O documento discute conceitos básicos de estatística como variáveis aleatórias, distribuições de probabilidade e modelos probabilísticos. Ele apresenta exemplos práticos para ilustrar esses conceitos, como um sobre a montagem de um produto e a distribuição do lucro por peça montada. Também define noções como valor médio, variância, desvio padrão e funções de distribuição para variáveis aleatórias discretas.
1. Estatística II
UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE CIÊNCIAS SOCIAIS APLICADAS
FACULDADE DE ECONOMIA
Prof. Dr. Ricardo Bruno Nascimento dos Santos
2. I – Variáveis Aleatórias e Distribuições de Probabilidade
*) Definição: Seja E um experimento e S o espaço associado ao
experimento. Uma função X, que associe a cada elemento s S um
número real X(s) é denominada variável aleatória.
s
S
X(s)
R
X
Variável Aleatória
3. Um empresário pretende estabelecer uma firma para montagem
de um produto composto de uma esfera e um cilindro. As partes são
adquiridas em fábricas diferentes (A e B), e a montagem consistirá
em juntar as duas partes e pintá-las. O produto acabado deve ser o
comprimento (definido pelo cilindro) e a espessura (definida pela
esfera) dentro de certos limites e isso só poderá ser verificado após a
montagem. Para estudar a viabilidade de seu empreendimento, o
empresário quer ter uma ideia da distribuição do lucro por peça
montada.
Sabe-se que cada componente pode ser classificado como
bom, longo ou curto, conforme sua medida esteja dentro da
especificação, maior ou menor que a especificada, respectivamente.
Além disso, foram obtidos dos fabricantes o preço de cada
componente (R$ 5,00) e as probabilidades de produção de cada
componente com as características bom, longo e curto. Tais valores
podem ser verificados na tabela a seguir
I.1 – Variáveis Aleatórias Discretas
4. Produto Fábrica A
Cilindro
Fábrica B
Esfera
Dentro das especificações.............. Bom(B) 0,80 0,70
Maior que as especificações.......... Longo(L) 0,10 0,20
Menor que as especificações......... Curto (C) 0,10 0,10
Nosso primeiro objetivo e construir as probabilidades associadas a
combinação do produto a ser criado, primeiramente temos que construir o
espaço amostral (S), como são construídos em fábricas diferentes,
consideramos que a construção das peças se dá de forma independente,
portanto teríamos o seguintes elementos em S:
Se o produto final apresentar algum componente com defeito com a
característica curto (C), ele será irrecuperável, e o conjunto será vendido
como sucata a R$ 5,00. Cada componente longo poderá ser recuperado a um
custo adicional de R$ 5,00. Se o preço de venda de cada unidade for R$
25,00, como seria a distribuição de frequências da variável X: Lucro por
conjunto montado?
Tabela I1
I.1 – Variáveis Aleatórias Discretas
5. Então como ficaria a tabela
Com os valores de custo?
Cilindro Esfera
B
B
0,70
0,20
0,10
0,70
0,20
0,10
0,70
0,20
0,10
0,80
0,10
0,10
L
C
B
L
C
B
L
C
0,56
0,16
0,08
0,07
0,02
0,01
0,07
0,02
0,01
Produto Probabilidade
Lucro por
Montagem (X)
BB 0,56 15
BL 0,16 10
BC 0,08 -5
LB 0,07 10
LL 0,02 5
LC 0,01 -5
CB 0,07 -5
CL 0,02 -5
CC 0,01 -5
Tabela I2
L
C
I.1 – Variáveis Aleatórias Discretas
6. Então, pode-se notar que existem quatro possibilidades associadas as
ocorrências de fabricação do produto e de lucro, as quais seriam:
15, se ocorrer o evento A1 = {BB};
10, se ocorrer o evento A2 = {BL, LB};
5, se ocorrer o evento A3 = {LL};
-5, se ocorrer o evento A4 = {BC, CB, CL, LC, CC};
Cada um desses eventos possui uma probabilidade associada, onde:
P(A1)= 0,56; P(A2)= 0,23; P(A3)= 0,02; P(A4)=0,19
Isso nos permitirá construir a função [x, p(x)], que é um modelo teórico
para a distribuição da variável X, que o empresário poderá usar para julgar
a viabilidade econômica do projeto que ele pretende realizar. Aqui o x é o
valor da V.A. X e p(x) é a probabilidade de X tomar o valor x.
I.1 – Variáveis Aleatórias Discretas
7. x p(x)
15 0,56
10 0,23
5 0,02
-5 0,19
Total 1,00
Assim, teríamos a seguinte tabela
Tabela I3
I.1 – Variáveis Aleatórias Discretas
8. Vamos introduzir o conceito de valor médio por meio do exemplo
anterior:
A principal pergunta a ser feita pelo empresário diante da sua
distribuição de Lucro seria em procurar saber qual seria o seu lucro médio
por conjunto montado. A partir da tabela I3,, observamos que 56% das
montagens devem produzir um lucro de R$ 15, 23% um lucro de R$10 e
assim por diante. Logo, o lucro esperado por montagem será dado por
Lucro médio = (0,56)(15) + (0,23)(10) + (0,02)(5) + (0,19)(-5) = R$
9,85
** Definição: dada a v.a. X discreta, assumindo os valores
chamamos valor médio ou ESPERANÇA matemática de X ao valor:
1
,..., n
x x
1 1
( ) ( )
n n
i i i i
i i
E X x P X x x p
I.1 – Variáveis Aleatórias Discretas
I.1.1) Valor Médio de uma VA
9. A variância da V.A. X pode ser obtida pela clássica expressão de
variância, onde corresponde ao valor observado menos a média elevado ao
quadrado:
Já o desvio padrão é a raiz da Var(X), vamos verificar em um exemplo
prático como calcular a variância e o desvio padrão no Excel:
I.1 – Variáveis Aleatórias Discretas
I.1.2) A variância e desvio de uma variável aleatória
2
1
var( ) [ ( )]
n
i i
i
X x E X p
10. Para melhor retratar as propriedades do valor médio podemos
partir da seguinte dúvida do empresário:
Suponha que todos os preços determinados pelo empresário
estivessem errados. Na realidade, todos os valores deveriam ser
duplicados, isto é, custos e preços de venda. Isso corresponde à
transformação Z=2X. As probabilidades associadas à V.A. Z serão as
mesmas da V.A. X, pois cada valor de X irá corresponder a um único
valor de Z. Assim, o valor médio da distribuição de Z será dado por:
I.1 – Variáveis Aleatórias Discretas
I.1.3) Propriedades do valor médio
1
( ) ( )
n
i i
i
E Z z p z
1
(2 ) 19, 70
n
i i
i
x p
11. Podemos visualizar em uma tabela esse comportamento:
I.1 – Variáveis Aleatórias Discretas
I.1.3) Propriedades do valor médio
x z=2x p(z)=p(x) z*p(z)
15 30 0,56 16,80
10 20 0,23 4,60
5 10 0,02 0,20
-5 -10 0,19 -1,90
Total - 1,00 19,70
Tabela I4
12. Assim, dada a V.A. discreta X e a respectiva função de
probabilidade p(x), a esperança matemática da função h(X) é dada
por
As seguintes propriedades podem ser facilmente demonstradas:
a) Se h(X)=aX + b, onde a e b são constantes, então
b)
I.1 – Variáveis Aleatórias Discretas
I.1.3) Propriedades do valor médio
1
[ ( )] ( ) ( )
n
i i
i
E h X h x p x
2
[ )] ( )
var( ) var( )
E aX b aE X b
aX b a X
2
2 2 2
var( ) ( ) [ ( )] ( ) ( )i i i i
X E X E X x p x x p x
13. Vamos construir então a Var(X), para tanto vamos mostrar isso em
na tabela I5:
Assim: var(X)=154,25 – (9,85)2 = 57,23
Simbolicamente podemos representar média e variância por:
I.1 – Variáveis Aleatórias Discretas
I.1.3) Propriedades do valor médio
w p(w) w*p(w)
152=225 0,56 126,00
102=100 0,23 23,00
(5 ou -5)2= 25 0,21 5,25
Total 1,00 154,25
Tabela I5: nesse caso supondo que w=X2
2
( ) ( )
var( ) ( )
E X X
X X
15. Construindo um gráfico podemos demonstrar que:
I.1 – Variáveis Aleatórias Discretas
I.1.4) Função de distribuição acumulada
( ) lim ( ).x a
F a F x
16. I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
E que a função acumulada é dada por
( )
1 ( )
( )
ix x
n x
F x
k k
17. Graficamente teríamos
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
(a) Função de Probabilidade (b) Função de distribuição
18. I.1.5.2) Distribuição de Bernoulli: Muitos experimentos são tais
que os resultados apresentam ou não uma determinada característica.
Por exemplo:
(1) Uma moeda é lançada: o resultado ou é cara ou não (ocorrendo,
então, coroa);
(2) Um dado é lançado: ou ocorre face 5 ou não (ocorrendo, então,
uma das faces 1, 2, 3, 4 ou 6);
(3) Uma peça é escolhida ao acaso de um lote contendo 500 peças:
essa peça é defeituosa ou não;
(4) Uma pessoa escolhida ao acaso dentre 1.000 é ou não do sexo
masculino;
(5) Uma pessoa é escolhida ao acaso entre os moradores de uma
cidade e verifica-se se ela é favorável ou não a um projeto municipal.
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
19. Em todos os casos anteriormente citados, estamos interessados na
ocorrência de um sucesso ou fracasso. Essa terminologia (sucesso ou
fracasso) será usada frequentemente.
Para cada experimento acima podemos definir uma v.a. X, que
assume apenas dois valores: 1, se ocorrer sucesso e 0, se ocorrer
fracasso. Indicaremos por p a probabilidade de sucesso, isto é,
P(sucesso) = P(S)=p, 0 < p <1.
Definição: A variável aleatória X, que assume apenas os valores 1 e
0; com função de probabilidade (x, p(x)) tal que:
Que é conhecida como a variável aleatória de Bernoulli
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
(0) ( 0) 1
(1) ( 1) ,
p P X p
p P X p
20. I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
21. Exemplo: vamos supor o caso do experimento (2). Supondo o dado
perfeito, teremos P(X=0)=5/6, P(X=1)=1/6,
E(X)=1/6, Var(X)=(1/6)(5/6)= 5/36
I.1 – Variáveis Aleatórias Discretas
I.1.5) Alguns modelos probabilísticos para V.A.D.
23. Vamos então considerar as seguintes situações, obtidas de (1) a (5) no
exemplo de Bernoulli:
(1’) uma moeda é lançada três vezes; qual é a probabilidade de se obter
duas caras?
(2’) um dado é lançado cinco vezes; qual a probabilidade de se obter face
5 no máximo três vezes?
(3’) dez peças são extraídas, ao acaso, com reposição, de um lote
contendo 500 peças; qual é a probabilidade de que todas sejam
defeituosas, sabendo-se que 10% das peças do lote são defeituosas?
(4’) cinco pessoas são escolhidas ao acaso entre 1.000; qual a
probabilidade de que duas sejam do sexo masculino?
(5’) Sabe-se que 90% das pessoas de uma cidade são favoráveis a um
projeto municipal. Escolhendo-se 100 pessoas ao acaso entre os
moradores, qual é a probabilidade de que pelo menos 80 sejam
favoráveis ao projeto?
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
24. Nos casos (4’) e (5’), o fato de estarmos extraindo indivíduos de um
conjunto muito grande implica que podemos supor que as extrações sejam
praticamente independentes.
Exemplo: Consideremos a situação (1’), supondo que a moeda não esteja
viciada, isto é, P(sucesso)=P(cara)=1/2. Indiquemos o sucesso (cara) por S e
fracasso (coroa), por F. Então, estamos interessados na probabilidade do
evento:
A ={ A ={
SSF, (1, 1, 0);
SFS, (1, 0, 1);
FSS} (0, 1, 1)}
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
26. I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
p
q
p
q
p
q
p
q
p
q
p
q
p
q
S
F
S
F
S
F
S
F
3
p
2
p q
2
p q
2
pq
2
p q
2
pq
2
pq
3
q
27. Nº de sucessos Probabilidades p=1/2
0 q3 1/8
1 3pq2 3/8
2 3p2q 3/8
3 p3 1/8
I.1 – Variáveis Aleatórias Discretas
I.1.6) Distribuição Binomial
Tabela I6: Probabilidades binomiais para n=3 e P(S) = p
35. Você pode empregar a Distribuição de Poisson em situações nas
quais não se está interessado no número de sucessos obtidos em n
tentativas, como ocorre no caso da distribuição binomial, entretanto,
esse número de sucessos deve estar dentro de um intervalo contínuo,
ou seja, o número de sucessos ocorridos durante um intervalo
contínuo, que pode ser um intervalo de tempo, espaço etc.
Imagine que você queira estudar o número de suicídios ocorridos
em uma cidade durante um ano ou o número de acidentes
automobilísticos ocorridos em uma rodovia em um mês ou o número
de defeitos encontrados em um rolo de arame ovalado de 500m.
Essas situações são exemplos daquelas que se enquadram na
DISTRIBUIÇÃO DE POISSON.
I.1 – Variáveis Aleatórias Discretas
I.1.7) Distribuição de Poisson
36. I.1 – Variáveis Aleatórias Discretas
I.1.7) Distribuição de Poisson
37. I.1 – Variáveis Aleatórias Discretas
I.1.7) Distribuição de Poisson
38. I.1 – Variáveis Aleatórias Discretas
I.1.7) Distribuição de Poisson
40. Exemplo: Uma empresa fabrica um tipo de adaptador que são
embalados em lote de 25 unidades. Para aceitar o lote enviado por
essa fábrica, o controle de qualidade da empresa tomou o seguinte
procedimento: sorteia-se um lote e desse lote selecionam-
se 8 adaptadores para teste, sem reposição. Se for constatado, no
máximo, dois adaptadores defeituosos, aceita-se o lote fornecido pela
fábrica. Se o lote sorteado tiver 7 peças defeituosas, qual a
probabilidade de se aceitar o lote?
N=25
r=7
n=8
I.1 – Variáveis Aleatórias Discretas
I.1.8) Distribuição Hipergeométrica