UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO

INSTITUTO DE FLORESTAS
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS AMBIENTAIS E FLORESTAIS
 
 
  

 
Diagnósticos Biométricos em Experimentação e Amostragem
Prof. Jorge M. Maeda
 
 
   
 
 
Israel Dias de Carvalho
Juliana Labre
Rodrigo Zucaratto
 
 
 
 
Março, 2011
 Variáveis Aleatórias e distribuição de probabilidades

Definição de v.a.

Mais formalmente, é a regra matemática (ou função) que atribui um determinado valor
numérico para cada resultado possível de um experimento no espaço amostral.

Associa elementos do espaço amostral a valores numéricos.

“São medidas associadas a fenômenos (experiências) aleatórios de um estudo”

As variáveis aleatórias podem assumir duas formas:

(1) Variável Aleatória Discreta

(2) Variável Aleatória Contínua

 
1 – Variável Aleatória Discreta: é aquela que assume
apenas um número finito (ou infinito numerável) de valores
contáveis. Como por exemplo, a presença ou ausência de
uma determinada espécie (que assume valores 1 ou 0), o
número de nascimentos, etc.
 Função de distribuição de probabilidade para variável aleatória discreta

Seja X uma v. a. discreta, sua função de distribuição de probabilidade é a fx(xi) que associa, a
cada valor possível xi de X, sua respectiva probabilidade, calculada da seguinte forma:

fx(x) = P(X=xi)= P(Ai), i=1,2,….,n

Calculando a função de distribuição de probabilidade:

1 – identifique todos os possíveis valores de x da variável aleatória X;

2 – identifique os resultados que dão origem a cada valor de x e suas respectivas

probabilidades;

3 – somar todas as probabilidades para obter fx(x)

Existem características numéricas que são muito importantes em uma distribuição de
probabilidades de uma variável aleatória discreta. São os seus parâmetros das distribuições:

(A) Esperança matemática (ou simplesmente média) - E(x) – é um número real, é também
uma média aritmética.

E(X) = ∑ipixi = ∑ixiPr (X = xi)

(B) Variância - Var(x) – é a medida que dá o grau de dispersão ( ou de concentração) de

probabilidade em torno da média.

Var (X) = E [X – E (X)]2 = EX2 – [E (X)]2

(C) Desvio Padrão – DP(X) – é a raiz quadrada da variância.

DP ( X )  Var ( X )
Algumas distribuições de probabilidade de v.a. discreta

A – Distribuição de Bernoulli
Descreve um simples experimento que tenha somente dois resultados possíveis: SUCESSO
ou FRACASSO. Por exemplo, o resultado de um exame médico para detecção de uma
doença é positivo ou negativo; no lançamento de uma moeda ocorrer ou não cara; no
lançamento de um dado ocorrer ou não a face “5”; a presença ou não de uma espécie rara
num determinado local;

Cabe ressaltar que a probabilidade de sucesso é geralmente denominada p e a probabilidade

de fracasso q, deste modo, temos p + q = 1.

A função de distribuição é dada por: P( X  x)  p x .q1 x

1
Média: E ( X )   x P( x )  0.q  1. p  p
i 0
i i

Variância: Var ( X )  E ( X 2 )  [ E ( X )] 2
1
E ( X )   xi2 P ( xi )  0 2 q  12 p  p
2

i 0

Var ( X )  p  p 2  p(1  p )  pq
B – Distribuição Binominal

Repetições independentes de um ensaio de Bernoulli, com a mesma probabilidade de

ocorrência de “sucesso”, dão origem ao modelo de probabilidade binomial. Em outras palavras,
a distribuição binomial, uma das distribuições mais importantes, pode ser empregada quando
se deseja calcular a probabilidade de um acontecimento composto por vários eventos.

Para que se tenha uma distribuição binominal é necessário:

1 – O experimento ser realizado em n repetições independentes;

2 – Cada repetição ser um experimento de Bernoulli;

3 – A probabilidade de sucesso em cada prova é p e de fracasso 1- p = q;

4 – Define-se então uma variável aleatória X, cuja formação é o número de sucesso nas n
repetições;
n
Função de probabilidade: P ( X  x)    p x q n  x
 
 x

Média: E ( X )  n. p Variância: Var ( X )  n. p.q

C – Distribuição de Poisson

Expressa a probabilidade de uma série de eventos ocorrer num certo período de tempo
(eventos ocorrem independentemente)

Características:

Experimento ser realizado em n repetições fixas e independentes e n tende ao infinito;

Em cada repetição ser um experimento de Bernoulli, com o detalhe de que p (sucesso) tende
a 0;

Ter uma variável aleatória cuja lei de formação é a quantia de sucesso nas n repetições;

A probabilidade de duas ou mais ocorrências simultâneas é praticamente zero;

As ocorrências são distribuídas uniformemente sobre o intervalo considerado;

O número de ocorrências durante qualquer intervalo depende somente da duração ou

tamanho do intervalo (quanto maior o intervalo, maior o número de ocorrências);

Poisson é comumente conhecida como a distribuição de eventos raros (p tende a 0). O

parâmetro λ é o valor médio do número de ocorrências do evento em cada amostra.
 e   .k
Função de probabilidade: P( X  k ) 
k!

Média:
E( X )  

Variância: Var ( X ) 

Exemplo de eventos raros:

 Ocorrer óbito, em mulheres grávidas devido à gestação;

 Criança, no útero da mãe, sofrer uma anomalia grave;

 Na sociedade, escolher um adolescente e ele ser usuário de cocaína;

 Uma pessoa sofrer o mal de Parkinson;

 Erros tipográficos por página, em um material impresso;

2 – Variável aleatória contínua

É aquela que assume qualquer valor dentro de um pequeno intervalo. Por exemplo, a
biomassa de um pássaro, a área de uma folha consumida por um herbívoro, a corrente
elétrica que passa num fio de cobre, o tempo de vida de uma lâmpada.

Podemos construir modelos teóricos para v.a.’s contínuas escolhendo adequadamente a

função de densidade de probabilidade (f.d.p.), que é uma função indicadora da probabilidade
nos possíveis valores de X.

Assim, a área sob a f.d.p. entre dois pontos a e b nos dá a probabilidade da variável assumir
valores entre a e b, conforme ilustrado na figura 1 a seguir.

P(a<X<b)

a b

Figura 1 - Probabilidade como área sob a curva entre dois pontos

F.d.p de v.a’s contínuas:

Propriedades:

 a área total sob a curva é igual a 1;

 P(a ≤ X ≤ b) = área sob a curva entre os pontos a e b;
 f(x) ≥ 0 (não negativa);
 P(X = xi) = 0;

b
Média: E ( X )   x  f ( x)dx
a

2
Var ( X )  E ( X )  [ E ( X )] 2
2
Var ( X )  E( X )  [ E ( X )] 2
onde onde
Variância: , onde
b
E( X 2
)   x 2
 f ( x ) dx b

x
2 2
E( X )   f ( x ) dx
a

Desvio padrão: DP( X )  Var ( X )

Distribuição normal (a mais famosa v.a. contínua)

Conhecida como a “curva em forma de sino”, tem sua origem associada aos erros de
mensuração.

Sabe- se que, quando se efetuam repetidas não se chega ao mesmo resultado todas as vezes

Obtém-se um conjunto de valores que oscilam, de modo aproximadamente simétrico, em

torno do verdadeiro valor

Gauss deduziu matematicamente a distribuição normal como distribuição de probabilidade

dos erros de observação, denominando-a então “lei normal dos erros”.

A equação da curva Normal é especificada usando dois parâmetros: a média populacional µ e

o desvio padrão σ, ou equivalentemente a variância populacional σ2
F.d.p. da distribuição normal:

Figura 2 – Curva normal típica

Propriedades

1) Para uma mesma média µ e diferentes desvios padrão σ, a distribuição que tem maior
desvio padrão se apresenta mais achatada, acusando maior dispersão em torno da média. A
que tem menor desvio padrão apresenta “pico” mais acentuado e maior concentração em
torno da média.
C

B
A


Figura 3 - Distribuições normais com mesma média e desvios padrão diferentes
2) Distribuições normais com o mesmo desvio padrão e médias diferentes possuem a mesma
dispersão, mas diferem quanto à localização. Quanto maior a média, mais à direita está a
curva.

B A

B A
Figura 4 – Distribuição com mesmo desvio e médias diferentes
Para a Distribuição Normal, a proporção de valores caindo dentro de 1, 2 ou 3 desvios
padrão da média são:
99.73 %

95.46 %

68.26 %

-3 -  + +3

-2 +2
Figura 5 – Probabilidades da distribuição normal
Na prática desejamos calcular as probabilidades para diferentes valores de µ e σ. Para isso,
a variável X cuja distribuição é N (µ, σ2) é transformada numa forma padronizada Z com
distribuição N (0, 1) - distribuição normal padronizada - pois tal distribuição é tabelada. A
quantidade Z é dada por:

X
-3 -  + +3
-2 +2

X-

Z

-3 -2 -1 0 1 2 3

Figura 6 – Transformação de uma N (µ, σ2) para uma N (0, 1)

Utilizando-se a transformação acima, podemos obter as probabilidades para qualquer N

(µ, σ2).