Introduo Teoria das Probabilidades

Eduardo Esteves

23 de Outubro de 2009
Departamento de Engenharia Alimentar, Instituto Superior de Engenharia da Universidade do Algarve, da Penha, 8005-139 Faro, Portugal. E-mail: eesteves@ualg.pt, URL:

http://w3.ualg.pt/~eesteves

Campus

Resumo
Este artigo constitui o segundo (grande) captulo das matrias leccionadas no mbito da disciplina de Estatstica Aplicada do 2 Ano do Curso de Engenharia Alimentar (cf. Esteves (2009) ). Pretende-se apresentar, explicar (ainda que de forma sucinta e relativamente informal) e exercitar os conceitos bsicos e as distribuies (tericas) de probabilidades mais relevantes.

Contedo
1 2 3 Introduo Perspectiva histrica (muito) resumida Conceitos bsicos
3.1 3.2 3.3 3.4 Provas aleatrias, acontecimentos possveis, evento e espao amostral . . . . . . . . . . . . . . . . . . Conceito de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Postulados das probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Teoremas das probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1 2 2
2 3 4 4

Distribuio de probabilidades
4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 Varivel aleatria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Distribuies de probabilidades de variveis discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . Distribuio Binomial Distribuio de Poisson Distribuio Normal Distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6
6 7 9 11 12 16 19 20

Distribuies de probabilidades de variveis contnuas Distribuio Normal Reduzida

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

t de Student

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Exerccios

21

Introduo

A ESTATSTICA diz respeito anlise e interpretao de dados (geralemente amostrais) com vista avaliao objectiva da validade das concluses que se obtiveram (relativamente populao). Os diversos MTODOS ESTATSTICOS que se empregam em ESTATSTICA APLICADA servem para colher, organizar, resumir, apresentar e/ou analisar dados de modo a obter concluses vlidas. A seleco criteriosa de amostras representativas duma populao ou a inferncia estatstica a partir dessas amostras baseiam-se em conceitos relacionados com probabilidades. Esta uma das aplicaes da teoria das probabilidades.

1 Esteves

E. (2009) Introduo aos Mtodos Estasticos e Estatstica Descritiva. Instituto Superior de Engenharia, Universidade do

Algarve, Faro, 14 p. [disponvel em

http://w3.ualg.pt/~eesteves]

Tabela 1: Acontecimentos possveis no lanamento simultneo de dois dados honestos de seis faces. 1 1 2 3 4 5 6 11 21 31 41 51 61 2 12 22 32 42 2 62 3 13 23 33 43 53 63 4 14 24 34 44 54 64 5 15 25 35 45 55 65 6 16 26 36 46 56 66

Perspectiva histrica (muito) resumida

Noes correntes de "possibilidade", "previsibilidade" ou "certeza" que vulgarmente no apresentam diculdade de compreenso ou de interpretao, so formalizadas e estudados pela TEORIA DAS PROBABILIDADES. Este ramo da matemtica desenvolveu-se sobretudo nos sculos XVII e XVIII, fruto do empenho dos franceses Blaise Pascal [1623-1662], Pierre de Fermat [1601-1665], Abraham de Moivre [1667-1754] e Pierre Simon Laplace [1749-1827] e do suo Jakob Bernoulli [1654-1705], com o intuito de "predizer" os resultados de jogos de azar, populares entre a nobreza francesa daquele tempo. Mais recentemente, na transio entre os sculos XIX e XX, o russo Andrei Nikolaevich Kolmogorov [1903-1987], entre outros, contribuiu muito para este ramo da matemtica. Ainda hoje se utilizam exemplos de jogos (dados e cartas) na apresentao deste tpico por causa das primeiras investigaes e aplicaes.

Conceitos bsicos

A ideia-base da Estatstica de que as observaes individuais so naturalmente variveis aleatrias, isto , os seus valores oscilam devido aos efeitos do Acaso. Quando assim no se verica, podemos pensar ou considerar que outras causas no-aleatrias esto a actuar (designados probabilidades.

tratamentos, factores, etc.). Antes de prosseguir para a anlise e

inferncia estatstica, importante sistematizar alguns dos conceitos mais simples relacionados com a teoria das

3.1

Provas aleatrias, acontecimentos possveis, evento e espao amostral

Uma PROVA ALEATRIA uma actividade a que correspondem dois ou mais ACONTECIMENTOS POSSVEIS. Antes de realizar a prova aleatria incerto o seu resultado, isto , qual dos acontecimentos possveis ir ocorrer. Exemplo 1. Quando se lana um dado, diz-se que se realiza uma prova aleatria. Nesta prova existem seis acontecimentos possveis: "sair" a face com 1, ou 2, ou 3, ou 4, ou 5 ou 6 pontos. Exemplo 2. Quando um tcnico de controlo da qualidade selecciona uma lata de sardinha (com o

objectivo de vericar se a lata defeituosa), diz-se que est a realizar uma prova aleatria, em que existem dois acontecimentos possveis: a lata (classicada como) defeituosa, ou no. Exemplo 3. Lanamento simultneo de dois dados. Nesta provas aleatria existem 36 acontecimentos possveis. Designa-se por ESPAO AMOSTRAL, referido por prova aleatria (e.g.

S, o conjunto de todos os acontecimentos possveis de uma

ai , bi

ci

designam os acontecimentos possveis de outros tantos espaos amostrais).

Exemplo 1. Lanamento de um dado, Exemplo 2. genricos

S = {1, 2, 3, 4, 5, 6}

ou genericamente

S = {a1 , a2 , a3 , a4 , a5 , a6 }.
ou em termos

Seleco de uma lata de sardinha,

S = {def eituosa, no def eituosa} a S = {11, 12, ..., 21, 22, ..., 66}
ou

S = {b1 , b2 }. S = {c1 , c2 , ..., c36 }

Exemplo 3. Lanamento simultneo de dois dados (Tab. 1).

Frequentemente, interessam sub-conjuntos do espao amostral. Cada sub-conjunto de acontecimentos possveis de um espao amostral desginado por EVENTO e usualmente representado por uma letra maiscula (A, etc.) diferente de

B, C,

S.

Tabela 2: Informao da tabela anterior, na qual os acontecimentos do evento favorvel soma dos pontos igual a 7 esto assinalados. 1 1 2 3 4 5 6 11 21 31 41 51 2 12 22 32 42 3 13 23 33 4 14 24 5 15 6

16
26 36 46 56 66

25
35 45 55 65

34
44 54 64

43
53 63

52
62

61

No lanamento nico de um dado (ver exemplos anteriores), considere-se o domnio do evento "nmeros pares"

A = {2, 4, 6}.

Usualmente, designa-se

resultados possveis, complementares de e constituem o evento complementar. indicados a sombreado na Tab. 2.

A como evento favorvel. Pelo contrrio, os restantes A, referem-se por A (alguns autores utilizam a notao Ac )
1, o evento

Se recorremos ao exemplo que deu origem Tab.

B = "soma dos pontas igual a sete" o sub-conjunto de S constituido pelos acontecimentos favorveis

3.2

Conceito de probabilidade

A Teoria das probabilidades pretende formular modelos de fenmenos (naturais) em que se supe intervir o Acaso, isto , a partir do passado no se pode prever deterministicamente o futuro mas podem encontrar-se taxas de realizao constantes de certos fenmenos.

Denio clssica de probabilidade

ou

A PROBABILIDADE

2 de ocorrer um evento A, designada por

P {A},

P (A),

denida classicamente:

P (A) =
em que

nA N N
o nmero de todos os acontecimenEsta denio de

nA

o nmero de acontecimentos favorveis que podem ocorrer e

tos possveis, desde que todos os acontecimentos sejam igualmente possveis ou equiprovveis.

probabilidade (estabelecida por Pierre Laplace em 1812) e ambas as expresses salientam o seu carcter aplicao no geral.

a priori.

Todavia, nem sempre os acontecimentos so igualmente provveis (nem o espao amostral nito), pelo que a sua

Qual a probabilidade de ocorrer um nmero impar num nico lanamento de um dado no viciado? O nmero de acontecimentos possveis 6, enquanto o nmero de acontecimentos favorveis 3 (isto , faces 1, 3 e 5). Assim, P(A) = 3/6 = 1/2. Se o dado estivesse viciado em favor do 6, por exemplo, j se no poderia aplicar a "denio clssica" de probabilidade. Porqu?

Denio de probabilidade como frequncia relativa

De modo similar s tabelas de frequncias poderemos

denir a frequncia relativa de um evento como a proporo do nmero total de acontecimentos possveis que esse evento representa. Ou seja, por denio a PROBABILIDADE o limite da frequncia relativa de determinado evento, quando o nmero de observaes, isto , o nmero de provas aleatrias cresce innitamente:

P (A) = lim
2 Para alm das denies clssica e frequencista

nA n

(apresentadas aqui), existe uma denio (perspectiva) subjectiva da probabilidade,

que se desenvolveu a partir do Teorema de Bayes (devido a Thomas Bayes [1702-1761]). Por razes vrias no ser abordada neste documento embora se possa adiantar que a corrente bayesiana defende que h medida que se adquire (alguma) informao se deve proceder a uma reavaliao das probabilidades consideradas a priori. Neste contexto, a atribuio de probabilidade a um dado evento, principalmente numa primeira fase, como sendo subjectiva, e por isso encarada como uma medida de credibilidade - a probabilidade uma expresso do estado de conhecimento sobre um certo sistema (Maria de Ftima Brilhante, Universidade dos Aores,

//www.uac.pt/~fbrilhante/MedicinaPagWeb/probabilidade_v2.pdf

http:

em 24/09/2009). Dito de outro modo, o teorema de Bayes mostra

como alterar as probabilidades a priori tendo em conta novas evidncias de forma a obter probabilidades a posteriori. Esta e as restantes denies aplicam-se, de forma natural, em certas e determinadas situaes contudo todas tm desvantagens.

em que

nA

o nmero de provas aleatrias em que o evento

uma denio

A ocorre e n o nmero total de provas aleatrias. Esta a posteriori de probabilidade. Genericamente, podemos descrever esta denio, recorrendo aos

conceitos de frequncia relativa

e de frequncia absoluta

F FA n

de que se falou anteriormente:

fA = f = 529/1000 = 0, 529.

Por exemplo, em mil lances de uma moeda, obtm-se 529 "caras". A frequncia relativa deste evento Faam-se outros 1000 lances da moeda e obtm-se 493 "caras". A frequncia relativa do acontecimento "caras" ser:

f = (529 + 493)/2000 = 0, 511.

Ou seja, quanto maior o nmero

de lances, mais prximo se estar da probabilidade de ocorrer "caras" num nico lanamento de uma moeda. Nota: Actualmente, considera-se esta probabilidade como sendo 0,5 (com um nico algarismo signicativo). FIGURA? A interpretao das probabilidades como frequncia-limite, corresponde ao Teorema de Bernoulli que, em resumo, diz o seguinte: num fenmeno aleatrio no se pode prever o resultado da prxima prova aleatria, mas pode prever-se globalmente a frequncia da sua observao numa longa srie de provas. De facto, a frequncia (de um evento) deve entender-se como uma medio fsica de uma grandeza terica, a PROBABILIDADE associada a esse evento.

Denio de probabilidade relacionada com a Teoria dos conjuntos

Modernamente, desde a axioma-

tizao em 1933 por Andrei N. Kolmogorov, prefere-se fundamentar os teoremas das probabilidades na teoria dos conjuntos, pois recorre a menos e mais simples axiomas. Alis, os conceitos bsicos iniciais que se introduziram anteriormente derivam dessa abordagem ao problema (Fig. 1). Alguns dos axiomas e teoremas mais importantes so abordados na seco seguinte. Neste texto (e na aplicao prtica da Estatstica), sero utilizadas as vrias denies de probabilidades consoante o contexto do problema e a informao disponvel.

3.3

Postulados das probabilidades

Os conceitos anteriores e a teoria das probabilidades baseiam-se em POSTULADOS , ou axiomas, que se exigem pragmticos e consistentes (ou coerentes e compatveis) dos quais trs so: 1. Para qualquer acontecimento

ai ,

de um espao amostral S, a probabilidade de ocorrer esse resultado favorvel

varia entre zero e um, inclusivamente:

0 P (ai ) 1
2. Para qualquer evento dos acontecimentos

do espao amostral

S,

a probabilidade desse evento o somatrio das probabilidades

ai

favorveis nele includos:

P (A) =
3. A probabilidade do espao amostral daqueles que ocorrem fora de

P (ai )

igual a um e a probabilidade de acontecimentos impossveis (isto ,

S,

e que se incluem no conjunto

em que

l-se "Fi") zero:

P (S) = 1 P () = 0

3.4

Teoremas das probabilidades

A utilizao prtica dos axiomas, permitiu o desenvolvimento de concluses fundamentais ou TEOREMAS , aux-

5 iliares preciosos em estudos de probabilidades, designadamente :

3 Entede-se 4 Teoremas

por postulado, ou axioma (um sinnimo relativamente cado em desuso), qualquer proposio aceite sem demonstrao

(Weisstein, Eric W. "Axiom." From MathWorldA Wolfram Web Resource em 21/10/2009).

http://mathworld.wolfram.com/Axiom.html,

consultado

so proposies (ou armaes) que se podem provar como verdadeiras, usando operaes e argumentos matemticos, consultado em 21/10/2009).

http://mathworld.wolfram.com/Theorem.html,
5 Outros

numa determinada estrutura lgica (ou sistema axiomtico) (Weisstein, Eric W. Theorem." From MathWorldA Wolfram Web Resource teorema(s), relacionados com probabilidades condicionais por exemplo, no esto, ainda, contemplados neste texto.

Figura 1: Representao esquemtica dum espao amostral imentos possveis

associado a uma prova aleatria. Dos vrios acontec-

ai ,

apenas alguns pertencem ao evento

A.

Figura 2: Diagramas de Venn, representando eventos mutuamente exclusivos (A e B), eventos independentes (C e D) e complementares (E e ~E) nos respectivos espaos amostrais S. rea sombreada refere-se s probabilidades que se pretendem determinar de acordo com os Teoremas de probabilidade.

amostral

Teorema da adio Para dois eventos (ou acontecimentos) MUTUAMENTE EXCLUSIVOS A e B de um espao S, a probabilidade de ocorrer UM OU O OUTRO evento igual soma das respectivas probabilidades

individuais, ou seja:

P (A B) = P (A) + P (B)
em que

se l "ou".

Podemos extender este teorema a mais do que dois eventos mutuamente exclusivos. Entende-se

que eventos mutuamente exclusivos so aqueles que no ocorrem simultaneamente: se ocorre de outro modo, a interseco dos conjuntos (eventos) painel da esquerda).

A, no ocorre B. Dito A e B no espao amostral S um conjunto nulo (Fig. 2,

Teorema da multiplicao

Para dois eventos INDEPENDENTES

C e D de um espao amostral S a probabil-

idade de OCORREREM SIMULTANEAMENTE igual ao produto das probabilidades, isto :

P (C D) = P (C) P (D)
em que

se l "e".

Por eventos independentes, entende-se que um dos eventos no determina ou inuencia o

resultado do(s) outro(s) (Fig. 2, painel central).

Teorema da complementaridade Para qualquer evento E de um espao amostral S, a probabilidade de no c ocorrer E, designado por P ( E) ou P (E ), igual a:

P ( E) = 1 P (E)
sendo que

P ( E),

representa o evento complementar de

E (Fig. 2, painel da direita).

Figura 3: Representao esquemtica do conceito de funo varivel aleatria, v.a. (linhas contnuas no topo da gura).

- espao amostral duma prova aleatria,

A - evento, ai

- acontecimento possvel, e

xi

- resultado possvel.

4
4.1

Distribuio de probabilidades
Varivel aleatria

A ligao entre a teoria das probabilidades e a estatstica aplicada materializada pela noo de varivel aleatria. At agora, tm-se considerado genericamente espaos de acontecimentos. Porm, certas experincias (ou provas) aleatrias podem dar origem a resultados numricos (por exemplo, nmero de reprovaes na disciplina por ano lectivo, durao do efeito de um desinfectante, volume duma embalagem, etc.). Noutros casos, substituem-se os resultados no-quantitativos por nmeros para simplicar ou facilitar a anlise desses resultados. Recordem-se os conceitos de varivel contnua e discreta, e de amostragem aleatria, como mtodo necessrio para a anlise estatsticamente vlida dos assuntos. Assim sendo, importante denir o que uma varivel aleatria e as suas principais caractersticas (ou propriedades): estatstica , mais ou menos, a seguinte: sejam desse espao amostral um nmero real (Fig. 3). A terminologia usada um tanto infeliz mas universalmente aceite. Torna-se claro que

uma VARIVEL ALEATRIA quando o seu valor (numrico) (l-se "psilon") uma prova aleatria (ou experincia) e

determinado pelo acontecimento possvel de uma prova aleatria. A denio que se encontra nos manuais de

um espao

amostral associado a essa prova aleatria; uma funo

que associe a cada acontecimento possvel (elemento)

ai

X(ai ),

ou mais simplesmente

xi ,

denominada VARIVEL ALEATRIA

uma funo,

contudo denominamo-la varivel (aleatria)! evidente que nem todas as funes imaginrias se podem considerar variveis aleatrias. Um requisito importante que as probabilidades dos acontecimentos e respectivos resultados (da funo varivel) sejam bem denidos e consistentes com os axiomas bsicos (ver tpico anterior). Na maior parte das utilizaes no se indica a natureza funcional da varivel aleatria referir uma varivel aleatria). Geralmente, interessam mais os valores possveis da v.a.

X (neste texto, usaremos v.a. para X do que "a sua origem".

Exemplo 1: Quando se lanam simultaneamente dois dados, existem 36 acontecimentos possveis diferentes (ver Tab. 1). Se interessar "a soma dos pontos" podem obter-se 36 resultados dos pontos"). acontecimentos possveis obtm-se outros resultados

xi

(v.a.

- "soma

Se, por outro lado, se pretender estudar o produto dos pontos, ento para os mesmos

yi

(agora da v.a.

- "produto dos pontos").

Exemplo 2: Se se pretender estudar determinado sector de actividade, por exemplo a indstria conserveira, o espao amostral composto algumas das empresas do sector, seleccionadas com determinado critrio (p. ex. amostragem aletatria), ou seja por exemplo o n

S ={algumas das empresas conserveiras}. Para cada

empresa (acontecimento possvel) possvel estudar diferentes aspectos (qualidades ou caractersticas), de empregados (v.a. W), o volume de negcios (v.a. V), etc.

As probabilidades dos resultados possveis duma v.a.

X,

i.e.

P (xi ),

tambm se podem estudar.

Para esse m

podem utilizar-se as distribuies (ou leis) de probabilidades.

4.2

Distribuies de probabilidades de variveis discretas

No caso das VARIVEIS DISCRETAS, a varivel aleatria

pode tomar valores

que estabelece uma correspondncia entre o resultado da varivel aleatria denomina-se FUNO DENSIDADE DE PROBABILIDADE, e Consideremos uma varivel anda, o espao amostral Neste caso,

xi , com i = 1, 2, ..., n. funo X(ai ), ou xi , e a respectiva probabilidade representa-se por P (X = xi ) ou P (xi ).

X que pode assumir os valores 0, 1 ou 2 (equiprovveis). Considere-se, S ={0,0,0,0,0,0,0,0,1,1,1,2}. A funo densidade da probabilidade P (X = xi )

faz corresponder a cada valor de

xi (resultado do acontecimento possvel) uma probabilidade P (xi ). P (X = 0) = 8/12 = 0, 6667, P (X = 1) = 3/12 = 0, 2500 e P (X = 2) = 1/12 = 0, 0833.
Poderemos

A funo densidade de probabilidade (de variveis discretas) semelhante s frequncias relativas. representar gracamente esta funo atravs dum histograma de frequncias relativas (Fig. 4a).

Contudo, poderemos estudar outras questes relativas aos mesmos resultados, para alm de saber qual a probabilidade igual a

P (X = xi )

para determinado

xi .

A probabilidade da varivel aleatria

tomar um valor inferior ou

xi

uma nova funo, que se representa por

P (X xi )

e se designa por FUNO DISTRIBUIO DE

PROBABILIDADE. Na prtica, esta funo similar s frequncias relativas acumuladas. Consideremos o exemplo anterior. A funo distribuio da probabilidade a cada valor de seja,

P (X xi ) faz corresponder xi (resultado possvel) o somatrio das probabilidades para os casos em que X xi , ou P (X 0) = 8/12 = 0, 6667, P (X 1) = 11/12 = 0, 9167 e P (X 2) = 12/12 = 1, 000.

Como anteriormente, podemos representar gracamente esta funo, agora por um polgono (de frequncias) (Fig. 4b).

Propriedades da funo densidade a) Para cada resultado de um acontecimento possvel

e um:

xi ,

com

i = 1, 2, ..., n,

a probabilidade pode variar entre zero

0 P (X = xi ) 1
b) O somatrio de todas as probabilidades dos resultados dos acontecimentos igual a um:

P (X = xi ) = 1
Propriedades da funo distribuio a)

P (X xi ),

com

i = 1, 2, ..., n,

sempre um valor entre zero e um:

0 P (X xi ) 1
b) A funo distribuio (das probabilidades) nunca decresce medida que
crescente.

xi

aumenta,

i.e. funo montona

Caratersticas da distribuio de probabilidades

possvel denir nas distribuies de probabilidade de

determinada varivel aleatria (v.a.), alguns "pontos" ou caractersticas com interesse estatstico. Estas caractersticas so similares a conceitos de estatstica descritiva que se abordaram anteriormente para amostras (medidas de localizao e de disperso), nomeadamente o valor mdio, a varincia e o desvio-padro duma distribuio de probabilidades. O VALOR MDIO da distribuio de probabilidades tambm designado por VALOR ESPERADO ou ESPERANA MATEMTICA, e representado por acontecimentos possveis

E{X}.

No caso de uma v.a. discreta

X,

tal que os resultados dos

xi ,

com

i = 1, 2, ..., n,

o valor mdio ser:

E{X} =

[xi P (X = xi )]

O valor mdio obtm-se a partir da importncia relativa do resultado de cada acontecimento possvel. Enquanto a mdia emprica, i.e. experimental, por se obter dos valores observados, o valor mdio uma noo terica visto ser calculado a partir da distribuio de probabilidades dos valores observveis (e no dos resultados observados!!). Pode interpretar-se como o valor terico (em geral desconhecido) de que as mdias so medies bastante prximas,

Figura 4: (a) Funo densidade de probabilidade duma v.a. discreta.

P (X = xi )

e (b) funo distribuio de probabilidade

P (X xi )

se o nmero de observaes (ou provas aleatrias) for bastante grande. mdio no necessariamente um valor assumido pela v.a.

O exemplo seguinte mostra que o valor

A variabilidade (ou a forma) da distribuio de probabilidades de uma v.a. discreta (ou descrita) pela VARINCIA,

X pode ser quanticada

V ar {X}

ou

V {X},

que dada para os resultados dos acontecimentos possveis

xi

por:

V {X} =
A raz quadrada positiva da varincia dades.

[(xi E{X})2 P (X = xi )]
designada por DESVIO-PADRO da distribuio de probabili-

V {X}

Aps o lanamento dum dado no-viciado, a varivel aleatria pode tomar os valores

- nmero de pontos na face visvel,

P (X = 1) = P (X = 2) = ... = P (X = 6) = 1/6. Ento, teremos que o valor mdio6 ser: E {X} = 1(1/6) + 2(1/6) + 3(1/6) + 4(1/6) + 5(1/6) + 6(1/6) = 21/6 = 3, 5. Por outro lado, a varincia V {X} = (1 3, 5)2 (1/6) + (2 3, 5)2 (1/6) + (3 3, 5)2 (1/6) + (4 3, 5)2 (1/6) + (5 3, 5)2 (1/6) + (6 3, 5)2 (1/6) = 2, 92. Ento V {X} = 2, 92 = 1, 71 o desvio-padro.
As respectivas probabilidades so Existem casos de distribuies (tericas) de probabilidades de variveis discretas que merecem ateno especial e estudo particular, nomeadamente as distribuies Binomial (Seco 3.3) e de Poisson (Seco 3.4) - estas distribuies constituem o cenrio probabilstico de vrias tcnicas de controlo estatstico da qualidade por exemplo.

xi = 1, 2, 3, 4, 5, 6.

4.3

Distribuio Binomial

Considere-se uma prova (experincia) aleatria que tem apenas dois acontecimentos possveis: um que se designa por "sucesso" (a1 ) e o seu complementar designado por "insucesso" (a0 ). Em cada p.a. a probabilidade de ocorrer

a1

p e q = (1 p) a probabilidadade do "insucesso", ambas constantes - prova aleatria de Bernoulli.

A distribuio independentes

binomial o modelo probabilstico adequado para os casos em que se consideram repetidas p.a. como a descrita. dados por(1 discreta que segue a distribuio binomial. De facto, as probabilidades de observar a v.a.

Nestes casos, o conjunto de resultados nas sucessivas provas constitui uma varivel aleatria

igual a

0, 1, 2, ..., n

so

p)n , n(p)(1 p)n1 , n!/2!(n 2)!(p2 )(1 p)n2 ,

...,

pn ,

em que

p a probabilidade de realizao do

acontecimento em cada prova. Aquelas quantidades correspondem ao desenvolvimento do binmio da a designao distribuio binomial. Na DISTRIBUIO BINOMIAL, devida a Jakob Bernoulli [1654-1705], numa sequncia de com reposio, a FUNO DENSIDADE DE PROBABILIDADE da v.a. discreta pode tomar os valores

[(1p)+p]n = 1,

n provas aleatrias

- nmero de "sucessos" - que

xi = 0, 1, 2, ..., n

dada por:

n P (X = xi ) = Cxi pxi (1 p)nxi

em que

de experincia para experincia,

p a probabilidade de ocorrer o resultado favorvel (ou sucesso) em cada prova e se mantm constante n n o nmero mximo de tentativas (ou provas aleatrias) independentes e Cx

(designado por vezes como coeciente binomial) dado pela expresso de clculo combinatrio:

n Cx =

n! x!(n x)!
x "sucessos"7 . A funo densidade de

i.e. em

n p.a. independentes existem

n Cx

maneiras diferentes de se obterem

probabilidades da distribuio binomial depende dos parmetros apenas dois acontecimentos possveis e de natureza qualitativa:

X que segue esta distribuio representa-se por

p e n, e usada quando cada prova aleatria tem a1 - sucesso ou 1; e a0 - insucesso ou 0. Uma v.a. X Binomial(n, p) ou X Binomial(n, p).
X

Em 3 lanamentos de um dado no-viciado (n = 3 provas aleatrias repetidas), a varivel aleatria - nmero faces com um ponto, pode tomar os valores

xi = 1, 2, 3

(Fig. 5). Mas, para cada resultado

xi

existem vrios casos (acontecimentos) possveis!

De facto, temos de considerar a ordem de sada

das faces com um ponto. Vamos abordar a questo considerando que o resultado "sada da face com

6 Curiosamente,

podemos vericar que a designao valor esperado no faz muito sentido uma vez que 3,5 no pode realmente ocorrer Se se anotar o resultado aps cda lanamento, a mdia do conjunto dos

neste exemplo! Talvez seja mais adequado utilizar a designao valor mdio! Se se imaginar a situao de lanamentos sucessivos dum dado, em cada lanamento o resultado pode ser 1, 2, etc. resultados possveis aps muitas (innitas) p.a. ser o valor mdio.

7 Tambm

se pode "ler" como o n de combinaes de ordem x de um conjunto de cardinal igual a n (com

x n).

Figura 5: Representao esquemtica dos possveis resultados favorveis ("face com um ponto") no lanamento simultneo de trs dados no-viciados. No entanto, nos casos em que as situaes possveis, pois no?

xi = 1

xi = 2

no esto representados todas

Tabela 3: Casos possveis no exemplo da pgina anterior (cf. Fig. 5). Probabilidades calculadas por aproximao e recorrendo funo densidade de probabilidades da distribuio binomial

xi
0 1 2 3

Casos (acontecimentos) possveis 000 100 ou 010 ou 001 110 ou 101 ou 011 111

Por aproximao 1(5/6)(5/6)(5/6) 3(1/6)(5/6)(5/6) 3(1/6)(1/6)(5/6) 1(1/6)(1/6)(1/6)

P (X = xi ). P (X = xi )
0,5787 0,3472 0,0694 0,0046

um ponto" consitui um sucesso e que todos os outros resultados possveis constituem um insucesso. Adicionalmente, vamos quanticar os sucessos com 1 e os insucessos com 0. Assim, para cada valor de

xi

(0, 1, 2 ou 3 faces com um ponto) o nmero total de casos possveis ser 1, 3, 3 e 1, respectivamente

(Fig. 5 e Tab. 3). Em cada uma das provas aleatrias sucessivas do exemplo anterior, a probabilidade de sair uma face com um ponto (um "sucesso") igual a

P (X = 1) = 1/6,

sendo que a

P (X = 1) = 1 1/6 = 5/6

(T. complementaridade). Ento a probabilidade de se realizar o acontecimento "101", por exemplo,

p(q)p = 1/6(5/6)1/6 = 5/216 (T. multiplicao).

e contabilizar todos os casos possveis! provas aleatrias sucessivas dado por calcular binomial (cf. Tab. 3).

Contudo, nem todas situaes permitem esquematizar

Podemos utilizar tcnicas matemticas para calcular aquelas

quantidades - combinaes. Ou seja, para um dado valor

X o nmero de combinaes possveis em n

n Cx

(tambm designado coeciente binomial). Assim, podemos

P (X = xi ) para cada um dos resultados possveis atravs da funo densidade de probabilidades P (X xi ) duma X xi .
v.a. com distribuio binomial obtm-se Existem tabelas com as probabilidades

A FUNO DISTRIBUIO DE PROBABILIDADES para determinados valores de

somando as probabilidades de cada um dos resultados em que

n e x que facilitam a resoluo de problemas envolvendo esta distribuio terica.

Excel ou OpenOce Calc) permitem

As mquinas de calcular mais recentes e as folhas-de-clculo (e.g. Microsoft calcular as probabilidades com facilidade.

Na distribuio binomial, tambm podemos calcular o valor mdio e a varincia da distribuio de probabilidades para descrever teoricamente a sua "localizao" e "forma". O VALOR MDIO da distribuio binomial dado por:

E{X} = n p
em que

p a probabilidade de ocorrer o resultado favorvel ("sucesso") em cada prova aleatria e

o nmero

provas aleatrias (independentes) realizadas (ou a realizar). possvel (com)provar a validade desta formulao recorrendo ao exemplo anterior. A VARINCIA da distribuio binomial pode calcular-se atravs de:

V {X} = n p (1 p)

10

Figura 6: Modicao da forma da funo de densidade de probabilidades da distribuio Binomial com a alterao de

p.

Varivel aleatria

com resultados possveis

xi = 1, 2, ..., 6.

Como se provou para quando

E{X},

tambm possvel (com)provar a aplicao desta formulao para calcular a varincia

da distribuio binomial. Tente demonstrar esta armao! A distribuio binomial desviada para a esquerda

p < 0, 5,

simtrica quando

p = 0, 5

e desviada para a direita quando

p > 0, 5

(Fig. 6).

Considere-se que o valor mdio da distribuio de probabilidades duma v.a. discreta dado por

[xi P (X = xi )], logo para 2(0, 0694) + 3(0, 0046) = 0, 5, exemplo, V {X} = 0, 4167.
4.4

o caso descrito no exemplo anterior, o mesmo que

E{X} = E{X} = 0(0, 5787) + 1(0, 3472) + E{X} = n p = 3(1/6) = 0, 5. Verique que, para este

Distribuio de Poisson

A distribuio de Poisson (devida a Simon Poisson [1781-1840]) pode entender-se como um caso particular da distribuio binomial e aplica-se nas situaes em que a probabilidade pequena ou quando

p de ocorrer determinado evento muito

bastante grande (em estatstica

n > 30

considerado como "grande"!) ou seja, quando

estamos a estudar acontecimentos "raros" (vrios autores sugerem que, se distribuio em vez da binomial).

n p < 5,

ser adequado usar esta

A designao "distribuio dos acontecimentos raros", utilizada por alguns

autores, advm das primeiras aplicaes, do prncipio do sc. XX e devidas a von Bortkiewicz. Aquele matemtico utilizou a distribuio de Poisson para descrever o nmero anual de mortos por coice de cavalo nos regimentos Prussianos de cavalaria. A FUNO DENSIDADE DE PROBABILIDADE da distribuio de Poisson dada por:

P (X = xi ) =
em que ( l-se "lambda"), v.a.

xi e xi !

X,

que representada por

probabilidades

> 0 e xi = 0, 1, ..., n (Fig. 7). Alguns autores referem-se a como valor mdio da X P oisson(). Como no caso da distribuio binomial, a funo distribuio de P (X xi ) obtm-se por adio das probabilidades dos resultados de X xi . E{X} = = n p = V {X}

O VALOR MDIO e a VARINCIA da distribuio de Poisson tm valor igual, ou seja,

Note-se que o valor mdio e a varincia so iguais. Esta uma propriedade muito interessante da distribuio de Poisson, se se atender s condies iniciais,

p 0.
11

Para um dado valor de

possvel consultar tabelas

Figura 7: Funes densidade de probabilidade de v.a. exemplo anterior) ou (b)

X e Y com distribuio de Poisson com (a)

e

= 3

(ver

= 0, 5,

em que

xi = 0, 1, 2, ..., 9

yi = 0, 1, 2, ..., 9.

Observe-se a assimetria em ambas as

distribuies de probabilidades.

de probabilidades para a funo densidade de probabilidades da distribuio de Poisson (tabelas com

x linhas e

colunas) e obter a probabilidade pretendida. Como no caso da distribuio binomial (e outras...) as calculadoras cientcas ou as folhas-de-clculo de uso comum permitem determinar as probabilidades com facilidade. O exemplo seguinte facilita a compreenso e sugere a utilidade desta distribuio terica. Uma fbrica de conservas produz, continua e cadenciadamente, cerca de 2330 latas de sardinha em molho de tomate por periodo de 8 horas de laborao e em mdia cerca de 7 latas so defeituosas. Qual a probabilidade de encontrarmos 3 latas defeituosas num lote de fbrica? Pode-se obter

p = 7/2330 = 0, 0030

de trs latas defeituosas num lote de 1000

n = 1000 latas adquiridas quela = n p = 1000(0, 003) = 3. Portanto a probabilidade x latas P (X = 3) = /x! e = 33 /3! e3 = 0, 2240. Para
e

calcular a probabilidade de ocorrerem at duas latas defeituosas nesse lote de 1000 latas, determina-se

P (X 2) = P (X = 0) + P (X = 1) + P (X = 2).
4.5 Distribuies de probabilidades de variveis contnuas

Em muitos problemas, torna-se necessrio ou matematicamente mais simples considerar um espao amostral para uma varivel aleatria

X, no qual todos os nmeros reais possveis (num intervalo especicado ou conjunto de interX contnua quando: (i) o seu valor numrico
(conjunto dos nmeros reais), ou seja,

valos) possam ser considerados como resultados possveis. Da ser necessrio utilizar variveis aleatrias contnuas. Em contraste com as v.a. discretas, diz-se que uma v.a. determinado pelo resultado de uma prova aleatria; e (ii)

xi

xi R

xi

pode

tomar qualquer um dos innitos (ou no-enumerveis) valores num certo intervalo em

R.

Exemplo 1. O consumo anual de energia elctrica para ns industriais, numa determinada regio (em

109

kW), v.a.

W, uma v.a. contnua. T, tambm uma

Exemplo 2. O tempo de prateleira (em dias) de determinado produto alimentar, v.a. v.a. contnua.

No caso das v.a. contnuas, a densidade de probabilidades est continuamente dispersa pelo espao amostral no caso de v.a.

ao

invs de se concentrar num conjunto discreto de resultados como acontece com as v.a. discretas (Fig. 8). Enquanto discretas a probabilidade do espao amostral "dividida" pelos resultados possveis, nas v.a. contnuas aquela probabilidade "est amassada" e distribuida pelos (no-enumerveis) resultados possveis esse motivo, a probabilidade da v.a. contnua acontecimento possvel (ou resultado)

xi .

Por

X tomar um valor particular

xi

nula. Contudo, um determinado

xi

quase-impossvel mas no impossvel pois em cada realizao da prova

aleatria (ou experincia) obtm-se sempre um resultado e, por conseguinte, possvel obter

xi .

Por outras palavras,

dizer que "a probabilidade pontual sempre nula" quer somente traduzir que nula a probabilidade de "acertar"

12

exactamente no resultado valores de

xi .

Logo, no caso das v.a. contnuas, as probabilidades estudam-se para intervalos de

X e no para valores "exactos" de X. Se se dividir a probabilidade de X tomar um valor do intervalo

ou seja,

[x; x + x]

pela amplitude desse intervalo

x,

obtm-se de forma aproximada a densidade de probabilidade da v.a.

X tomar um valor qualquer do intervalo

[x; x + x],

f (x) =
Rigorosamente, para um intervalo innitesimal dada por:

P (x < X < x + x) x dx de valores de X , a funo

densidade de probabilidade (f.d.p.)

f (x) = lim

P (x < X < x + x) dP (x < X < x + dx) = x0 x dx f (x) em vez de y = f (x), pelo eixo

ou seja, a FUNO DENSIDADE DE PROBABILIDADE de uma v.a. contnua, designada por

Pr(X = xi ),
intervalo

genericamente uma funo matemtica para a qual a rea limitada pela curva

das abcissas e pelas rectas

Y =x

Y = x + x

igual probabilidade da v.a. contnua

X assumir um valor do

[x; x + x]

(Fig. 9). Podemos re-escrever a equao anterior na forma de:

dP (x < X < x + dx) = f (x)dx

A probabilidade pretendida (gracamente corresponde rea mencionada acima e representada na Fig. 9a, uma vez que se obtm de um integral denido de uma funo no-negativa) pode ser obtida por integrao

8 de

f (x):

x+x

P (x < X < x + x) =
x
Um modo de calcular a probabilidade de primitivao, isto ,

f (x)dx [x; x + x]
resolver o integral por

X tomar um valor do intervalo

x+x

P (x < X < x + x) =
x
em que 9b).

f (x)dx = F (x + x) F (x)

F (x + x) e F (x) constituem as solues da primitiva de f (x) para os limites do intervalo considerado (Fig. F (x)
em vez de

Introduz-se, assim, a FUNO DISTRIBUIO DE PROBABILIDADES, que se designa

Pr(X xi ),

e que corresponde probabilidade da v.a.

contnua

X tomar um valor igual ou inferior a

xi

e,

portanto, corresponde rea sob a curva Genericamente,

y=f(x) esquerda de

xi
x

(Fig. 9a).

F (x) = P (X xi ) =

(note-se que o limite superior de integrao

f (u)du

x, pelo que h que considerar uma varivel de integrao distinta de

x, no caso a varivel

u). P (X = xi ), em domnios

Enquanto no caso discreto, a funo distribuio de probabilidades era obtida somando

contnuos aquela funo calculada por integrao da funo densidade de probabilidades (Fig. 9). A f.d.p. duma v.a. contnua

T, que representa o tempo de funcionamento sem avarias (expresso em dias)

dum determinado equipamento, dada por funcionar sem avarias por um periodo de

[e0,5 ]3 = e0,5 e1.5 = 0, 3834. A funo distribuio pode ser 1 t de f (x), ou seja: F (t) = 0, 5e0,5t du = [0, 5e0,5t ]t = 1 e0,5t . 0 0
dF (x) = f (x) , ou ento, dx concluses importantes:
1. 2.

f (t) = 0, 5e0,5t . Qual a probabilidade desse equipamento 3 3 f (t)dt = 1 0, 5e0,5t dt = 1 a 3 dias? P (1 < X < 3) = 1
obtida directamente por integrao

Neste contexto, possvel relacionar as funes densidade e distribuio de probabilidades de v.a.

contnuas,

F (x) = f (x)

em que

F (x)

a derivada de

F (x).

Desta relao resultam algumas

f (x) 0
+

(equao no-negativa) e

0 F (x) 1

(funo montona crescente e contnua)

f (x)dx = 1

(a rea ou probabilidade total igual a 1)

8O

integral

um objecto matemtico que se pode interpretar como uma rea, ou uma generalizao de uma rea. Juntamente

com as derivadas so os objectos fundamentais do Clculo.

13

Figura 8: Ilustrao da "relao" entre distribuies de probabilidades de v.a. discretas e contnuas (e.g. funo densidade de probabilidades

f (x )).

14

Figura 9: Representao grca: (a) duma funo densidade de probabilidades curva

f (x ), em que a rea assinalada sob

y = 12x(1 x)2 ,

acima dos eixo das abcissas e entre as semi-rectas verticais contnua

Y = x e Y = x + x corresponde

probabilidade da v.a. probabilidades

X assumir um valor do intervalo; e (b) da respectiva funo distribuio de

F (x) = 6x2 8x3 + 3x4 .

15

3. 4.

x+x x

f (x)dx = F (x + x) F (x) = Pr(x < X < x + x)

P (X = x) = Pr(X = x + x) = 0. X
o

Como no caso das variveis aleatrias discretas, possvel caracterizar resumidamente a distribuio de probabilidades recorrendo aos conceitos de valor mdio e varincia das probabilidades. Assim, para uma v.a. contnua VALOR MDIO dado por

E{X} =

e a VARINCIA por

x f (x)dx

V {X} =

(x E{X})2 f (x)dx

Do ponto de vista formal, a passagem do caso discreto para o caso contnuo (ou vice-versa) faz-se por "dualidade", substituindo-se os somatrios por integrais e as probabilidades contnuo ao

P (x)

por densidades

P (X = xi ) = 0 para todo o real xi e, portanto, o intervalo [x, x + x] - a "probabilidade mdia" - nessa

que se calcula recorrendo a poro do

f (x). Atente-se que no caso f (x) a rea correspondente

continuum.

importante, como se fez no caso das probabilidades de v.a. discretas, estudar algumas distribuies tericas de probabilidades (para v.a. contnuas) de utilizao muito generalizada.

4.6

Distribuio Normal

Entre as distribuies tericas de probabilidades de v.a. contnuas destaca-se a DISTRIBUIO NORMAL, ou curva normal, ou curva de Gauss (em homenagem a Carl Friedrich Gauss [1777-1855] que foi pioneiro na sua utilizao, apesar da distribuio se dever a Abraham de Moivre [1667-1754] que a desenvolveu em 1733 como aproximao distribuio Binomial e a Pierre-Simon Laplace [1749-1827] que a formalizou). Curiosamente, verica-se que em muitas situaes amostrais, a distribuio das variveis aleatrias contnuas parece "concentrar-se" perto da mdia e "dispersar-se, diminuindo", em direco aos extremos, de acordo com esta distribuio terica. Por outro lado, a distribuio normal de manipulao matemtica fcil, o que tem contribuido para o nmero aprecivel de testes estatsticos dela derivados. A curva normal - FUNO DENSIDADE DE PROBABILIDADES DA DISTRIBUIO NORMAL (Fig. 11) - denida pela seguinte expresso:
2 1 e[(x)/2] 2

f (x) =
com os parmetros

Para indicar que a v.a. contnua

e e em que < x < +, < < +, > 0, = 3, 141659... e e a funo exponencial. X tem distribuio normal usa-se X N (, ). Dado que a funo densidade de probabilidades f (x) da distribuio normal tem dois parmetros, mdia e desvio-padro , cada par de valores de e origina uma curva com "forma diferente". Contudo, f (x) da distribuio normal sempre simtrica, em forma de sino, centrada em (que determina a posio da distribuio no eixo das abcissas que corresponde ao "universo" de valores de X ), e dispersa relativamente a de acordo com o desvio-padro (Fig. 11).
No caso da distribuio normal, tambm se pode resumir a informao acerca das probabilidades recorrendo a "medidas de localizao e disperso", j referidas anteriormente - VALOR MDIO distribuio de probabilidades:

EX

e VARINCIA

VX

da

E{X} =
+

x f (x)dx = (x E{X})2 f (x)dx =

V {X} =

Existem algumas caractersticas com importncia nas funes densidade e distribuio de probabilidades de variveis normais, designadamente aquelas representados na Fig. 12. A mdia de 50%). Verica-se, anda, que os intervalos contnua

corresponde mediana (quantil

, 2

incluem, respectivamente, 68,27%, 95,45%

e 99,73% das possveis observaes duma varivel contnua normal. Por outras palavras, a probabilidade da v.a.

X tomar um valor desses intervalos 0,6827, 0,9545 e 0,9973 respectivamente.

16

Figura 10: Representao esquemtica da funo densidade de probabilidade da distribuio normal parmetros com)

f (x ), com

e , de uma varavel aleatria contnua. depende de .

A "curva" est centrada em

e a sua forma (est relacionada

Figura 11: Comparao entre a forma de trs curvas normais (funes densidade de probabilidades) com diferentes parmetros

As "curvas" (a) e (b) com mdia diferente mas com igual desvio-padro.

Pelo contrrio, as

"curvas (b) e (c) possuem igual mdia mas diferente desvio-padro.

17

Figura 12:

Pontos importantes das funes densidade e distribuio de probabilidades da distribuio normal Por exemplo, cerca de 68% dos resultados possveis dessa v.a. com distribuio

(adaptado de Sokal & Rohlf ). normal incluem-se no intervalo

[ 1; + 1].

18

Figura 13: Ilustrao da relao entre a distribuio dos resultados possveis xi da v.a. contnua

X e os valores de

Z correspondentes. Tente determinar os valores

xi
9

correspondentes a

zi = 2

zi = 2.

4.7

Distribuio Normal Reduzida

O clculo da rea sob a curva normal para determinado intervalo da v.a. contnua, que se efectua por integrao da funo densidade para os valores de

e de

pretendidos, seria um trabalho "fastidioso" e, infelizmente, no

possvel tabelar todas as combinaes possveis de

Como resolver este "problema"?

Um modo padronizar os resultados recorrendo transformao da varivel aleatria com mdia igual a zero e desvio-padro igual a um, ou seja, NORMAL REDUZIDA

numa nova varivel

Z transformando a v.a.

Z N (0, 1). Deste modo, X N (, ), da seguinte forma: Z= X

se dene a DISTRIBUIO

Esta transformao permite "reduzir" (ou sintetizar ou padronizar) qualquer distribuio normal desde que se conheam

daquelas distribuies (Fig. 13). A f.d.p. dada por:

ex /2 f (x) = 2
A tabulao da distribuio de probabilidades de com facilidade de

Z, comum em qualquer manual de estatstica, permite obter

Basta calcular

P (X xi )

para qualquer v.a.

X N (, ).

zi

e, posteriormente, consultar a tabela

Z (que geralmente apresenta a funo distribuio de probabilidades ou "probabilidades acumuladas") para o valor obtido (ver Tabela A). Por outro lado, a maioria das "calculadoras cientcas" e do software (folhas de clculo)

permite obter com facilidade a probabilidade de ,

Z zi .

possvel demonstrar matematicamente que qualquer

funo linear de uma varivel aleatria com distribuio normal , tambm, uma v.a. com distribuio normal, isto

Z N (0, 1)10 .

Por exemplo, a variao diria da temperatura de determinada cmara de refrigerao pode ser razoavelmente aproximada por uma distribuio normal com mdia de 0,2% e desvio-padro de 1,6%. a) Qual a probabilidade da variao da temperatura ultrapassar 1%? b) E qual a probabilidade dessa variao se situar entre 1% e 1,4%?

P (X > 1%) = P (Z > 0, 5) = 1 P (Z < 0, 5) = 1 (0, 5 + 0, 1915) = 0, 3085 porque, de acordo com 1%0,2% X = 0, 5 e da Tabela A pode-se obter X em Z, obtm-se que zi = = 1,6% P (Z < zi ).
a) a transformao de

9A

designao Standard Normal Curve foi usada pela primeira vez por W.F. Sheppard em 1899 mas s na dcada de 1950 se consultado em 7/10/2009).

banalizou (Miller J. Earliest Known Uses of Some of the Words of Mathematics disponvel em

mathword.html,
10 Observe-se
que:

http://members.aol.com/jeff570/

com maior ateno a equao associada a esta transformao. Se re-arranjarmos os termos daquela expresso, teremos ou seja, uma "equao da recta" do tipo

Z + = X,

bx + a = y .

19

Figura 14: Representao de duas distribuies

t de Student para diferentes graus de liberdade (g.l.).

b)

uma vez que

P (1% < X < 1, 4%) = P (0, 5 < Z < 0, 75) = P (Z < 0, 75)P (Z < 0, 5) = 0, 27340, 1915 = 0, 0819 zi = 1%0,2% = 0, 5 e zi = 1,4%0,2% = 0, 75 . Novamente, as respectivas probabilidades 1,6% 1,6%

podem obter-se da Tabela A.

4.8

Distribuio

de Student

At agora, consideraram-se como conhecidos os parmetros da distribuio normal com a populao, ou universo estatstico. Na realidade, raramente se conhece possvel recolher tantos dados que permitam assumir que as "estatsticas" da

e , claramente relacionados (ou ambos) ou, ento, no amostra (mdia x e desvio-padro s )

ou

sejam estimadores correctos dos parmetros da populao, pois geralmente o tamanho da amostra muito reduzido comparativamente dimenso da populao em estudo. Amostras de tamanho "pequenas amostras". O desenvolvimento da DISTRIBUIO por motivos prossionais/legais utilizou o pseudnimo

n < 30

podem considerar-se como

t DE STUDENT, pelo ingls William Gosset [1876-1937] em 1908 (que Student para publicar os seus trabalhos), como alternativa a

Z,

constituiu um dos maiores avanos nas metodologias estatsticas. Aquele autor, props a transformao da v.a.

contnua

na varivel

da seguinte forma:

t=
em que

X x s

s=

(xi x)2 /(n 1)

o desvio-padro da amostra.

t depende dum nico parmetro, o nmero de GRAUS DE LIBERDADE (que se l "ni"), com = n 1. Como se prova para Z, tambm a varivel aleatria t se distribui "normalmente", ou seja, t N (). A cada valor de , corresponde uma curva diferente dentro da famlia das distribuies t de Student (Fig. 14). O procedimento para se obter t e consultar a respectiva tabela de probabilidades idntico ao descrito para Z ,
A distribuio de considerando-se, neste caso, Exemplo 1. A v.a. b) Qual a a)

=n1

graus de liberdade da amostra (ver Tabela B).

V segue distribuio de t com 7 g.l. a) Determine o valor v0 , tal que P (V

> v0 ) = 1%;

P (0, 711 < V < 2, 998)?

v0 =2,998 (obtm-se directamente da tabela para p = 0,99); b) Uma vez que P (V < 2, 998) = 0, 99 e P (V < 0, 711) = P (V > 0, 711) = 0, 25, ento a probabilidade pretendida P = 0, 99 0, 25 = 0, 74.
Exemplo 2. O tempo (em minutos) que um grupo de operrios leva a executar determinada tarefa, v.a.

X, tem distribuio normal. Numa semana de trabalho seleccionada aleatoriamente, realizaram-se 12

medies daquela varivel e o tempo mdio foi de 107 min com um desvio-padro de 23 min. Quanto tempo, no mximo, levam 90% dos operrios a executar a dita tarefa ? Uma vez que

P (t < t0 ) = 90% logo (xi 107)/23 xi = 138, 4 min.

da tabela vem que

t0 = 1, 363.

Como

t = (X x)/s 1, 363 =

20

Exerccios
1. Determine a probabilidade de cada um dos seguintes eventos: a) surgir um nmero mpar num nico lance de um dado honesto; b) ocorrer, pelo menos, uma "cara" em dois lanamentos de uma moeda honesta; c) aparecer o total 7 num nico lanamento de dois dados; d) surgir um total diferente de 2 ou 6 ou 10 num nico lanamento de dois dados; e) aparecer o total 11 num nico lanamento de dois dados, em que um deles est viciado em favor do seis [P (1)

= P (2) = P (3) = P (4) = P (5) = 0, 16

P (6) = 0, 20

em vez de

P (i) = 0, 166(6)].
2. Considere uma populao em que a varivel a) Represente gracamente as funes densidade e distribuio de probabilidades. b) Calcule

Y tem a distribuio de probabilidades descrita na tabela seguinte. E {X }, V {Y } e

V {X}.

c) Indique todas as amostras possveis, seleccionadas com reposio, de tamanho

n = 2.

d) Calcule

a mdia de cada amostra e a probabilidade de ocorrer cada um desses valores.

Tabela 4: Distribuio de probabilidades da v.a.

Y.

yi P (Y = yi )

0 0,15

1 0,25

2 0,30

3 0,20

4 0,10

3. Duas mquinas A e B funcionam de forma independente uma da outra. trabalho. Calcule: a) a probabilidade do n

No quadro seguinte, indicam-se

as probabilidades de se vericar o nmero referido de avarias para cada mquina, no decurso de um dia de de avarias em A ser superior a dois; b) a probabilidade do n total de avarias num dia de trabalho ser inferior a trs; e c) o n

mdio de avarias em cada uma das mquinas.

Tabela 5: Probabilidades do n N de avarias 0 0,10 0,30

de avarias registado em duas mquinas A e B. 1 0,20 0,32 2 0,30 0,10 3 0,30 0,08 4 0,09 0,10 5 0,07 0,05 6 0,04 0,05

Mquina A Mquina B

4. Uma empresa comercializa garrafas de vinho de 1 litro. Supe-se, no entanto, que 40% dessas garrafas contm realmente uma menor quantidade de lquido do que o volume indicado no rtulo. Tendo adquirido 6 dessas garrafas, qual a probabilidade de: a) Duas delas conterem menos de um litro? b) No mximo 2 conterem menos de um litro? c) Pelo menos 2 conterem menos de um litro? d) Todas conterem menos de um litro? e) Todas conterem o volume indicado no rtulo? f ) Represente a funo densidade de probabilidade da varivel em questo. 5. Uma fbrica de embalagens, utilizadas para determinado produto alimentar, sabe que em cada 1000 produz 20 defeituosas. a) Qual a probabilidade de um cliente ao comprar 100 embalagens receber todas sem defeito? b) Qual a probabilidade de receber, nessa mesma compra, pelo menos 3 embalagens defeituosas? 6. Calcule, com a ajuda da Tabela A (em anexo), a probabilidade de que 0; c) Menor do que +1,96; d)

P {1 < Z < 2};

e)

Z P {Z > +0, 84};

ser: a) Menor do que +1; b) Menor do f)

P {Z < 0, 84}. = 5
cm e varincia

7. Considere que os dimetros de ameixas seguem uma distribuio normal de mdia

2 = 5, 25.

Calcule: a) A probabilidade das ameixas terem dimetros compreendidos entre 3,5 cm e 8 cm.

b) A probabilidade das ameixas terem dimetro maior do que 9,5 cm. c) A probabilidade das ameixas terem dimetro menor do que 3,5 cm. d) O dimetro abaixo do qual se encontram 95% das ameixas. e) O dimetro acima do qual se situa metade da composio de tamanhos das ameixas. f ) O dimetro que corresponde ao quantil de ordem 28%. 8. Uma fbrica produz equipamento cujo tempo-de-vida uma v.a. com distribuio normal de parmetros

= 10

anos e

2 = 2

anos. A fbrica quer estabelcer o periodo de garantia de forma a que no mais de 3%

dos equipamentos tenham de ser substituidos. Qual dever ser o periodo de garantia mximo oferecido pela empresa? 9. Admite-se que o tempo de espera num determinado consultrio (v.a.

X ) se distribui normalmente. Num

dia, seleccionado aleatoriamente, registaram-se os tempos de espera de onze utentes, calculando-se um tempo

21

mdio de

x = 41

min e

(xi x)2 = 1690.

a) No mximo, quanto tempo esperar 90% dos utentes daquele

consultrio? b) E qual o tempo mnimo de espera para 95% dos utentes?

22