Documente Academic
Documente Profesional
Documente Cultură
CENTRO DE CIENCIAS
EXATAS E NATURAIS
DEPARTAMENTO DE ESTAT
ISTICA
PROBABILIDADE E ESTATISTICA
Belem/PA
2006
Sum
ario
1 PROBABILIDADE
1.1 - Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 - Experimentos Aleatorios . . . . . . . . . . . . . . . . . . . . .
1.3 - Espaco Amostral e Eventos . . . . . . . . . . . . . . . . . . . .
1.4 - Operacoes entre Eventos . . . . . . . . . . . . . . . . . . . . .
1.5 - Definicoes: Classica, Freq
uentista e Subjetiva de Probabilidade
1.5.1 - Defini
c
ao Freq
uentista de Probabilidade . . . . . .
1.5.2 - Defini
c
ao Subjetiva de Probabilidade . . . . . . . .
1.5.3 - Defini
c
ao Axiom
atica de Probabilidade . . . . . .
1.5.4 - Propriedades da Probabilidade . . . . . . . . . . . .
1.6 - ARRANJO (Amostras Ordenadas) . . . . . . . . . . . . . . . .
1.7 - PERMUTAC
OES
. . . . . . . . . . . . . . . . . . . . . . . . .
1.8 - COMBINAC
OES (Amostras Nao Ordenadas) . . . . . . . . .
1.9 - PARTIC
OES
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.12 - INDEPENDENCIA
DE EVENTOS . . . . . . . . . . . . . . .
1.13 - LISTA DE EXERCICIOS . . . . . . . . . . . . . . . . . . . . .
1.14 - Gabarito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
2
2
4
6
8
10
11
12
13
18
21
22
23
23
24
26
27
32
36
40
2 VARIAVEIS
ALEATORIAS
2.1 - Introducao . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 - Variaveis Aleatorias Discretas . . . . . . . . . . . . . .
2.3 - Parametro . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 - Suporte de Um Modelo de Probabilidade . . . . . . . .
2.5 - Espaco Parametrico de Um Modelo de Probabilidade .
2.6 - Modelos de Probabilidade . . . . . . . . . . . . . . . . .
2.7 - Vari
avel Aleat
oria Discreta . . . . . . . . . . . . . .
2.7.1 - Modelos de Probabilidade Discretos . . . . . . . .
2.7.2 - Variavel Aleatoria Constante . . . . . . . . . . .
2.7.3 - Valor Medio de Uma Vari
avel Aleatoria Discreta
2.7.4 - Variancia de Uma Vari
avel Aleatoria Discreta . .
2.7.5 - Funcao de Distribuic
ao Acumulada Discreta . . .
2.7.6 - Variaveis Aleatorias Discretas Bidimensionais . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
42
42
45
47
47
47
47
47
47
53
54
55
55
57
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
2.7.7 - Distribuicao de Probabilidade Marginal . . . . . .
2.7.8 - Distribuicao Condicional . . . . . . . . . . . . . . .
2.7.9 - Variaveis Aleatorias Independentes . . . . . . . . .
2.7.10 - Funcoes de Variaveis Aleatorias . . . . . . . . . . .
2.8 - Vari
aveis Aleat
orias Contnuas . . . . . . . . . . . .
2.8.1 - Variaveis Aleatorias e suas Func
oes de Distribuic
ao
2.8.2 - Propriedades de Func
oes de Distribuic
ao Contnuas
2.8.3 - Densidades de Variaveis Aleatorias Contnuas . . .
2.8.4 - Valor Medio de Uma Vari
avel Aleatoria Contnua .
2.8.5 - Variancia de Uma Vari
avel Aleatoria Contnua . .
2.8.6 - Modelos de Probabilidade Contnuos . . . . . . . .
2.9 - LISTA DE EXERCICIOS . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
60
61
61
61
63
63
64
65
66
66
67
77
DEPARTAMENTO DE ESTATISTICA/UFPA
Captulo 1
PROBABILIDADE
1.1 - Introduc
ao
Todas as vezes que se estuda algum fenomeno observavel, objetiva-se distinguir o proprio
fenomeno e o modelo matematico (determinstico ou probabilstico), que melhor o explique. Os
fenomenos estudados pela estatstica sao fenomenos cujo resultado, mesmo em condic
oes normais
de experimentacao varia de uma observac
ao para outra, dificultando dessa forma a previsao de
um resultado futuro. Para a explicac
ao desses fenomenos (fenomenos aleatorios), adotaremos
um modelo matematico probabilstico. Que neste caso sera o Calculo das Probabilidades.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.3 - Espa
co Amostral e Eventos
DEPARTAMENTO DE ESTATISTICA/UFPA
1.3 - Espa
co Amostral e Eventos
cara, faz-se um quarto lancamento e assim por diante ate se verificar a ocorrencia da primeira
cara, que e quando o experimento termina. O espaco amostral e o conjunto:
{K, CK, CCK, CCCK, CCCCK, ......}
Note que os pontos desse espaco amostral, podem ser postos em correspondencia biunvuca com
o conjunto dos n
umeros naturais e portanto, ele e infinito, porem enumer
avel.
Exemplo 1.3.5. Considere o Exemplo 1.2.2, a onde observamos o n
umero de chamadas telefonicas
que chegam a uma central durante um intervalo de tempo. O espaco amostral e o conjunto:
S = {0, 1, 2, 3, 4, ......}
Exemplo 1.3.6. Considere a situac
ao do Exemplo 1.2.3, a onde observamos o tempo de vida
de uma lampada. O espaco amostral e o conjunto dos n
umeros reais nao negativos. Ou seja:
{x : x real, x 0}
Exemplo 1.3.7. A umidade do ar pode ser registrada por meio de higrometro. Um higrometro
pode ser acoplado a um dispositivo que possui um ponteiro, que desliza sobre papel milimetrado
e registra em cada instante a umidade do ar. Se as leituras sao feitas no intervalo de tempo [0, T ].
Entao o resultado e uma curva que a cada t [0, T ], associa-se x(t), que designa a umidade do
razoavel supor-se que x(t), e uma func
ar no instante t. E
ao contnua de t. no intervalo [0, T ]. O
espaco amostral nesse caso e o conjunto:
S = {x : x e uma func
ao contnua em [0, T ]}.
Nos Exemplos 1.3.4 e 1.3.5, o espaco amostral e infinito, porem enumer
avel, isto e, pode ser
posto em correspondencia biunvoca com o conjunto dos naturais.
Nos Exemplos 1.3.6 e 1.3.7, o espaco amostral e infinito e nao enumer
avel.
Seja S o espaco amostral associado a um experimento aleatorio.
Defini
c
ao 1.3.2. Denominaremos de evento a todo resultado ou subconjunto de resultados de
um experimento.
Os eventos serao representados por subconjuntos do espaco amostral. Os eventos representados por um conjunto unitario, isto e, contendo apenas um ponto do espaco amostral sao
denominados eventos simples. Diremos que o evento Aocorre quando o resultado do experimento e um evento simples pertencente `a A.
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.4 - Opera
c
oes entre Eventos
Exemplo 1.3.8. No Exemplo 1.3.3, consideremos o evento A: duas pecas sao boas. Tem-se:
A = {BBD, BDB, DBB}
Entao Aocorre se ocorrer um dos tres eventos simples BBD, BDB, ou DBB.
Exemplo 1.3.9. No Exemplo 1.3.4, consideramos o evento A: A primeira cara ocorre em um
lancamento que e um m
ultiplo de 3. Temos ent
ao:
A = {CCK, CCCCCK, CCCCCCCCK, .......}
Os eventos simples de Atem 3n-1, coroas que precedem a ocorrencia da primeira cara na
posicao 3n, para n = 1, 2, 3,
Exemplo 1.3.10. No Exemplo 1.3.2, considere o evento B: O n
umero de caras e igual ao
n
umero de coroas,
B = {KC, CK}
1.4 - Operac
oes entre Eventos
Defini
c
ao 1.4.1. A reuni
ao de dois eventos Ae B, denotada A B, e o evento que ocorre
se pelo menos um deles ocorre.
Defini
c
ao 1.4.2. A intersec
ao de dois eventos A e B, denotada A B, e o evento que
ocorre se ambos ocorrem.
Defini
c
ao 1.4.3. O complementar do evento A, denotado Ac e o evento que ocorre quando
An
ao ocorre.
Como os eventos sao subconjuntos do espaco amostral, podemos representar a reuniao de dois
eventos, a intersecao de dois eventos e o complementar de um evento, pelos diagramas utilizados
para representar subconjuntos de um determinado conjunto.
Dado dois conjuntos A e B, as seguintes operac
oes podem ser realizadas: Uniao, Intersec
ao e
Complementar de eventos.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.4 - Opera
c
oes entre Eventos
Exemplo 1.4.1. Uma urna contem bolas numeradas de 1 `a 15. Uma bola e retirada da urna e
seu n
umero anotado. Sejam A e B, os seguintes eventos,
A: O n
umero da bola retirada e par;
B: O n
umero da bola retirada e m
ultiplo de 3.
Determinaremos os eventos A B, A B e Ac .
O espaco amostral S associado a esse experimento e o conjunto:
S = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15}
Para A , B; A B; A B e Ac ; Temos:
A = {2, 4, 6, 8, 10, 12, 14};
B = {3, 6, 9, 12, 15};
A B = {2, 3, 4, 6, 8, 9, 10, 12, 14, 15};
A B = {6, 12}
a) (A B) C = (A C) (B C);
b) (A B) C = (A C) (B C);
c) (A B)c = Ac B c ;
d) (A B)c = Ac B c .
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
Demonstra
c
ao:
Vamos demonstrar a) e d).
Para demonstrar a igualdade em a), precisamos mostrar que todo elemento pertencente ao
lado esquerdo da igualdade, pertence ao lado direito da igualdade e vise-versa.
Se w (A B) C, entao w (A B) e w C. Dai decorre que (w A ou w B) e w C
e portanto, (w A e w C) ou (w B e w C), ou seja, (w (A C)) ou (w (B C)),
que implica em w (A C) (B C). Podemos percorrer estas implicac
oes de tras para frente
e verificar que sao verdadeiras, de onde decorre a igualdade dos conjuntos.
Para demonstrar a igualdade d), precisamos mostrar que;
Seja w (A B)c , entao w
/ (A B), o que implica em w
/ A ou w
/ B, que por sua vez
implica em w Ac ou w B c , isto e, w (Ac B c ). Partindo de w (Ac B c ) e fazendo o
percurso inverso nos obtemos a igualdade.
A seguir apresenta-se definicoes de operac
oes de uma reuniao e de uma intersec
ao enumer
avel
de eventos.
Defini
c
ao 1.4.4. O evento
i=1 Ai ,
i=1 Ai
1, 2, 3, ..., ocorrem.
1.5 - Definico
es: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
A definicao dita classica baseia-se no conceito primitivo de eventos igualmente possveis. Consideremos um experimento com n
umero Finitode eventos simples. Vamos supor que podemos,
por alguma razao, uma razao de simetria, por exemplo, atribuir a mesma chance de ocorrencia a
cada um dos eventos simples desse experimento. Nessas condic
oes adotaremos a seguinte definic
ao
de probabilidade.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
Defini
c
ao 1.5.1. Consideremos um espaco amostral S com Neventos simples, onde sup
oese que os mesmos s
ao igualmente possveis. Seja Aum evento de S composto de meventos
simples. A probabilidade de A, que denotaremos por P(A), e definida por:
P (A) =
m
N
(1.1)
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
10
1.5.1 - Definic
ao Freq
uentista de Probabilidade
Ao concluirmos que um evento e aleat
orio, desejamos poder atribuir ao mesmo um n
umero
que reflita, suas chances de ocorrencia quando o experimento e realizado. Vimos anteriormente
que em determinadas circunst
ancias podemos atribuir, a mesma chance a todos os eventos simples associados ao experimento. Quando o n
umero de eventos simples do espaco amostral n
ao
for finito, esta possibilidade fica descartada.
Uma outra maneira de determinar a probabilidade de um evento consiste em repetir-se o
experimento aleatorio, digamos nvezes, e verificar quantas vezes o evento Aassociado a esse
experimento ocorre. Seja n(A), o n
umero de vezes em que o evento Aocorreu nas nrepetic
oes
do experimento. A razao
fn,A =
n(A)
n
(1.2)
e denotada de freq
uencia relativa de Anas n, repetic
oes do experimento.
Repetindo-se um experimento um grande n
umero de vezes, nas mesmas condic
oes, e de modo
que as repeticoes sucessivas nao dependam dos resultados anteriores, observa-se que a freq
uencia
relativa de ocorrencias do evento Atende a uma constante p.
A estabilidade da freq
uencia relativa, para um grande n
umero de observac
oes, foi inicialmente
notada em dados demograficos e em resultados de lancamentos de dados.
Buffon, no seculo XVIII, realizou 4040 lancamentos de uma moeda e observou a ocorrencia
de 2048 caras. A freq
uencia relativa observada desse experimento foi 0,5069. Karl Pearson fez
24000 lancamentos de uma moeda, tendo obtido freq
uencia relativa de 0,5005 para a face cara.
Os dados seguintes referem-se ao n
umero de nascimentos durante um ano de classificac
ao
quanto ao sexo.
Tabela 1.1 Nascimentos Durante Um Ano
Meses
Jan.
Fev.
Mar.
Abr.
Mai.
Jun.
Jul.
Ago.
Set.
Out.
Nov.
Dez.
Masc.
Femin.
Total
3743
3537
7280
3550
3407
6957
4017
3866
7883
4173
3711
7884
4117
3775
7892
3944
3665
7609
3964
3621
7585
3797
3596
7393
3712
3491
7203
3512
3391
6903
3392
3160
6552
3761
3371
7132
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
11
1;
(b) Se Ae Bs
ao dois eventos de S mutuamente exclusivos, temos: fn,
(c) fn,
A B
= fn,
A +fn, B ;
= 1.
Demonstra
c
ao:
A parte a) decorre do fato de que n(A) 0. Como os eventos Ae B, sao mutuamente
exclusivos, toda vez que um deles ocorre o outro nao ocorre e portanto, o n
umero de ocorrencias
de A B, e igual a soma do n
umero de ocorrencias de Acom o n
umero de ocorrencias de B,
isto e: n(A B) = n(A) + n(B). Dividindo-se por nobtemos b). Como em toda realizac
ao
do experimento algum ponto de S ocorre, segue-se que c) e verdadeira.
Houveram tentativas de se definir a probabilidade como limite da freq
uencia relativa, ja que
se observa a maneira como foi mensionada, a freq
uencia relativa fn, A , se aproxima de uma
constante quando ntende a infinito. A definic
ao classica satisfaz o Lema 1.5.1. Sao tambem
satisfeitas as condicoes pela freq
uencia relativa baseado no Lema 1.5.2 e servem de sustentac
ao
intuitiva para a definicao axiomatica de probabilidade.
1.5.2 - Definic
ao Subjetiva de Probabilidade
Toda fundamentacao freq
uentista de probabilidade esta baseada na hipotese de que existe
uma realidade fsica e que as probabilidades descrevem aspectos dessa realidade, de modo analogo
aos que as leis da mecanica fazem no caso de um modelo determinstico. A probabilidade de um
evento associado a um experimento independe, portanto, do observador, sendo obtida como o
valor do qual se aproxima a freq
uencia relativa de ocorrencias desse evento, em um grande n
umero
de repeticoes desse experimento. Ha, no entanto, situac
oes em que a repetic
ao do experimento
nao pode ser realizada e outras em que nao pode ser realizada em identicas condic
oes.
Apresenta-se a seguir alguns exemplos dessas situac
oes:
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
12
(a) Deseja-se saber quem vencera o proximo jogo entre Flamengo e Fluminense;
(b) Um paciente e submetido a um novo tipo de cirurgia e deseja-se saber se ele ficara curado;
(c) Deseja-se saber se havera um tremor de terra no Rio Grande do Norte no proximo ano.
No primeiro exemplo que se relaciona a um jogo entre dois clubes, sabemos que ha estatsticas
de um elevado n
umero de jogos entre Flamengo e Fluminense, mas que as condic
oes entre um jogo
e outro variam bastante. No exemplo seguinte, nao se pode falar em repetic
ao do experimento,
pois, trata-se de uma nova tecnica cir
urgica que estara sendo aplicada. Com relac
ao ao terceiro
exemplo, temos notcias de raras ocorrencias de tremores de terra no Rio Grande do Norte.
Uma corrente de probabilistas considera a probabilidade de um evento, como sendo a medida
da crenca que o observador possui na ocorrencia do evento. Dessa forma, a probabilidade sera
em geral diferente para distintas pessoas, em decorrencia das diferentes opinioes que elas tem
sobre a ocorrencia do evento. Em uma outra descric
ao equivalente, a probabilidade de um evento
e o valor que cada observador estaria propenso a apostar na realizac
ao do evento.
1.5.3 - Definic
ao Axiom
atica de Probabilidade
A probabilidade sera definida em uma classe de eventos do espaco amostral que satisfaz certas
propriedades. Todas as operacoes a serem definidas entre os eventos conduzem a novos eventos
que pertencem a essa classe.
Defini
c
ao 1.5.2. Seja uma medida de probabilidade P, uma func
ao definida em uma classe f
de eventos de S a qual satisfaz as seguintes condic
oes:
1. P (S) = 1;
2. P (A) 0 para todo A f ;
3. Se An , n 1, sao seq
uencias mutuamente disjuntas em f , ent
ao A1 , A2 , A3 , , An f ,
logo, chega-se a:
P(
[
n1
An ) =
P (An )
(1.3)
n1
Defini
c
ao 1.5.3. Um espaco de probabilidade e uma terna (S, f, P ), onde
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
13
1. S e um conjunto n
ao vazio;
2. f e um subconjunto de S, e
3. P e uma medida de probabilidade em f .
Ai )
i=1
P (Ai );
i=1
i ,
i=1
P ().
i=1
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
14
Subtraindo P (A), em Ambos os membros, segue que a igualdade anterior so faz sentido se
P () = 0, logo, a demonstracao esta completa.
(P3) Para dois eventos A e B quaisquer, e sempre possvel escrever o evento B da seguinte
maneira: B = (B A) (B Ac ). Note que essa e uma uniao disjunta e, portanto, baseado na
Equacao (1.3), chega-se que o resultado segue de forma imediata, ou seja,
P (B) = P (B A) + P (B Ac ) P ((B A) (B Ac ))
P (B) = P (B A) + P (B Ac ) 0 = P (B) = P (B A) + P (B Ac ).
(P4) Se A B entao o evento B pode ser particionado nos moldes usados em (P3). Assim,
B = (B A) (B Ac ) = A (B Ac ).
Entao, como a uniao e disjunta, vem que
P (B) = P (A) + P (B Ac ) P (A),
uma vez que P (A) 0, P (B Ac ) 0. Portanto,
P (A) P (B).
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
15
e
P (B) = P (B A) + P (B Ac );
De modo que obtemos:
P (A B) = P (A) P (A B) + P (B) P (B A) + P (A B),
e o resultado segue, uma vez que a intersecc
ao e comutativa.
ao de uma seq
uencia disjunta de eventos. Temos
(P6) Vamos escrever
i=1 Ai , como a uni
i=1
i=1
visto que,
P(
i=1
Ai )
i=1
P (Ai ).
i=1
Ai .
i=1
Uma vez que A1 A2 A3 , segue que P (Ai ) e nao decrescente em i pela propriedade
(P4). Como tambem e limitada entao
lim P (An )
i=1
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
16
Ai ,
i=1
0
e tambem P (Ai ) e nao crescente em i por (P4). Tomando os complementares dos Ais , recamos
no caso anterior de seq
uencias monotonas nao decrescentes e o resultado segue sem dificuldades.
Exemplo 1.5.2. Um dado equilibrado e lancado duas vezes e as faces resultantes sao observadas.
Um espaco amostral natural seria:
S = {1, 2, 3, 4, 5, 6} {1, 2, 3, 4, 5, 6}.
A face f pode ser o conjunto das partes e P e a probabilidade uniforme em todos os pontos de S,
isto e, P ({S}) = 1/36. Note que fica mais simples considerar que S = {S1 , S2 }. Dessa maneira
o espaco amostral e constitudo de pares de valores, representando os resultados do primeiro e
segundo lancamentos, respectivamente. Assim, o espaco amostral completo sera:
S = {(1, 1); (1, 2); (1, 3); (1, 4); (1, 5); (1, 6); (2, 1); (2, 2); (2, 3); (2, 4); (2, 5); (2, 6);
(3, 1); (3, 2); (3, 3); (3, 4); (3, 5); (3, 6); (4, 1); (4, 2); (4, 3); (4, 4); (4, 5); (4, 6);
(5, 1); (5, 2); (5, 3); (5, 4); (5, 5); (5, 6); (6, 1); (6, 2); (6, 3); (6, 4); (6, 5); (6, 6)}.
Considere os eventos:
A: A soma dos resultados e mpar;
B: O resultado do primeiro lancamento e mpar;
C: O produto dos resultados e mpar.
Portanto, as probabilidades associadas a cada um dos tres eventos sera:
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.5 - Defini
c
oes: Cl
assica, Freq
uentista e Subjetiva de Probabilidade
17
A=
An .
n=1
Sn
i=1 Bi ,;
n=1 An
S Sn
n=1
i=1 Bi
i=1 Bi
DEPARTAMENTO DE ESTATISTICA/UFPA
n
X
18
P (Bi ) e P (A) =
i=1
Mas, como
lim
n
X
P (Bi ).
i=1
P (Bi ) =
i=1
P (Bi ),
i=1
segue que
lim P (An ) = P (A).
M
etodos de Enumerac
ao (An
alise Combinat
oria)
1.6 - ARRANJO (Amostras Ordenadas)
Princpio Fundamental da Contagem
Suponha que uma tarefa pode ser executada em duas etapas. Se a primeira etapa pode ser
realizada de nmaneiras e a segunda etapa de mmaneiras, ent
ao a tarefa completa pode ser
desenvolvida de n m maneiras.
Defini
c
ao 1.6.1. Uma amostra de tamanho nde um conjunto C que tem N elementos e uma
colec
ao de nelementos de C.
Defini
c
ao 1.6.2. Uma amostra e dita ordenada se os seus elementos forem ordenados, isto
e, se duas amostras com os mesmos elementos, porem em ordens distintas, forem consideradas
diferentes.
Lema 1.6.1. O n
umero de amostras ordenadas (sem reposic
ao) de tamanho n, de um conjunto
com N elementos, que ser
a denotado por (N )n , e dado por
(N )n =
N!
= N (N 1) (N 2) ...... (N n + 1).
(N n)!
Exemplo 1.6.1. Considere o conjunto das quatro primeiras letras do alfabeto {a, b, c, d}. O
n
umero de amostras ordenadas sem reposic
ao de tamanho tres e igual `a (4)3 = 4 3 2 = 24,
a seguir lista-se essas amostras.
(a, b, c) (a, b, d) (a, c, b)
(a, c, d) (a, d, c)
(a, d, b)
(b, d, c)
(c, d, b)
(b, a, c) (b, a, d)
DEPARTAMENTO DE ESTATISTICA/UFPA
19
Lema 1.6.2. O n
umero de amostras ordenadas (com reposic
ao) de tamanho n, de um conjunto
de N elementos e igual a N n .
Exemplo 1.6.2. Lanca-se nvezes uma moeda equilibrada. Determinar a probabilidade de
obter pelo menos uma cara.
Lancar uma moeda nvezes equivale a selecionar uma amostra com reposic
ao de tamanho
nde uma populacao de dois elementos, {K, C}. Logo, existem 2n resultados possveis e igualmente provaveis. Sejam
A = {Obter pelo menos uma Cara}
Entao,
n
[
A=
Ai
i=1
e
P (A) = 1 P (Ac ) = 1 P
Sn
i=1 Ai
=1P
Tn
c
i=1 Ai
Tn
Agora,
i=1 Ai
Tn
c
i=1 Ai
Sn
c
i=1 Ai .
Tn
c
i=1 Ai
n
1
= 1/2 = n ;
2
De modo que
1
.
2n
Supondo n = 1, chega-se que, lancando a moeda uma u
nica vez, a probabilidade de se obter a
P (A) = 1
face cara e:
P (A) = 1
1
1
=1 ,
1
2
2
ou seja,
P (A) =
1
= 0, 5 = 50%.
2
Supondo n = 5,
P (A) = 1
1
1
=1
= 1 0, 03 = 0, 97.
5
2
32
DEPARTAMENTO DE ESTATISTICA/UFPA
20
1
2
3
= 1 365
1 365
1 365
...... 1 n1
365
Portanto, caso se queira a probabilidade de pelo menos duas pessoas com anivers
arios no mesmo
dia, deve-se proceder de maneira que:
P (A) = 1 P (Ac ) = P (Ac ) = 1 P (A).
A tabela a seguir apresenta alguns valores para a P (Ac ) em func
ao de n.
Tabela 1.2 - N
umero de pessoas
com anivers
arios coincidentes.
N
umero de Pessoas
P (Ac )
10
20
30
40
50
60
0,1169
0,4114
0,7063
0,8912
0,9704
0,9941
DEPARTAMENTO DE ESTATISTICA/UFPA
1.7 - PERMUTAC
OES
21
1.7 - PERMUTAC
OES
Defini
c
ao 1.7.1. Uma amostra ordenada sem reposic
ao de tamanho n, de um conjunto com
nelementos ser
a denominada uma permutac
ao dos nelementos.
Lema 1.7.1. O n
umero de permutac
oes de nelementos denotado Pn e dado por Pn = n!.
Exemplo 1.7.1. Suponha que temos ncaixas distintas e nbolas distintas. Essas bolas sao
distribudas ao acaso nas ncaixas, de modo que, cada caixa contenha exatamente uma bola.
Qual a probabilidade de que uma bola especfica, digamos uma bola i, esteja em uma caixa
especfica, digamos caixa j?
O n
umero de maneiras de distribuir as nbolas nas ncaixas, da forma descrita acima, e
dado por n!. Agora, se a bola i esta na caixa j, restam (n 1) bolas para serem distribudas em
(n 1) caixas. Isto pode ser feito de (n 1)! maneiras. Portanto, a probabilidade solicitada e
dada por
p=
1
(n 1)!
=
n!
n
Observa
c
oes:
(i) Se permutamos nobjetos entre si, a probabilidade de que um objeto especfico esteja em
uma posicao especfica e 1/n;
(ii) Se permutamos nobjetos entre si, a probabilidade de que k objetos especficos estejam
em k posicoes especficas e (n k)!/n!.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.8 - COMBINAC
OES
(Amostras N
ao Ordenadas)
22
1.8 - COMBINAC
OES
(Amostras N
ao Ordenadas)
Lema 1.8.1. O n
umero de amostras n
ao ordenadas sem reposic
ao, de tamanho n, de um
conjunto com N elementos, e dado por
N!
(N )n
N
=
CN, n =
=
n
Pn
n!(N n)!
Exemplo 1.8.1. Suponha que se distribui nbolas em ncaixas. determine a probabilidade
de que somente a caixa 1 fique vazia. O n
umero total de maneiras de distribuir e nn . Seja A =
{Apenas a caixa 1 fica vazia }. Queremos obter P (A). Agora, o evento A ocorre a caixa 1
fica vazia, uma das (n 1) caixas restantes fica com duas bolas e as (n 2) caixas restantes tem
exatamente 1 bola. Para j = 2, 3, 4, ..., n, seja Bj = {A caixa j tem 2 bolas, a caixa 1 esta vazia
e as (n 2) caixas restantes tem exatamente uma bola}. Ent
ao, os Bj s
ao eventos disjuntos e
A = nj=2 Bj . Portanto, P (A) = nj=2 P (Bj ). Para obter P (Bj ), observe que:
n
: N
umero de maneiras de escolher as duas bolas para a caixa j.
2
(n 2)!: N
umero de maneiras de distribuir as (n 2) bolas nas (n 2) caixas restantes com
uma bola por caixa.
Logo,
e conseq
uentemente,
n
(n 2)!
2
P (Bj ) =
nn
n
n
(n 1)
(n 2)!
(n 1)!
2
2
P (A) =
=
nn
nn
Exemplo 1.8.2. Uma comissao formada por tres estudantes deve ser escolhida, em uma classe
de vinte estudantes para organizar os jogos interclasses. De quantas maneiras essa comissao pode
ser escolhida?
Como a comissao deve ter tres membros distintos, as amostras devem ser selecionadas sem
reposicao, e como a ordem da escolha dos participantes e irrelevante, trata-se de amostras nao
ordenadas.
Portanto,
CN,n
(N )n
=
=
n!
N!
20!
20 19 18 17!
6840
N
=
=
=
=
n
n!(N n)!
3!(20 3)!
3! 17!
6
CN,n = 1.140
DEPARTAMENTO DE ESTATISTICA/UFPA
1.9 - PARTIC
OES
23
1.9 - PARTIC
OES
Lema 1.9.1.
O n
umero de partic
oes de um conjunto de N elementos em k subconjuntos,
s
ao do tipo 2,......,nk s
ao do tipo k, com n1 +n2 +n3 +......+nm = m. O n
umero de maneiras de
se selecionar uma amostra sem reposic
ao de robjetos, contendo k1 objetos do tipo 1, k2 objetos
do tipo 2, k3 objetos do tipo 3,......, km objetos do tipo m, com k1 + k2 + k3 + k4 + ...... + km = r,
e
n1
n2
n3
nm
......
k1
k2
k3
km
DE EVENTOS
1.10 - UNIAO
Lema 1.10.1. Sejam A1 , A2 , A3 , ......, An eventos de um espaco amostral S. Temos que
P
n
n X
n X
n
n
n X
X
X
X
A
P
(A
A
)
+
P (Ai Aj Ak ) + ...
=
P
(A
)
i
i
j
i
i=1
i=1
i=1 j>i
DEPARTAMENTO DE ESTATISTICA/UFPA
24
onde : i , j s
ao inteiros.
B = {(1, 3); (2, 2); (3, 1)}
Dizer que o evento Aocorreu e equivalente a dizer que pode nao se levar em conta, qualquer
ponto do espaco amostral que nao pertenca a A, ou seja, pode considerar-se o evento Acomo
o novo espaco amostral para o experimento. Dessa maneira a probabilidade de Bocorrer dado
Ae igual a 1/4, pois dos quatro pontos de Aapenas o ponto (2, 2) Be os quatro pontos
sao equiprovaveis.
Para espacos amostrais com eventos equiprov
aveis pode-se adotar este procedimento como
definicao de probabilidade condicional do evento Bdado o evento A. Ele serve, no entanto,
de motivacao para a seguinte definic
ao:
Defini
c
ao 1.11.1. Sejam Ae Bdois eventos de um espaco amostral e supondo que P (A) > 0,
a probabilidade condicional de Bdado Ae definida por:
P (B | A) =
P (B A)
P (A)
(1.4)
DEPARTAMENTO DE ESTATISTICA/UFPA
25
r
b+r
P (B A) =
1
.
b+r
1
1
(b + r)
P (B | A) =
= .
r
r
(b + r)
P (A B)
=
P (A)
1
4
1
2
1
= .
2
(b) Obter duas caras, dado que se obteve pelo menos uma cara; Neste caso, queremos calcular:
P (A B | A B) =
P (A B)
=
P (A B)
1
4
3
4
1
= .
3
Baseado na Equacao (1.4) que define a probabilidade condicional do evento Bdado o evento
A, obtemos a seguinte expressao:
P (A B) = P (A) P (B | A) = P (B) P (A | B)
(1.5)
DEPARTAMENTO DE ESTATISTICA/UFPA
26
Exemplo 1.11.3. Considere uma urna com tres bolas brancas e sete vermelhas. Duas bolas
sao retiradas da urna, uma apos a outra sem reposic
ao. Determinar o espaco amostral e as
probabilidades associadas a cada ponto amostral.
O espaco amostral e o conjunto {B1 B2 ; B1 V2 ; V1 B2 ; V1 V2 }.
O evento (B1 B2 ) e o evento que corresponde a ocorrer branca na primeira retirada e branca
na segunda retirada. Para os outros pontos do espaco amostral a interpretac
ao e analoga.
Utilizando a Equacao (1.5) temos:
P (B1 B2 ) = P (B2 | B1 )P (B1 ) =
2
3
2
=
9 10
30
7
3
7
=
9 10
30
7
7
3
=
P (V1 B2 ) = P (B2 | V1 )P (V1 ) =
9 10
30
6
7
14
P (V1 V2 ) = P (V2 | V1 )P (V1 ) =
=
9 10
30
1.11.1 - Proposic
ao: Regra do Produto de Probabilidades
Lema 1.11.1. Sejam A1 , A2 , A3 , , An , eventos do espaco amostral S, onde est
a definida a
probabilidade P , tem-se:
P (A1 A2 A3 An ) = P (A1 ) P (A2 | A1 ) P (A3 | A1 A2 )
P (An | A1 A2 A3 An1 )
(1.6)
Demonstra
c
ao: Faz-se a demonstrac
ao por induc
ao. Para n=2 esta equac
ao reduz-se a
Equacao (1.5). Suponha que a Equac
ao (1.6) vale para n-1 eventos, isto e,
P (A1 A2 A3 An1 ) = P (A1 ) P (A2 | A1 ) P (A3 | A1 A2 )
P (An1 | A1 A2 A3 An2 )
(1.7)
DEPARTAMENTO DE ESTATISTICA/UFPA
27
3
2 7 6 1
1
=
10 9 8 7 6
120
1.11.2 - F
ormula das Probabilidades Totais e F
ormula de Bayes.
Lema 1.11.2. Seja B1 , B2 , B3 , ......, Bn uma partic
ao do espaco amostral S, isto e, esses eventos s
ao mutuamente exclusivos e sua reuni
ao e S; Seja Auma evento e P uma medida de
probabilidade definida nos eventos de S, temos:
P (A) =
n
X
P (A | Bi ) P (Bi )
(1.8)
i=1
Demonstra
c
ao:
Sn
Como S = i=1 Bi , temos que:
A=AS =A
(ni=1 Bi )
n
[
A Bi
i=1
P (A) =
n
X
P (A Bi ) =
i=1
n
X
P (A | Bi ) P (Bi )
i=1
DEPARTAMENTO DE ESTATISTICA/UFPA
28
3
P (B2 ) = ,
6
1
P (B3 ) = ,
6
3
P (A | B1 ) = ,
8
P (A | B2 ) =
4
6
e P (A | B3 ) =
1
4
P (A) =
3 2 4 3 1 1
+ +
8 6 6 6 4 6
1
P (A) = .
2
| A) =
n
X
P (Bi | A)
i=1
DEPARTAMENTO DE ESTATISTICA/UFPA
29
P ((ni=1 Bi ) A)
P (ni=1 (Bi A))
=
=
P (A)
P (A)
Pn
=
Pn
i=1 P (Bi
A)
P (A)
i=1 P (Bi
| A) P (A)
P (A)
P (S)
P (S)
=1
P (B | Ai ) P (Ai )
P (B | A1 ) P (A1 ) + P (B | A2 ) P (A2 ) + ...... + P (B | Ak ) P (Ak )
(1.9)
F
ormula de Bayes
P (B | Ai ) P (Ai )
.
P (B | A1 ) P (A1 ) + P (B | A2 ) P (A2 )
Demonstra
c
ao:
Com base na definicao de probabilidade condicional garante-se que:
P (Ai | B) =
P (Ai B)
,
P (B)
(1.10)
DEPARTAMENTO DE ESTATISTICA/UFPA
30
P (D | Ai ) P (Ai )
P (D | A1 ) P (A1 ) + P (D | A2 ) P (A2 ) + P (D | A3 ) P (A3 )
com:
P (D | A1 ) P (A1 ) + P (D | A2 ) P (A2 ) + P (D | A3 ) P (A3 ) =
= 0, 01 0, 15 + 0, 05 0, 35 + 0, 02 0, 5 = 0, 0015 + 0, 0175 + 0, 01 = 0, 029. Logo,
P (Ai | D) =
P (D | Ai ) P (Ai )
;
0, 029
Para i = 1,
P (A1 | D) =
P (D | A1 ) P (A1 )
0, 01 0, 15
0, 0015
=
=
= 0, 052;
0, 029
0, 029
0, 029
Para i = 2,
P (A2 | D) =
P (D | A2 ) P (A2 )
0, 05 0, 35
0, 0175
=
=
= 0, 6;
0, 029
0, 029
0, 029
P (A3 | D) =
P (D | A3 ) P (A3 )
0, 02 0, 05
0, 01
=
=
= 0, 345
0, 029
0, 029
0, 029
Para i = 3,
DEPARTAMENTO DE ESTATISTICA/UFPA
31
P (A | Dc ) = 0, 1 e P (Ac | D) = 0, 1.
P (D | A) =
P (A | D) P (D)
0, 9 0, 0001
=
= 0, 0009.
c
c
P (A | D) P (D) + P (A | D ) P (D )
0, 9 0, 0001 + 0, 1 0, 9999
DEPARTAMENTO DE ESTATISTICA/UFPA
1.12 - INDEPENDENCIA
DE EVENTOS
32
Passando agora a considerar a eficiencia do teste igual `a 99%, ou seja, cada um dos erros e
igual a 0,01. Assim, as informacoes disponveis sao as seguintes:
P (D) = 0, 0001;
P (A | Dc ) = 0, 01 e P (Ac | D) = 0, 01.
P (A | D) P (D)
0, 99 0, 0001
=
= 0, 0098.
c
c
P (A | D) P (D) + P (A | D ) P (D )
0, 99 0, 0001 + 0, 01 0, 9999
1.12 - INDEPENDENCIA
DE EVENTOS
Inicia-se a nocao de independencia para dois eventos e posteriormente estende-se a definic
ao
para um n
umero qualquer de eventos.
Defini
c
ao 1.12.1. Sejam A e Bdois eventos e suponha que P (A) > 0. O evento Be dito
independente do evento A se
P (B | A) = P (B)
(1.11)
(1.12)
P (A | B) =
P (A B)
P (A) P (B)
=
= P (A).
P (B)
P (B)
DEPARTAMENTO DE ESTATISTICA/UFPA
1.12 - INDEPENDENCIA
DE EVENTOS
33
Decorre entao que: P (A) = P (B) = P (C) = 4/8 = 2/4 = 1/2. Temos
P (A B) =
1
2
= = P (A) P (B)
8
4
1
1
6
=
= P (A) P (C)
8
4
3
1
P (B C) = =
6
= P (B) P (C)
8
4
1
P (A B C) = = P (A) P (B) P (C).
8
P (A C) =
DEPARTAMENTO DE ESTATISTICA/UFPA
1.12 - INDEPENDENCIA
DE EVENTOS
34
A = {KK, KC};
O espaco amostral e o conjunto S = {KK, KC, CK, CC}, onde K designa cara e C coroa.
Supondo que a moeda e balanceada e portanto que os pontos do espaco amostral tem probabilidade 1/4. Portanto,
A B = {KK}; A C = {CC}; B C = {KK}; A B C = {KK}
Calculando-se as probabilidades desses eventos, obtemos:
P (A) = P (B) = P (C) = 1/2
P (A B) = P (A C) = P (B C) = P (A B C) = 1/4.
De onde decorre que vale a Equacao (1.12) para os eventos tomados dois a dois, mas
P (A B C) 6= P (A) P (B) P (C).
Considerando o exemplo onde tres moedas equilibradas sao lancadas, os eventos:
A = {Cara no primeiro lancamento }
B = {Cara no segundo lancamento }
C = {Cara no terceiro lancamento }
logo,
Verifica-se que para esses eventos, todas as quatro expressoes relacionadas as probabilidades:
P (A B); P (A C); P (B C) e P (A B C), que para esse exemplo se transformam em
igualdades, isto e,
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.12 - INDEPENDENCIA
DE EVENTOS
35
1. P (A B) = P (A) P (B);
2. P (A C) = P (A) P (C);
3. P (B C) = P (B) P (C);
4. P (A B C) = P (A) P (B) P (C)
Senao vejamos,
1
1 1
= P (A) P (B) =
4
2 2
1 1
1
P (A C) = = P (A) P (C) =
4
2 2
1
1 1
P (B C) = = P (B) P (C) =
4
2 2
1 1 1
1
P (A B C) = = P (A) P (B) P (C) = ;
8
2 2 2
P (A B) =
Portanto,
P (A B C) = P (A) P (B) P (C)
(1.13)
Com base nas afirmacoes anteriores, conclu-se que, para definirmos independencia de tres
eventos, devemos impor que essas igualdades (1 `a 4) sejam verdadeiras. Esses exemplos nos
sugerem que para definirmos a independencia para neventos, sendo num inteiro positivo,
devemos exigir a validade da forma produto para todo subconjunto de kdos neventos, para
2 k n.
Defini
c
ao 1.12.2. Os eventos A1 , A2 , A3 , ......, An , s
ao independentes se
P (Ai1 Ai2 Ai3 ...... Aik ) = P (Ai1 ) P (Ai2 ) P (Ai3 ) ...... P (Aik ),
para todo k = 2, 3, 4, ......, n e todo {i1 , i2 , i3 , ......, ik } {1, 2, 3, ......, n}, tal que,
i1 < i2 < i3 < ...... < ik .
O n
umero de equacoes que devem ser satisfeitas nesta definic
ao e 2n n1. De fato, para todo
k, 2 k n, tem-se uma equacao para
cada subconjunto de tamanho kdos neventos e
n
como o n
umero desses subconjuntos e
, temos para cada kesse n
umero de equacoes. O
k
total de equacoes e, portanto,
n
n
X
X
n
n
n
n
=
= 2n n 1.
k
k
1
0
k=2
k=0
DEPARTAMENTO DE ESTATISTICA/UFPA
36
DEPARTAMENTO DE ESTATISTICA/UFPA
37
DEPARTAMENTO DE ESTATISTICA/UFPA
38
16. Num predio de 5 andares ha 4 apartamentos por andar. Apenas 5 apartamentos estao
ocupados. Qual a probabilidade de que cada um dos 5 andares tenha um apartamento
ocupado?
17. Ocorrem um n
umero mpar e um par no lancamento de dois dados. Calcule a probabilidade
de:
(a) A soma dos dois e sete;
(b) A diferenca entre os dois e tres;
(c) O Produto entre os dois e maior que dez?
18. Numa urna existem 6 bolas vermelhas e 4 pretas. Extraindo-se simultaneamente seis bolas.
Qual a probabilidade de serem 4 vermelhas e 2 pretas?
1
19. Duas pessoas A e B praticam tiro ao alvo, a probabilidade do atirador A acertar o alvo e
3
2
e a probabilidade do atirador B acertar o alvo e . Admitindo que A e B sao independentes,
3
se os dois atiram, qual a probabilidade de:
(a) Ambos atingirem o alvo;
(b) Pelo menos um atingir o alvo.
20. Uma urna contem 5 bolas brancas e 6 pretas. Tres bolas sao retiradas. Calcular as probabilidades de:
(a) Todas as bolas retiradas sao pretas;
(b) Dentre as tres bolas retiradas uma seja branca;
(c) Pelo menos uma bola retirada ser preta.
21. Numa classe existem cinco alunos do 4o ano, quatro do 2o e tres do 3o ano. Qual a probabilidade de serem sorteados dois alunos do 2o ano, tres do 4o ano e dois do 3o ano?
3
, a mesma e lancada tres vezes. qual a
4
probabilidade de se obter pelo menos duas caras?
DEPARTAMENTO DE ESTATISTICA/UFPA
39
1
23. Suponha que A, B e C sejam eventos tais que: P (A) = P (B) = P (C) = , P (A B) =
4
1
P (C B) e P (A C) = . Calcular a probabilidade de que pelo menos um dos eventos
8
ocorra.
24. Em uma urna ha dez bolas, numeradas de 1 a 10. Retira-se uma bola ao acaso. Pede-se
determinar a probabilidade de seu n
umero ser par ou maior que 4.
25. Considere dois eventos: A e B, mutuamente exclusivos. Com P (A) = 0, 3 e P (B) = 0, 5.
Calcule:
(a) P (A B);
(b) P (A B);
(c) P (A | B);
(d) P (Ac );
(e) P ((A B)c ).
26. Um restaurante popular apresenta dois tipos de refeic
oes: salada completa e um prato a
base de carne. 20% dos fregueses do sexo masculino preferem salada, e 30% das mulheres
preferem carne. 75% dos fregueses sao homens. Considere os seguintes eventos:
H: O fregues e homem,
DEPARTAMENTO DE ESTATISTICA/UFPA
1.14 - Gabarito
40
1.14 - Gabarito
1. 0,875
2. (a) 0,375
(b) 0,5
(c) 0,5
3. 0,125
4. (a) 0,167
(b) 0,967
5. 0,290
6. 0,130
7. 0,312
8. O espaco amostral e a resposta!
9. 0,128
10. 0,237
11. (a) 0,139
(b) 0,028
(c) 0
12. 0,217
13. 0,205
14. 0,286
15. 0,330
16. 0,001
17. (a) 0,139
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
1.14 - Gabarito
41
(b) 0,167
(c) 0,470
18. 0,429
19. (a) 0,222
(b) 0,778
20. (a) 0,121
(b) 0,455
(c) 0,939
21. 0,227
22. 0,844
23. 0,375
24. 0,800
25. (a) 0
(b) 0,800
(c) 0
(d) 0,700
(e) 0,200
26. (a) 0,750; 0,200; 0,800
(b) 0,925; 0,150
(c) 0,227
DEPARTAMENTO DE ESTATISTICA/UFPA
Captulo 2
VARIAVEIS
ALEATORIAS
2.1 - Introduc
ao
Quando se joga uma moeda certo n
umero de vezes, pode se estar interessado, nao na particular
secessao obtida, mas somente no numero de caras. Do mesmo modo, quando se joga uma moeda
ate obter uma cara, pode-se estar unicamente interessado no n
umero de jogadas necessarias para
obte-la. Estas sao caractersticas numericas associadas com o experimento. Se S e um espaco
amostral, temos
Defini
c
ao 2.1.1. Chamaremos de vari
avel aleat
oria a toda func
ao real definida sobre S
As variaveis aleatorias serao definidas usualmente com as letras X, Y, Z, , etc. Se X e
uma variavel aleatoria, como s e enumer
avel; por exemplo X(S) = {x1 , x2 , x3 , }. Os n
umeros
xi sao os valores da variavel aleatoria.
Seja R a reta real. Na maior parte da subseq
uente exposic
ao sobre vari
aveis aleatorias, nao e
necessario indicar a natureza funcional de X, muito menos de onde ela se origina. Por exemplo,
suponha que se atire duas moedas e considera-se o espaco amostral associado a esse experimento.
Isto e,
S = {KK, KC, CK, CC}.
Sera definida a variavel aleatoria da seguinte maneira X e o n
umero de caras (K), obtidas nas
duas moedas. Da,
X(KK) = 2,
X(KC) = X(CK) = 1,
X(CC) = 0.
X(s)
2.1 - Introdu
c
ao
43
X(s): N
umero de caras que apareceram;
Y (s): Distancia maxima entre duas moedas quaisquer;
Z(s): Distancia mnima das moedas a uma borda qualquer da mesa.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.1 - Introdu
c
ao
44
Rx
X(s)
DEPARTAMENTO DE ESTATISTICA/UFPA
2.2 - Vari
aveis Aleat
orias Discretas
45
1
. [na verdade nao existe
2
escolha para o valor de P (X = 1) coerente com a P(B) = P(A), onde A = {s S | X(s) B},
nesse sentido que probabilidades associadas
uma vez que P (KC, CK) tenha sido determinada. E
a eventos de Rx sao induzidos.]
A = {s S|X(s) B}, teremos que P (X = 1) = P (KC, CK) =
Uma vez que as probabilidades associadas aos varios resultados (eventos) no contra domnio
Rx tenham sido determinadas (mais precisamente, induzidas), ignora-se freq
uentemente o espaco
amostral original S, que deu origem a essas probabilidades. Assim, no Exemplo 2.1.6, estaremos
1 1 1
interessados em Rx = {0, 1, 2} e as probabilidades associadas ( , , ). O fato, de que essas
4 2 4
probabilidades sejam determinadaspor uma func
ao de probabilidade definida sobre o espaco
amostral original S, nao interessa, quando se esta apenas interessado em estudar os valores da
variavel aleatoria X.
2.2 - Vari
aveis Aleat
orias Discretas
Defini
c
ao 2.2.1. Seja S o espaco amostral e seja X uma vari
avel aleat
oria. Dado que o n
umero
de valores dos quais a vari
avel aleat
oria X poder
a assumir, ou seja, Rx, o contradomnio, sendo
finito ou infinito enumer
avel de valores X1 , X2 , X3 , , denomina-se X de vari
avel aleat
oria
discreta. Portanto, a vari
avel aleat
oria X, poder
a assumir valores que, podem ser postos em
lista como X1 , X2 , X3 , , Xn . Para a situac
ao onde X e finito, e no caso de X ser infinito
enumer
avel, essa seq
uencia continua de forma indefinida. Logo, dado {X1 , X2 , X3 , } um
subconjunto dos n
umeros reais R tal que {S : X(s) = xi } e um evento para todo i. Ent
ao
{S : X(s) = xi } e por definic
ao um evento e portanto se pode falar sobre sua probabilidade.
Abreviadamente representa-se em geral o evento {S : X(s) = xi } por {X = xi }, e a probabilidade desse evento e dada por P (X = xi ), ao inves de P ({S : X(s) = xi }).
Seja X uma variavel aleatoria discreta real. Realmente, se X1 , X2 , X3 , ... sao os valores para
X assumir, {S : X(s) = xi } e um evento de acordo com a definic
ao de uma vari
avel aleatoria
discreta real. Se x nao e um desses valores, ent
ao {S : X(s) = x} = , que tambem e um evento.
Se os valores possveis de uma vari
avel aleatoria discreta X consistem apenas de n
umeros
inteiros ou n
umeros inteiros nao negativos, dizemos que X e uma vari
avel aleatoria inteira ou
uma variavel aleatoria inteira nao negativa, respectivamente. A maioria das vari
aveis aleatorias
discretas, que ocorrem nas aplicacoes sao inteiras nao negativas.
Defini
c
ao 2.2.2. Seja S o espaco amostral e seja X uma vari
avel aleat
oria discreta. Toda via,
chega-se que, Rx (o contra domnio de X), ser
a contitudo no m
aximo por um n
umero infinito
enumer
avel de valores x1 , x2 , x3 , ... para cada possvel resultado de xi associa-se um n
umero
P (xi ) = P (X = xi ), denominado de probabilidade de xi . Os n
umeros P (xi ), i = 1, 2, 3, ... devem
satisfazer `
as seguintes condic
oes
(i) P (xi ) 0, para todo i;
P
(ii)
i=1 P (xi ) = 1.
Conclu-se portanto que, chama-se func
ao discreta de densidade X a uma func
ao real P (xi )
definida por P (xi ) = P (X = x). diz-se que um n
umero real x e um valor possvel de X se
P (xi ) > 0.
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.2 - Vari
aveis Aleat
orias Discretas
46
Exemplo 2.2.1. Seja X a variavel aleatoria introduzida sob a forma `a considera-la como o
experimento de lancar uma moeda tres vezes, onde a probabilidade de obter a face cara em um
lancamento individual e p. Logo, o espaco amostral sera: X(s) = {3, 2, 2, 2, 1, 1, 1, 0}, ent
ao, para
cada um dos s S, X(s) assume os valores: 3, 2, 1, 0. Dado que,
P {s} = {p3 , p2 (1 p), p2 (1 p), p2 (1 p), p(1 p)2 , p(1 p)2 , p(1 p)2 , (1 p)3 }.
sendo p = 0, 4. Entao, X tem a func
ao de probabilidade discreta p(xi ) dada por
p(0) = (1 p)3 p(0) = (1 0, 4)3 = 0, 216;
p(1) = 3 [p(1 p)2 ] = 3 0, 4 (1 0, 4)2 = 0, 432;
p(2) = 3 [p2 (1 p)] = 3 (0, 4)2 0, 6 = 0, 288;
p3 = (0, 4)3 = 0, 064;
Logo,
p(0) = 0, 216; p(1) = 0, 432; p(2) = 0, 288; p(3) = 0, 064.
P4
P
Dado a condicao (ii), ou seja,
i=1 p(xi ) = p(0) + p(1) + p(2) +
i=1 p(xi ) = 1, chega-se que,
p(3) = 0, 216 + 0, 432 + 0, 288 + 0, 064 = 1. Portanto, a condic
ao (ii) esta satisfeita. Pode-se
representar esta funcao por meio de um diagrama como ilustra a Figura 2.3.
-1
DEPARTAMENTO DE ESTATISTICA/UFPA
2.3 - Par
ametro
47
Par
ametro
X
S2
n
pb
2
N
p
Media
Variancia
No de elementos
Proporcao
2.3 - Par
ametro
Defini
c
ao 2.3.1. Um par
ametro e uma medida usada para descrever uma caracterstica da
populac
ao.
2.7 - Vari
avel Aleat
oria Discreta
2.7.1 - Modelos de Probabilidade Discretos
Modelos de Probabilidade Bernoulli: Muitos experimentos sao tais que os resultados apresentam ou nao uma determinada caracterstica. Por exemplo:
Uma moeda e lancada: o resultado e cara ou coroa;
Um dado e lancado: ou ocorre face 5 ou nao (ocorrendo ent
ao uma das demais faces
1, 2, 3, 4 ou 6);
Uma peca e escolhida ao acaso dentre 1000: e ou nao defeituosa;
Uma pessoa e escolhida dentre 500: e ou nao do sexo masculino;
Uma pessoa e escolhida ao acaso dentre os moradores de uma cidade e verifica-se
quanto a ela ser ou nao favor
avel a um projeto municipal.
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
48
Em todos esses casos, estamos interessados na ocorrencia de sucesso (cara; face 5; a peca
e defeituosa; a pessoa e do sexo masculino e a pessoa e favor
avel ao projeto municipal)
ou fracasso (coroa; uma face diferente de 5; a peca nao e defeituosa; a pessoa e do sexo
feminino e a pessoa nao e favor
avel a um projeto municipal). Essa terminologia (sucesso e
fracasso) sera usada freq
uentemente.
Para cada experimento citado anteriormente, podemos definir uma vari
avel aleatoria X,
que assume apenas dois valores: 1, se ocorrer sucesso, e 0, se ocorrer fracasso. Indica-se
por a probabilidade de sucesso, isto e, P (sucesso) = P (S) = , 0 < < 1.
x
(1 )1x , x = 0, 1
f (x) =
x = 0, 1;
0 < < 1.
(2.1)
V ar(X) = (1 ).
Tal que,
P (X = 0) = 0 (1 )10 = (1 )
P (X = 1) = 1 (1 )11 = ,
portanto, X e chamada variavel aleatoria de Bernoulli().
Exemplo 2.7.1. Vamos supor o experimento onde um dado e lancado e a variavel X
representa a obtencao da face 5, logo os possveis resultados desse experimento serao:
ocorre a face 5 ou ocorre qualquer uma das faces diferentes de 5; supondo o dado perfeito
(equilibrado) tem-se
P (X = 0) = 0 (1 )10 = (1 ) = 1
conseq
uentemente,
1
5
= ,
6
6
1
P (X = 1) = 1 (1 )11 = = ,
6
1
= E(X) =
6
1 5
6 6
5
36
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
49
n x
(1 )nx ;
x
(1 )nx , x = 0, 1, 2, ..., n,
x
f (x) =
n!
x (1)nx , x = 0, 1, 2, 3, ..., n; 0 < < 1. (2.2)
x!(n x)!
E(X) = n
V ar(X) = n(1 ).
Esta funcao esta entre as mais importantes que ocorrem na teoria de probabilidades, func
ao
de probabilidade Binomial de parametros n e .
Exemplo 2.7.2. Seja X a vari
avel aleatoria introduzida sob a forma `a considera-la
como o experimento de lancar uma moeda tres vezes, onde a probabilidade de obter
a face cara em um lancamento individual e 0,4. Logo, o espaco amostral sera: X(s) =
{3, 2, 2, 2, 1, 1, 1, 0}, entao, X = 3, 2, 1, 0. Este experimento e uma func
ao de distribuic
ao
Binomial de parametros n = 3 e = 0, 4. Portanto, a probabilidade de se obter uma, duas
ou tres caras respectivamente nos tres lancamentos e
P (X = 1) =
3!
3!
(0, 4)1 (1 0, 4)31 =
(0, 4)1 (0, 6)2 = 0, 432
1!(3 1)!
2!
P (X = 2) =
3!
3!
(0, 4)2 (1 0, 4)32 =
(0, 4)2 (0, 6)1 = 0, 288
2!(3 2)!
2!
P (X = 3) =
3!
3!
(0, 4)3 (1 0, 4)33 =
(0, 4)3 (0, 6)0 = 0, 064
3!(3 3)!
3!
conseq
uentemente,
= E(X) = 3 0, 4 = 1, 2
visto que, = E(X) = n,
V ar(X) = n(1 ) = 3 0, 4 (1 0, 4) = 3 0, 4 0, 6 = 0, 72
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
50
Refere-se freq
uentemente a uma vari
avel aleatoria X, com f.p. Binomial, dizendo que X tem
uma distribuicao Binomial (com parametros n e , quando se deseja ser mais preciso). Usase tambem denominacao semelhante para outras vari
aveis aleatorias que tem designac
ao
especfica.
A partir do estudo de analise combinat
oria, verifica-se que a distribuic
ao Binomial ocorre no
processo de amostragem aleatoria com reposic
ao. No caso de um processo de amostragem
aleatoria ocorrido sem reposic
ao, caracteriza-se a distribuic
ao Hipergeometrica.
Modelo de Probabilidade Geom
etrica: Considere nrepetic
oes independentes de um
experimento do tipo sucesso e fracasso. Porem, o u
nico evento que nos interessa e o que
representa o sucesso no experimento, logo faz-se nensaios de Bernoulli independentes
e a distribuicao geometrica se caracterizara a partir do momento em que se observar o
primeiro sucesso no experimento, quando ent
ao o mesmo sera finalizado.
(1 )x1 , x = 1, 2, 3, ...,
f (x) =
Defini
c
ao 2.7.2. A vari
avel aleat
oria X, que assume os valores 1, 2, 3,... e representada
por: X Geometrica() e com func
ao de probabilidade
f (x | ) = P (X = x | ) = (1 )x1 ,
x = 1, 2, 3, ...;
0 < < 1.
(2.3)
1
1
V ar(X) =
2
Exemplo 2.7.3. Supondo um experimento onde cinco moedas sao lancadas e observa-se
a ocorrencia da face cara nas moedas. Admitindo-se que a probabilidade de ocorrencia da
face cara e igual a 0,4, ou seja, = 0, 4, logo, para se calcular a probabilidade de obter-se
no 1o , 2o , 3o , 4o e 5o lancamentos respectivamente a face cara deve-se proceder de maneira
que
P (X = 1) = 0, 4(1 0, 4)11 = 0, 4 (0, 6)0 = 0, 400
E(X) =
1
= 2, 5
0, 4
1
visto que, = E(X) = ,
V ar(X) =
1
1 0, 4
0, 6
=
=
= 3, 75
2
2
(0, 4)
0, 16
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
51
r1
r r1
x
nx
f (x | r) = P (X = x | r) =
;
r
n
(2.4)
r1
r
V ar(X) = n
r1 r r1 r n
.
r
r
r1
r1
r r1
x
nx
(r1 )x (r r1 )nx n!
n (r1 )x (r r1 )nx
=
=
x
x!(n x)!
(r)n
(r)n
r
n
Assim pode-se escrever a f.p. f de X de duas formas
r1
r r1
x
nx
; x = 0, 1, 2, ..., n.
r
f (x) =
; x = 0, 1, 2, ..., n.
x
(r)n
f (x) =
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
52
Exemplo 2.7.4. Em problemas de controle da qualidade, lotes com N tens sao examinados. O n
umero de tens com defeito (atributo A), r, e desconhecido. Colhemos uma
amostra de ntens e determinamos k. Suponha que um lote de N = 100 pecas, r = 10
sejam defeituosas; sabe-se que a func
ao de probabilidade Hipergeometrica pode ser escrita
como
r
N r
k
nk
P (X = k) = Pk =
; onde 0 k min(r, n)
N
n
Escolhendo-se n = 5, ou seja, retira-se cinco pecas sem reposic
ao, a probabilidade de nao
se obter pecas defeituosas e
10
90
100 10
0
50
5
P (X = 0) = P0 =
=
= 0, 584
100
100
5
5
Enquanto a probabilidade de se obter pelo menos uma defeituosa e
P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) = P1 + P2 + P3 + P4 + P5
10
90
10
90
10
90
10
90
10
90
1
4
2
3
3
2
4
1
5
0
+ + + +
= 0, 416
100
100
100
100
100
5
5
5
5
5
Ou equivalentemente, para obter-se a probabilidade de pelo menos uma peca dentre as
cinco escolhidas apresentar defeito calcula-se
P (X 1) = 1 P (X = 0) = 1 0, 584 = 0, 416
Modelo de Probabilidade Poisson: Sabe-se que em muitos fenomenos aleatorios que
envolvem um processo de contagem, seguem aproximadamente uma distribuic
ao de Poisson. Alguns exemplos de tais fenomenos sao o n
umero de atomos de uma substancia radioativa que se desintegram na unidade de tempo; o n
umero de chamadas que chegam a
uma central telefonica em um determinado perodo de tempo; o n
umero de erros de impressao por pagina de um livro e o n
umero de colonias de bacterias em um recipiente de
petri untato com uma suspensao de bacterias.
Defini
c
ao 2.7.4. A vari
avel aleat
oria X, que assume os valores 0, 1, 2, 3,... e representada
por: X Poisson(), e com func
ao de probabilidade
f (x | ) = P (X = x | ) =
E(X) =
CARVALHO Jr., J.G.
e x
; x = 0, 1, 2, ...;
x!
>0
(2.5)
V ar(X) =
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
53
Portanto, seja um n
umero positivo. A f.p. de poisson de parametro e expressa por
x e
;
x = 0, 1, 2, ..., n.
x!
f (x) =
X
x
x=0
x!
Exemplo 2.7.5. Um PBX recebe, em media, cinco chamadas por minuto. Supondo que
a distribuicao de poisson seja adequada nessa situac
ao, para obter-se a probabilidade de
que o PBX nao receba chamadas durante um intervalo de um minuto. Faz-se = 5 e
P (X = 0) =
50 e5
= e5 = 0, 0067
0!
Por outro lado, se o objetivo for calcular a probabilidade de obter-se no maximo duas
chamadas em quatro minutos, tem-se = 20 chamadas em quatro minutos, visto que, em
media o PBX recebe cinco chamadas por minuto, logo
P (X 2) = P (X = 0) + P (X = 1) + P (X = 2)
=
et (t)k
;
k!
k = 0, 1, 2,
onde representa o n
umero medio de ocorrencias naquele intervalo. Denota-se uma vari
avel
aleatoria X com distribuicao de poisson de parametro por X poisson().
2.7.2 - Vari
avel Aleat
oria Constante
Seja cum n
umero real. Entao a func
ao X definida atraves de X(s) = c, para todo s e
uma variavel aleatoria discreta, visto que, {s : X(s) = c} e todo conjunto S e S e um evento.
Claramente P (X = c) = 1, de modo que a F.P. f de X e simplesmente f (c) = 1 e f (x) = 0,
sob este ponto de vista que uma
x 6= c. Esta variavel aleatoria chama-se vari
avel constante. E
constante numerica e considerada uma vari
avel aleatoria.
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
54
2.7.3 - Valor M
edio de Uma Vari
avel Aleat
oria Discreta
Defini
c
ao 2.7.5. Dada a vari
avel aleat
oria X discreta, assumindo os valores x1 , x2 , x3 , ..., xn ,
chama-se valor medio ou esperan
ca matem
atica de X ao valor
E(X) =
n
X
xi P (X = xi ) =
i=1
n
X
xi Pi
(2.6)
i=1
Se X tem apenas um n
umero finito de valores possveis x1 , x2 , x3 , ..., xn , ent
ao a Equac
ao (2.6)
e simplesmente definido como
n
X
E(X) =
xi P (X = xi )
i=1
P
No caso discreto
ao e valida desde que a soma ni=1 |xi | P (X = xi ) < , e
Pn geral, esta definic
exigido, entao i=1 xi P (X = xi ) sera bem definida. Isso pode levar a conclusao que:
P
Seja X uma variavel aleatoria discreta com f.p. f (x | ). Se ni=1 xi P (X = xi ) < , dizemos
que X tem esperanca finita e definimos sua esperanca atraves de
E(X) =
n
X
xi P (X = xi )
i=1
Pn
Logo, E(X) =
P4
i=1
P(x)
15
10
5
-5
0,56
0,23
0,02
0,19
Total
1,00
xi P (X = xi ) = 15 0, 56 + 10 0, 23 + 5 0, 02 + (5) 0, 19 = 9, 85.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
55
2.7.4 - Vari
ancia de Uma Vari
avel Aleat
oria Discreta
O conceito de variancia para variaveis aleatorias discretas e feito mediante a definic
ao de esperanca para uma variavel aleatoria discreta, ou seja,
V ar(X) = E(X 2 ) [E(X)]2
= (X E(X))2
Exemplo 2.7.7. Seja X a V.A. introduzida sob a forma de considera-la como o resultado do
experimento de lancar uma moeda tres vezes, no qual a probabilidade de se obter cara em um
lancamento indidual e p = 0, 4. De posse dos dados fornecidos pela Tabela 2.3, pode-se calcular
a media de obtencoes da face cara no experimento.
Tabela 2.3 Distribuic
ao da V. A. X
x
x2
P(x)
0
1
2
3
0
1
4
9
0,216
0,432
0,288
0,064
14
1,00
P
Entao, E(X) = P4i=1 xi P (X = xi ) = 0 0, 216 + 1 0, 432 + 2 0, 288 + 3 0, 064 = 1, 2.
Logo, E(X 2 ) = 4i=1 xi P (X = xi ) = 0 0, 216 + 1 0, 432 + 4 0, 288 + 9 0, 064 = 2, 16.
Assim, V ar(X) = E(X 2 ) [E(X)]2 = 2, 16 [1, 2]2 = 0, 72.
Isto e, o n
umero medio de obtenc
oes da face cara, no experimento de tres lancamentos dessa
moeda (nao honesta), sob probabilidade de se obter a face cara igual `a 0,4 sera 1,2, para experimentos realizados sob essas mesmas condic
oes e a variabilidade deste experimento e igual a 0,72.
2.7.5 - Fun
c
ao de Distribuic
ao Acumulada Discreta
Defini
c
ao 2.7.6. Seja X uma vari
avel aleat
oria, discreta. Defini-se a func
ao Fcomo a func
ao
de distribuica
o acumulada da vari
avel aleat
oria X (abreviadamente indicada por F(X) como
F (X) = P (X x)).
Teorema 2.7.1. Se X for uma vari
avel aleat
oria discreta
X
F (X) =
P (xj ),
j
onde o somat
orio e estendido a todos os ndices j que satisfazem `
a condic
ao xj x.
Observa-se que o domnio de Fe tido conjunto dos n
umeros reais, ao passo que o contradomnio e o intervalo [0, 1].
Exemplo 2.7.8. Voltando ao problema do empresario mostrado anteriormente e usando a
funcao de distribuicao acumulada de X definida na Tabela a seguir, a func
ao de distribuic
ao
aculumada (f.d.a) de X sera dada por
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
56
0, 19
0, 21
F (x) =
0, 44
se
se
se
se
se
x < 5
5 x < 5
5 x < 10
10 x < 15
x 15
Coment
ario: Observe que P (X = xi ) e igual ao salto que a func
ao F(X) da no ponto xi ; por
0 se x < 0
3 se 0 x < 1
F (x) =
se 1 x < 2
1 se x 2
Observe que e de extrema importancia o fato de se indicar a inclusao ou a exclusao dos limites,
na descricao dos diversos intervalos. Pode se mostrar graficamente a F.D.A. para o exemplo 2.8.2.
Os graficos para as funcoes de distribuic
ao acumulada sao, bastante tpicos, no seguinte sentido:
(i) Se X for uma variavel aleatoria discreta, com um n
umero finito de valores possveis, o grafico
da funcao de distribuicao acumulada sera constitudo por segmentos de reta horizontais
(nesse caso, a funcao de distribuic
ao acumulada se denomina Func
ao em Degraus).
(ii) A funcao de distribuicao acumulada de F e definida para todos os valores de x, o que e um
motivo importante para considera-la.
Existem duas outras importantes propriedades da func
ao de distribuic
ao acumulada, que sera
sintetizada no teorema seguinte
Teorema 2.7.2. Garanti-se que
(i) A func
ao F e n
ao-decrescente. Isto e, se x1 x2 , teremos F (x1 ) F (x2 ).
(ii)
F () = 1.]
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
57
2.7.6 - Vari
aveis Aleat
orias Discretas Bidimensionais
Ate o presente momento estudou-se vari
aveis aleatorias unidimensionais apenas, agora o
interesse sera estudar duas ou mais caractersticas simult
aneas. Por exemplo, a dureza X e a
tensao de ruptura Y de uma peca manufaturada de aco poderao interessar, e considera-se (X, Y )
como um u
nico resultado experimental. Pode-se estudar a estatura H e o peso P de alguma
pessoa escolhida, o que forneceria o resultado (h, p). Finalmente, pode-se observar a altura total
da chuva R e a temperatura T em uma certa localidade, durante um mes especificado, dando
origem ao resultado do (r, t).
Defini
c
ao 2.7.7. Se pode enumerar esta definic
ao como:
1. Vari
avel Aleat
oria Bidimensional
Sejam um experimento e S um espaco amostral associado a . sejam X = X(s) e
Y = Y (s) duas funco
es, cada uma associada a um n
umero real a cada resultado s S.
Denomina-se (X, Y ) uma vari
avel aleat
oria bidimensional (algumas vezes chamada de vetor aleat
orio). Se X1 = X1 (s), X2 = X2 (s), , Xn = Xn (s), forem nfunc
oes, cada uma
associando um n
umero real a cada resultado s S, denominaremos (X1 , X2 , X3 , , Xn )
uma vari
avel aleat
oria n-dimensional (ou vetor aleat
orio n-dimensional).
2. Vari
avel Aleat
oria Discreta Bidimensional (V. A. D. B.)
(X, Y ) ser
a uma (V. A. D. B.) se os valores possveis de (X, Y ) forem finitos ou infinitos
enumer
aveis. Isto e, os valores possveis de (X, Y ) possam ser representados por (Xi , Yi , )
onde i = 1, 2, 3, , n, ; j = 1, 2, 3, , m,
X(s)
X
s
Y
Y(s)
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
58
4. Distribui
c
ao Conjunta de Probabilidade
A Distribuic
ao de Probabilidade Conjunta pode ser expressa de maneira que se obtem
P(xi , yj ) = P(X = xi , Y = yj ), denotando
dessa forma por conseguinte a probabilidade do
T
evento (X = xi , Y = yj ) = (X = xi )
(Y = yj ), como apresentado na Tabela 2.4.
y1
y2
y3
...
ym
x1
x2
x3
.
.
.
xn
P(x1 , y1 )
P(x2 , y1 )
P(x3 , y1 )
.
.
.
P(xn , y1 )
P(x1 , y2 )
P(x2 , y2 )
P(x3 , y2 )
.
.
.
P(xn , y2 )
P(x1 , y3 )
P(x2 , y3 )
P(x3 , y3 )
.
.
.
P(xn , y3 )
...
...
...
...
...
...
...
P(x1 , ym )
P(x2 , ym )
P(x3 , ym )
.
.
.
P(xn , ym )
Soma
P(xi , y1 )
P(xi , y2 )
P(xi , y3 )
...
P(II)
0
1
2
3
0
0,01
0,01
0,01
0,01
0,02
0,03
0,02
0,03
0,04
0,05
0,04
0,05
0,05
0,05
0,06
0,07
0,06
0,05
0,06
0,09
0,08
0,06
0,05
0,25
0,26
0,25
0,24
P(I)
0,03
0,08
0,16
0,21
0,24
0,28
II
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
59
P(X = x)
1/8
1/8
2/8
1/8
3/8
1/8
2/8
3/8
1/8
1/8
P(Y = y)
4/8
4/8
P(X = x)
1/8
1/8
2/8
1/8
3/8
2/8
1/8
3/8
1/8
1/8
P(Z = z)
2/8
4/8
2/8
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
60
2.7.7 - Distribuic
ao de Probabilidade Marginal
A cada variavel aleatoria bidimensional (X, Y ) associamos duas vari
aveis aleatorias unidimensionais X e Y , individualmente, isto e, pode-se estar interessado na distribuic
ao de probabilidade
de X ou na distribuicao de probabilidade de Y .
1. Distribuicao de Probabilidade Marginal de X
P (xi ) = P (X = xi ) = P (X = xi , Y = y1 ) ou
P (xi ) = P (X = xi ) = P (X = xi , Y = y2 ) ou
.
.
.
P (xi ) = P
(X
=
x
)
=
P
(X
=
xi , Y = ym )
i
P
P (xi ) = m
P
(x
,
y
).
i i
j=1
2. Distribuicao de Probabilidade Marginal de Y
P (yj ) = P (Y = yj ) = P (Y = yj , X = x1 ) ou
P (yj ) = P (Y = yj ) = P (Y = yj , X = x2 ) ou
.
.
.
P (yj ) = P
P (Y = yj ) = P (Y = yj , X = xn )
P (yj ) = ni=1 P (xi , yj ).
P(X = x)
1/8
1/8
3/8
3/8
3/8
3/8
1/8
1/8
P(Y = y)
1/8
3/8
3/8
1/8
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
61
2.7.8 - Distribuic
ao Condicional
A distribuicao de Y dado X associa a cada valor x de X uma distribuic
ao de probabilidade
sobre os valores de Y e e definida da seguinte maneira
P (X = xi | Y = yj ) =
P (X = xi , Y = yj )
P (Y = yj )
(2.7)
P (Y = yj | X = xi ) =
P (X = xi , Y = yj )
P (X = xi )
(2.8)
ou
2.7.9 - Vari
aveis Aleat
orias Independentes
Exatamente da maneira pela qual foi definido o conceito de independencia de dois eventos
A e B, agora defini-se variaveis aleatorias independentes. Intuitivamente pode-se dizer que
X e Y sao variaveis aleatorias independentes quando o resultado de X, por exemplo, de modo
algum influencia o resultado de Y , com base neste fato, pode-se aplicar a seguinte definic
ao:
P (X = xi | Y = yj ) =
P (X = xi ) P (Y = yj )
P (Y = yj )
(2.9)
onde: P (X = xi , Y = yj ) = P (X = xi ) P (Y = yj )
2.7.10 - Fun
c
oes de Vari
aveis Aleat
orias
Ao definir uma variavel aleatoria X, e evidente que X e uma func
ao definida a partir do
espaco amostral S para os n
umeros reais. Ao se definir vari
avel aleatoria bidimensional (X, Y )
se estar interessado em um par de func
oes, X = x(s), Y = y(s), cada uma das quais e definida
no espaco amostral de algum experimento e associa um n
umero real a todo s S, dessa maneira
entao fornecendo uma variavel aleatoria bidimensional (vetor bidimensional) [X(s), Y (s)].
Caso se considere uma variavel aleatoria Z definida como Z = H(X, Y ), uma func
ao de
duas variaveis aleatorias X e Y . Fica evidente que Z = Z(s) e tambem uma vari
avel aleatoria.
Consideremos as seguintes etapas:
1. Executar o experimento e obter o resultado s.
2. Calcular os n
umeros X(s) e Y (s).
3. Calcular o n
umero Z = H[X(s), Y (s)].
O valor de Z depende evidentemente de s, o resultado original do experimento, ou seja, Z =
Z(s) e uma funcao que associa um n
umero real Z(s) a todo resultado s S. Conseq
uentemente,
Z e uma funcao (variavel aleatoria), que pode representar as seguintes vari
aveis aleatorias:
X + Y , X Y , X | Y , M in(X, Y ) e M ax(X, Y ).
DEPARTAMENTO DE ESTATISTICA/UFPA
2.7 - Vari
avel Aleat
oria Discreta
62
0,1
0,1
0,1
0,2
0,3
0,1
0,1
P(X = x)
P(Y = y)
(f ) Calcule P (X = 1, Y 2).
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
63
2.8 - Vari
aveis Aleat
orias Contnuas
Considerou-se anteriormente as vari
aveis aleatorias discretas e suas func
oes de probabilidade
como, por exemplo, Bernoulli, Binomial, Geometrica, Hipergeometrica e Poisson. Nas aplicac
oes,
estas variaveis aleatorias representam tipicamente o n
umero de objetos de uma certa caracterstica, como o n
umero de bolas vermelhas em uma amostra aleatoria de tamanho n, com
ou sem reposicao, ou n
umero de chamadas que chegam a uma central telefonica em um minuto.
Existem muitas situacoes, tanto teoricas quanto aplicadas, em que as vari
aveis aleatorias
naturais a considerar sao contnuas ao inves de discretas. como aproximac
ao inicial, podemos
definir uma variavel aleatoria contnua X em um espaco de probabilidade S como uma func
ao
X(s), s S, tal que, P ({s | X(s) = x}) = 0, < x < +, isto e, tal que, X assume qualquer
valor especfico x com probabilidade zero.
facil pensar em exemplos de vari
E
aveis aleatorias contnuas. Considera-se inicialmente, um
modelo probabilstico para os tempos de desintegrac
ao de um n
umero finito de particulas radioativas. Seja T o tempo que decorre ate a desintegrac
ao da primeira partcula. Ent
ao, T e
uma variavel aleatoria contnua, pois a probabilidade de que a primeira desintegrac
ao ocorra
em um tempo especfico (por exemplo, T = 2.0000... segundos) e zero. Como segundo exemplo,
considera-se o experimento de escolher ao acaso um ponto de um subconjunto S do espaco euclidiano n-dimensional finito nao nulo. Seja X a vari
avel aleatoria que representa a primeira
coordenada do ponto escolhido. Supoem-se por exemplo, que n = 2 e que S seja um disco de raio
unitario no plano, centrado na origem. Ent
ao, o conjunto de pontos em S que tem a primeira
coordenada zero e um segmento de reta no plano. Qualquer segmento como este tem area zero
e portanto probabilidade zero.
De forma geral, as variaveis aleatorias que representam medidas de grandezas fsicas como
coordenadas espaciais, peso, tempo, temperatura e voltagem sao descritas mais adequadamente
como variaveis aleatorias contnuas. Vari
aveis aleatorias associadas `as contagens de objetos ou
eventos sao exemplos tpicos de vari
aveis aleatorias discretas.
Entretanto, existem casos em que tanto a formulac
ao discreta como `a contnua poderiam ser
apropriadas. Assim, embora normalmente a medida de comprimento seja considerada como uma
variavel aleatoria contnua, pode-se considerar a medida arredondada para um certo n
umero de
casas decimais, e portanto, como sendo uma vari
avel aleatoria discreta.
2.8.1 - Vari
aveis Aleat
orias e suas Fun
c
oes de Distribuic
ao
Nas aplicacoes, uma variavel aleatoria representa uma quantidade numerica definida em termos do resultado de um experimento aleatorio. Matematicamente, entretanto, uma vari
avel
aleatoria X e uma funcao real definida em um espaco de probabilidade. Naturalmente deseja-se
que P (X x) seja definida para todo n
umero real x. Em outras palavras, se S for um espaco
de probabilidade sobre o qual se define X, deseja-se que
{s | X(s) x}.
Seja um evento (isto e, um elemento do espaco amostral). Isto implica nas definic
oes a seguir
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
64
Defini
c
ao 2.8.1. Uma vari
avel aleat
oria X em um espaco de probabilidade S e uma func
ao real
X(s), s S, tal que {s | X(s) x} e um evento para < x < +.
Defini
c
ao 2.8.2. A funca
o de distribuic
ao F de uma vari
avel aleat
oria X e uma func
ao
F (X) = P (X x), < x < +
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
65
Defini
c
ao 2.8.3. Chama-se `
a vari
avel aleat
oria X de vari
avel aleat
oria contnua se
P (X = x) = 0, < x < .
Observa-se que X e uma variavel aleatoria contnua se, sua func
ao de distribuic
ao F for
contnua para todo x, isto e, se F for uma func
ao contnua. Portanto, caso X seja uma vari
avel
aleatoria contnua, entao alem da Definic
ao 2.10.1 temos que
P (a < X < b) = P (a X b) = P (a X < b) = F (b) F (a),
de modo que < e podem ser usados indiscriminadamente neste contexto.
Defini
c
ao 2.8.4. Uma funca
o de distribuic
ao e qualquer func
ao F que satisfaz as propriedades
(i)-(iv), isto e,
(i) 0 F (x) 1 para todo x,
(ii) F e uma func
ao n
ao-decrescente de x,
(iii) F () = 0 e F (+) = 1
(iv) F (X + ) = F (x) para todo x.
Em textos mais avancados demonstra-se que se F for uma func
ao de distribuic
ao, necessariamente existe um espaco de probabilidade e uma vari
avel aleatoria X definida neste espaco tal
que F e a funcao de distribuicao de X.
f (x) dx = 1
(2.10)
(2.11)
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
66
2.8.4 - Valor M
edio de Uma Vari
avel Aleat
oria Contnua
Defini
c
ao 2.8.6. Como a func
ao f (x) e senpre n
ao-negativa, pode-se escrever a esperanca
como:
Z +
E(X) =
X f (x) dx.
(2.12)
2.8.5 - Vari
ancia de Uma Vari
avel Aleat
oria Contnua
A extensao do conceito de variancia para vari
aveis aleatorias contnuas e feita de maneira semelhante e equivalente ao caso de uma vari
avel aleatoria discreta, ou seja,
V ar(X) = E(X 2 ) [E(X)]2
= (X E(X))2
Z +
=
(X E(X))2 f (x) dx.
(2.13)
Exemplo 2.8.1. O ponteiro dos segundos de um relogio mecanico pode parar a qualquer momento (instante), devido a algum defeito tecnico, ou termino da bateria, e indica-se por X o
angulo que esse ponteiro forma com o eixo imaginario passando pelo centro do mostrador e pelo
n
umero 12, como e apresentado na Tabela 2.10.
Tabela 2.10 - Deslocamento dos Ponteiros de um Rel
ogio
X
0o
6o
12o
18o
342o
348o
354o
360o
P (x)
1
60
1
60
1
60
1
60
1
60
1
60
1
60
1
60
E(X) =
X f (x) dx,
entao
Z 360
1
1
X 2 360
1
dx =
X dx =
|
360
360 0
360
2 0
0
1
1
1
1
=
[(360)2 (0)2 ]
=
[(360)2 ]
360
2
360
2
2
1
(360)
360
=
=
360
2
2
E(X) =
360
= 180.
Calcula-se conseq
uentemente a vari
ancia para a vari
avel aleatoria X, ou seja,
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
67
V ar(X) =
(X E(X))2 f (x) dx
1
360
1
=
360
1
=
360
1
=
360
=
i
hR
1
1
dx =
0360 (X 2 2 X 180 + (180)2 ) dx
360
360
i
hR
R
R
0360 X 2 dx 0360 2 X 180 dx + 0360 (180)2 dx
X 2 360
X 3 360
| 360
| + (180)2 X|360
0
3 0
2 0
(360)3 03
2
2
2
(180 (360 0 )) + (180) (360 0)
3
3
1
15.552 23.328 + 11.664 103 =
(3880) 103
360
= 10.800
f (x) =
1
;
ba
se a x b,
O grafico da f.d.p. e dado pela Figura 2.5 e o Grafico da f.d.a. e dado pela Figura 2.6
f(x)
0,130
0,125
0,120
-4
-3
-2
-1
1
I
(x), a x b; < a < b < +.
b a [a,b]
(2.14)
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
E(X) =
68
(b a)2
V ar(X) =
.
12
0, se x < a
xa
, se a x < b
f (x) dx =
ba
1, se x b
a+b
2
F (x) = P (X x) =
F(x)
1,0
0,5
0,0
x
-10
a = 9
b = 11
10
X U (a, b)
1, se 1/2 x 1/2
f (x) =
0, caso contrario.
Verifica-se que,
1/2 + 1/2
0
(b a)2
(1/2 + 1/2)2
1
a+b
=
= = 0 e V ar(X) =
=
= .
2
2
2
12
12
12
1, se x > 1/2.
E(X) =
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
69
Fun
c
ao Densidade de Probabilidade Normal:
Apresenta-se agora um modelo fundamental em Probabilidade e Inferencia Estatstica.
Suas origens remetem-se a Gauss em seus trabalhos sobre erros de observac
ao astronomica,
por volta de 1810, de onde se da a origem do nome distribuic
ao Gaussiana para tal modelo.
Defini
c
ao 2.8.8. Diz-se que a vari
avel aleat
oria X tem Distribuic
ao Normal com
par
ametros e 2 , onde < < + e > 0, se sua func
ao densidade de probabilidade e dada por
f (x) =
2 2
(x )2
2 2 ; se x +,
e
0, caso contrario.
+1
+2
+3
68,26%
95,46%
99,73%
f (x; , 2 ) =
2 2
(x )2
2 2 ;
e
E(X) =
(2.15)
V ar(X) = 2 .
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
70
1
(z) =
e 2;
2
z +.
(2.16)
(z)
0,4
0,3
0,2
0,1
0,0
-4
-3
-2
-1
(x )2
2 2 ,
e
de ate y, ou seja,
Z
F (y) =
f (x; , 2 ) dx, y R.
(2.17)
A integral de F (y) corresponde a area, sob f (x) desde ate y. No caso especfico da
normal padrao, utiliza-se a seguinte notac
ao, a qual e universal
Z
1
(y) =
(z) dz =
2
z2
e 2 dz.
(2.18)
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
71
P (X 10) = P
(b)
P (X 10) = P
x
10 10
1, 5
x
10 10
1, 5
(c)
= P (Z 0) = 0, 5.
= P (Z 0) = 0, 5.
x
15 10
12 10
<
<
1, 5
1, 5
P (X > 20) = P
20 10
x
1, 5
(e)
P (0 < X < 5) = P
= P (Z > 6, 67) 0.
0 10
x
5 10
<
<
1, 5
1, 5
5 10
x
10 10
<
<
1, 5
1, 5
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
72
Fun
c
ao Densidade de Probabilidade Exponencial: Uma distribuic
ao de probabilidade
importantssima e que tem aplicac
oes em confiabilidade de sistemas, assim como e capaz
de mensurar o tempo de vida u
til de equipamentos eletronicos e a distribuic
ao exponencial.
Defini
c
ao 2.8.9. A vari
avel aleat
oria X tem distribuic
ao exponencial com par
ametro
> 0, onde a func
ao densidade de probabilidade exponencial apresenta-se da seguinte
forma
1 e ; se x > 0,
f (x) =
0, x 0.
O grafico da f.d.p. e dado por
f(x)
1,0
0,5
0,0
x
0
E(X) =
Z
F (x) = P (X x) =
0
(2.19)
V ar(X) = 2 .
0, se x 0
f (x) dt =
1 e , se 0 < x < s
1, se x s.
X Exp ()
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
73
F(x)
1,0
0,5
0,0
0
P (T > 500) =
f (t) dt
500
t
R + 1
= 500
e 500 dt
500
t
1 R +
=
e 500
500 500
t +
1
=
500 (500) e 500 500
t +
=
e 500 500
500
= e 500 + e 500
= e1
= 0, 3678.
Conseq
uentemente, para t = 500 e = 500, ou seja, para os dados deste exemplo tem-se
que,
F (t) = P (T 500) = 1 e1 = 1 0, 3678 = 0, 6322
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
74
Fun
c
ao Densidade de Probabilidade Gama:
Defini
c
ao 2.8.10. Seja X a vari
avel aleat
oria que tem distribuic
ao Gama com par
ametros
e , onde a func
ao densidade de probabilidade dessa distribuic
ao apresenta-se da seguinte
forma
f (x) =
Portanto,
f (x | , ) =
x1 ex ; se x > 0,
()
0, x 0
E(X) =
Nota
c
ao: usa-se a notacao
V ar(X) =
(2.20)
X Gama (, )
(1/2)n/2 n 1 x
x 2 e 2 ; se x > 0,
(n/2)
f (x) =
0, x 0
Portanto,
f (x | n) =
(1/2)n/2 n 1 x
x 2 e 2 , x > 0, e n 1 (inteiro)
(n/2)
E(X) = n
Nota
c
ao: usa-se a notacao
(2.21)
V ar(X) = 2n
X 2n
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
75
Fun
c
ao Densidade de Probabilidade F-Snedecor:
Defini
c
ao 2.8.12. Seja X a vari
avel aleat
oria que tem distribuic
ao F-Snedecor com
par
ametro m e n, onde a func
ao densidade de probabilidade dessa distribuic
ao apresenta-se
da seguinte forma
f (x) =
m + n
2
(m/2)(n/2)
m m/2
m
1
2
m m+n
2
1+
x
; se x > 0,
n
0, x 0
Portanto,
f (x | n) =
m + n
2
(m/2)(n/2)
m m/2
n
m m+n
m
2
x
x 2 1 1 +
,
n
(2.22)
n
n2
V ar(X) =
2n2 (m + n 2)
m(n 2)2 (n 4)
X Fm,n
Nota
c
ao: usa-se a notacao
n
+
1
n+1
2 2
1
2
x
f (x) =
(n/2)
n
n
Portanto,
n+1
2
f (x | n) =
(n/2)
x2
1+
n
E(X) = 0
Nota
c
ao: usa-se a notacao
n+1
2
n
n2
X tn
DEPARTAMENTO DE ESTATISTICA/UFPA
2.8 - Vari
aveis Aleat
orias Contnuas
76
Fun
c
ao Densidade de Probabilidade Beta:
Defini
c
ao 2.8.14. Seja X a vari
avel aleat
oria que tem distribuic
ao Beta com par
ametro
a e b, onde a func
ao densidade de probabilidade dessa distribuic
ao apresenta-se da seguinte
forma
b1
a+b
; para 0 < x < 1
xa1 1 x
f (x) =
(a) (b)
0
Portanto,
b1
a+b
, 0 < x < 1, a > 0 e b > 0
f (x | a, b) =
xa1 1 x
(a) (b)
E(X) =
Nota
c
ao: usa-se a notacao
a
a+b
V ar(X) =
(a +
b)2
(2.24)
ab
(a + b + 1)
X Beta(a, b)
DEPARTAMENTO DE ESTATISTICA/UFPA
77
(a)
(b)
(c)
(d)
P(x)
p2
p2
p2
Obtenha o valor de p;
Adistribuicao acumulada;
P(X 4);
P(X < 3).
2. Uma urna contem 4 bolas brancas e 6 pretas. 3 bolas sao retiradas com reposic
ao. Seja X
a variavel aleatoria que representa o n
umero de bolas brancas, calcule:
(a) E(X);
(b) Var(X);
(c) P(X = 3).
3. Sabe-se que uma moeda mostra a face cara o quadruplo de vezes do que a face coroa,
quando lancada. Esta moeda e lancada 4 vezes. Seja X o n
umero de vezes que se obtem a
face cara. determine:
(a)
(b)
(c)
(d)
E(X);
Var(X);
P(X 2);
P(1 X 3).
P(x)
1
5
1
5
1
5
1
5
1
5
Calcule:
(a)
(b)
(c)
(d)
E(X);
E(X 2 );
E(X + 3)2 ;
Var(3X-2).
DEPARTAMENTO DE ESTATISTICA/UFPA
78
5. Em um experimento de lancar uma moeda honesta sobre a superfcie de uma mesa plana e
verificar a face da moeda. Observa-se 20 lancamentos dessa moeda. Qual a probabilidade
de sarem 10 caras?
6. Um sinalconsiste de uma series de vibrac
oes de magnitude X. Um rudo consiste de
uma serie de vibracoes de magnitude Y , apresentando os valores 2, 0 e -2, com proba1 2 1
bilidades ,
e
respectivamente, se rudos e sinais sao combinados de vibrac
oes sin6 3 6
cronizadas, a soma dos mesmos consiste de vibrac
oes de magnitude Z = X + Y . Construir
a funcao de probabilidade de Z e calcular: E(Z) e Var(Z), admitindo independencia entre
1
rudo e sinal. a variavel X assume os valores 1, 0 e -1, cada um com probabilidade .
3
7. As probabilidades de que haja em cada carro que va a Santos no sabado com 1, 2, 3, 4, 5
ou 6 pessoas, sao respectivamente: 0,05; 0,20; 0,40; 0,15; 0,12 e 0,08. Qual o n
umero medio
de pessoas por carro? Se chagarem a Santos 4.000 carros por hora, qual o n
umero esperado
de pessoas na cidade, em 10 horas de contagem?
8. Seja X: o n
umero de caras e Y : o n
umero de coroas, quando sao lancadas 3 moedas.
Calcular a media e a variancia de Z = 2X + Y .
9. As variaveis aleatorias X e Y s
ao independentes e tem as distribuic
oes de probabilidade
expressas por:
Tabela 2.13
X
P(x)
0,4
0,6
P(y)
0,2
0,8
P(X = x)
0,5
0,5
0,2
0,05
0,25
0,25
0,25
P(Y = y)
0,5
0,2
0,3
DEPARTAMENTO DE ESTATISTICA/UFPA
79
Tabela 2.15
T
P(t)
0,1
0,1
0,3
0,2
0,2
0,1
DEPARTAMENTO DE ESTATISTICA/UFPA
80
15. Durante um concurso realizado, verificou-se que o tempo gasto no exame de vestibular
de uma universidade tem distribuic
ao normal, com media igual `a 120 minutos e vari
ancia
igual `a 225 minutos. De posse dessas informac
oes, e sabendo-se que T : tempo gasto no
exame de vestibular. T N (120, 225).pergunta-se:
(a) Sorteando-se um aluno ao acaso, qual a probabilidade dele terminar o exame antes de
100 minutos?
(b) Sorteando-se novamente um aluno ao acaso, qual e a probabilidade dele terminar no
maximo em duas horas e meia (150 minutos)?
16. Dado uma variavel aleatoria X a qual apresenta distribuic
ao normal com media 20 e
variancia 25, ou seja, X N (20, 25). Calcular:
(a) P(X 30);
(b) P(5 X 20);
(c) P(X 10).
17. Dado uma variavel aleatoria X a qual apresenta distribuic
ao normal com media 10 e
variancia 16, ou seja, X N (10, 16). Calcular:
(a) P(X 5);
(b) P(15 X 35);
(c) P(X 20).
18. A variavel aleatoria X tem f.d.p. dada por:
1 x
+ 1 ; para 0 x 20,
40 10
f (x) =
0, caso contrario.
Calcule,
(a) E(X);
(b) Var(X).
19. A variavel aleatoria contnua bidimensional (X, Y ) tem a distribuic
ao conjunta dada por:
3xy 2
; para 0 x 1, 0 y 2
4
f (x) =
0, caso contrario.
Determine,
(a) As distribuicoes marginais de X e Y ;
CARVALHO Jr., J.G.
DEPARTAMENTO DE ESTATISTICA/UFPA
81
0,5
0,2
0,05
0,25
21. As alturas dos alunos de uma escola do ensino medio de um determinado municpio do
Estado do Para sao normalmente distribuidos com media 1,60 metros e desvio padrao 0,30
metros. Encontre a probabilidade de um aluno medir:
(a) Entre 1,50 e 1,80 metros;
(b) Menos de 1,50 metros;
(c) Entre 1,65 e 1,80 metros;
(d) Mais de 1,90 metros.
22. O tempo necessario para um medicamento contra a dor fazer efeito foi modelado segundo
uma funcao densidade de probabilidade Uniforme no intervalo de 5 a 15 minutos, tendo por
base experimentos conduzidos em animais. Um paciente, que esteja sofrendo dor, recebe o
remedio e, supondo valido o modelo uniforme, qual a probabilidade da dor:
(a) Cessar em ate 10 minutos;
(b) Demorar pelo menos 12 minutos.
23. A funcao densidade de probabilidade dada abaixo
2x
2e ; para x 0
f (x) =
0;
para x 0
DEPARTAMENTO DE ESTATISTICA/UFPA
82
kx;
para se 0 x < 5
f (x) =
0;
para x < 0 ou x > 10
25. Suponha que uma variavel aleatoria X tenha f.d.p. dada por:
2x
+ k;
5
f (x) =
0;
Calcule:
(a) Qual e o valor de k?
1
?
4
0;
para x 0 ou x > 1
Calcule:
(a) O valor de k para que f (x) seja uma f.d.p.;
1
(b) P (0 X );
2
(c) E(X);
(d) Var(X).
27. Suponha uma variavel aleatoria discreta X tendo a seguinte distribuic
ao de probabilidades:
Tabela 2.17
X
P(x)
0,1
0,2
0,4
0,2
0,1
DEPARTAMENTO DE ESTATISTICA/UFPA
83
DEPARTAMENTO DE ESTATISTICA/UFPA