NDICE
2. Conceitos Fundamentais
3
-Espao Amostral
Espao amostral a coletnea de todos os eventos
possveis em um experimento. Denota-se por S.
Exemplo:
No caso do anterior do dado, o espao amostral S
= {1,2,3,4,5,6}, pois o dado pode assumir valores
de 1 a 6.
-Eventos
4
-Eventos Especiais
.Evento Impossvel: evento que no faz parte do
espao amostral e, portanto, tem probabilidade de
ocorrer igual a zero.
Exemplo: A probabilidade de ao jogar um dado
obter como resultado o nmero 7 exemplo de
evento impossvel, pois o espao amostral
composto apenas por nmeros de 1 a 6.
.Evento Certo: evento que engloba todo o espao
amostral e que, portanto, tem probilidade de
ocorrer igual a 1.
Exemplo: Ao jogar uma moeda, a probabilidade de
dar cara ou coroa igual a 1, pois so as nicas
alternativas possveis. O que caracteriza um evento
certo.
.Eventos mutuamente exclusivos: So eventos
que no compartilham elementos entre s, ou seja,
eventos cuja interseo nula. Para que um evento
ocorra, o outro, necessariamente, no pode ocorrer.
Exemplo: A probabilidade de, ao jogar uma moeda,
o resultado d cara e coroa zero, pois esses dois
eventos (que d cara e que d coroa) so
mutuamente excludentes.
7
3.Conceitos de Probabilidade
-Definio Clssica de Probabilidade
A probabilidade de sucesso baseada no
conhecimento prvio do processo envolvido. No
caso mais simples, em que cada um dos resultados
est igualmente propenso a ocorrer, a chance de
ocorrncia do evento definida por:
Probabilidade de ocorrncia = X/T
onde,
X = nmero de maneiras em que o evento ocorre
T = nmero total de resultados possveis
-Frequncia Relativa
Frequncia relativa a razo entre o nmero de
eventos que esto contidos no conjunto de interesse
do experimento e o nmero total de eventos do
espao amostral.
Exemplo: Ao jogar um dado, quero que o nmero
dado seja par, ento:
Frequncia relativa = 3/6
Onde 3 representa o nmero de elementos pares e 6
representa o nmero total de eventos no espao
amostral.
10
-Probabilidade Geomtrica
Consiste em utilizar da representao grfica do
problema no plano cartesiano para resolve-lo, ou
por causa da natureza do problema em s, ou para
facilitar o clculo.
Exemplo:
Dois amigos que pegam o metr para o trabalho na
mesma estao costumam chegar entre 7:00 e 7:20
da manh na estao. Eles ficam no mximo 5
minutos esperando um pelo outro, aps essa espera
eles pegam o metr com ou sem companhia. Qual a
probabilidade deles se encontrarem na estao?
No plano cartesiano de coordenadas (s,t), um
quadrado de lado 20 (minutos) representa todas as
possibilidades de chegadas dos dois amigos na
estao.
12
5. Probabilidade condicional e
independncia
-Eventos Condicionados
A probabilidade condicional refere-se
probabilidade de ocorrer um evento A, tendo
ocorrido um evento B.
P(A|B) = P(A e B) / P(A)
Exemplo:
A probabilidade de tirar uma carta de Rei de um
baralho de 1/13. No entanto, se algum retira uma
carta e nos diz que uma figura, ento a
probabilidade da carta ser um Rei 1/3. Ou seja,
P(sair um rei|sair uma figura) = 1/3.
-Eventos Independentes
Quando a realizao ou no realizao de um dos
eventos no afeta a probabilidade da realizao do
outro, e vice-versa.
Exemplo: Ao jogar uma moeda duas vezes, o
resultado obtido em uma jogada no afeta o
resultado da seguinte, e vice-versa.
13
-Regra do Produto
Considere um conjunto finito
um
14
6.Variveis Aleatrias
Varivel aleatria uma funo que transforma um
espao amostral qualquer em um espao amostral
numrico, que ser sempre subconjunto do
conjuntos dos nmeros reais.
-Varivel Aleatria Discreta
Variveis numricas discretas produzem resultados
que advm de um processo de contagem (por
exemplo, o nmero de revistas que voc assina).
.Funo de Probabilidade (Unidimensional)
Seja X uma varivel aleatria discreta e Sx o seu
espao amostral. A funo de probabilidade P(X=x)
ser a funo que associa a cada valor de X a sua
probabilidade de ocorrncia, desde que satisfaa
duas condies:
1- P(X-x) 0, para todo x pertencente a Sx
2- P(X-x) = 1
15
Propriedades:
1Secumaconstante,ento:
E(c)=c
2SeXumav.a.ecumaconstante,ento:
E(c+X)=c+E(X)
16
3SeXumav.a.ecumaconstante,ento:
E(cX)=cE(X)
4Amdiadosdesviosigualazero.
E(X ) = 0
5 - A mdia dos desvios quadrticos mnima.
E(X- )2 < E(X-c)2 = 0
6 - Se X e Y so duas v.a. independentes, ento:
E(XY) = E(X)E(Y)
7 - Se X e Y so duas v.a., ento:
E(X Y) = E(X) E(Y)
.Varincia
Seja X uma v.a. discreta e Sx o seu espao
amostral. O grau mdio de disperso dos valores de
X em relao a sua mdia conhecido como
varincia que representada por V(X), ou
simplesmente 2, e definida como a mdia dos
quadrados dos desvios em relao a mdia. Sendo
assim, temos:
V(X) = 2 = E(X- )2 = (x- )2p(x)
Propriedades:
17
18
19
.Funo Distribuio
Seja X uma varivel aleatria continua e Sx o seu
espao amostral. A funo de distribuio, definida
por F(X) ou P(Xx), a funo que associa a cada
valor de x pertencente a Sx a sua probabilidade
acumulada P(Xx). Desta forma, temos:
20
.Varincia
Seja X uma v.a. contnua e Sx o seu espao
amostral. A varincia de X, representada por V(X)
ou 2, ser dada por:
7.Distribuio de Probabilidade de
Variveis Discretas e Contnuas
-Distribuio Binomial
A distribuio binomial utilizada quando a
varivel aleatria de interesse o nmero de
eventos de interesse em uma amostra composta por
n observaes. A distribuio binomial possui
quatro propriedades bsicas:
21
em que
P(X = x|n,) = probabilidade em que X = x eventos de
interesse, dados n e
n = nmero de observaes
= probabilidade de um evento de interesse
1 - = probabilidade de no haver um evento de
interesse
x = nmero de eventos de interesse na amostra
22
= o nmero de combinaes de x
eventos de interesse dentre n observaes
Exemplo:
Se a probabilidade de um formulrio de pedidos
etiquetado for 0,1, qual a probabilidade de que
existam trs formulrios de pedidos de compra
etiquetados na amostra de quatro pedidos?
.Mdia Aritimtica
A mdia aritmtica, , da distribuio binomial
igual ao tamanho da amostra, n, multiplicado pela
probabilidade de um evento de interesse, .
23
.Desvio Padro
-Distribuio de Poisson
Exemplos de variveis que seguem a distribuio
de Poisson so: defeitos na superfcie de uma
geladeira nova; o nmero de falhas na rede
informatizada em um determinado dia e o nmero
de pessoas que chegam em um banco. Voc pode
utilizar a distribuio de Poisson para calcular as
probabilidades em situaes como essas, contanto
que sejam verificadas as seguintes propriedades:
. Voc est interessado em contar o nmero de vezes em
que um evento especfico ocorre em uma determinada
rea de oportunidades. A rea de oportunidades
definida por meio do tempo, da extenso, da rea da
superfcie e assim sucessivamente.
24
.Medidas Descritivas
A distribuio de Poisson possui um parmetro,
chamado , que representa a mdia aritmtica. A
varincia de uma distribuio de Poisson tambm
igual a , e o desvio padro igual a
.
.Clculo da Distribuio de Poisson
A equao a seguir representa a expresso
matemtica correspondente a distribuio de
Poisson para calcular a probabilidade de X eventos,
sabendo-se que so esperados eventos.
sendo
25
-Distribuio Hipergeomtrica
No que diz respeito distribuio hipergeomtrica,
os dados da amostra so selecionados sem
reposio, a partir de uma populao finita. Por
conseguinte, o resultado de uma observao
dependente dos resultados das observaes
anteriores, ao contrrio da distribuio binomial.
Considere uma populao de tamanho N. Seja A o
nmero total de eventos de interesse na populao.
A distribuio hipergeomtrica ento utilizada
para encontrar a probabilidade de X eventos de
26
em que
P(X = x|n,N,A) = probabilidade de X eventos de interesse,
conhecendo-se n, N e A
n = tamanho da amostra
N = tamanho da populao
A = nmero de eventos de interesse na populao
N-A = nmero de eventos que no so de interesse na populao
.Mdia Aritmtica
.Desvio Padro
27
28
-Distribuio de Bernoulli
Uma v.a., X, de Bernoulli aquela que assume
apenas dois valores, 1 se ocorrer sucesso (S) e 0 se
ocorrer fracasso (F), com probabilidade de sucesso.
Sua probabilidade dada por:
.Medidas Descritivas
Mdia = E(X) = p
Var(X) = p(1-p)
Exemplo:
X~Bernoulli (0,9)
P(X=x) = px(1-p)(1-x); x=0;1
P(X=0) = 0,90.(1-0,9)(1-0) = 0,1
29
-Distribuio Uniforme
Na distribuio uniforme, um determinado valor
apresenta a mesma probabilidade de ocorrncia em
qualquer lugar do intervalo entre o menor valor, a,
e o maior valor, b. A equao a seguir define a
funo densidade da probabilidade para a
distribuio uniforme
em que
a = valor mnimo de X
b = valor mximo de X
.Medidas Descritivas
30
-Distribuio Exponencial
A distribuio exponencial amplamente utilizada
na teoria das filas para modelar a extenso do
tempo decorrido entre chegadas em processos tais
como clientes em caixas eletrnicos de bancos.
A distribuio exponencial definida por um nico
parmetro, , a mdia aritmtica do nmero de
chegadas por unidade de tempo. A funo de
densidade da probabilidade para a extenso de
tempo entre chegadas fornecida pela equao a
seguir
em que
e = constante matemtica
= mdia aritmtica do nmero de chegadas por unidade
X = qualquer valor da varivel contnua em que
.Medidas Descritivas
31
32
-Distribuio Normal
A distribuio normal a distribuio contnua
mais habitualmente utilizada na estatstica. A
distribuio normal de vital importncia na
estatstica por trs principais razes:
. Inmeras variveis contnuas comuns no mundo dos
negcios possuem distribuies que se assemelham
estreitamente distribuio normal.
. A distribuio normal pode ser utilizada para fazer
aproximaes para vrias distribuies de variveis
discretas.
. A distribuio normal proporciona a base para a
inferncia estatstica clssica em razo de sua relao
com o teorema do limite central.
33
. Sua amplitude interquartil igual a 1,33 do desviopadro. Consequentemente, os 50% dos valores centrais
esto contidos no mbito de um intervalo que tem como
limites dois teros de um desvio-padro abaixo da mdia
aritmtica e dois teros de um desvio-padro acima da
mdia aritmtica.
. Possui uma amplitude infinita
em que
e = constante matemtica
= constante matemtica
= mdia aritmtica
= desvio-padro
X = qualquer valor da varivel contnua,
-Normal Padro
Encontrar probabilidades utilizando a expresso
matemtica anterior cansativo em termos de
clculo. Uma vez que esto disponveis as tabelas
de probabilidades normais, voc jamais precisa
34
- Bibliografia
.Estatstica Teoria e Aplicaes (Levine - Stephan -Krehbiel Berenson)
.Slides do Curso de Estatstica (Cavallare)
37