UNIVERSIDADE FEDERAL DE SÃO CARLOS

CENTRO DE CIÊNCIAS EXATAS E DE TECNOLOGIA

DEPARTAMENTO DE ESTATÍSTICA

CAPÍTULO 2
INTRODUÇÃO À PROBABILIDADE
Parte 2 :

1
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS

VARIÁVEL ALEATÓRIA
Definição 4: Uma função X que associa a cada elemento  do
espaço amostral Ω um valor x  R é denominada uma variável
aleatória.
Exemplo: lançamento de duas moedas e observação de suas faces:
cara (C) ou coroa (K)
X: número de vezes que foi obtida a face cara
CC
CK CC  2
KC CK  1
KK
KC  1
KK  0
 0 1 2
2
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS

VARIÁVEL ALEATÓRIA
Um mesmo experimento pode estar associado a diversas diferentes
variáveis.
Exemplo: lançamento de dois dados e observação de suas faces.
 = {(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)}.
X: soma das duas faces (1,3)  X = 4
Y: diferença entre as duas faces (1,3)  Y = -2
Z: máximo entre as duas faces (1,3)  Z = 3
W: 1 se as duas faces são iguais; 0 caso contrário (1,3)  W = 0 3
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS

TIPOS DE VARIÁVEIS ALEATÓRIAS

Uma variável aleatória pode ser classificada como discreta ou

contínua.

Variável aleatória discreta: assume um número finito ou infinito

enumerável de valores.
Exemplos
X: número de grãos de milho de um sabugo que contém fungos.
Y: número de alunos que comparecerá a próxima aula.
Z: número de arranhões em uma superfície.
W: número de lâmpadas com defeito entre 200 testadas.
4
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS

TIPOS DE VARIÁVEIS ALEATÓRIAS

Variável aleatória contínua: assume um número infinito não

enumerável de valores.

Exemplos
X: peso de um rato após um tratamento com laser
Y: tempo de duração de uma bateria fabricada com determinado
material
Z: quantidade de toxina em uma amostra de 10 gramas de milho
W: densidade de um material após ser submetido a uma alta
temperatura
5
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS DISCRETAS

Uma variável aleatória discreta é caracterizada por sua função de

probabilidade.
Definição 5: Função de probabilidade é a função que atribui a cada
valor xi da v. a. discreta X sua probabilidade de ocorrência.

A função de probabilidade pode ser representada pela seguinte tabela:

x x1 x2 x3 ...
P(X=x) P(X=x1) P(X=x2) P(X=x3) ...
Ela deve atender ainda os seguintes requisitos:

0  P( X = xi )  1 e  P( X = x )
i
i = 1
6
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS DISCRETAS

Exemplo 13: (3-21 Montgomery e Runger adaptado) Em um

processo de fabricação de semicondutores, três pastilhas de um
lote são testadas. Cada pastilha é classificada como passa (p) ou
falha (f). Suponha que a probabilidade de uma pastilha passar no
teste seja de 0,8 e que as pastilhas sejam independentes.
Determine a função de probabilidade da variável aleatória X
definida como o número de pastilhas de um lote que passa no
teste.

7
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS DISCRETAS

Exemplo 13: (3-21 Montgomery e Runger)

P(ocorrência ppp) = (0,8)(0,8)(0,8)  0,51
P(ocorrência ppf) = (0,8)(0,8)(0,2)  0,13
 ppp ppf pfp pff fpp fpf ffp fff
x 3 2 2 1 2 1 1 0
Probabilidade 0,51 0,13 0,13 0,03 0,13 0,03 0,03 0,01
Assim, obtemos que a função de probabilidade de X é escrita como
x 0 1 2 3
P(X=x) 0,01 0,09 0,39 0,51
8
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VALOR ESPERADO

Todas as medidas que estudamos na análise descritiva possuem

uma medida correspondente para variáveis aleatórias. A primeira
medida que estudaremos é a média de uma variável aleatória.

Definição 6: A média, valor esperado ou esperança da variável

aleatória discreta X, denotada como µ ou E(X), é dada por

 = E(X) =  xi P(X =xi )

i

9
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÂNCIA

Definição 7: A variância da variável aleatória discreta X,

denotada como σ2 ou VAR(X), é dada por

 2 = VAR(X) = E(X -  ) 2 =  ( xi -  ) 2 P(X =xi )

i

Geralmente é mais simples calcular a VAR(X) utilizando uma

fórmula equivalente a apresentada na Definição 7 que é dada por
 2 = VAR(X) = E(X 2 ) − [ E ( X )]2
em que E(X 2 ) =  xi2 P(X =xi )
i
10
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
DESVIO PADRÃO

Definição 8: O desvio padrão da variável aleatória discreta X,

denotada como σ ou DP(X), é dado por

 = DP(X) = VAR(X)

Embora existam diversas outras medidas, se conhecemos a

esperança e a variância ou o desvio padrão de uma variável
aleatória X, já temos uma razoável caracterização de X.
11
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS DISCRETAS

Exemplo 14: Determine a esperança e a variância da variável

aleatória X definida no Exemplo 13.
x 0 1 2 3
P(X=x) 0,01 0,09 0,39 0,51

 = E(X) = 0(0,01) + 1(0,09) + 2(0,39) + 3(0,51) = 2,4

E(X 2 ) = 0 2 (0,01) + 12 (0,09) + 2 2 (0,39) + 32 (0,51) = 6,24
VAR(X) = 6,24 − 2,4 2 = 0,48
12
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
PROPRIEDADES DA ESPERANÇA E DA VARIÂNCIA

1) Se X = a, em que a é uma constante, então

E(X) = a e Var(X) = 0.

2) Se Y = aX + b, em que a e b são constantes, então

E(Y) = E(aX + b) = aE(X) + b

e
Var(Y) = Var(aX + b) = a2 Var(X).

13
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
P
PROPRIEDADES DA ESPERANÇA E DA VARIÂNCIA
ROPRIEDADES DA ESPERANÇA E DA VARIÂNCIA

3) Se X e Y são variáveis aleatórias, então

E(X+Y) = E(X) + E(Y)

e
se X e Y forem independentes

Var(X+Y) = Var(X) + Var(Y).

14
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Uma variável aleatória contínua assume infinitos valores e esses valores

são não enumeráveis.
Por esse motivo, para variáveis contínuas, é inviável fazer a sua
caracterização a partir de uma função de probabilidade, pois esta deveria
informar a probabilidade de ocorrência de cada um dos infinitos valores e
ao mesmo tempo a soma das probabilidades de ocorrência de cada um
valores deveria ser 1.
Assim, para caracterizarmos uma variável aleatória contínua precisamos
usar um outro tipo de função.
A função utilizada é conhecida pelo nome de função densidade de
probabilidade, que é uma função que pode ser vista como um histograma
com infinitas classes.
15
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Definição 9: Função densidade de probabilidade é uma função

f(x) que caracteriza uma variável aleatória contínua X e atende as
seguintes condições:
1) f(x) ≥ 0


2) f ( x)dx = 1
− b

3) P(a ≤ X ≤b) =  f ( x)dx

a

16
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Algumas observações são importantes:

1) Em uma variável contínua, P(X = a) = 0 para todo a є R.
2) Como consequência da observação 1, P(a ≤ X ≤ b) = P(a ≤ X < b)
= P(a < X ≤ b) = P(a < X < b).
3) f(x) = 0 para os valores que a variável aleatória X não pode
assumir.
4) Se f(a) > f(b), então a variável aleatória X tem maior
probabilidade de assumir valores próximos de “a” do que
valores próximos de “b”.
17
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Exemplo 16: Seja X a nota de um aluno na primeira prova de IPAEE e

assuma que a nota do aluno é um número real no intervalo (0, 10).
Assuma ainda que a probabilidade do aluno tirar nota próxima de “a” é a
mesma para todo a є (0,10). Determine a função densidade de
probabilidade de X.
Do enunciado, concluímos que f(x) é constante no intervalo (0, 10) e
assim, podemos escrever
f(x) = k, se 0 ≤ x ≤ 10 

Para determinarmos o valor de k, lembramos que  f ( x)dx = 1 . Assim,

10 −

 k dx = 1
10
 kx 0 = 1  10k = 1  k = 0,1.
0
Logo, f(x) = 0,1, se 0 ≤ x ≤ 10
18
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

A esperança e a variância de uma variável aleatória contínua

podem ser calculados de forma semelhante a realizada para
variáveis aleatórias discretas, substituindo-se os somatórios por
integrais. Assim, temos:

Definição 10: A média, valor esperado ou esperança da variável

aleatória contínua X, denotada como µ ou E(X), é dada por

 = E ( X ) =  xf ( x)dx
−

19
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Definição 11: A variância da variável aleatória contínua X,

denotada como σ2 ou VAR(X), é dada por

 2 = Var( X ) = E(X -  ) 2 =  ( x −  ) 2 f ( x)dx
−

Assim, como no caso discreto, podemos calcular a variância de X

utilizando uma expressão alternativa dada por

 2 = VAR(X) = E(X 2 ) − [ E ( X )]2

20
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Definição 12: O desvio padrão da variável aleatória contínua X,

denotada como σ ou DP(X), é dado por

 = DP(X) = VAR(X)

Observação: Todas as propriedades da esperança e variância

que vimos para variáveis aleatórias discretas também valem para
variáveis aleatórias contínuas.

21
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Exemplo 17: Seja X a nota de um aluno na primeira prova de IPAEE e

assuma que a nota do aluno é um número real no intervalo (0, 10).
Assuma ainda que a probabilidade do aluno tirar nota próxima de “a” é a
mesma para todo a є (0,10). Determine a esperança e a variância de X.

No exemplo 16, obtemos que f(x) = 0,1, se 0 ≤ x ≤ 10. Assim,

10
10
E(X) =  x0,1 dx = 0,1x / 2 2
= 0,1(100)/2 = 5
0
0
10
10
E(X ) =  x 0,1 dx = 0,1x / 3 = 0,1(1000)/3 = 100 / 3
2 2 3
0
0

Var(X) = E(X 2 ) − [E(X)]2 = 100 / 3 − 52  8,33

22
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS

MODELOS PROBABILÍSTICOS OU DISTRIBUIÇÕES DE PROBABILIDADE

Muitas variáveis aleatórias seguem um mesmo padrão de

comportamento. Alguns desses padrões aparecem com bastante
frequência em situações práticas e justificam um estudo mais
aprofundado.

Dizemos que variáveis que apresentam um mesmo padrão de

comportamento seguem um mesmo modelo (ou distribuição) de
probabilidade.

23
f
 INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE
ESTATÍSTICA DE EXPERIMENTOS

DISTRIBUIÇÕES DISCRETAS
Tipos de Modelo Modelo Característica
Discretos Binomial Variável em estudo assume somente dois
possíveis valores em cada uma das n repetições
do experimento e a probabilidade de ocorrência
de cada um é constante.
Poisson A variável observada identifica o resultado de
uma contagem no experimento (número de
insetos em uma determinada área, por
exemplo).
Geométrico Número de experimentos necessários até a
ocorrência de um dado resultado de interesse.
Binomial Número de experimentos necessários até a
Negativa ocorrência de certo número de vezes do
resultado de interesse.
Hipergeométrico Variável em estudo somente pode assumir dois
possíveis valores em cada uma das n repetições
do experimento e a probabilidade de ocorrência
de cada um não é constante (usualmente
experimentos sem reposição).
24
f