao gato. Pensando em ter ou no, pego a sacola errada, no meio do caminho, ele abre a sacola e tira um sanduche. Verifica que de queijo manteiga. (Fica aliviado, pelo menos no a da comida do gato). Pergunta-se: Nestas condies, qual a probabilidade dele ter apanhado a sacola certa? Soluo: Sejam os eventos: A = o sanduche de queijo manteiga S1 = a sacola contm 1 sanduche de queijo S2 = a sacola contm 2 sanduche de queijo S3 = a sacola contm a comida do gato Pede-se: P(S2/A) = ? P(S2 / A) = .1 P(S2 ) P(A / S2 ) 2 = 1 1 3 = 1 1 P(S1 ) P(A / S1 ) + P(S2 ) P(A / S2 ) + P(S3 ) P(A / S3 ) 3 . 2 + 3 .1 + 3 .0 3
1

15

1.10 Eventos Independentes

Definio: Um evento A considerado independente de um outro evento B se a probabilidade de A igual a probabilidade condicional de A dado B, isto : P(A) = P(A/B) Naturalmente, que, se A independente de B, B tambm independente de A, desta forma: P(B) = P(B/A) A partir do teorema do produto podemos afirmar que se os eventos A e B so independentes ento se tem: P(A B) = P(A) . P(B) Tm-se n eventos: A1, A2, , An, diremos que eles so independentes se e somente se, eles forem independentes dois a dois; trs a trs; quatro a quatro; n a n. P(A1 A2) = P(A1).P(A2) P(A1 A2 A3) = P(A1).P(A2).P(A3)

. . .

. . .

. . .

. . .

P(A1 A2 ... An) = P(A1).P(A2) ... P(An-1).P(An)

Exerccios (Espaos amostrais Eventos)

1 Numa classe de Cincias, onde h 20 alunos, faz-se um sorteio de uma passagem area para participao de um congresso sobre Poltica. Para isto, cada aluno da classe recebe um n entre 1 e 20. Determine: a) O espao amostral associado a este sorteio. b) O evento A formado pelos n mltiplos de 3. c) O evento B formado pelos n pares inferiores a 6. d) O evento A e) O evento A B f) O evento A B g) Pergunta-se: Os eventos A e B so mutuamente exclusivos?

16

2 Retira-se ao acaso, uma aps outra, sem reposio, de uma gaveta contendo 4 pastas idnticas, (nestas pastas esto as contas de 4 firmas as quais esto numeradas de 1 a 4), duas destas pastas. Aps a retirada de cada pasta, seu n anotado, na ordem dos sorteios, obtendo-se assim, um par ordenado. Determine: a) O espao amostral associado a este experimento. b) O evento A, formado pelos pares cuja soma 4. c) O evento B, formado pelos pares de n iguais. d) O evento C, formado pelos pares cujo 1 nmero maior que o segundo nmero.

3 Repita o exerccio n 2, supondo agora, que as retiradas das duas pastas sejam feitas com reposio.

(Probabilidade Axiomas e Principais Teoremas)

4 Dados: 5 1 a) P(A B) = P(A) = ; P(B) = . Calcule P(AUB) 6 3 2 5 b) P(B) = P(B C) = ; P(C) = . Calcule P(B C) 3 6 c) P(A) = P(C) = 1 . Sendo A e C eventos incompatveis. Calcule P(A C) 6

5 Numa gaveta, h misturados 3 recibos de telefones da Firma A; 5 da Firma B; 4 da firma C; 2 da Firma D; e 1 da Firma E. Extraindo-se um recibo ao acaso, pergunta-se: a) Qual a probabilidade de sair um recibo que no seja da Firma C? b) Qual a probabilidade de sair um recibo da Firma A ou um recibo da Firma D? c) Qual a probabilidade de sair um recibo da Firma E ou um recibo da Firma D?

17 6 Seja o experimento: lanar um dado honesto e observar o n que aparece na sua face superior. Sejam os eventos associados a este experimento: A : Sai um n mpar B : Sai um n maior que 5 a) Pergunta-se: os eventos A e B so incompatveis? b) Determine P(A B)

7 Um experimento aleatrio pode apresentar apenas 4 resultados possveis distintos: A ou B ou C ou D. Sabe-se que o resultado A ocorre com probabilidade igual a 1/10; a probabilidade do resultado B no ocorrer igual a 4/5; e o resultado de C no ocorrer igual a 7/10. Determine a probabilidade de ocorrer o resultado D.

8 Seja o espao amostral, dado por: (W1, W2, W3}. Qual destas funes abaixo representa uma probabilidade neste espao amostral?

a) P(W1) = 1/4; P(W2) =1/3; P(W3) = 1/2 b) P(W1) = 2/3; P(W2) =-1/3; P(W3) = 2/3 c) P(W1) = 1/6; P(W2) =1/3; P(W3) = 1/2 d) P(W1) = 0; P(W2) = 1/3; P(W3) = 2/3 e) P(W1) = 0; P(W2) =1; P(W3) = 1/4

9 Seja o experimento aleatrio: lanar um dado e uma moeda (honestos). Considere os eventos: A: Sai coroa e n par B: Sai um n maior que 4 C: Sai cara Determine: a) P(A) b) P(B) c) P(C) d) P(A C)
e) P(A C)

10 Em um lanamento de um dado viciado, cuja probabilidade de sair um nmero menor que 3 4 vezes maior que a probabilidade de sair o n 3, e a probabilidade de sair um nmero

18 maior que 3 duas vezes maior que a probabilidade de sair o nmero 3. Encontre a probabilidade de sair o n 1 ou o n 5, em 1 lanamento do dado.

(Probabilidade Condicional Independncia - Teorema de Bayes)

11- Um restaurante popular apresenta apenas dois tipos de refeies: salada completa (S) ou um prato base de carne (C). 20% dos fregueses do sexo masculino (H) preferem salada; 30% das mulheres (M) escolhem carne; 75% dos fregueses so homens. a) Qual a probabilidade do fregus preferir salada, dado que homem? b) Qual a probabilidade do fregus preferir carne, dado que mulher? c) Qual a probabilidade do fregus ser mulher, dado que prefere salada?

12- A probabilidade de que A resolva um problema de 2/3 e a probabilidade de que B resolva de 3/4. Se ambos tentarem independentemente, qual a probabilidade do problema ser resolvido?

13- A urna I contm duas bolas pretas e trs brancas, ao passo que a urna II contm trs bolas pretas e trs brancas. Escolhemos uma urna ao acaso e dela extramos uma bola, que tem cor branca. Se a bola recolocada na urna, qual a probabilidade de se retirar novamente uma bola branca da mesma urna?

14- Trs mquinas A, B e C produzem respectivamente 50%, 30% e 20% do nmero total de peas de uma fbrica. As porcentagens de defeituosas na produo destas mquinas so 3%, 4% e 5% respectivamente. Se uma pea selecionada aleatoriamente considerada defeituosa, qual a probabilidade de que a pea tenha sido produzida pela mquina A?

19

UNIDADE 2 - VARIVEIS ALEATRIAS UNIDIMENSIONAIS

2.1 Definio de Variveis Aleatrias

Ao descrever um espao amostral de um experimento, no especificamos que um resultado individual necessariamente seja um nmero. Por exemplo, ao descrever uma pea manufaturada, podemos empregar apenas as categorias defeituosa e no defeituosa. Tambm, ao observar a temperatura durante o perodo de 24 horas, podemos simplesmente registrar a curva traada pelo termgrafo. Contudo, em muitas situaes experimentais, estaremos interessados na mensurao de alguma coisa e no seu registro como um nmero. Mesmo nos casos mencionados acima, poderemos atribuir um nmero a cada resultado (no numrico) do experimento. Por exemplo, poderemos atribuir o valor 1 (um) s peas perfeitas e o valor 0 (zero) s defeituosas. Poderemos registrar a temperatura mxima do dia, ou a temperatura mnima, ou a mdia das temperaturas mxima e mnima (Meyer, 1983). Consideremos um experimento aleatrio , e seja o espao amostral associado a este experimento.

Definio: Varivel aleatria (que escrevemos de modo abreviado: v.a.) num espao
amostral , uma funo x, que associa , (isto , a cada ), um n real, X(). Ver Figura 6.

X X()

Figura 6

Ex.1: Consideremos o experimento aleatrio: extraem-se duas bolas, sem reposio, de uma
urna que contm: 2 bolas brancas (B) e 3 vermelhas (V). Vamos definir a v.a. X como: X = o n de bolas vermelhas obtidas nas duas extraes. Portanto os valores possveis que a v.a. X pode assumir so:

20 X = 0, se ocorre o evento BB, (duas bolas brancas) X = 1, se ocorre o evento: VB ou BV (vermelha e branca ou branca e vermelha) X = 2, se ocorre o evento: VV (duas bolas vermelhas)

2.2 Tipos de Variveis

As variveis aleatrias podem ser de dois tipos: discretas ou contnuas. Uma v.a. dita discreta quando ela assume somente valores num conjunto enumervel de pontos do conjunto real. Ela uma v.a. contnua se for do tipo que pode assumir qualquer valor em um intervalo real.

2.3 Variveis Aleatrias Discretas e Contnuas

2.3.1 Variveis Aleatrias Discretas
Seja X uma varivel aleatria. Se o nmero de valores possveis de X (isto , Rx, o contradomnio) for finito ou infinito numervel, denominamos X de varivel aleatria discreta. Isto , os valores possveis de X, podem ser postos em lista como x1, x2, x3, ..., xn.

Distribuio de Probabilidade da Varivel Aleatria

Seja X uma v.a. definida num espao amostral , tal que: X() = {x1, x2, x3, ..., xn}.

Podemos definir a probabilidade da v.a. X assumir o valor xi, (i = 1, 2, ..., n), a qual escreve-se P(X = xi) ou f(xi). Esta funo f, que a cada xi do conjunto X(), (os valores possveis que a v.a. X pode assumir), associa sua probabilidade de ocorrncia, chamada de DISTRIBUIO (ou FUNO) DE PROBABILIDADE DA V.A. X, e pode ser expressa por uma tabela, um grfico ou uma frmula. H outras notaes, usuais para P(X = xi), que so por exemplo: pi ou P(xi) ou P(X = x) ou P(x). A distribuio dada por P(X = xi), satisfaz as condies: a) P(xi) 0 b) P( x i ) = 1
i =1 n

Ex.2: Consideremos uma urna com 3 bolas vermelhas e 2 brancas, de onde se extraem sem reposio duas bolas. Tnhamos que a v.a. X foi definida como:

21 X = n de bolas vermelhas obtidas nas duas extraes. Portanto: X() = {0, 1, 2}. Construindo o diagrama da rvore termos o seguinte:

RESULTADOS BB BV VB VV

X 0 1 1 2

PROBABILIDADES 1/10 3/10 3/10 3/10 1

Portanto temos:

P(X = 0) = P(BB) = 1/10 P(X = 1) = P(BV ou VB) = 3/10 + 3/10 = 6/10 P(X = 2) = P(VV) = 3/10

Desta forma, a DISTRIBUIO DE PROBABILIDADE desta v.a. X, (em esquema de tabela), ser:
x 0 1 2 P(x) 1/10 6/10 3/10 1

Ex.3: Consideremos o lanamento de uma moeda honesta duas vezes. Seja a v.a. Y, definida
como: Y = o n de caras obtidas nos dois lanamentos. Y = {0, 1, 2}. Portanto temos:

RESULTADOS CC CC CC CC

Y 2 1 1 0

PROBABILIDADES 1/4 1/4 1/4 1/4 1

Portanto:

P(Y = 0) = P( C C ) = 1/4 P(Y = 1) = P(C C ou

CC

) = 1/4 + 1/4 = 2/4

22 P(Y = 2) = P(C C) = 1/4 Desta forma, a DISTRIBUIO DE PROBABILIDADE desta v.a. Y, (em esquema de tabela), ser:
x 0 1 2 P(x) 1/4 2/4 1/4 1

Assim, varivel aleatria uma funo que associa a cada ponto de um espao amostral, um n real. E a tabela que associa a cada valor de uma varivel aleatria, a sua probabilidade, denominamos DISTRIBUIO (ou FUNO) DE PROBABILIDADES DA VARIVEL ALEATRIA.

2.3.2 Variveis Aleatrias Contnuas

Suponha-se que o contradomnio de x seja formado por um nmero finito muito grande de valores, digamos todos os valores de x no intervalo 0 x 1, da form: 0; 0,01; 0,02; ... 0,98; 0,99; 1,00. A cada um desses valores est associado um nmero no negativo p(xi) = P(X = xi), i = 1, 2, ..., cuja soma igual a 1. Esta observao est representada geometricamente na Figura 7. Poderia ser matematicamente mais fcil idealizar a apresentao probabilstica de X, pela suposio de que X pudesse tomar todos os valores possveis, 0 x 1. Se fizermos isso, que acontecer s probabilidades no ponto p(xi)? Como os valores possveis de X no so numerveis, no podemos realmente falar do i-simo valor de X, e, por isso, p(xi) se torna sem sentido. O que faremos substituir a funo p definida somente para x1, x2,... por uma funo f definida para todos os valores de x, 0 x 1.

Figura 7

23

Funo Densidade de Probabilidade (fdp)

Seja X uma v.a. contnua. A funo densidade de probabilidade f(x) uma funo que satisfaz as seguintes condies: a) b) c) f(x) 0 para todo x Rx

R x f ( x )dx = 1
Alm disso, definimos, para qualquer a < b em Rx, em que Rx o contradomnio de X. P(a < X < b) = abf ( x )dx

Exemplo Se f(x) = 2x, para 0 x < 1, e zero fora desse intervalo, vemos que f(x) 0, qualquer que seja x, e a rea sob o grfico de f unitria (verifique Figura 8). Logo, a funo f pode representar a funo densidade de uma varivel aleatria contnua X.

Figura 8

Aqui, a P(0 x < ) igual rea do tringulo de base e altura 1. Logo a probabilidade em questo P(0 x < ) = .( . 1) = .

2.4 Valor Esperado de Variveis Aleatrias Discretas e Contnuas

2.4.1 Valor Esperado de Variveis Aleatrias Discretas Definio: Se x1, x2, x3, ..., xn so os possveis valores da v.a. X, e P(x1), P(x2), P(x3), ...,
P(xn) so as respectivas probabilidades ento o valor esperado, (ou esperana matemtica ou

mdia), de X, denotado por E(X) ou x, definido por:

24

E (X ) = x i .P( x i )
i =1

Ex.4: Consideremos novamente o exemplo da urna com 3 bolas vermelhas e 2 brancas, de onde
se extraem sem reposio duas bolas. A v.a. X definida como: X = n de bolas vermelhas obtidas nas duas extraes. Portanto: X() = {0, 1, 2}. O valor esperado ou mdia da v.a. X ser: E ( X ) = 0. 1 6 3 12 + 1. + 2. = = 1,2 10 10 10 10

Ex.5: Consideremos novamente o exemplo do lanamento de uma moeda honesta duas vezes.
Seja a v.a. Y, definida como: Y = o n de caras obtidas nos dois lanamentos. Y = {0, 1, 2}. Portanto temos: E (Y ) = y i .P( y i ) = E (Y ) =0.
i =1 n

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

2.4.2 Valor Esperado de Variveis Aleatrias Contnuas Definio: Se x1, x2, x3, ..., xn so os possveis valores da v.a. X, e P(x1), P(x2), P(x3), ..., P(xn)
so as respectivas probabilidades ento o valor esperado, (ou esperana matemtica ou mdia), de X, denotado por E(X) ou x, definido por: E (X ) = x.f ( x )dx

Ex.: Considerando o mesmo exemplo onde f(x) = 2x, para 0 x < 1, temos que
2x3 E (X ) = x.f ( x )dx = x.2 x dx = 3 0 0
1 1 1 0

= 2/3

2.5 Propriedades
1) A mdia de uma constante a prpria constante: E(K) = K 2) Multiplicando uma v.a. X por uma constante, sua mdia fica multiplicada por essa constante. E(K.X) = K.E(X)

25 3) Somando ou subtraindo uma constante a uma v.a., a sua mdia fica somada ou subtrada da mesma constante. E(X K) = E(X) K 4) A mdia da soma ou da diferena de duas v.as a soma ou a diferena das mdias. E(X Y) = E(X) E(Y) 5) A mdia do produto de duas v.as independentes o produto das mdias. E(XY) = E(X).E(Y)

2.6 Varincia de Variveis Aleatrias Discretas e Contnuas

2.6.1 Varincia de Variveis Aleatrias Discretas
Seja o seguinte exemplo: Vamos considerar a v.a. X, com distribuio dada conforme tabela abaixo:
X P(x) -2 1/5 -1 1/5 0 1/5 1 1/5 2 1/5

Portanto a v.a. X tem mdia,

E(X) = -2.1/5 + (-1).1/5 + 0.1/5 + 1. 1/5 + 2.1/5 = 0

Consideremos agora a v.a. Y dada por Y = 2.X. Ento a tabela abaixo d a distribuio e mdia de Y:

y P(y)

-4 1/5

-2 1/5

0 1/5

2 1/5

4 1/5

Logo E(Y) = 0. Observando as distribuies das v.a. X e Y, notamos que elas tm a mesma mdia, E(X) = E(Y) = 0, e que so simtricas ao redor deste valor, (o ponto 0). Porm, pode-se notar ainda que, a v.a. Y mais espalhada ao redor deste ponto zero, do que a v.a. X, (ou equivalentemente: X est mais concentrada ao redor do 0 do que Y). Ver graficamente. Uma medida de DISPERSO ou EXPANSO dos valores assumidos por uma v.a., ao redor de sua mdia, dada pela VARINCIA desta varivel aleatria, (ou pelo desvio padro).

26

Definio: Seja X uma v.a. discreta, com mdia E(X). Ento, a varincia da v.a. X
definida por: Var = [ x i E (X )]2 P( x i )
i =1 n

Pode-se mostrar que esta expresso acima equivale frmula alternativa (geralmente mais usada) dada por: Var(X) = E(X2) [E(X)]2 Outras notaes, tambm adotadas para a varincia de uma v.a. X, alm de Var(X), so: X2 ou 2(X), ou simplesmente 2 quando no suscitar dvidas (quando, por exemplo, somente se est tratando com uma varivel, digamos X. Nestes casos comum se referir a como mdia de X, e a 2 como varincia de X).

Definio: O Desvio Padro de uma v.a. X com mdia E(X), definido como a raiz quadrada positiva de Var(X). Portanto, o desvio padro de X ser:

X = Var(X)
As notaes usuais para o desvio padro, alm desta usada, (X), ou (X) ou simplesmente , quando no suscitar dvidas (ver comentrio feito anteriormente a respeito das notaes usuais de varincia).

Exemplo
Consideremos a v.a. X dada no exemplo anterior. Tnhamos que E(X) = 0. Calculemos a varincia e o desvio padro desta v.a. X. Primeiro, devemos calcular E(X2) para aplicarmos a frmula da varincia.
x2 0 1 4 P(x) 1/5 2/5 2/5 1 X2.P(x) 0 2/5 8/5 10/5 = 2

Portanto, E(X) = 10/5 = 2. Logo, Var(X) = E(X2) [E(X)]2 = 2 02 = 2 E o desvio padro ser = 2 = 1,4142

27

2.6.2 Varincia de Variveis Aleatrias Contnuas

Var (X) = E (X 2 ) [E (X )]2 onde E (X 2 ) = x 2 .f ( x )dx

Ex.: Considerando o mesmo exemplo onde f(x) = 2x, para 0 x < 1, temos que para calcular a Var(X), temos que primeiro achar E(X2). 2x 4 E (X ) = x .f ( x )dx = x .2 x dx = 4 0
2

1 0

Ento,

Var (X) = E (X 2 ) [E (X )]2 Var(X) = - (2/3)2 = 1/2 4/9 = 1/18

2.7 Propriedades
1) 2) A varincia de uma constante zero. Var(K) = E[(K E(K))2] = E[(K K)2] = 0 Multiplicando-se uma v.a. por uma constante, sua varincia fica multiplicada pelo quadrado da constante. Var(KX) = K2.Var(X) 3) Somando-se ou subtraindo-se uma constante a uma v.a., sua varincia no se altera. Var(X K) = Var(X) Var(K) = Var(X), 4) pois Var(K) = 0

A varincia da soma ou diferena de duas v.as independentes, a soma das respectivas varincias. Var(X Y) = Var(X) + Var(Y) , quando Cov(X,Y) = 0.