Neste trabalho é descrito uma série de conceitos que são essências para a interpretação
e compreensão da Estatística.
O primeiro deles está relacionado com o estudo da probabilidade, é a chave para a
produção do espaço amostral e é denominado Experimento Aleatório. Esse se constitui por
fenômenos que quando são repetidos diversas vezes por meio de processos semelhantes
produzem resultados imprevisíveis. Por exemplo, quando se lança uma moeda ou um dado
para cima pode-se obter resultados distintos, como seis resultados diferentes {1, 2, 3, 4, 5, 6}
para um dado e dois resultados {cara, coroa} para uma moeda (MUNDO EDUCAÇÃO,
2018).
Os resultados obtidos durante um experimento aleatório é denominado de Espaço
Amostral, sendo esse composto por subconjuntos que são chamados de Eventos. Sendo
assim, o número possível de elementos dentro de um Experimento Aleatório constitui o seu
Espaço Amostral. Por tanto, quando se joga um dado, o espaço amostral será composto por
seis elementos {1, 2, 3, 4, 5, 6} e os eventos possíveis neste serão {(1), (2), (3), (4), (5), (6)}.
Já uma moeda lançada terá como espaço amostral dois resultados possíveis {cara, coroa} e
dois eventos {(cara), (coroa)} (MUNDO EDUCAÇÃO, 2018).
Quando se analisa experimentos aleatórios pode-se perceber, segundo FONSECA &
MARTINS (2011), que cada um destes podem ser repetidos indefinidamente quando
estiverem em condições idênticas. E, além disso, que não se pode conhecer um valor
particular do experimento (priori), sendo, contudo possível à descrição de todos os resultados
possíveis, ou seja, todas as possibilidades.
Ainda segundo FONSECA & MARTINS (2011), repetindo-se um experimento muitas
vezes consegue-se uma regularidade que trará estabilidade da Frequência Relativa, 𝑓 = 𝑟/𝑛,
onde 𝑛 é o número de repetições e 𝑟 número de sucessos de um particular resultado
estabelecido antes da realização. Isto é de extrema importância para se avaliar a probabilidade
de um determinado evento.
Os eventos podem ser formados utilizando-se operações de conjuntos da seguinte
maneira (FONSECA & MARTINS, 2011):
a) A B: ocorre se A ocorre ou B ocorre ou ambos ocorrem;
b) A B: ocorre se A e B ocorrem;
c) Ā: ocorre se A não ocorrer.
Quando se fala em frequências relativas diz-se que estas são Estimativas de
Probabilidades de ocorrer certo evento de interesse. Sendo assim, realizando suposições
adequadas e observando fenômenos de interesse diretamente pode-se produzir um modelo
teórico que reproduza razoavelmente a distribuição destas frequências (BUSSAD &
MORETTIN, 2002).
A probabilidade, dado um experimento aleatório 𝐸, um espaço amostral S e um evento
A - P(A), é uma função definida por 𝑆 que associa cada evento a um número real e que
satisfaz as seguintes verdades (FONSECA & MARTINS, 2011):
1- 0 ≤ P (A) ≤ 1;
2- P(S) = 1;
3- Se A e B forem eventos mutuamente exclusivos, (A B=ϕ), então P(A B) =
P(A) + P(B).
Ou seja, segundo LARSON & FARBER (2010), um experimento de probabilidade
será uma ação ou uma tentativa por meio do qual se obtém resultados específicos, podendo
esses ser contagens, medições ou respostas. Em uma única tentativa um resultado obtido é um
Resultado. E o conjunto de todos os resultados possíveis é o espaço amostral S.
Em um experimento probabilístico existem as probabilidades finitas do espaço
amostral, ou seja, Espaços Amostrais Finitos. Portanto, seja S um espaço amostral finito
S={a1, a2,...,an}, considera-se um evento formado por um resultado simples A={ai}. A cada
evento simples {ai} pode-se associar um número pi (probabilidade de {ai}), o que satisfaz as
seguintes condições (FONSECA & MARTINS, 2011):
1- pi ≥ 0 i = 1,2,..,n
2- p1+ p2+ p3+...+ pn = 1
Contudo, em um evento composto a probabilidade (A) de cada evento com mais de um
elemento é definida por meio da soma de todas as probabilidades dos pontos A (FONSECA &
MARTINS, 2011).
Quando cada ponto amostral é associado a uma mesma probabilidade, o espaço
amostral passa a ser chamado de Equiprovável ou Uniforme. Particularmente se S contiver n
1
pontos a probabilidade, então, para cada ponto haverá uma fração: 𝑛. Porém se um evento A
1 𝑟
contiver r pontos então: 𝑃(𝐴) = 𝑟 ∗ (𝑛) = 𝑛 . Essa metodologia de avaliar a função P(A) é
Por exemplo:
1) (BUSSAD & MORETTIN, 2002) Uma urna contém duas bolas brancas (BB) e três
bolas vermelhas (V). suponha que são sorteadas duas bolas ao acaso, sem reposição. Isso
significa que escolhemos a primeira bola, verificamos a cor e não a devolvemos à urna;
misturamos as bolas restantes e retiramos à segunda. O diagrama abaixo representa as
possibilidades. Em cada etapa são indicadas as probabilidades de ocorrência, sendo que para
as segundas bolas as probabilidades serão condicionais. A probabilidade do resultado
conjunto é dada então por:
Diagrama
B
1/4
B
2/5 1/4
V
B
3/5 2/4
V
2/4
V
RESULTADOS PROBABILIDADES
BB 2/5 ∗ 1/4 = 2/20
BV 2/5 ∗ 3/4 = 6/20
VB 3/5 ∗ 2/4 = 6/20
VV 3/5 ∗ 2/4 = 6/20
Total 1
Quando dois eventos ocorrem e eles não sofrem interferência um do outro, diz-se que
estes são Independentes. Portanto, dois eventos serão independentes se 𝑃(𝐴|𝐵) = 𝑃(𝐵) ou
se 𝑃(𝐴|𝐵) = 𝑃(𝐴). Caso contrário, estes serão dependentes um do outro (LARSON &
FARBER, 2010).
Para a distinção entre os eventos independentes e os eventos dependentes deve-se
primeiro calcular P(B), a probabilidade do evento B. E, então, calcular P(A|B), a
probabilidade de B dado A. Se os valores obtidos forem iguais, então os eventos são
independentes um do outro, mas se o resultado de P(B) for diferente de P(A|B) os eventos são
dependentes (LARSON & FARBER, 2010).
Em um experimento de probabilidade o resultado obtido é comumente uma contagem
ou uma medição. Assim, o resultado passa a se chamar Variável Aleatória.
Uma variável aleatória x representa um valor numérico que está associado a cada
resultado de um experimento de probabilidade. Sendo assim, o termo aleatória indica que X é
determinado pelo acaso. Além disso, esta pode ser dividida em dois tipos: Variável Aleatória
Discreta e Variável Aleatória Contínua. A primeira, discreta, ocorre se há um número finito
ou contável de possíveis resultados a serem listados. Já a segunda, contínua, existe se houver
um número incontável de possíveis resultados, representados por um intervalo em uma reta
numérica (LARSON & FARBER, 2010).
Em relação à Função de Densidade de Probabilidade, seja x uma variável aleatória
contínua. A função de densidade f(x) é a função que satisfaz as condições a seguir
(FONSECA & MARTINS, 2011):
1) F(x) ≥ 0 para todo x ϵ Rx
2) ∫𝑅𝑥 𝑓(𝒙) 𝑑𝒙 = 1
𝑏
E ainda, define-se para qualquer a < b em Rx: 𝑃(𝑎 < 𝒙 < 𝑏) = ∫𝑎 𝑓(𝒙) 𝑑𝒙, em que
Rx é o contradomínio de x. Nota-se que f(x), densidade de probabilidade, não é uma
probabilidade. Assim observa-se que, somente quando a função for integrada entre dois
limites, ela produzirá uma probabilidade, que será a área sob a curva da função entre x = a e x
= b, sendo a < b (FONSECA & MARTINS, 2011).
Existem casos que ao invés de se considerar um único resultado x (Variável Aleatória
Unidimensional), há o interesse por dois resultados simultâneos. Ou seja, se existe uma
associação de duas funções (como por exemplo: X=X(s) e Y=Y(s)) à um número real a cada
resultado s ϵ S tem-se uma Variável Aleatória Bidimensional. Isso pode ser ilustrado pela
figura a seguir (FONSECA & MARTINS, 2011):
Assim, como a variável aleatória unidimensional, (X,Y), a bidirecional pode ser,
também, dividida em discreta ou contínua (FONSECA & MARTINS, 2011).
Com situações em que se deseja observar resultados simultâneos de diversas variáveis
aleatórias, deve-se analisar a Distribuição Conjunta das Probabilidades, ou seja, o
comportamento simultâneo de probabilidades (MOODLE-UFSC, 2018).
Por exemplo, podemos medir o total precipitado, a umidade e a temperatura resultando
em um espaço amostral tri-dimensional que consiste nos resultados p, u, t. Sendo a função f(x,
y) a distribuição de probabilidade conjunta das variáveis aleatórias x e y se (CEARIDUS,
2018):
1. f(x, y) ≥ 0 p/ todos (x, y)
2. ∑ ∑ f(x, y) = 1
x y
3. P (X = x, Y = y) = f(x,y)
Para qualquer região A no plano xy P[(x, y) ∈ A] = ∑ ∑ f(x, y).
A
REFERÊNCIA:
BUSSAD, W.O. Estatística Básica. São Paulo: Saraiva, 2002. 5 ed. 526p.
FONSECA, J.S.; MARTINS,G.A. Curso de Estatística. São Paulo: Atlas, 2011. 6 ed. 320 p.
LARSON, R.; FARBER, B. Estatística aplicada. Tradução: VIANNA, F.P.V. São Paulo:
Person Prentice Hall, 2010. 4ed. 640 p.