PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL

1.
FACULDADE DE MATEMÁTICA – DEPTº DE ESTATÍSTICA
ESTATÍSTICA BÁSICA
PROFESSOR VALTER ALBUQUERQUE

PROBABILIDADES E VARIÁVEIS ALEATÓRIAS

1 - ESPAÇO AMOSTRAL
É o conjunto de todos os resultados possíveis de um experimento aleatório (ou experiência aleatória).
Símbolo: S
Exemplo:
Vamos determinar o espaço amostral dos seguintes experimentos aleatórios:.
a): Joga-se um dado, não viciado, e observa-se o número obtido na face superior.
S = { 1, 2, 3, 4, 5, 6 }
b) Lança-se uma moeda, honesta, e verifica-se a face voltada para cima.
S = { cara, coroa }
c) Joga-se uma moeda 2 vezes e observa-se o número de caras obtido.
S = { 0, 1, 2, }
d) Joga-se uma moeda 2 vezes e observa-se a seqüência de caras e coroas.
S = { cara-cara, cara-coroa, coroa-cara, coroa-coroa, }

Deve-se observar que nem sempre os elementos de um espaço amostral são números.

2 - EVENTO
Qualquer subconjunto de um espaço amostral é denominado Evento. Anota-se por letras maiúsculas.
Assim tem-se que: S é o evento certo; A é o evento elementar, e ∅ é o evento impossível.
Exemplo:
Consideremos o espaço amostral S, referente ao lança mento de um dado honesto:
S = { 1, 2, 3, 4, 5, 6 }
Podemos ter os seguintes eventos de S:
Evento P – referente a número par. >>> P = { 2, 4, 6 }
Evento C – referente a número maior ou igual a cinco. >>> C = { 5, 6 }
Evento M – referente a número múltiplo de 3. >>> M = { 3, 6.}
E assim por diante, podemos ter vários eventos de S.

OBSERVAÇÂO: Podemos representar um espaço amostral S e seus eventos (A e B, por exemplo) através
de um diagrama de Venn:

1
 3 – EVENTOS COMPLEMENTARES

O evento complementar de A, anotado por A , é o conjunto de todos os elementos de S, que não pertencem a
A

4 - CONCEITO CLÁSSICO DE PROBABILIDADES

Seja um espaço amostral S formado por “n(S)” elementos, igualmente prováveis. Seja A um evento de S, com
“n(A)” elementos. A probabilidade de A ocorrer, anotada por P(A), lê-se pê de A, é definida como sendo:

P(A) = n(A) / n(S)

Isto é, a probabilidade do evento A é o quociente entre o número “n(A)” de casos favoráveis e o número “n(S)”
de casos possíveis.
Exemplo:
Calcular a probabilidade de no lançamento de um dado equilibrado obter-se um resultado ímpar.
S = { 1, 2, 3, 4, 5, 6 } >>> n(S) = 6 A = { 1, 3, 5 } >>>n(A) = 3
Então P(A) = n(A)/n(S) = 3/6 = 0,50 = 50%.

5 - CONCEITO FREQUÊNCIAL DE PROBABILIDADES

È também chamado de conceito empírico de probabilidades.

Na prática acontece que nem sempre é possível determinar a probabilidade de um evento. Neste caso é
necessário ter um método de aproximação desta probabilidade. Um dos métodos utilizados é a experimentação que
objetiva estimar o valor da probabilidade de um evento A com base em valores reais. A probabilidade avaliada através
deste processo é denominada de probabilidade empírica. Então pelo conceito frequencial, a probabilidade é determinada
com base na proporção de vezes que o evento A, ocorre em certo número de observações. Em outras palavras, a
probabilidade é determinada pela freqüência relativa, e quanto maior o número de observações, mais o valor calculado
tenderá ao valor real da probabilidade.

6 – ALGUNS AXIOMAS SOBRE PROBABILIDADES

Seja um espaço amostral S. Sejam A e B eventos de S. Temos os seguintes axiomas:

I) 0 ≤ P(A) ≤ 1;
II) P(S) = 1;
III) P(∅) = 0
IV) P(A) + P( A ) = 1

2
 7 – VARIÁVEIS ALEATÓRIAS

É aquela variável que pode representar cada um dos elementos de um espaço amostral. Uma variável aleatória
pode ser: discreta ou contínua.

8 - VARIÁVEL ALEATÓRIA DISCRETA

É aquela variável aleatória que pode assumir apenas valores particulares no seu domínio; na maioria das vezes
só valores inteiros. Podemos abreviar por VAD.
Exemplo: Seja X a VAD que representa o número obtido no lançamento de um dado correto. Neste caso X
pode assumir os valores 1, 2, 3, 4, 5 e 6. Não pode por exemplo assumir o valor 4,7, porque não existe esse número em
um dado.

9 - FUNÇÃO DE PROBABILIDADES DE UMA VAD

Consideremos que “X” é uma VAD. Se esta variável X pode assumir um conjunto discreto de valores X 1,
X2, ..., Xk, com probabilidades de ocorrência p1, p2, ..., pk, respectivamente, sendo p1 + p2 + .... + pk = 1, diz-se que está
definida uma função de probabilidades discreta de X., designada por “f”, e que deverá satisfazer as seguintes condições
1ª) Σ f (X) = 1
2ª) 0 ≤ f (X ) ≤ 1
Então f (Xi) = P (X = Xi)
Exemplo: Se “X” é a VAD que representa o valor que podemos obter no lançamento de um dado correto, a
distribuição de probabilidades de X será dada por:
X 1 2 3 4 5 6 Σ
f(x) 1/6 1/6 1/6 1/6 1/6 1/6 1

Logo: P( X = 5 ) = 1/6 e P ( X ≥ 5 ) = f(5) + f(6) = 1/6 + 1/6 = 2/6

10 – PARÂMETROS DE UMA VAD

São as medidas estatísticas que podem ser calculadas para uma distribuição de probabilidades de uma VAD X.
As mais importantes são: Expectância, Variância e Desvio padrão.
E(X) - Expectância, ou valor esperado, ou esperança matemática ou ainda média aritmética.. Se f(x) é a
probabilidade de uma pessoa receber uma quantia X, a esperança matemática, é definida por f(X) X, então:
E(X) = Σ f(X) X
VAR(X)  Variância da VAD X, dada por: VAR(X) = Σ f(X)X² - [E(X)]²
σ x  Desvio padrão da VAD X, definido como sendo o valor positivo da raiz quadrada de VAR(X).

11 – VARIÁVEL ALEATÓRIA CONTÍNUA

É aquela variável aleatória que, teoricamente, pode assumir qualquer valor Real no seu domínio. Podemos
abreviar por VAC.
Exemplo: Se X é a VAC que representa o peso de uma pessoa, esta variável poderia assumir qualquer valor
entre o peso mínimo e o peso máximo.

12 – DISTRIBUIÇÃO CONTÍNUA DE PROBABILIDADES

Se X é uma variável aleatória contínua, uma função f(X) que satisfaça as condições seguintes, é chamada de
função densidade de probabilidades e a sua distribuição de probabilidades é contínua:
+
∞
∫f(x)dx
−∞
=1

3
 0 < f(X) < 1

Esta função será então uma curva contínua, cuja área total limitada por esta curva e pelo eixo dos X é igual a 1.

13– DISTRIBUIÇÂO NORMAL

A Distribuição Normal é uma função de probabilidades de uma VAC X, tal que a sua função densidade de
probabilidades é dada por:

2
−( x −µ)
f (x) =
1
e 2σ2
σ 2π

A Distribuição normal é uma curva simétrica e mesocúrtica., que possui dois pontos de inflexão, cujas abcissas
são (µ - σ) e (µ + σ).
A notação de uma distribuição normal é N(µ ; σ)

14 – DISTRIBUIÇÂO NORMAL PADRÂO

É uma distribuição Normal do tipo N (0 ; 1 ), com variável denotada por z.

f (Z)

Z
µ =0

A relação entre a variável X, de uma curva normal qualquer [ N(µ ; σ)], e a Z, de uma curva normal
padrão [ N(0 ; 1)], é dada por:

X −µ
Z=
σ