Beraldo
Estatstica II
Clculo de Probabilidades
V.2 2013
Clculo de Probabilidades
Antonio Fernando Beraldo
Departamento de Estatstica
ICE - UFJF
Reviso e digitao
Ana Darc da Silva
Elisa Lancini Nogueira
Lucas Silva Novais
Marcelle Souza Pinto
Mirela Rigolon Valinote
Raphael de Freitas Saldanha
Rosiany Grosman
Stfani Ferreira
Vanessa Castro Abreu
Victor Lopes Costa Serra
Verso 3 2013
Apresentao
Esta Apostila o segundo volume de um conjunto de textos preparados para os alunos
dos cursos de Graduao e Ps-Graduao que possuem disciplinas de Estatstica em
sua grade curricular. Os textos abordam os seguintes temas:
Apostila
I
II
III
IVa
IVb
V
VI
Contedo
Estatstica Descritiva
Clculo de Probabilidades
Amostragem, Inferncia e Testes Estatsticos
Metodologia do Trabalho Cientfico
Elaborao e Apresentao de Trabalhos Cientficos
Anlise Estatstica de Dados
Tpicos Especiais de Estatstica Aplicada
A. F. Beraldo
iii
Agradecimentos
Este um trabalho que reflete a experincia - e aprendizagem - do ensino de
Estatstica e a valiosssima contribuio dos alunos nestes 21 anos de atividades na
Universidade Federal de Juiz de Fora, como tambm a prtica da aplicao da Estatstica
em dezenas de dissertaes e teses de mestrandos e doutorandos de diversas IES do Pas.
Sem esta contribuio, este trabalho no existiria.
Em destaque, agradeo ao estmulo do Prof. Lourival Batista de Oliveira Jr., da
Faculdade de Economia, amigo e companheiro de todos os momentos.
A todos os alunos que, com suas crticas e sugestes, me ensinaram o como, o quando
e o qu.
Este trabalho dedicado, in memoriam, a
Gabi
(1994 - 2006)
Et, des pieds jusques la tte,
Un air subtil, un dangereux parfum
Nagent autour de son corps brun.
Charles Baudelaire, Les Fleurs du Mal.
A. F. Beraldo
Sumrio
Sumrio
vi
.
.
.
.
.
.
.
.
.
.
.
1
2
3
7
8
10
10
12
17
19
22
24
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
29
29
38
41
43
45
45
48
49
49
51
55
56
59
65
76
77
80
83
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A. F. Beraldo
SUMRIO
A. F. Beraldo
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
N objetos,
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
87
87
90
90
91
94
98
103
118
121
123
127
127
129
129
130
133
133
134
135
135
136
137
138
vii
A. F. Beraldo
E comearam fixando alguns conceitos, que formam a base do Clculo de Probabilidades. Este sistema que ser a nossa maneira de raciocinar, daqui para frente. E
curioso notar que uma cincia que comeou a partir de consideraes sobre jogos de azar
tornar-se-ia o mais importante objeto do conhecimento humano 4 .
Mas, afinal, o que quer dizer esta palavra, probabilidade? Se voc recorrer ao
dicionrio, encontrar algumas definies genricas ou tautolgicas, como qualidade
daquilo que provvel. Isto no nos serve, em termos de Estatstica. O Clculo das
Probabilidades, assim como as outras Matemticas, como a Geometria ou a lgebra,
parte de algumas definies bsicas, de alguns conceitos iniciais, sobre os quais se
desenvolve a teoria e a prtica. Este captulo trata disso.
1.1
Conceitos e definies
A. F. Beraldo
Corpo em
1.1.1
Note que no podemos falar em causalidade, e sim, em associao que pode ser forte ou fraca,
com suas gradaes. A associao de fatores ligados ocorrncia de um fenmeno estudada na
Apostila V Anlise Estatstica de Dados. Lembre-se: causalidade uma caracterstica de eventos
determinsticos, apenas.
A. F. Beraldo
A. F. Beraldo
A. F. Beraldo
A Joo gosta de apostar no jogo do bicho, todos os dias, e aposta sempre no elefante
(12). Segundo suas contas, j apostou 2.350 vezes, e acertou mais de 200 vezes, e
diz que seu mtodo infalvel, pois, a cada 25 dias, sempre haver um dia que vai
dar elefante.
H um tendncia natural das pessoas em tentar achar leis que predeterminam
resultados de um jogo alm das famosas interpretaes de sonhos, nada
freudianas. O raciocnio de Joo est parcialmente correto, ou seja, a esperana7
deste palpite que d elefante em um dia, a cada 25 dias (so 25 bichos no jogo).
Mas isto no infalvel, assim como pode acontecer de dar elefante em 10 dias
seguidos! Porm, a chance disto acontecer 0,00000000000001, ou seja, nenhuma.
A Jos se prepara para o vestibular, e o primeiro lugar no cursinho onde estuda
alm de ter sido sempre um dos melhores alunos nas escolas por onde passou.
Assim, no h dvida de que seu lugar na universidade est garantido.
No, infelizmente, garantido no est, uma vez que existem vrios fatores que
afetam o desempenho de um candidato (para melhor ou para pior). Dizendo de
outra forma, podem ocorrer mudanas nas condies em que ocorre o fenmeno.
A Meu time vai ganhar o campeonato, sem dvida! Li no jornal que toda vez que um
time perde no primeiro jogo, em noite de lua nova, com 3 jogadores cujos nomes
comeam com a letra C, termina invariavelmente em primeiro lugar ...
Isto pura conversa fiada de jornal .. para vender jornal. Embora sorte (e azar)
estejam quase sempre presentes no esporte e isso faz parte do seu encanto, assim
como a superstio e todo o folclore que no para de crescer, no se pode tratar uma
competio esportiva nem como um fenmeno determinstico nem como aleatrio.
E, tambm, no se pode considerar palpites, mesmo vindo de especialistas,
como algo matematicamente tratvel. No entanto, h um campo no Clculo de
Probabilidades que tem se desenvolvido muito o que se convencionou chamar
de probabilidade epistmica ou subjetivista8 . Procura-se, atravs de modelos
elaborados por pessoas conhecedoras do esporte, diminuir o nvel de aleatoriedade
das previses. Mas, muitas vezes aparece um azaro para complicar...
A. F. Beraldo
1.1.2
Eventos
Na Figura 1.3, temos dois conjuntos, A e B (ou dois eventos, A e B) que possuem
um conjunto interseo (leia-se A e B). Na Figura 1.4, os eventos A e B no possuem
elementos em comum, logo o conjunto interseo vazio.
A. F. Beraldo
1.1.3
Espao amostral
Espao Amostral o conjunto de todos os eventos de um experimento aleatrio. Todos os resultados possveis do experimento so agrupados neste conjunto, que
identificamos pela letra .
1. Lanamento de um dado;
2. Sexo de um recm-nascido;
3. Retirada de uma carta de um baralho;
4. Estado de um equipamento;
5. Resultado de um jogo de futebol;
6. Resultado de um campeonato de futebol com 10 times;
7. Resultado de um investimento em aes na bolsa de valores, ao fim de um perodo;
8. Cotao do dlar ao final do ano.
A. F. Beraldo
1. Lanamento de um dado
Este um experimento aleatrio clssico. Os eventos unitrios so 6 (seis) o
dado um slido regular com 6 lados iguais (um cubo, ou hexaedro), ou 6 faces
iguais. Podemos, ento, descrever o espao amostral como composto de 6 eventos
unitrios:
= {F 1, F 2, F 3, F 4, F 5, F 6}
2. Sexo de um recm-nascido
Supondo que o sexo de uma criana recm-nascida seja um evento aleatrio, e
sendo que existem 2 sexos (masculino e feminino), dizemos que o espao amostral
como composto de 2 eventos unitrios:
= {M, F }
Ou, melhor
= {M, M }
Leia-se masculino e no-masculino.
3. Retirada de uma carta de um baralho
Um baralho tem 52 cartas, agrupadas em 4 naipes. O espao amostral como
composto de 52 eventos unitrios:
= {A, 2, 3, 4, , K, A, 2, 3, K, , A, , K}
4. Estado de um equipamento
Seja, por exemplo, um aparelho de TV. Podemos adotar, para simplificar, dois
estados: funcionando ( F ), e no funcionando ( F )
5. Resultado de um jogo de futebol
Seja o jogo entre os times A e B. Os eventos so os seguintes: (V)itria do time
A, (E)mpate entre A e B, e (D)errota de A. Ento, temos
= {V, E, D}
A. F. Beraldo
1.2
Probabilidade: definies
As definies e os conceitos dados na seo anterior devem estar bem entendidos para
que voc prossiga no estudo das Probabilidades. Nesta seo, vamos entrar, finalmente,
na parte bsica da teoria: as definies de Probabilidades. Aqui vamos estudar duas
definies: a clssica e a frequencista. Uma outra definio, a axiomtica, ser
apresentada um pouco mais adiante.
1.2.1
Esta definio amplamente utilizada na teoria dos jogos e em exerccios e demonstraes de teoremas. Consiste no seguinte: se um experimento aleatrio gera um espao
amostral composto de n eventos unitrios9 Ei , de forma que seja:
= {E1 , E2 , E3 , , En }
A probabilidade de ocorrncia de um evento qualquer P (E) dada pela relao:
P (E) =
nE
(1.1)
Evento unitrio aquele que no pode ser decomposto. Por exemplo, Face 4 um evento unitrio,
Face 4 ou 5 um evento composto.
10
A. F. Beraldo
P (A ou P ) =
2+5
7
=
10
10
11
Outro exemplo: ao lanarmos um dado, o espao amostral gerado por este experimento dado por
= {F 1, F 2, F 3, F 4, F 5, F 6}
Assumindo que uma face do dado tem a mesma probabilidade de sair como
qualquer outra face, temos outro espao amostral equiprovvel10 , e que, por exemplo,
a probabilidade de sair face 4, P (F 4) dada por
P (F 4) =
1
6
pois o dado possui 6 faces distintas, equiprovveis, e apenas uma face a face 4.
1.2.2
At agora, estudamos casos em que o espao amostral possui seus eventos unitrios
equiprovveis. Porm, existem casos em que os eventos unitrios constantes do espao
amostral possuem probabilidades de ocorrncia indeterminadas. Neste caso, temos que
repetir o experimento inmeras vezes para determinar de que modo os eventos ocorrem
ou, em outras palavras, a frequncia com que os eventos ocorrem. Por exemplo, seja
a frequncia de nascimentos de crianas em uma maternidade, segundo o atributo sexo,
em alguns meses do ano:
10
Esta caracterstica de alguns espaos amostrais serem constitudos de eventos equiprovveis aceita
intuitivamente, mas no demonstrvel. Admite-se, simplesmente, que uma face de um dado possui
a mesma probabilidade de ocorrer do que qualquer outra - uma vez que no h razes para supor que
isto no seja verdade.
12
A. F. Beraldo
Masculino
34
29
37
24
24
30
34
27
239
Feminino
30
32
35
20
29
28
36
35
245
Total
64
61
72
44
53
58
70
62
484
% Masculino
53
48
51
55
45
52
49
44
49
% Feminino
47
52
49
45
55
48
51
56
51
Masc.
Acum.
34
63
100
124
148
178
212
239
Fem.
Acum.
30
62
97
117
146
174
210
245
Total
Acum.
64
125
197
241
294
352
422
484
% Masculino
% Feminino
53
50
51
51
50
51
50
49
47
50
49
49
50
49
50
51
Veja que os percentuais sobre as frequncias acumuladas parece que vo se concentrando em torno da relao 50%/50%, no atributo sexo. Embora o nosso nmero de
observaes ainda seja pequeno (484 nascimentos , em 8 meses), podemos prever que,
no prximo ms a ser pesquisado, os nascimentos se distribuiro, em termos do atributo
sexo, com 49% para os nascimentos de crianas do sexo masculino, e 51% de crianas
do sexo feminino. Repare que esta previso feita com uma certa margem de erro:
se, ao invs de 484 nascimentos, a nossa amostra fosse de 4.000 nascimentos, nossa
segurana seria muito maior (nossa margem de erro seria bem menor). O grfico a
seguir ilustra bem este comportamento:
A. F. Beraldo
13
14
A. F. Beraldo
Note que, a medida em que o tempo passa, e vo nascendo cada vez mais crianas, a
frequncia acumulada de nascimentos tambm vai aumentando. A proporo de crianas
do sexo masculino tende a ser igual proporo de crianas do sexo feminino - ambos
os nmeros convergem para 50%.
O percentual mdio, para esta amostra, foi de 49,4% para nascimentos de crianas
do sexo masculino e de 50,6% de crianas do sexo feminino. Isto nos permite dizer que
a prxima criana a nascer ter uma probabilidade em torno de 49% de ser do
sexo masculino e de 51% de ser do sexo feminino11 .
A probabilidade, ento, calculada a partir de um histrico dos casos, observados ao
longo de muito tempo, e com amostras bastante grandes. Admite-se que, se os eventos
so gerados a partir de um experimento aleatrio, a probabilidade de ocorrncia do
evento, na prxima repetio do experimento aleatrio, ser a frequncia relativa
de ocorrncia do evento nas ltimas n repeties do experimento.
Definindo de outra maneira, a probabilidade frequencista de um evento E dada
por:
P (E) = n
lim f r(E)
(1.2)
Ou seja, a probabilidade de um evento E ocorrer, na prxima repetio do experimento, calculada como o limite da frequncia relativa do evento, quando o nmero n
de repeties anteriores do experimento muito grande (n ).
Comentrios:
1. Esta definio de probabilidades pressupe que temos um nmero suficientemente grande de observaes sobre o experimento para que possamos prever
quais as chances do evento ocorrer na prxima repetio do experimento. Este
nmero suficientemente grande varia conforme o caso que estamos estudando;
2. Outro pressuposto bsico que as condies em que realizamos o experimento
aleatrio no mudaram. Nem sempre isto possvel. Mas, como na Fsica
11
Este um valor que se aproxima muito da probabilidade do sexo da criana, se esta fosse calculada
de maneira clssica: existem dois sexos possveis no nascimento de uma criana, ou seja, o tamanho do
espao amostral 2, e seus eventos so supostos distintos e equiprovveis. Da que a P (masculino) = 1/2,
ou 50%, que um nmero bastante aproximado de 49% (percentual observado). Este confronto entre
as duas formas de calcular uma probabilidade, clssica ou frequencista, ser muito utilizado na parte
de Testes Estatsticos (Apostila Estatstica III).
A. F. Beraldo
15
16
A. F. Beraldo
1.2.3
Como voc deve estar lembrado do curso mdio, axioma uma afirmao verdadeira,
que no precisa ser demonstrada (tal como o ponto e a reta, na Geometria). Se temos
um espao amostral , constitudo de uma srie de eventos Ei , sendo que existe um
nmero P (Ei ) tal que 0 P (Ei) 1, para todo i, e que P (Ei ) = 1, definimos este
nmero como probabilidade do evento Ei . Veja a figura abaixo:
17
P (Ei ) = 1
1
Exemplo 1.3. Suponha que o fenmeno nascimento de uma criana seja equivalente,
em termos da varivel sexo, ao sorteio (retirada, com reposio) de bolas de uma urna,
que contm duas bolas: uma vermelha e uma azul. Faa uma comparao entre os dois
experimentos, utilizando as definies de probabilidade estudadas e os grficos (figuras
1.8 e 1.9).
P (A) = p =
nA
= lim p = 0, 5
N
onde A pode ser bola vermelha ou bola azul, nA = 1, = 2 . Para que esta
resposta esteja completa, voc deve ter escrito sobre:
Diferenas da estimao da probabilidade a priori e a posteriori;
Espao amostral definido
Convergncia entre os valores das probabilidades a medida que n aumenta.
Confirmao da aleatoriedade do sexo da criana, a partir de p = 0,5.
18
A. F. Beraldo
1.3
A Lei da Soma
P (A B) = P (A) + P (B) P (A B)
(1.3)
19
P (F 1 F 4) =P (F 1) + P (F 4) P (F 1 F 4)
1 1
P (F 1 F 4) = + 0
6 6
Note que P (F 1 F 4) = 0. Quando isto ocorre, isto , quando A B = , diz-se
que A e B so eventos mutuamente excludentes. Neste caso, A e B so conjuntos
disjuntos, no existindo a interseo entre eles. Veja a figura a seguir:
12
Jogos de azar so excelentes exemplos do jogo das probabilidades. No caso do baralho, pela
grande quantidade de cartas (eventos unitrios), pelo nmero infinito de jogos e seqncias (espao
amostral), a riqueza inesgotvel. O baralho tem origem oriental, sendo derivado do tar - que algo
muito mais srio. Na poca em que se comeou a formular as bases tericas do Clculo de Probabilidades,
o jogo de cartas era o divertimento preferido da realeza e, de certa forma, reflete o jogo do poder. A
sociedade da poca continua sendo representada, at hoje, pelos naipes copas (clero), paus (o povo),
espadas (a nobreza) e ouros (a burguesia); continuamos tendo, no baralho, reis (Kings), rainhas
(Queens), Ases (Aces) e Valetes (Jokers).
20
A. F. Beraldo
A. F. Beraldo
21
A probabilidade deste evento pode ser escrita P (scopas). Pela Lei da Soma, temos
que P (s copas) = P (s) + P (copas) P (s copas) e P (s copas) > 0, pois o evento
(s copas) o prprio s de copas. Da,
4
13
1
16
+
=
52 52 52
52
interessante fazer os clculos utilizando fraes, pois desta forma pode-se ter uma
idia mais definida do quantitativo do espao amostral e do numerador da probabilidade
clssica.
O exemplo acima ilustra o porqu da existncia da terceira parcela da frmula da
Lei da Soma. Quando efetuamos a contagem dos ases, contamos todos os quatro, e um
deles era o s de copas. Quando efetuamos a contagem das cartas do naipe de copas,
contamos novamente o s de copas. Da que houve uma contagem em duplicidade (o
s de copas foi contado duas vezes). Para remediar este problema que foi introduzida
a terceira parcela, subtrativa, na frmula.
Como foi dito, quando P (A B) = 0 a expresso para a Lei da Soma reduz-se a
P (A B) = P (A) + P (B).
1.4
A Lei da Multiplicao
P (A B) = P (A)P (B|A)
(1.4)
A. F. Beraldo
4
52
4
16
= 0, 006 = 0, 6%
=
52
2704
4
52
3
12
= 0, 0045 = 0, 45%
=
51
2652
Note que tanto o numerador quanto o denominador da segunda parcela da multiplicao foram alterados. Isto ocorre porque, devido a um s ter sado na primeira carta,
e esta no tendo sido reposta, o nmero de ases no baralho caiu de 4 para 3, assim
como o nmero de cartas no baralho caiu de 52 para 51.
A segunda repetio do experimento depende do que aconteceu na primeira. Os dois
eventos so ditos dependentes. Assim:
Comentrios
1. preciso prestar ateno nesta classificao quando estivermos simulando experimentos. Alguns experimentos aleatrios so evidentemente dependentes, outros
claramente independentes. De qualquer forma, j na descrio do espao amostral,
ou dos prprios procedimentos da simulao, encontramos indcios do tipo de
evento a se considerar.
2. Em geral, a probabilidade resultante da combinao de eventos dependentes resulta
menor do que a de eventos independentes, mas isso no pode ser tomado como
regra.
A. F. Beraldo
23
1.5
Imagine duas urnas, U1 e U2, contendo bolas brancas e bolas vermelhas. Na urna
U1 foram colocadas 25 bolas brancas e 45 vermelhas. Na urna U2, so 20 bolas brancas
e 50 vermelhas. Supe-se que no haja nenhuma preferncia por qualquer das duas
urnas. Sorteada uma bola, verificou-se ser da cor branca. Qual a probabilidade de ter
sado da urna U2? Considere a Figura 1.18.
20
2 70
140
P (U 2|B) = 1 25
1 20 = 45 = 45 = 0, 44
+
2 70 2 70
140
Esta uma aplicao do chamado Teorema de Bayes, ou da probabilidade das
causas. uma decorrncia da Lei da Multiplicao, sendo largamente utilizado nas
reas da Sade e da Teoria da Informao. Foi apresentado (postumamente) pelo Rev.
Thomas Bayes (1701-1761), de onde vem o seu nome. Sua formulao muito simples:
24
A. F. Beraldo
P (A|B) =
P (A) P (B|A)
P (B)
(1.5)
A. F. Beraldo
25
P (Ai |B) =
P (Ai )P (B|Ai )
P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) + + P (An )P (B|An )
(1.6)
ou
P (Ai |B) =
P (Ai ) P (B|Ai )
n
1 P (Ai ) P (B|Ai )
(1.7)
A. F. Beraldo
O conjunto B pode ser descrito como B = (A1 B) (A2 B) (A3 B) (A4 B).
Veja a ilustrao abaixo:
P (Ai |B) =
P (Ai )P (B|Ai )
P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + P (A3 )P (B|A3 ) + + P (An )P (B|An )
P (Ai |B) =
A. F. Beraldo
P (Ai ) P (B|Ai )
n
1 P (Ai ) P (B|Ai )
27
Distribuies de Probabilidades de
Variveis Aleatrias Discretas
2
2.1
Variveis Aleatrias
A. F. Beraldo
29
P (soma = 2) = 1/100 ou 1%
P (soma = 20) = 1/100 ou 1%
Chamando as diversas somas possveis de S, ou melhor, de varivel aleatria
S, calculamos (utilizando o conceito da probabilidade clssica) as probabilidades de S
assumir seus valores, de 2 a 20. Para S = 3, isto ocorre 2 vezes em 100, ou seja,
P (S = 3) = 2/100. Para S = 4, a ocorrncia de 3 eventos em 100, ou P (S = 4) =
3/100. E assim por diante.
Note que a probabilidade sempre crescente, medida que a varivel aleatria S
vai assumindo valores cada vez maiores: P (S = 8) = 7/100, P (S = 9) = 8/100 ...
P (S = 11) = 10/100. A partir de S = 11, os valores das probabilidades comeam a cair:
P (S = 12) = 9/100, P (S = 13) = 8/100 ... at P (S = 20) = 1/100.
Outra coisa: veja que esta distribuio de probabilidades simtrica, em torno
de P (S = 11), que o seu valor mximo. E que P (S = 2) = P (S = 20),
P (S = 3) = P (S = 19), P (S = 4) = P (S = 18), etc. Isto ocorre devido simetria da
distribuio. Na tabela seguinte esto dispostas as probabilidades dos diversos eventos
possveis ou, em outras palavras, est descrito o espao amostral da varivel aleatria S:
30
A. F. Beraldo
P(S)
1/100
2/100
3/100
4/100
5/100
6/100
7/100
8/100
9/100
10/100
9/100
8/100
7/100
6/100
5/100
4/100
3/100
2/100
1/100
100/100 = 1, 00
19
P (Si ) = 1
1
ou, genericamente,
P (xi ) = 1
(2.1)
31
Lembrando que a rea de um retngulo, no grfico considerado, igual ao produto da base por
sua altura. Todos os retngulos possuem bases de largura igual, que consideramos unitria. Assim, a
rea do primeiro retngulo esquerda igual a 1 x 1% , a rea do segundo retngulo igual a 1 x 2%,
e assim por diante. Ento, a soma das reas dos retngulos ser igual a (1 1%) + (1 2%) + (1 +
3%) + + (1 3%) + (1 2%) + (1 1%) = 100%
32
A. F. Beraldo
P (S = K)
1%
2%
3%
4%
5%
6%
7%
8%
9%
10%
9%
8%
7%
6%
5%
4%
3%
2%
1%
P (S k)
1%
3%
6%
10%
15%
21%
28%
36%
45%
55%
64%
72%
79%
85%
90%
94%
97%
99%
100%
A terceira coluna da tabela chamada Distribuio Acumulada de Probabilidades, ou Distribuio de Probabilidade Acumulada, e contm os valores de P (S k), ou
A. F. Beraldo
33
A. F. Beraldo
que aproximadamente igual a 48% (verifique voc mesmo). claro que esta uma
probabilidade terica.
A probabilidade de S estar entre dois valores, que uma informao tambm muito
importante, pode ser visualizada neste exemplo: queremos saber a probabilidade de S
estar entre 8 e 14, inclusive, ou, escrevendo de outra forma P (8 S 14). Para
determinar esta probabilidade, podemos utilizar a ilustrao abaixo:
Notar que as somas que no pertencem a este intervalo (8 S 14) so em nmero de 42. Isto
atende ao critrio de um modelo de probabilidades em que P (A B) = 1, se A B = , o que o
presente caso. Se considerarmos A = (8 S 14), e B = (S < 8 S > 14), temos P (A) = 58% e
P (B) = 42%, e P (A) + P (B) = 100%.
A. F. Beraldo
35
A. F. Beraldo
Este exemplo ilustra algumas das caractersticas das variveis aleatrias. Vamos
agora definir melhor alguns destes conceitos:
Varivel Aleatria: Seja um experimento aleatrio e que gera uma srie de eventos
e1 , e2 , e3 , ...en . O conjunto destes eventos chamado, como vimos, espao amostral ().
Se a cada um destes eventos pudermos atribuir um nmero (ou se j forem resultados
numricos, per si), esta coleo de nmeros chamada de valores de uma varivel
aleatria. A soma S das bolinhas sorteadas, conforme mostrado anteriormente, uma
varivel aleatria que pode assumir os valores 2, 3, 4, ..., 20.
A. F. Beraldo
37
2.2
Distribuio de Probabilidades
P (X = x) = f (x)
(2.2)
Para que uma funo qualquer seja uma funo de probabilidade de Varivel Aleatria Discreta (VAD), so necessrias duas condies:
(2.3)
2.
P (xi ) = 1
(2.4)
38
A. F. Beraldo
P (V ) =
10
10 bolas verdes
=
20
20 bolas na urna
P (X = x)
0,0625
0,2500
0,3250
0,2500
0,0625
1,0000
2.
P (xi ) = 1
1
A. F. Beraldo
39
40
A. F. Beraldo
2.2.1
P (X xk ) = F (xk ) =
f (xi )
(2.5)
p(x)
0,0313
0,1563
0,3125
0,3125
0,1563
0,0313
p(x)
0,0313
0,1563
0,3125
0,3125
0,1563
0,0313
P (x)
0,0313
0,1875
0,5000
0,8125
0,9668
1,0000
41
42
A. F. Beraldo
2.3
E(X) =
xi p(xi )
(2.6)
A. F. Beraldo
43
P(S)
1/100
2/100
3/100
4/100
5/100
6/100
7/100
8/100
9/100
10/100
9/100
8/100
7/100
6/100
5/100
4/100
3/100
2/100
1/100
100/100 = 1, 00
44
P(S)
1/100
2/100
3/100
4/100
5/100
6/100
7/100
8/100
9/100
10/100
9/100
8/100
7/100
6/100
5/100
4/100
3/100
2/100
1/100
Si .p(Si )
0,02
0,06
0,12
0,20
0,30
0,42
0,56
0,72
0,90
1,10
1,08
1,04
0,98
0,90
0,80
0,68
0,54
0,38
0,20
11,00
A. F. Beraldo
Si p(Si ) = 11
E(S) =
1
2.3.1
Propriedades da Esperana
2.4
Na seo anterior, foi feita uma analogia entre a Esperana Matemtica, E(X), e a
estatstica mdia X pela semelhana entre suas frmulas de clculo. Esta analogia no
para ali. Por exemplo, se dizemos que a durabilidade mdia de um cabeote de leitura de
um CD player de 4.000 horas, ou, melhor definindo, a E(X) = 4.000 (x uma varivel
aleatria contnua, durabilidade em horas), pode ter acontecido que este parmetro veio
de uma distribuio de probabilidades como abaixo:
Tabela 2.8: Durabilidade
Durabilidade, x (horas)
2,000
3,000
5,000
6,000
P (X)
0,20
0,30
0,30
0,20
O que diz esta tabela? Temos que a metade dos cabeotes tem durabilidade inferior
a 4.000 horas, sendo que 20% dos cabeotes so de qualidade bem inferior, durando
at 2.000 horas. Por outro lado, a outra metade dos cabeotes dura acima de 4.000
horas, com 20% de qualidade muito superior, chegando a durar 6.000 horas. Existe
uma disperso muito grande para a varivel aleatria e pode ser que a Esperana E(X)
seja enganosa. Precisamos de uma medida estatstica para avaliar a esperana. Uma
A. F. Beraldo
45
destas medidas a varincia, aqui notada por Var(x), ou 2 e definida, para variveis
discretas, como
n
Var(x) =
(2.7)
(x) = s(x) =
Var(x)
(2.8)
46
(2.9)
A. F. Beraldo
P(S)
1/100
2/100
3/100
4/100
5/100
6/100
7/100
8/100
9/100
10/100
9/100
8/100
7/100
6/100
5/100
4/100
3/100
2/100
1/100
Si .p(Si )
0,02
0,06
0,12
0,20
0,30
0,42
0,56
0,72
0,90
1,10
1,08
1,04
0,98
0,90
0,80
0,68
0,54
0,38
0,20
11,00
A. F. Beraldo
47
P(S)
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,10
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
1,00
S.P (S)
0,02
0,06
0,12
0,20
0,30
0,42
0,56
0,72
0,90
1,10
1,08
1,04
0,98
0,90
0,80
0,68
0,54
0,38
0,20
11,00
S E(S)
9
8
7
6
5
4
3
2
1
0
1
2
3
4
5
6
7
8
9
(S E(S))2
81
64
49
36
25
16
9
4
1
0
1
4
9
16
25
36
49
64
81
(S E(S))2 p(s)
0,81
1,28
1,47
1,44
1,25
0,96
0,63
0,32
0,09
0,00
0,09
0,32
0,63
0,96
1,25
1,44
1,47
1,28
0,81
16,50
2.4.1
Propriedades da varincia
48
A. F. Beraldo
2.5
Assimetria e Curtose
2.5.1
Assimetria
A. F. Beraldo
49
A. F. Beraldo
3 =
(x E(x))3 p(x)
=
s(x)3
d3 p(x)
, fazendo d = x E(x)
s3
(2.10)
2.5.2
Curtose
Curtose a caracterstica (visual) de achatamento, maior ou menor, de uma distribuio de probabilidades. Em termos de concentrao de probabilidades, quanto
mais concentradas as probabilidades em uma regio do domnio da varivel aleatria,
menos achatado nos parece o grfico da funo densidade. Assim, as distribuies
das variveis aleatrias podem ser platicrticas (muito achatadas) ou leptocrticas
(pontiagudas), ou mesocrticas (uma categoria intermediria). Observe a seguir:
51
Uma distribuio platicrtica mais achatada, mais espalhada, com altos desvios
padres.
A medida da curtose, em distribuies de probabilidades de varivel discreta, dada
por:
52
A. F. Beraldo
4 =
(x E(x))4 p(x)
3=
s(x)3
d4 p(x)
3, fazendo d = x E(x)
s4
(2.11)
4 =
d4 p(x)
s4
Ver Captulo 3.
A. F. Beraldo
53
Exemplos:
Tabela 2.11: Distribuio leptocrtica
x
0
1
2
3
4
5
6
p(x)
0,01
0,05
0,14
0,6
0,14
0,05
0,01
1
x.p(x)
0
0,05
0,28
1,8
0,56
0,25
0,06
3
d
3
2
1
0
1
2
3
d2
9
4
1
0
1
4
9
Var(x)
s(x)
CV
s3
s4
d2 p(x)
0,09
0,2
0,14
0
0,14
0,2
0,09
0,86
0,927362
0,31
0,797531
0,7396
d3
27
8
1
0
1
8
27
soma
alfa-3
d3 p(x)
0, 27
0, 4
0, 14
0
0,14
0,4
0,27
0
0
d4
81
16
1
0
1
16
81
196
alfa-4
d4 p(x)
0,81
0,8
0,14
0
0,14
0,8
0,81
3,5
4,732288
1,7
p(x)
0,01
0,08
0,21
0,4
0,21
0,08
0,01
1
x.p(x)
0
0,08
0,42
1,2
0,84
0,4
0,06
3
d
3
2
1
0
1
2
3
d2
9
4
1
0
1
4
9
Var(x)
s(x)
CV
s3
s4
d2 p(x)
0,09
0,32
0,21
0
0,21
0,32
0,09
1,24
1,113553
0,37
1,380806
1,5376
d3
27
8
1
0
1
8
27
soma
alfa-3
d3 p(x)
0, 27
0, 64
0, 21
0
0,21
0,64
0,27
0
0
d4
81
16
1
0
1
16
81
196
alfa-4
d4 p(x)
0,81
1,28
0,21
0
0,21
1,28
0,81
4,6
2,991675
0,0
54
p(x)
0,1
0,12
0,18
0,2
0,18
0,12
0,1
1
x.p(x)
0
0,12
0,36
0,6
0,72
0,6
0,6
3
d
3
2
1
0
1
2
3
d2
9
4
1
0
1
4
9
Var(x)
s(x)
CV
s3
s4
d2 p(x)
0,9
0,48
0,18
0
0,18
0,48
0,9
3,12
1,766352
0,59
5,511019
9,7344
d3
27
8
1
0
1
8
27
soma
alfa-3
d3 p(x)
2, 7
0, 96
0, 18
0
0,18
0,96
2,7
0
0
d4
81
16
1
0
1
16
81
196
alfa-4
A. F. Beraldo
d4 p(x)
8,1
1,92
0,18
0
0,18
1,92
8,1
20,4
2,095661
0, 90
2.6
A partir destes critrios, temos condio de modelar uma vasta quantidade de fenmenos, naturais ou no. As cincias utilizam a Estatstica Probabilstica para estudar os
fenmenos de suas reas: as cincias econmicas estudam o comportamento das relaes
entre as entidades econmicas, ora determinstico, ora apenas previsvel; as cincias
A. F. Beraldo
55
biolgicas utilizam modelos probabilsticos na descrio dos hbitos dos espcimes e sua
evoluo; a Qumica e a Fsica modelam probabilisticamente o infinitamente pequeno e
o infinitamente grande, e assim por diante. Modelos de Probabilidade explicam
desde a migrao das aves at as estratgias de marketing do comrcio, desde o trnsito
catico das grandes cidades at a incerteza da posio de eltrons no tomo, desde a
proliferao de doenas at os testes dos medicamentos inventados para combat-las.
Depois que aprendermos a lidar com modelos de variveis aleatrias, o aluno, muitas
vezes, incorre numa distoro do entendimento do que seja probabilidade: se, num lance
de dois dados, a esperana da varivel soma que d soma 7, com probabilidade
1/6, h uma tendncia a se imaginar que, forosamente, sair soma 7. No assim.
Um modelo estabelecido, seja a priori ou a posteriori, para que, nas muitas
outras vezes em que o experimento for repetido, sob as mesmas condies,
as ocorrncias dos eventos se aproximem do previsto no modelo5 . Se isto
acontecer, o modelo est correto; se no acontecer, indicao de que ou o modelo est
incorreto ou que as condies do experimento j no so mais as mesmas.
Outro engano, tambm muito comum, de se imaginar que, uma vez tendo o
modelo se afirmado como satisfatrio, esta seja uma verdade eterna, cristalizada, sobre a
realidade. H que se testar continuamente a aplicao do modelo, verificar as condies,
aperfeioar e aprofundar o conhecimento sobre o comportamento das variveis.
Estas duas atitudes, a conscincia de que um fenmeno s se aproxima de
seu modelo probabilstico terico aps um grande nmero de repeties e
a convico de que a realidade dinmica, mutvel e, muitas vezes, surpreendente,
que caracterizam o pensar probabilisticamente.
Nas prximas pginas iremos estudar os modelos de probabilidade mais aplicados na
prtica, como o Modelo Binomial, para variveis discretas, e o Modelo Normal, para
variveis contnuas. Existem muitos outros modelos, que so, algumas vezes, especficos
de uma rea de conhecimento, e no constam desta Apostila. Caso o aluno esteja
interessado, encontrar, na bibliografia disponibilizada no site 6 , bons livros sobre este
tema, alm de sites na Internet que aprofundam as tcnicas de modelagem probabilstica.
2.7
As Provas de Bernoulli
56
Esta frase especialmente importante. Leia vrias vezes cada palavra, pense, e compreenda.
Em http://www.ufjf.br/antonio_beraldo/ensino/
A. F. Beraldo
(2.12)
57
P (E|E) = P (E)
(2.13)
58
A. F. Beraldo
2.8
Distribuio Geomtrica
Descrio
Modelo
P (X = N ) = q N 1 p
Esperana
E(x) =
1
p
Varincia
2 = Var(x) =
Assimetria
(2.14)
(2.15)
q
p2
(2.16)
2p
3 =
q
(2.17)
p2
q
(2.18)
Curtose
4 = 6 +
Exemplo 2.4. Um jogador lana um dado N vezes, at que saia a Face 6 . Qual a
probabilidade de a Face 6 s saia no dcimo lanamento?
O dado tem seis faces, das quais apenas uma Face 6. Portanto, P(Face 6) = 1/6.
O sucesso pesquisado (F6) tem probabilidade p = 1/6; o evento no-sucesso tem
probabilidade q, sendo q = 1p, ou q = 1 1/6 = 5/6. A ilustrao abaixo se refere a
um lanamento qualquer:
O sucesso Face 6, com probabilidade p = 1/6
O restante dos eventos do espao amostral (F1, F2, F3, F4, F5), que poderiam
ser chamados de no-Face 6, que chamado de no-sucesso. Sua probabilidade
q = 5/6.
A. F. Beraldo
59
F6 F6 F6 F6 F6 F6 F6 F6 F6 F6
que pode ser lido como no-face 6 e no-face 6 e no-face 6 e ... e face 6.
Aplicando-se a Lei da Multiplicao, temos
P (F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6 F 6) =
60
5
6
5 5 5 5 5 5 5 5 5 1
=
6 6 6 6 6 6 6 6 6 6
9
1
1953125
=
= 0, 03230112 = 0, 032 ou 3%
6
60466176
A. F. Beraldo
P (X = k) = p q k1 =
5
1
6
6
= 0, 032
A. F. Beraldo
61
P(X=k)
0,3000
0,2100
0,1470
0,1029
0,0720
0,0504
0,0353
0,0247
0,0173
0,0121
62
A. F. Beraldo
q
0, 7
padro, por Var(x) = 2 = 2 =
=
7,
8
e
=
Var(x)
=
7, 8 = 2, 8
p
(0, 3)2
A esperana E(X) dada por E(X) =
A. F. Beraldo
63
0,5
0,5000
0,2500
0,1250
0,0625
0,0313
0,0156
0,0078
0,0039
0,0020
0,0010
0,0005
0,0002
0,0001
0,0001
0,0000
0,4
0,4000
0,2400
0,1440
0,0864
0,0564
0,0311
0,0187
0,0112
0,0067
0,0040
0,0024
0,0015
0,0009
0,0005
0,0003
0,3
0,3000
0,2100
0,1470
0,1029
0,0720
0,0504
0,0353
0,0247
0,0173
0,0121
0,0085
0,0059
0,0042
0,0029
0,0020
0,2
0,2000
0,1600
0,1280
0,1024
0,0819
0,0655
0,0524
0,0419
0,0336
0,0268
0,0215
0,0172
0,0137
0,0110
0,0088
0,1
0,1000
0,0900
0,0810
0,0729
0,0656
0,0590
0,0521
0,0478
0,0430
0,0387
0,0349
0,0314
0,0282
0,0254
0,0229
Notar que P = (x = 1) = p.
64
A. F. Beraldo
2.9
Distribuio Binomial
Descrio
Modelo
P (X = k) =
N k N k
p q
k
(2.19)
Esperana
E(x) = N p
(2.20)
Var(x) = N pq
(2.21)
qp
3 =
N pq
(2.22)
1 6pq
4 = 3 +
N pq
(2.23)
Varincia
Assimetria
Curtose
A Distribuio (ou Modelo) Binomial pode ser visto como uma extenso da
Distribuio Geomtrica. Suas caractersticas so quase as mesmas:
So N repeties (ou tentativas) de Provas de Bernoulli. O experimento aleatrio,
a cada repetio, tambm gera um espao amostral dicotmico, isto , com
apenas dois eventos possveis. Estes eventos so mutuamente excludentes,
complementares, e so chamados de sucesso e no-sucesso. A probabilidade de
obtermos o evento sucesso, em qualquer das repeties do experimento, dada
por p; a probabilidade do no-sucesso dada por q.
A. F. Beraldo
65
P (E) = p
P (E) = q
Pela ilustrao, pode-se ver que = E E.
Portanto, temos que P (E) + P (E) = 1, e p + q = 1.
A. F. Beraldo
Resumindo:
Para k = 0, 1 sequncia possvel P (k = 0) = q 4
Para k = 1, 4 sequncias possveis P (k = 1) = p1 q 3 , em cada sequncia.
Para k = 2, 6 sequncias possveis P (k = 2) = p2 q 2 , em cada sequncia.
Para k = 3, 4 sequncias possveis P (k = 3) = p3 q 1 , em cada sequncia.
Para k = 4, 1 sequncia possvel P (k = 4) = p4
Voc talvez deve ter notado que o nmero de sequncias possveis para k sucessos em
N tentativas o coeficiente do binmio de Newton para o desenvolvimento de expresses
do tipo (a + b)N . Este coeficiente dado pela expresso
N
k
N!
k!(N k)!
(2.24)
N
a combinao de N objetos, tomados k a k, e N ! (l-se N fatorial)
k
igual a N (N 1)(N 2)(N 3)
Onde
P (X = k) =
N k N k
p q
k
(2.25)
67
N k N k
p q
. Com os parmetros do exemplo, temos
k
6
(0, 3)2 (0, 7)62
2
6
P (X = 2) =
(0, 3)2 (0, 7)4 = 5 (0, 09) (0, 2401)
2
P (X = 2) =
P (X = k) =
N k N k
p q
k
Os experimentos descritos pela distribuio binomial so feitos com reposio. Isto garante a
constncia do tamanho do espao amostral e das probabilidades p e q, de sucesso e no-sucesso,
respectivamente.
68
A. F. Beraldo
P (X = k)
0,1176
0,3025
0,3241
0,1852
0,0595
0,0102
0,0007
1,000
P (X = k)
11,76%
30,25%
32,41%
18,52%
5,95%
1,02%
0,07%
100%
A. F. Beraldo
69
Exemplo 2.7. Imagine uma famlia com 10 filhos. Estes podem ser do sexo masculino
ou feminino. A probabilidade de uma criana ser do sexo masculino de 0,5 ou 50%
( a mesma para crianas do sexo feminino, como vimos). Supondo que o nascimento
de meninas e meninos seja um experimento aleatrio, qual a probabilidade de termos k
meninas nesta famlia, com k variando de 0 a 10 (de nenhuma menina a todas meninas)?
N = 10
p = 0,5
q = 0,5
k = 0, 1, 2, 3, 4,..., 10
Os clculos so os seguintes:
Para nenhuma menina, P (X = 0) =
10
(0, 5)1 (0, 5)9 = 0, 010
1
10
(0, 5)2 (0, 5)8 = 0, 044
2
10
(0, 5)3 (0, 5)7 = 0, 1172
3
70
10
(0, 5)0 (0, 5)10 = 0, 001
0
10
(0, 5)4 (0, 5)6 = 0, 2050
4
10
(0, 5)5 (0, 5)5 = 0, 2461
5
10
(0, 5)6 (0, 5)4 = 0, 2050
6
10
(0, 5)7 (0, 5)3 = 0, 1172
7
10
(0, 5)8 (0, 5)2 = 0, 044
8
A. F. Beraldo
10
(0, 5)9 (0, 5)1 = 0, 010
9
10
(0, 5)10 (0, 5)0 = 0, 001
10
P (X = k)
0,001
0,010
0,044
0,117
0,205
0,246
0,205
0,117
0,044
0,010
0,001
1,0000
P (X = k)
0%
1%
4%
12%
21%
25%
21%
12%
4%
1%
0%
100%
A. F. Beraldo
71
Estude bem este exemplo, que ser de muita importncia quando tratarmos
de outras distribuies (modelo normal, por exemplo). Veja a forma do grfico, uma
curva simtrica, em forma de sino. Este um caso especial, quando p = 0, 5. Leia os
comentrios a seguir:
Comentrios:
1. Curvas de probabilidade: As curvas que representam as distribuies de probabilidade binomial podem ser simtricas (exemplo anterior), assimtricas positivas
(maior densidade de probabilidade para a esquerda) ou assimtricas negativas
(maior densidade de probabilidade na regio direita do grfico). Quando a
probabilidade de sucesso, p, menor do que 0,5, a curva assimtrica positiva.
Quando p > 0, 5, a curva assimtrica negativa. Veja o grfico a seguir:
72
A. F. Beraldo
2. Probabilidade de sucesso p = 0, 5:
Quando a probabilidade p igual a 0,5, a curva sempre simtrica, mas comea a
tomar a forma de sino (mais suave) a partir de N = 5. Veja o grfico a seguir:
73
N
(0, 5)N
N/2
(2.26)
Pode-se demonstrar que esta probabilidade tende a zero, quando N muito grande.
N
Se escrevermos a expresso P (X = E(X)) =
(0, 5)N da seguinte forma
N/2
P (X = E(X)) =
N
N/2
1
2
N
N/2
2N
(2.27)
veremos que o numerador cresce bastante, mas o denominador cresce bem mais.
30
Para se ter uma idia,
= 155.117.520, mas 230 = 1.073.741.824. Veja no
15
grfico a seguir as probabilidades da esperana:
74
A. F. Beraldo
A. F. Beraldo
75
2.10
Descrio
Modelo
P (X = N ) =
N 1 k
p q N k
k1
Esperana
E(x) =
Varincia
Var(x) =
(2.28)
k
p
(2.29)
kq
p2
(2.30)
Esta distribuio (modelo) uma espcie de combinao entre os modelos geomtrico (quando a ocorrncia do k-simo sucesso interrompe as repeties das Provas de
Bernoulli) e binomial (quando ocorrem k sucessos em N repeties). Como foi visto, o
k-simo sucesso interrompe a repetio das N provas de Bernoulli, na N-sima
repetio.
Exemplo 2.8. Um jogo consiste no lanamento de um dado em que jogadores escolhem uma
face e apostam uma quantia nesta face. Ganha-se o jogo quando a face escolhida sai pela
terceira vez. Voc, jogador, escolhe a face F4. Qual a probabilidade de voc ganhar o jogo
na sexta rodada?
O jogo, portanto, ser interrompido quando sair F4 na 6a rodada, e coincide com a 3a vez
que sai a F4. Trata-se de uma distribuio de Pascal 8 , pelas suas caractersticas. A face F4
j saiu 2 vezes, nas 5 jogadas anteriores. Portanto, aplicando a expresso do modelo, temos:
76
P (X = 6) =
N 1 3 63
p q
=
k1
P (X = 6) =
5
(0, 167)3 (0, 833)3 = (10)(0, 005)(0, 579) = 0, 0268
2
5 3 3
p q
2
Alis, este o problema que iniciou a troca de cartas entre Pascal e Fermat, com algumas variaes.
A. F. Beraldo
2.11
Distribuio Hipergeomtrica
Descrio
Modelo
P (X = k) =
Esperana
p=
a
k
a
a
=
a+b
N
E(x) = n
Varincia
Var(x) =
N a
nk
N
n
q=
(2.31)
b
b
=
a+b
N
a
= np
a+b
nab(a + b n)
npq(N n)
=
2
(a + b) (a + b 1)
N 1
(2.32)
(2.33)
n
A razo N
torna-se igual a 1 quando N >> n. Neste
N 1
caso, a distribuio hipergeomtrica comporta-se da mesma
forma que a binomial. Em outras palavras, quando N , a
amostragem sem reposio praticamente igual com reposio.
A. F. Beraldo
77
Exemplo 2.9. Suponha que uma mquina fabrique N peas de automvel, em um dia.
As peas podem ser defeituosas (com probabilidade p = a/N , sendo a o nmero de
peas defeituosas) ou no-defeituosas (com probabilidade q = (N a)/N ). O controle
de qualidade da fbrica sorteia uma amostra de n peas, das N fabricadas naquele dia.
Qual ser a probabilidade de termos k peas defeituosas, na amostra?
Esta probabilidade dada pela expresso
a
k
P (X = k) =
b
nk
N
n
P (X = 2) =
5
2
20
13
25
15
= 0, 237
= 23, 7%
E(x) =
an
(5)(15)
=
=3
N
(25)
Var(x) = n
78
a
N
N a
N
N n
=1
N 1
A. F. Beraldo
Comentrios
1. Se a amostragem fosse feita com reposio, teramos uma distribuio (ou modelo)
binomial.
2. Na prtica, quando o tamanho da amostra for muito menor do que o do Universo
n
0, 01 podemos utilizar modelo binomial.
N
N n
chamada de fator de correo finita, e ser abordado
N 1
novamente na apostila Estatstica III, Amostragem, Inferncia e Testes. Notar
que, quando N >> n , a razo tende a 1, o que conduz ao Comentrio 2, acima...
3. A expresso
A. F. Beraldo
79
2.12
Distribuio Multinomial
Descrio
Modelo
P (X = x1 , X = x2 , X = x3 , ..., X = xk ) =
n!
px1 px2 px3 ...pxk k
x1 !x2 !x3 !...xk ! 1 2 3
ou
P (X = x1 , X = x2 , X = x3 , ..., X = xk ) =
Esperana
n!
k pxi (2.34)
x1 !x2 !x3 !...xk ! 1 i
Varincia
Assimetria
e curtose
(2.35)
(2.36)
80
A. F. Beraldo
E1 E2 E3 E4 =
E1 E2 E3 E4 =
Cada evento Ei possui a sua probabilidade P (Ei ) = pi e cumpre-se a condio de
distribuio de probabilidades n1 pi = 1.
Ao repetirmos o experimento N vezes, supondo as probabilidades pi constantes
(experimento feito com reposio), queremos saber qual a probabilidade de E1 ocorrer
k1 vezes, E2 ocorrer k2 vezes, E3 ocorrer k3 vezes e E4 ocorrer k4 vezes. claro que
k1 + k2 + k3 + k4 = N , e, de acordo com a Anlise Combinatria e a Lei da Multiplicao,
temos
P (X = k1 , k2 , k3 , , kn ) =
N!
= pk11 pk22 pk33 ...pknn
k1 !k2 !k3 ! + ... + kn !
(2.37)
A. F. Beraldo
81
Exemplo 2.10. Em uma turma de alunos de um curso noturno, 60% dos alunos so
solteiros, 30% so casados, e os demais so divorciados. Extrada uma amostra de 10
alunos, qual a probabilidade de obtermos exatamente 5 solteiros, 3 casados e 2 alunos
divorciados?
Aplicando-se a expresso de clculo do modelo, temos
P (x1 = 5, x2 = 3, x3 = 2) =
10!
(0, 6)5 (0, 3)3 (0, 1)2 = 0, 0529
513!2!
E(ki )
6
3
1
Var(ki )
2,40
2,10
0,90
S(ki )
1,55
1,45
0,95
P (x1 = 6, x2 = 3, x3 = 1) =
82
10!
(0, 6)6 (0, 3)3 (0, 1)1 = 0, 106
6!3!1!
A. F. Beraldo
2.13
Distribuio de Poisson
Descrio
Modelo
P (x = k) =
k e
k!
(2.38)
Esperana
E(x) =
(2.39)
Var(x) =
(2.40)
1
3 =
(2.41)
Varincia
Assimetria
Curtose
4 = 3 +
(2.42)
Este modelo completamente diferente dos modelos estudados anteriormente, baseados nas provas de Bernoulli. Os eventos estudados, muitas vezes chamados eventos
raros, ocorrem ao longo do tempo ou de dimenses do espao: um modelo cujas
probabilidades so calculadas a partir do conceito frequencista, ou seja, utilizamos as
informaes anteriores para prever as ocorrncias de sucessos nas prximas repeties
do experimento.
A distribuio de Poisson aplica-se a fenmenos aleatrios no tempo e no espao,
como acidentes automobilsticos, chamadas telefnicas, falhas de um equipamento no
decorrer do tempo de uso, etc. Sua expresso
k e
P (X = k) =
k!
A. F. Beraldo
83
P (X = k) =
k e4
k!
0 e4
= 0, 01832
0!
P (X = 1) =
1 e4
= 0, 07326
1!
P (X = 2) =
2 e4
= 0, 14653
2!
P (X = 3) =
3 e4
= 0, 19537
3!
Uma solicitao
Duas solicitaes
Trs solicitaes
Quatro solicitaes
4 e4
P (X = 4) =
= 0, 19537
4!
De duas a quatro solicitaes
P (X = 2) + P (X = 3) + P (X = 4) = 0, 537
Mais de duas solicitaes:
P (X > 2) = 1 [P (X = 0) + P (X = 1) + P (X = 2)] = 1 0, 2380 = 0, 762
84
A. F. Beraldo
A. F. Beraldo
85
Caractersticas
As Provas de Bernoulli so repetidas k
vezes, at que o sucesso ocorra (na ksima e ltima tentativa).
Binomial
(Pgina 65)
Modelo
Geomtrico
(Pgina 59)
Pascal
(Pgina 76)
Hipergeomtrica
(Pgina 77)
Multinomial
(Pgina 80)
De um universo de tamanho N retirada uma amostra de tamanho n. Existem a sucessos no Universo e pesquisase a probabilidade de obtermos k sucessos na amostra.
Poisson
(Pgina 83)
Modelo e Parmetros
1
p
a
k
V (X) =
q
p2
kq
p2
N 1 k N k
p q
k1
V (X) = N p q
N k N k
p q
k
V (X) =
P (X = k) = q k1 p
E(X) =
P (X = k) =
E(X) = N p
k
p
P (X = k) =
E(X) =
P (X = k) =
N a
nk
N
n
Var(x) =
npq(N n)
N 1
E(x) = np
N!
pk11 p2k2 ...pnkn
k1 !k2 !...kn !
V (X) = N pi (1 pi )
P (X = k1 , ..., kn ) =
E(X = ki ) = N pi
k e
P (X = k) =
k!
V (X) =
E(X) =
A. F. Beraldo
86
, e
(3.1)
2.
f (x)dx = 1
(3.2)
87
P (a < X < b) =
f (x)dx
a
Exemplo 3.1. Seja a funo definida como f (x) = 2x, para 0 x 1, e f (x) = 0,
para x > 1, f (x) = 0, para x < 0.
Esta uma funo de probabilidades, uma vez que cumpre as duas condies:
1. f (x) 0, para todo x
, e
f (x)dx = 1
2.
88
A. F. Beraldo
0dx +
1
0
2xdx +
+
1
0dx, ou
2x2
+ 0 = 0 + (12 02 ) = 1
f (x)dx = 0 +
2
0
F (x) = P (X x) =
f (x)dx
(3.3)
Da podermos definir, com maior rigor, uma varivel aleatria contnua (VAC). Esta
possui uma funo de distribuio F(x) que cumpre as seguintes condies:
2.
dF (x)
= f (x)
dx
Exemplo 3.2. Seja a fdp definida comof (x) = 3x2 /8, para 0 x 2. Sua funo
distribuio dada por
x 3x2
x3
F (x) =
dx = ,
8
8
0
para 0 x 2. Veja a figura a seguir:
A. F. Beraldo
89
3.2
3.2.1
Parmetros
Esperana Matemtica
xf (x)dx
E(X) =
(3.4)
Exemplo 3.3. Seja uma VAC com fdp dada por f (x) = 3x2 , para 0 x 1, e f (x) = 0,
para valores de x fora deste intervalo. A esperana desta distribuio dada por:
E(x) = =
=
0
90
xf (x)dx =
x3x2 dx =
3(1)4 3(0)4
3
3x3 dx =
=
4
4
4
A. F. Beraldo
3.2 Parmetros
3.2.2
Varincia
Var(x) =
(x E(x))2 f (x)dx
(3.5)
Var(x) =
x2 f (x)dx [E(x)]2
(3.6)
e, tambm, a expresso
A. F. Beraldo
91
Exemplo 3.4. Seja uma VAC com fdp dada por f (x) = 3x2 , para 0 x 1, e f (x) = 0,
para valores de x fora deste intervalo. A esperana desta distribuio foi calculada igual
a: 3/4. A varincia da funo dada por
Var(x) =
0
1
0
3
(3x4 )dx
4
Var(x) =
3x5
=
0, 5625
5
0
3
0, 5625 = 0, 0375
5
, e
2.
f (x)dx = 1
P (a x b) =
92
A. F. Beraldo
3.2 Parmetros
E(X) = =
xf (x)dx
Varincia
Var(x) = 2 =
(x )2 f (x)dx =
x2 f (x)d(x) 2
Desvio padro
s(x) = =
Funo distribuio
x0
F (x0 ) =
f (x)dx
A. F. Beraldo
93
3.3
Distribuio Uniforme
Descrio
Funo densidade
f (x) =
1
ba
(3.7)
Funo distribuio
F (x) = 0 , para x < a
xa
F (x) =
, para a x b
ba
F (x) = 1 , para x > b
Esperana
E(x) =
Varincia
a+b
2
(3.8)
(3.9)
(3.10)
(3.11)
(b a)2
s (x) =
12
(3.12)
3 = 0
(3.13)
Assimetria
Curtose
4 =
94
6
5
(3.14)
A. F. Beraldo
Exemplo 3.5. Seja uma distribuio uniforme, dada por f (x) = 0, para x > 3,
1
1
f (x) =
=
= 0, 25, para 3 x 7 e f (x) = 0, para x > 7
ab
73
Os grficos para esta distribuio so os seguintes:
A. F. Beraldo
95
Esperana
E(x) =
Varincia
Var(x) = 2 =
a+b
3+7
=
= 5, 0
2
2
(7 3)2
16
(b a)2
=
=
= 1, 33
12
12
12
Exemplo 3.6. Um cabo de alta tenso desenrolado de uma bobina com 200m.
Suponha que a probabilidade de rompimento igual e constante para toda a extenso
do cabo. Calcule a E(x), a V ar(x) e a probabilidade do cabo se romper entre 100m e
120m.
A funo densidade , portanto, f (x) =
1
1
=
= 0, 005, para 0 x 200
ab
200 0
96
A. F. Beraldo
0 + 200
a+b
=
= 100
2
2
Var(x) = 2 =
(b a)2
200 0)2
40.000
=
=
= 3333, 33m2
12
12
12
s(x) =
2 =
120
1
dx = 0, 005x
200
120
= 0, 6 0, 5 = 0, 10
100
A. F. Beraldo
97
3.4
Distribuio Exponencial
Descrio
A distribuio exponencial muito parecida com a distribuio de Poisson (VAD). Seja uma varivel aleatria contnua cuja probabilidade de ocorrncia aumenta segundo
uma taxa constante (ao longo do tempo, por exemplo).
Suas caractersticas so:
Funo densidade
f (x) = ex para > 0 e x > 0
(3.15)
e = 2, 7182
Funo distribuio
x
F (x) =
ex dx = 1 ex , para x > 0
(3.16)
Esperana
E(x) =
Varincia
Var(x) = 2 =
(3.17)
1
2
(3.18)
Assimetria
3 = 2
(3.19)
4 = 3
(3.20)
Curtose
A frase aumenta em uma taxa constante sugere que esta distribuio muito til
para modelar fenmenos que envolvem durabilidade - componentes sujeitos ao desgaste.
98
A. F. Beraldo
Exemplo 3.7. Um componente eletrnico, se usado continuamente, possui uma durabilidade mdia de 200 dias e uma distribuio de probabilidade de falhas exponencial.
Qual a probabilidade deste componente deixar de funcionar em:
a) menos de 100 dias;
b) mais de 500 dias;
c) entre 200 e 400 dias.
1
1
=
= 0, 005,
E(x)
200
e a funo densidade (exponencial) dada por f (x) = 0, 005e0,005x (veja o grfico a
seguir).
Pelos dados do exemplo, temos que E(x) = 200, portanto =
A. F. Beraldo
99
A. F. Beraldo
0, 005e0,005x dx = 0, 50 ou P (x > T ) = 0, 50
0, 693
= 140
0, 005
A. F. Beraldo
101
Mediana =
Mediana =
ln 2
Q1 =
0,693
Q1 =
Q1 =
0,288
Q3 =
Q3 =
ln 4
1,386
ln 4 ln 3
0, 288
=
Q2 = Mediana =
Q3 =
102
ln 4ln 3
0, 693
ln 2
=
ln 4
1, 386
=
A. F. Beraldo
3.5
Distribuio Normal
Descrio
Funo densidade
1
x 2
e 2 ( )
f (x) =
2
(3.21)
E(x) =
(3.22)
Var(x) = 2
(3.23)
3 = 0
(3.24)
4 = 3
(3.25)
Esperana
Varincia
Assimetria
Curtose
A. F. Beraldo
103
104
A. F. Beraldo
A. F. Beraldo
105
(3.26)
z=
106
(3.27)
A. F. Beraldo
Esta transformada permite que tenhamos qualquer varivel real expressa em termos
de uma varivel gaussiana2 . A partir desta transformada, obtemos o grfico da funo
1
2
f (x) = ez /2 , a seguir:
2
P (a < x < b) =
a
1
2
ez /2 dz
2
(3.28)
Esta operao chamada padronizao de uma varivel. Se esta varivel for normalmente
distribuda, temos a chamada normalizao da varivel.
A. F. Beraldo
107
108
A. F. Beraldo
A. F. Beraldo
109
z=
x
x 52
=
18
Assim, um candidato que fez 68 pontos, por exemplo, tem sua nota padronizada
para:
z=
x
68 52
=
= 0, 89
18
x
52 52
=
=
18
Veja que a curva simtrica em relao a um eixo que passa por z = 0 (ou por x
= 52). Assim, cada valor de x tem o seu correspondente z que, como vimos, mede a
distncia que determinado valor de x est acima ou abaixo da mdia do conjunto, e
esta distncia expressa em unidades de desvio padro. Veja o quadro a seguir:
X: nmero de
pontos
4
16
30
34
45
52
65
70
80
100
110
z
2, 667
-2,000
1, 222
-1,000
0, 389
0,000
0,722
1,000
1,556
2,000
2,667
A. F. Beraldo
A. F. Beraldo
111
Queremos encontrar a rea entre 0 e +1, 0. Os valores de z, com uma casa decimal,
esto na primeira coluna:
112
A. F. Beraldo
A. F. Beraldo
113
114
A. F. Beraldo
A. F. Beraldo
115
z = 1, 645
rea sob a curva = 0,900
rea sob as caudas = 0,100
rea sob cada uma das caudas = 0,05
3
116
A. F. Beraldo
z = 1, 96
rea sob a curva = 0,950
rea sob as caudas = 0,050
rea sob cada uma das caudas = 0,025
z = 2, 58
rea sob a curva = 0,990
rea sob as caudas = 0,01
rea sob cada uma das caudas = 0,005
A. F. Beraldo
117
3.5.1
Na parte de Variveis Aleatrias Discretas (Cap. 2), foi estudada com maior
profundidade a Distribuio Binomial uma srie de N repeties de provas de Bernoulli,
em que p e q so as probabilidades de sucesso e no -sucesso, respectivamente. O modelo,
para a ocorrncia de k sucessos em N repeties, dado por
P (X = k) =
N k N k
p q
k
P (X = 10) =
100!
90
0, 210 0, 890 =
= (0, 000000102400)(0, 000000001897)
10
90!10!
90
muito grande, como voc pode imaginar4 . Portanto, temos a
10
multiplicao de nmeros muito grandes por nmeros muito pequenos, o que causa este
efeito de perda de aderncia. No entanto, se N grande e se p e q no so muito
pequenos (prximos de zero), podemos aproximar valores de P utilizando a Distribuio
Normal fazendo:
O valor de
= E(X) = N p,
= N pq e
x Np
,
z=
N pq
1
b z 2 /2dz
Calculamos P (a x b) =
, que a j nossa conhecida expresso
a e
2
dos valores sob a curva normal padronizada, cujos valores so tabelados. Esta estimativa
de P tanto melhor quanto maior N e se tanto N p quanto N q so maiores que 5.
De fato, at visualmente podemos notar esta convergncia: na ilustrao da pgina
seguinte, um histograma de frequncia de uma distribuio binomial e a curva normal
de probabilidades (como foi visto na pgina anterior).
4
118
A. F. Beraldo
A. F. Beraldo
119
Exemplo 3.9. Uma moeda jogada 100 vezes. Qual a probabilidade de obtermos
entre 40 e 60 caras?
Como seria muito trabalhoso calcular P (40 x 60) =
k=60
k=40
100
(0, 5)k (60)100k ,
k
= N pq = (100)(0, 5)(0, 5) = 25 = 5,
2. Calculamos os valores de z = x
, utilizando valores fracionrios de x , como
39, 5 50
x1
60, 5 50
x1
=
= 2, 1 e z1 =
=
= +2, 1
120
A. F. Beraldo
3.6
Distribuio t de Student
Descrio
Uma varivel aleatria t segue uma distribuio de probabilidades chamada t de Student quando segue o modelo
dado pela expresso a seguir:
Modelo
+1
2
f (t) =
2
1+
t2
(+1)/2
(3.29)
Varincia
Var(t) =
(3.30)
para > 2
2
(3.31)
3 = 0
(3.32)
Assimetria
Curtose
4 =
6
para > 4
4
(3.33)
=n1
121
t=
122
xX
s
n
(3.34)
A. F. Beraldo
3.7
Distribuio do Qui-quadrado
Descrio
Modelo
f (x) =
1
2/2 (/2)
x(/2)1 ex/2
(3.35)
(3.36)
Var(x) = 2
(3.37)
Varincia
Assimetria
3 =
(3.38)
12
(3.39)
Curtose
4 =
A. F. Beraldo
123
(x1 X)
2 2n1
, onde X =
n
1
xi
1
z + 2 1
2
A. F. Beraldo
3. Sejam U1 , U2 , U3 , ..., Un variveis aleatrias independentes, com distribuio quiquadrado com 1 , 2 , 3 , , n graus de liberdade, respectivamente.
Seja W = U1 + U2 + U3 , +... + Un . Demonstra-se que W tem distribuio quiquadrado com 1 + 2 + 3 + ... + n graus de liberdade.
4. Sejam X e Y variveis aleatrias, sendo Y normalmente distribuda com mdia 0
(zero) e varincia 1 (um), e X tendo distribuio qui-quadrado, com graus de
liberdade, e uma varivel T , definida como
T =
Y
X
A. F. Beraldo
125
Formulrios e tabelas
4
4.1
i = 1 + 2 + 3 + + k =
i=1
i2 = 1 + 4 + 9 + + k 2 =
i=1
ex = 1 + x +
ax = 1 +
ln x = 2
k(k + 1)
2
k(k + 1)(2k + 1)
6
x2 x3
xk
+
+ +
=
2!
3!
k!
1 x1
5 x+1
(4.2)
xi
i=0 i!
, x
(x ln a)i
i!
i=0
+ = 2
(4.3)
x ln a (x ln a)2 (x ln a)3
+
+
+ =
1!
2!
3!
x1 1 x1
+
x+1 3 x+1
(4.1)
, x
1
x1
i=0 2i + 1 x + 1
(4.4)
2i+1
,x>0
(4.5)
ln(1 + x) = x
x 2 x3 x4
+
+ =
2
3
4
xi
i
(1)1i
i=1
, 1 < x +1
(4.6)
Por exemplo, ln 2
ln 2 = 1
A. F. Beraldo
1 1 1 1
+ + =
2 3 4 5
(1)i1
i=1
1
i
127
4. Formulrios e tabelas
(a + b)n =
i=0
n nk k
n
n!
a b , onde
=
k!(n k)!
k
k
(4.7)
Por exemplo:
Teorema multinomial
k
n
(a1 + a2 + a3 + + ak ) =
i=1
n
an1 1 an2 2 an3 3 ank k
n1 , n2 , n3
(4.8)
Por exemplo:
128
A. F. Beraldo
4.2
4.2.1
x =1
(xn ) = nxn1
(cx) = c
(4.9)
se n = 0
(4.10)
Assim,
1
x
1
xc
= x2 =
= x1
= xc
= x2
1
x2
= cx(c+1) =
1
1 1
= x 2 =
2
2 x
(4.11)
c
xc+1
x>0
(4.12)
(4.13)
Exponencial e Logaritmica
(cx ) = cx ln c
c>0
(ex ) = ex
(logc x) =
1
x ln c
(4.14)
(4.15)
c>0,c=1
(4.16)
Outras funes
(ln x) =
1
x
(ln |x|) =
x=0
1
x
(xx ) = xx (1 + ln x)
A. F. Beraldo
(4.17)
(4.18)
(4.19)
129
4. Formulrios e tabelas
(4.20)
d ln(x)
1
logb (e)
d
logb (x) =
=
=
dx
dx ln(b)
x ln(b)
x
Derivadas de funes especiais - Funo Gama
((x)) =
(4.21)
tx1 et ln tdt
(4.22)
((x)) = (x)
ln 1 +
n=1
4.2.2
1
1
1
n
x+n
x
= (x)(x)
(4.23)
Integrais
[f (x) + g(x)] dx =
f (x)g(x)dx = f (x)
f (x)dx
f (x)dx +
g(x)dx
f (x)
(4.24)
(4.25)
g(x)dx
g(x)dx
dx
(4.26)
xn dx =
x1 dx =
xn+1
n+1
1
dx = ln |x|
x
(4.27)
para n = 1
para n = 1
1
1
dx = ln |ax + b|
(ax + b)
a
130
(4.28)
(4.29)
(4.30)
A. F. Beraldo
x(ax + b)n dx =
a(n + 1)x b
(ax + b)n+1
a2 (n + 1)(n + 2)
para n
/ {1, 2}
(4.31)
ekx dx =
exkx dx =
x2 ekx dx =
ax
a dx =
ln a
akx dx =
A. F. Beraldo
ekx
k
akx
k ln a
(4.33)
ekx
(kx 1)
k2
xn ekx n
k
k
(4.32)
xn ekx dx
para a > 0 , a = 1
para a > 0 , a = 1
(4.34)
(4.35)
(4.36)
(4.37)
131
4. Formulrios e tabelas
132
A. F. Beraldo
N, k
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
1
3
6
10
15
21
28
36
45
55
66
78
91
105
A. F. Beraldo
1
5
15
35
70
126
210
330
495
715
1001
1365
1
4
10
20
35
56
84
120
165
220
286
364
455
1
6
21
56
126
252
462
792
1287
2002
3003
1
7
28
84
210
462
924
1716
3003
5005
1
8
36
120
330
792
1716
3432
6435
1
9
45
165
495
1287
3003
6435
1
10
55
220
715
2002
5005
1
11
66
286
1001
3003
10
1
12
78
364
1365
11
1
13
91
455
12
1
14
105
13
1
15
14
15
4.3.1
4.3
4.3 Tabelas
Tabelas
133
4. Formulrios e tabelas
4.3.2
Fatorial de N N !
N
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
N!
1
1
2
6
24
120
720
5.040
40.320
362.880
3.628.800
39.916.800
479.001.600
6.227.020.800
87.178.291.200
1.307.674.368.000
20.922.789.888.000
355.687.428.096.000
6.402.373.705.728.000
121.645.100.408.832.000
2.432.902.008.176.640.000
51.090.942.171.709.400.000
1.124.000.727.777.610.000.000
25.852.016.738.885.000.000.000
620.448.401.733.239.000.000.000
15.511.210.043.331.000.000.000.000
403.291.461.126.606.000.000.000.000
10.888.869.450.418.400.000.000.000.000
304.888.344.611.714.000.000.000.000.000
8.841.761.993.739.700.000.000.000.000.000
265.252.859.812.191.000.000.000.000.000.000
O fatorial de nmeros maiores de n(n inteiro positivo) pode ser calculado pela frmula de
Stirling:
n! =
2n(nn en )
(4.38)
Fatoriais de valores de n quaisquer (racionais) so calculados pela funo gama (pgina 130).
134
A. F. Beraldo
4.3 Tabelas
4.3.3
Valores de e
e = 2, 718281828
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0,00
1,0000
0,9048
0,8187
0,7408
0,6703
0,6065
0,5488
0,4966
0,4493
0,4066
0,01
0,9900
0,8958
0,8106
0,7334
0,6637
0,6005
0,5434
0,4916
0,4449
0,4025
0,02
0,9802
0,8869
0,8025
0,7261
0,6570
0,5945
0,5379
0,4868
0,4404
0,3985
0,03
0,9704
0,8781
0,7945
0,7189
0,6505
0,5886
0,5326
0,4819
0,4360
0,3946
0,04
0,9608
0,8694
0,7866
0,7118
0,6440
0,5827
0,5273
0,4771
0,4317
0,3906
0,05
0,9512
0,8607
0,7788
0,7047
0,6376
0,5769
0,5220
0,4724
0,4274
0,3867
0,06
0,9418
0,8521
0,7711
0,6977
0,6313
0,5712
0,5169
0,4677
0,4232
0,3829
0,07
0,9324
0,8437
0,7634
0,6907
0,6250
0,5655
0,5117
0,4630
0,4190
0,3791
0,08
0,9231
0,8353
0,7558
0,6839
0,6188
0,5599
0,5066
0,4584
0,4148
0,3753
0,09
0,9139
0,827
0,7483
0,6771
0,6126
0,5543
0,5016
0,4538
0,4107
0,3716
8
0,0003
9
0,0001
10
0,0000
Exemplo de clculo:
1
0,3679
2
0,1353
3
0,0498
4
0,0183
5
0,0067
6
0,0025
7
0,0009
Exemplo de clculo:
4.3.4
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
Logaritmos naturais ln x
0
-2,3026
-1,6094
-1,2040
-0,9163
-0,6931
-0,5108
-0,3567
-0,2231
-0,1054
0,0000
0,01
-2,2073
-1,5606
-1,1712
-0,8916
-0,6733
-0,4943
-0,3425
-0,2107
-0,0943
0,0100
A. F. Beraldo
0,02
-2,1203
-1,5141
-1,1394
-0,8675
-0,6539
-0,4780
-0,3285
-0,1985
-0,0834
0,0198
0,03
-2,0402
-1,4697
-1,1087
-0,8440
-0,6349
-0,4620
-0,3147
-0,1863
-0,0726
0,0296
0,04
-1,9661
-1,4271
-1,0788
-0,8210
-0,6162
-0,4463
-0,3011
-0,1744
-0,0619
0,0392
0,05
-1,8971
-1,3863
-1,0498
-0,7985
-0,5978
-0,4308
-0,2877
-0,1625
-0,0513
0,0488
0,06
-1,8326
-1,3471
-1,0217
-0,7765
-0,5798
-0,4155
-0,2744
-0,1508
-0,0408
0,0583
0,07
-1,772
-1,3093
-0,9943
-0,7550
-0,5621
-0,4005
-0,2614
-0,1393
-0,0305
0,0677
0,08
-1,7148
-1,2730
-0,9676
-0,7340
-0,5447
-0,3857
-0,2485
-0,1278
-0,0202
0,0770
0,09
-1,6607
-1,2379
-0,9416
-0,7133
-0,5276
-0,3711
-0,2357
-0,1165
-0,0101
0,0862
135
4. Formulrios e tabelas
4.3.5
0,08
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,4990
0,4993
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,09
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,4999
0,5000
P (0 < x < z) =
z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
136
0,00
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,4987
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
0,01
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
0,4987
0,4991
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
0,02
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,4987
0,4991
0,4994
0,4995
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,03
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,4988
0,4991
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,04
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,4988
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,05
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,06
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,07
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,4989
0,4992
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
1 2
e 2 z
A. F. Beraldo
4.3 Tabelas
4.3.6
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
0,1
6,3140
2,9200
2,3530
2,1320
2,0150
1,9430
1,8950
1,8600
1,8330
1,8120
1,7960
1,7820
1,7710
1,7610
1,7530
1,7460
1,7400
1,7340
1,7290
1,7250
1,7210
1,7170
1,7140
1,7110
1,7080
1,7060
1,7030
1,7010
1,6990
1,6970
1,6960
1,6940
1,6920
1,6910
1,6900
1,6880
1,6870
1,6860
1,6850
1,6840
0,05
12,7060
4,3030
3,1820
2,7760
2,5710
2,4470
2,3650
2,3060
2,2620
2,2280
2,2010
2,1790
2,1600
2,1450
2,1310
2,1200
2,1100
2,1010
2,0930
2,0860
2,0800
2,0740
2,0690
2,0640
2,0600
2,0560
2,0520
2,0480
2,0450
2,0420
2,0400
2,0370
2,0350
2,0320
2,0300
2,0280
2,0260
2,0240
2,0230
2,0210
A. F. Beraldo
0,01
63,6570
9,9250
5,8410
4,6040
4,0320
3,7070
3,4990
3,3550
3,2500
3,1690
3,1060
3,0550
3,0120
2,9770
2,9470
2,9210
2,8980
2,8780
2,8610
2,8450
2,8310
2,8190
2,8070
2,7970
2,7870
2,7790
2,7710
2,7630
2,7560
2,7500
2,7440
2,7380
2,7330
2,7280
2,7240
2,7190
2,7150
2,7120
2,7080
2,7040
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
0,1
1,6830
1,6820
1,6810
1,6800
1,6790
1,6790
1,6780
1,6770
1,6770
1,6760
1,6750
1,6750
1,6740
1,6740
1,6730
1,6730
1,6720
1,6720
1,6710
1,6710
1,6700
1,6700
1,6690
1,6690
1,6690
1,6680
1,6680
1,6680
1,6670
1,6670
1,6670
1,6660
1,6660
1,6660
1,6650
1,6650
1,6650
1,6650
1,6640
1,6640
0,05
2,0200
2,0180
2,0170
2,0150
2,0140
2,0130
2,0120
2,0110
2,0100
2,0090
2,0080
2,0070
2,0060
2,0050
2,0040
2,0030
2,0020
2,0020
2,0010
2,0000
2,0000
1,9990
1,9980
1,9980
1,9970
1,9970
1,9960
1,9950
1,9950
1,9940
1,9940
1,9930
1,9930
1,9930
1,9920
1,9920
1,9910
1,9910
1,9900
1,9900
0,01
2,7010
2,6980
2,6950
2,6920
2,6900
2,6870
2,6850
2,6820
2,6800
2,6780
2,6760
2,6740
2,6720
2,6700
2,6680
2,6670
2,6650
2,6630
2,6620
2,6600
2,6590
2,6570
2,6560
2,6550
2,6540
2,6520
2,6510
2,6500
2,6490
2,6480
2,6470
2,6460
2,6450
2,6440
2,6430
2,6420
2,6410
2,6400
2,6400
2,6390
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
110
120
130
140
150
160
180
200
240
260
280
300
350
400
450
500
600
700
800
1000
0,1
1,6640
1,6640
1,6630
1,6630
1,6630
1,6630
1,6630
1,6620
1,6620
1,6620
1,6620
1,6620
1,6610
1,6610
1,6610
1,6610
1,6610
1,6610
1,6600
1,6600
1,6590
1,6580
1,6570
1,6560
1,6550
1,6540
1,6530
1,6530
1,6510
1,6510
1,6500
1,6500
1,6490
1,6490
1,6480
1,6480
1,6470
1,6470
1,6470
1,6460
0,05
1,9900
1,9890
1,9890
1,9890
1,9880
1,9880
1,9880
1,9870
1,9870
1,9870
1,9860
1,9860
1,9860
1,9860
1,9850
1,9850
1,9850
1,9840
1,9840
1,9840
1,9820
1,9800
1,9780
1,9770
1,9760
1,9750
1,9730
1,9720
1,9700
1,9690
1,9680
1,9680
1,9670
1,9660
1,9650
1,9650
1,9640
1,9630
1,9630
1,9620
0,01
2,6380
2,6370
2,6360
2,6360
2,6350
2,6340
2,6340
2,6330
2,6320
2,6320
2,6310
2,6300
2,6300
2,6290
2,6290
2,6280
2,6270
2,6270
2,6260
2,6260
2,6210
2,6170
2,6140
2,6110
2,6090
2,6070
2,6030
2,6010
2,5960
2,5950
2,5940
2,5920
2,5900
2,5880
2,5870
2,5860
2,5840
2,5830
2,5820
2,5810
137
4. Formulrios e tabelas
4.3.7
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
138
Distribuio do Qui-Quadrado
0,005
0,0100
0,0717
0,2070
0,4117
0,6757
0,9893
1,3444
1,7349
2,1559
2,6032
3,0738
3,5650
4,0747
4,6009
5,1422
5,6972
6,2648
6,8440
7,4338
8,0337
8,6427
9,2604
9,8862
10,5197
11,1602
11,8076
12,4613
13,1211
13,7867
0,01
0,0201
0,1148
0,2971
0,5543
0,8721
1,2390
1,6465
2,0879
2,5582
3,0535
3,5706
4,1069
4,6604
5,2293
5,8122
6,4078
7,0149
7,6327
8,2604
8,8972
9,5425
10,1957
10,8564
11,5240
12,1981
12,8785
13,5647
14,2565
14,9535
0,025
0,0010
0,0506
0,2158
0,4844
0,8312
1,2373
1,6899
2,1797
2,7004
3,2470
3,8157
4,4038
5,0088
5,6287
6,2621
6,9077
7,5642
8,2307
8,9065
9,5908
10,2829
10,9823
11,6886
12,4012
13,1197
13,8439
14,5734
15,3079
16,0471
16,7908
0,05
0,0039
0,1026
0,3518
0,7107
1,1455
1,6354
2,1673
2,7326
3,3251
3,9403
4,5748
5,2260
5,8919
6,5706
7,2609
7,9616
8,6718
9,3905
10,1170
10,8508
11,5913
12,3380
13,0905
13,8484
14,6114
15,3792
16,1514
16,9279
17,7084
18,4927
0,1
0,0158
0,2107
0,5844
1,0636
1,6103
2,2041
2,8331
3,4895
4,1682
4,8652
5,5778
6,3038
7,0415
7,7895
8,5468
9,3122
10,0852
10,8649
11,6509
12,4426
13,2396
14,0415
14,8480
15,6587
16,4734
17,2919
18,1139
18,9392
19,7677
20,5992
NC
0,9
2,7055
4,6052
6,2514
7,7794
9,2364
10,6446
12,0170
13,3616
14,6837
15,9872
17,2750
18,5493
19,8119
21,0641
22,3071
23,5418
24,7690
25,9894
27,2036
28,4120
29,6151
30,8133
32,0069
33,1962
34,3816
35,5632
36,7412
37,9159
39,0875
40,2560
0,95
3,8415
5,9915
7,8147
9,4877
11,0705
12,5916
14,0671
15,5073
16,9190
18,3070
19,6751
21,0261
22,3620
23,6848
24,9958
26,2962
27,5871
28,8693
30,1435
31,4104
32,6706
33,9244
35,1725
36,4150
37,6525
38,8851
40,1133
41,3371
42,5570
43,7730
0,975
5,0239
7,3778
9,3484
11,1433
12,8325
14,4494
16,0128
17,5345
19,0228
20,4832
21,9200
23,3367
24,7356
26,1189
27,4884
28,8454
30,1910
31,5264
32,8523
34,1696
35,4789
36,7807
38,0756
39,3641
40,6465
41,9232
43,1945
44,4608
45,7223
46,9792
0,99
6,6349
9,2103
11,3449
13,2767
15,0863
16,8119
18,4753
20,0902
21,6660
23,2093
24,7250
26,2170
27,6882
29,1412
30,5779
31,9999
33,4087
34,8053
36,1909
37,5662
38,9322
40,2894
41,6384
42,9798
44,3141
45,6417
46,9629
48,2782
49,5879
50,8922
0,995
7,8794
10,5966
12,8382
14,8603
16,7496
18,5476
20,2777
21,9550
23,5894
25,1882
26,7568
28,2995
29,8195
31,3193
32,8013
34,2672
35,7185
37,1565
38,5823
39,9968
41,4011
42,7957
44,1813
45,5585
46,9279
48,2899
49,6449
50,9934
52,3356
53,6720
A. F. Beraldo