Académique Documents
Professionnel Documents
Culture Documents
1.1 Definio
1.2 Subconjuntos
U
A
B
A AB B
Obs1: dois conjuntos A e B tais que A B = , isto , cuja interseo vazia, chamam-
se conjuntos disjuntos.
A B
Obs2:
a) Sejam A1, A2, ..., An, n conjuntos definidos a partir do conjunto fundamental U. A
unio dos n conjuntos expressa por:
n
U Ai = A1 A2 ... An
i =1
E ser formada por todos os elementos que pertenam a pelo menos um dos conjuntos
Ai, i = 1, 2, ...n.
c) Se A1, A2, ..., An so disjuntos dois a dois e se unio entre eles igual ao conjunto
fundamental U, ou seja
Ai A j = 0 , i j
n
UA i = A1 A2 ... An = U
i =1
B A = {x | x B e x A} A = U A = { x| x e x A}
U U
B
A
A
Lei Idempotentes
A A = A A A = A
Lei Associativa
( A B ) C = A (B C ) ( A B ) C = A (B C )
Lei Comutativa
A B = B A A B = B A
Lei Distributiva
A (B C ) = ( A B ) ( A C ) A (B C ) = ( A B ) ( A C )
Lei de Identidade
A = A A =
AU = U AU = A
Lei de Complementao
A A' = U A A' =
( A')' = A S = , = S
Leis de De Morgan
( A B )' = A' B' ( A B )' = A' B'
Obs: A = ( A B ) ( A B c )
Dado um conjunto finito A, representa-se o seu nmero de elementos por n[A]. Por
exemplo: seja A = { a, b, c, d, e }. Ento, n[A] = 5.
Princpio da Multiplicao: Dados dois conjuntos A e B, temos que n(A x B) = n(A) . n(B)
Exemplo usando o R
Seja U = {1, 2, 3, 4, 5, 6, 7, 8}
Vamos criar os subconjuntos de U:
U=c(1, 2, 3, 4, 5, 6, 7, 8)
A=subset(U, U>=2 & U<=3)
>A
[1] 2 3
B=subset(U, U>=3 & U<=5)
>B
[1] 3 4 5
Dado um conjunto A, dizemos que o seu conjunto de partes, representado por P (A), o
conjunto formado por todos os subconjuntos do conjunto A.
Vamos observar, com o exemplo a seguir, o procedimento que se deve adotar para a
determinao do conjunto de partes de um dado conjunto A. Seja o conjunto A = {2, 3, 5}.
Para obtermos o conjunto de partes do conjunto A, basta escrevermos todos os seus
subconjuntos:
1o) Subconjunto vazio: , pois o conjunto vazio subconjunto de qualquer conjunto.
2o) Subconjuntos com um elemento: {2}, {3}, {5}.
3o) Subconjuntos com dois elementos: {2, 3}, {2, 5} e {3, 5}.
4o) Subconjuntos com trs elementos:A = {2, 3, 5}, pois todo conjunto subconjunto dele
mesmo.
Assim, o conjunto das partes do conjunto A pode ser apresentado da seguinte forma: P(A)
= {, {2}, {3}, {5}, {2, 3}, {2, 5}, {3, 5}, {2, 3, 5}}
2 Anlise Combinatria
n! = n(n-1)1
Exemplo:
6! = 6 . 5 . 4. 3. 2. 1 = 720
Para n = 1 e n = 0, temos:
1! = 1 0! = 1
Casos especiais:
(n+1)! = (n+ 1) . n!
2.2 Permutaes
m m m1 m (m1 + ... + mn ) m!
Pr (m) = Cmm1 Cmm2 m1 ...Cmmn ( m1 + m2 +...+ mn ) = ... =
m1 m2 mn m1!m2!...mn!
6! 6.5.4.3!
Pr (6) = = = 60
3!2!1! 2.3!
2.2.3 Permutao circular: Situao que ocorre quando temos que colocar m elementos
distintos em m lugares equiespaados em torno de um crculo.
n!
Frmula: Pc (m) = = (n 1)!
n
Clculo para o exemplo: P(4)=3!=6
Exemplo: Seja um conjunto com 4 pessoas K={a,b,c,d}. De quantos modos distintos
estas pessoas podero sentar-se junto a uma mesa circular (pode ser retangular) para
realizar o jantar sem que haja repetio das posies?
Se considerssemos todas as permutaes simples possveis com estas 4 pessoas,
teramos 24 grupos, apresentados no conjunto:
Pc={ABCD,ABDC,ACBD,ACDB,ADBC,ADCB,BACD,BADC,
BCAD,BCDA,BDAC,BDCA,CABD,CADB,CBAD,CBDA,
CDAB,CDBA, DABC,DACB,DBAC,DBCA,DCAB,DCBA}
Acontece que junto a uma mesa "circular" temos que:
ABCD=BCDA=CDAB=DABC
ABDC=BDCA=DCAB=CABD
ACBD=CBDA=BDAC=DACB
ACDB=CDBA=DBAC=BACD
ADBC=DBCA=BCAD=CADB
ADCB=DCBA=CBAD=BADC
1 1 1 (1) m
D(m) = m!1 + + ... +
1! 2! 3! m!
Por exemplo:
1 1 1 1 4! 4!
D(4) = 4!1 + + = 4!4!+ + 1 = (4.3) 4 + 1 = 9
1! 2! 3! 4! 2! 3!
2.3 Arranjos
m!
Frmula: As (m, p ) = m(m 1)...[m ( p 1)] ou As (m, p ) =
(m p )!
4! 4!
Clculo para o exemplo: As(4,2) = 4 x 3 = 12 ou As ( 4, 2) = = = 12
( 4 2 )! 2!
Exemplo: Seja Z={a, b, c, d}, m=4 e p=2. Os arranjos simples desses 4 elementos
tomados 2 a 2 so 12 grupos que no podem ter a repetio de qualquer elemento mas
que podem aparecer na ordem trocada. Todos os agrupamentos esto no conjunto:
As={ab, ac , ad, ba, bc, bd, ca, cb, cd, da, db, dc}
Casos especiais:
Quando p = 0, p = 1 e p = n, temos:
n! n! n! n(n 1)! n! n!
An, 0 = = =1 An,1 = = =n An, n = = = n!= P(n)
(n 0)! n! (n 1)! (n 1)! (n n)! 0!
2.3.2 Arranjo com repetio: Todos os elementos podem aparecer repetidos em cada
grupo de p elementos.
Frmula: Ar(m,p) = mp.
Clculo para o exemplo: Ar(4,2) = 42=16.
Exemplo: Seja C={a,b,c,d}, m=4 e p=2. Os arranjos com repetio desses 4 elementos
tomados 2 a 2 so 16 grupos que onde aparecem elementos repetidos em cada grupo.
Todos os agrupamentos esto no conjunto:
Ar={aa,ab,ac,ad,ba,bb,bc,bd,ca,cb,cc,cd,da,db,dc,dd}
Casos especiais:
Quando p = 0, p = 1 e p = n, temos:
2.4 Combinaes
m m!
Frmula: C (m, p ) = =
p p!(m p )!
n n n
= n = 1 = 1
1 0 n
n n
Se = , ento (p + q = n ou p = q)
p q
n n
=
p n p
n n 1 n 1
= +
p p k 1
n n n + 1
A relao + = denominada Relao de Stifel.
p p + 1 p + 1
Am , p
C m, p =
Pp
n
n1
modos distintos. Ento, os n2 elementos do grupo seguinte podem ser colocados nos
lugares restantes de
n n1
n2
n n n1 n (n1 + ... + nk )
...
n1 n2 nk
n n n n1 n (n1 + ... + nk )
C nn1 ,n2 ,...,nk = ... =
n1 , n2 ,..., nk n1 n2 nk
Problemas de Anlise Combinatria normalmente so muito difceis mas eles podem ser
resolvidos atravs de duas regras bsicas: a regra da soma e a regra do produto.
Regra da soma: A regra da soma nos diz que se um elemento pode ser escolhido de m
formas e um outro elemento pode ser escolhido de n formas, ento a escolha de um ou
outro elemento se realizar de m+n formas, desde que tais escolhas sejam
independentes, isto , nenhuma das escolhas de um elemento pode coincidir com uma
escolha do outro.
Regra do Produto: A regra do produto diz que se um elemento H pode ser escolhido de
m formas diferentes e se depois de cada uma dessas escolhas, um outro elemento M
pode ser escolhido de n formas diferentes, a escolha do par (H,M) nesta ordem poder
ser realizada de m.n formas.
Exemplo: Uma pea manufaturada deve passar por trs passos e por trs estaes de
controle. Em cada estao a pea inspecionada com relao a uma determinada
caracterstica e marcada adequadamente. Na primeira estao, trs classificaes so
possveis (ok, excelente, retrabalho), enquanto que nas duas ltimas, duas classificaes
so possveis (ok, retrabalho). De quantas maneiras uma pea pode ser marcada?
2 estao - 2 maneiras
3 estao - 2 maneiras
Quadro-resumo:
CR( n + p 1, p ) =
n + p 1
p
3.1.1 Experimento
Exemplo:
- lanamento de um dado;
- lanamento de uma moeda;
- retirada de cartas de um baralho;
- retirada de bolas de uma urna;
- Etc.
S={x | 0 x 1}
3.1.3 Evento
um subconjunto de um espao amostral que pode ser determinado tanto por uma
listagem direta de seus elementos, como por uma relao ou frmula que d a condio
que os elementos devem satisfazer a fim de pertencerem ao subconjunto.
a) Evento simples: aquele formado por apenas um nico elemento do espao amostral.
b) Evento composto: aquele formado por dois ou mais elementos do espao amostral.
Sejam A1, A2,..., Aj, com j = 1,...,n, eventos de um espao amostral S. Da teoria
dos conjuntos, temos as seguintes operaes entre eventos:
a) Unio: a operao que consiste na ocorrncia de pelo menos um dos eventos A1,
n
A2,..., Aj, onde temos UA
j =1
j .
e) Diferena simtrica (AB ou (ABc) (Ac B)) a operao em que ocorrem todos
os elementos de AB exceto os que estejam na AB.
A AB B
Observao:
Partio do Espao Amostral diz-se que A1, A2,..., Aj, com j = 1,...,n, formam uma
partio de S se so disjuntos e se sua unio o prprio espao amostral, ou seja
n
UA j = S , com Ai Aj = 0, i j
j =1
Exemplo:
Seja um baralho de 52 cartas. Seja o seguinte experimento: retirar uma carta do baralho. Observe
que:
install.packages("prob")
require(prob)
S <- cards(makespace=TRUE)
> C
rank suit probs
40 2 Spade 0.01923077 47 9 Spade 0.01923077
41 3 Spade 0.01923077 48 10 Spade 0.01923077
42 4 Spade 0.01923077 49 J Spade 0.01923077
43 5 Spade 0.01923077 50 Q Spade 0.01923077
44 6 Spade 0.01923077 51 K Spade 0.01923077
45 7 Spade 0.01923077 52 A Spade 0.01923077
46 8 Spade 0.01923077
C n ,k = =
n ( N )n
- Combinao simples
k N!
A1) S F;
A2) Se A F, ento Ac F;
A3) Se A F e B F, ento A B F;
3.3.1 -lgebra
a. F e S F;
b. Se A F, ento Ac F;
c. Se A1, A2, ... F, ento U Ai F e Ai F .
i =1 i =1
Observao: um conjunto A F dito F - mensurvel
Com isto, pode-se dizer que uma -lgebra fechada para um nmero enumervel de
aplicaes das operaes , e c.
Verifica-se que F = {, A, Ac, S}. Como conseqncia, temos que a menor -lgebra de S
F = {, S} e a maior -lgebra de S F = P(S).
Exemplos:
{z};
{x, y};
d. Fazendo as combinaes acima para a interseco, observamos que Ai P( S ) ,
i =1
S = {x | 0 x }
Logo F composto por todos os tipos de intervalos existentes em S ([a, b], ]a, b[, [a, b[, ]a,
b])
uma funo de conjuntos uma funo real (com valor em R) definida em algumas
classes de subconjuntos de S.
Uma funo de conjuntos definida em uma lgebra F uma medida positiva, ou seja,
:F [0, ], tal que:
a) () = 0
b) Se Ai com i = 1, ..., uma seqncia disjunta de eventos de F, ento
U Ai = ( Ai )
i =1 i =1
c) Se A e B F tais que A B, ento (A) (B)
n<-seq(5,1000,5)
p<-0
x<-c(0,1)
for (i in 1:length(n)){
toss<-sample(x,n[i],replace=TRUE)
p[i]<-sum(toss)/length(toss)
}
a) 0 fA 1;
b) f A = 1 se, e somente se, A correr nas n repeties;
c) f A = 0 se, e somente se, A nunca ocorrer nas n repeties;
d) Se A e B forem eventos mutuamente excludentes, f A B = f A + f B
P ( A) =
nA
nS
Embora seja muito intuitiva tambm, esta definio tem algumas restries srias:
nA
P ( A) = lim f A = lim
n n n
bvio que a existncia desse limite jamais poderia ser comprovada em qualquer
situao real, visto que no possvel realizar uma seqncia infinita de experincias
reais.
Apesar da abordagem da probabilidade atravs da freqncia relativa ser
satisfatria em muitas aplicaes de engenharia e dos jogos de azar, tal forma
inadequada para muitos outros casos. A construo matemtica de uma medida de
probabilidade deve ser independente de qualquer aplicao especificada, mas deve ser
empregvel a vrias aplicaes.
a) P( A ) = 1 P( A)
b) Se A e B so dois eventos quaisquer: P( A B) = P( A) + P( B) P( A B )
A-B AB B-A
P( A) = P( A B ) + P( A B )
A AB B
B
i =1 i =1
Se A1, A2, ... for um conjunto infinito de eventos mutuamente exclusivos, ento
P U Ai = P ( A1 A2 ...) = P ( Ai )
i =1 i =1
Seja um baralho de 52 cartas. Seja o seguinte experimento: retirar uma carta do baralho. Vimos que:
install.packages("prob")
require(prob)
S <- cards(makespace=TRUE)
S
rank suit probs
1 2 Club 0.01923077 14 2 Diamond 0.01923077 27 2 Heart 0.01923077 40 2 Spade 0.01923077
2 3 Club 0.01923077 15 3 Diamond 0.01923077 28 3 Heart 0.01923077 41 3 Spade 0.01923077
3 4 Club 0.01923077 16 4 Diamond 0.01923077 29 4 Heart 0.01923077 42 4 Spade 0.01923077
4 5 Club 0.01923077 17 5 Diamond 0.01923077 30 5 Heart 0.01923077 43 5 Spade 0.01923077
5 6 Club 0.01923077 18 6 Diamond 0.01923077 31 6 Heart 0.01923077 44 6 Spade 0.01923077
6 7 Club 0.01923077 19 7 Diamond 0.01923077 32 7 Heart 0.01923077 45 7 Spade 0.01923077
7 8 Club 0.01923077 20 8 Diamond 0.01923077 33 8 Heart 0.01923077 46 8 Spade 0.01923077
8 9 Club 0.01923077 21 9 Diamond 0.01923077 34 9 Heart 0.01923077 47 9 Spade 0.01923077
9 10 Club 0.01923077 22 10 Diamond 0.01923077 35 10 Heart 0.01923077 48 10 Spade 0.01923077
10 J Club 0.01923077 23 J Diamond 0.01923077 36 J Heart 0.01923077 49 J Spade 0.01923077
11 Q Club 0.01923077 24 Q Diamond 0.01923077 37 Q Heart 0.01923077 50 Q Spade 0.01923077
12 K Club 0.01923077 25 K Diamond 0.01923077 38 K Heart 0.01923077 51 K Spade 0.01923077
13 A Club 0.01923077 26 A Diamond 0.01923077 39 A Heart 0.01923077 52 A Spade 0.01923077
> Prob(B) n 4 1
Pois, P( B) = B = = = 0,0769
[1] 0.07692308 n s 52 13
nc 13 1
Pois, P(C ) = = = = 0,25
Apostila de Probabilidaden s Cap
52QCO4GILBERT QUEIROZ DOS SANTOS IME/2016 27
> Prob(C)
[1] 0.25
1 1 1
> Prob(union(A,B)) Pois, P ( A B ) = P ( A) + P ( B ) P ( A B ) = + = 0,30769
[1] 0.3076923 4 13 52
1 1 1
> Prob(union(A,C)) Pois, P ( A C ) = P ( A) + P (C ) = + = = 0,5
[1] 0.5 4 4 2
1
> Prob(setdiff(S, A)) Pois, P ( A ) = 1 P ( A) = 1 = 0,75
[1] 0.75 4
Se um experimento tem como espao amostral S = {e1, e2, ..., en}, com um nmero finito
de elementos, dizemos que os eventos elementares {ei} so equiprovveis, se todos
possuem a mesma probabilidade de ocorrer, isto :
1
P (ei ) =
n
P( A B )
P( B | A) =
P( A)
Onde:
a) 0 P ( B | A) 1
b) P ( S | A) = 1
c) P( B1 B2 | A) = P( B1 | A) + P( B2 | A) , se ( B1 B2 ) =
a) Bi B j = , para todo i j
k
b) Bi = S
i =1
P ( A B ) = P ( A).P ( B | A)
Ou equivalente
P ( A B ) = P ( B ).P ( A | B )
A B Totais
C 120 50 170
D 250 80 330
Totais 370 130 500
> Prob(B)
[1] 0.07692308
P ( B ) = P ( B A1 ) + P ( B A2 ) + ... + P ( B Ak ) = P ( A1 B ) + P ( A2 B ) + ... + P ( Ak B ) = P ( Ai B )
k
i =1
A1 A2 A3 A4 A5 A6 A7 A8 ... Ak
B B A2 B A3 B A4 B A5 B A6 B A7 B A8
...
B A1 B Ak
A) Ai A j = , para todo i j
k
b) Ai = S
i =1
P ( Ai B ) P ( Ai ) P ( B | Ai )
P ( Ai | B ) = = K
P( B)
P ( Ai ) P ( B | Ai )
i =1
"A caixa I contm 2 fichas vermelhas e 3 fichas azuis, a caixa II contm 3 fichas
vermelhas e 7 fichas azuis. Joga-se uma moeda. Se a moeda der cara, extrai-se ao uma
ficha da caixa I; se der coroa, extrai-se ao acaso uma ficha da caixa II. Suponha-se que
no se conhea o resultado da jogada da moeda (e, conseqentemente, no se saiba de
qual caixa a ficha extrada). Sabe-se somente que foi extrada uma ficha vermelha.
Determinar a probabilidade de a ficha vermelha ter sido extrada da caixa I."
C1 = caixa I
C2 = caixa II
A = ficha vermelha
2 1
.
P( A | C1).P(C1) 5 2 4
P(C1 | A) = = =
P( A | C1).P(C1) + P( A | C 2).P(C 2) 2 1 3 1 7
. + .
5 2 10 2
Assim , ( B | A) = B
Ento, dados dois eventos mutuamente exclusivos A e B, sendo P(A) e P(B) diferentes de
zero, se A ocorrer, B no poder ocorrer e vice-versa. Ento, P(B|A) = 0. Mas P(B) ,
sabidamente, maior que zero, de modo que P(B|A) diferente de P(B); assim, por
definio, os eventos so dependentes.
k k
Se uma seqncia de eventos A1, A2, ..., Ak independentes ento P Ai = P ( Ai )
i =1 i =1
P( A B) = P( A).P( B | A)
Ou equivalente a
P( A B) = P( B).P( A | B)
P ( A B ) = P ( A).P ( B )
Denota-se em geral por uma letra maiscula X, Y, ... . Em geral, uma varivel
aleatria tem algum significado fsico, geomtrico, ou outro qualquer.
S R
s X X(s)
Por exemplo: ao jogar uma moeda duas vezes, podemos ter os seguintes resultados:
Eventos de S Probabilidade
CaCa P(Ca)P(Ca)= * =
CaCr P(Ca)P(Cr)= * =
CrCa P(Cr)P(Ca)= * =
CrCr P(Ca)P(Ca)= * =
Onde:
Ca representa a face cara da moeda
Cr representa a face coroa da moeda
aquela que pode assumir um nmero limitado de valores, pois apresenta espao
amostral discreto, ou seja quando se possui um espao amostral finito ou um espao
amostral infinito numervel.
Exemplo: Um nmero de empregados na produo de uma empresa pode ser apenas um
nmero inteiro; no pode ser fracionado.
Teoricamente, aquela que pode assumir qualquer valor em um intervalo real, pois
apresenta um espao amostral contnuo, ou seja quando se possui um espao amostral
no contvel ou no-numervel.
Exemplo: medidas de comprimento, peso e tempo.
Uma vez que uma v.a. (varivel aleatria) assume valor do seu contradomnio com certa
probabilidade tem-se que:
a) as probabilidades so associadas a valores da v. a. discreta (VAD) por uma funo de
probabilidade (f.p.); e
b) as probabilidades so associadas a intervalos de valores de uma v. a. contnua (VAC)
por uma funo densidade de probabilidade (f.d.p).
a) 0 p ( xi ) 1 , para todo i;
b) p( x ) = 1
i =1
i
X 2 3 4 5 6 7
P(X) 0,1 0,1 0,3 0,2 0,2 0,1
a) 0 f ( x ) , para todo x Rx
b)
Rx
f ( x)dx = 1
f <- function(x){
fx <- numeric(length(x))
fx[x < 0] <- 0
fx[x >= 0 & x < 1] <- 2*x[x >= 0 & x < 1]/3
fx[x >= 1 & x <= 3] <- (-x[x >= 1 & x <= 3]/3) + 1
fx[x > 3] <- 0
return(fx)
}
a) 0 F(x) 1 para - x +
b) F no-decrescente, isto F(x) F(y) sempre que x y, x, y
c) lim F ( x) = 0 e lim F ( x) = 1
x x
X 2 3 4 5 6 7
P(X) 0,1 0,1 0,3 0,2 0,2 0,1
F(X) 0,1 0,2 0,5 0,7 0,9 1,0
P (a < X b) = F (b) F (a )
0 , se x < 0
x2 , se 0 x < 1
3
F ( x) = 2
x + 6 x 3 , se 1 x < 3
6
1 , se x 3
F <- function(x){
Fx<- numeric(length(x))
Fx[x < 0]<- 0
Fx[x >= 0 & x < 1] <- x[x >= 0 & x < 1]^2/3
Fx[x >= 1 & x < 3] <- (-x[x >= 1 & x < 3]^2 + 6*x[x >= 1 & x < 3] - 3)/6
Fx[x >= 3] <- 1
return(Fx)
}
a) no caso discreto: E ( X ) = xi p( xi )
+
b) no caso contnuo: E ( X ) = xf ( x)dx
Propriedades da expectncia
Duas outras quantidades de uso comum, que tambm do uma medida do centro de uma
distribuio de probabilidade, so a mediana e a moda.
A mediana qualquer ponto que divida a distribuio em duas partes iguais. Ento, xj a
mediana da distribuio se, e somente se:
1
F ( x) = P( X x) = p( x j ) =
j 2
Em comparao com a mdia E(x), prefere-se s vezes a mediana como medida de
tendncia central no caso de distribuies assimtricas, especialmente quando h um
pequeno nmero de valores extremos da distribuio. A mediana , nesses casos,
superior mdia porque no sensvel a um pequeno nmero de valores extremamente
altos ou extremamente baixos.
3.19 Varincia
V ( X ) = E[X E ( X )]
2
V ( X ) = E ( X 2 ) ( E ( X )) 2
Onde:
E(X) dado:
a) No caso discreto: E ( X ) = xi p( xi )
+
b) No caso contnuo: E ( X ) = xf ( x)dx
3.20 Desvio-padro
3.22 Quantis
Se X uma v.a. discreta com funo de distribuio F(X), ento o nmero real Q(p) o
quantil de ordem p, p [0, 1], da distribuio de probabilidade de X, se
P[ X Q( p )] p
P[ X Q( p )] 1 p
Se X uma v.a. contnua com funo de distribuio F(x), ento o numero real Q(p) o
quantil de ordem p, p [0, 1], da distribuio de probabilidade de X, se
F (Q ( p )) = p
Denominaes especiais:
3.23 Momentos
Uma funo, cuja a expectncia possui grande interesse, a funo potncia, dada por
(x) = xk, para k = 1, 2, 3,....A expectncia dessa funo denominada k-simo momento
da varivel aleatria X, e indicada por
xik p ( xi ) Caso discreto
i
k' = E ( x k ) = +
x f ( x)dx Caso contnuo
k
Obs:
1' = E ( x1 ) = E ( x) =
A fim de eliminar o efeito da posio da origem na escala da medida, mais til trabalhar
com potncias de X , o desvio da mdia, do que potncias de X. O k-simo momento
em torno da mdia da varivel X dado por
[
k = E (x )k ]
Obs:
[ ]
1 = E ( x )1 = E ( x ) = = 0
2 = E [( x ) ] = V ( x) e V ( X ) = 2
2 ' 2
3.24 Assimetria
3.25 Curtose
A curtose est relacionada com o grau de afastamento dos valores de X em relao sua
mdia. Quanto maior for o valor da varincia, maior ser a disperso e mais achatada
ser a distribuio.
4.1 Uniforme
Uma v.a X diz-se ter distribuio uniforme discreta se para todos os valores de x1, x2, ...,
xk tem-se:
1
P ( X = xi ) = , com i = 1, ..., k
k
x i
E( X ) = i =1
k
k
(x i E ( X ))
2
V (X ) = i =1
Demonstrao:
Sabendo que E ( X ) = xi p( xi ) , temos:
1
E ( X ) = xi p ( xi ) = xi =
x i
k k
Substituindo em V ( X ) = E ( X ) ( E ( X )) , temos:
2 2
x xi (x
2
2
E ( X )) 2
V ( X ) = E ( X ) ( E ( X )) = =
2 2 i i
k k k
X 1 2 3 4 5 6
P(X) 1/6 1/6 1/6 1/6 1/6 1/6
F(X) 1/6 2/6 3/6 4/6 5/6 1,0
Os grficos ficam:
q = 1 p, se x = 0;
P( X ) = p, se x = 1;
0, se x for diferente de 0 ou 1.
P( X = x) = p x (1 p )1 x , com x = 0, 1
E ( X ) = xi p( xi ) = 0. p ( x = 0) + 1. p( x = 1) = p
Suponha que seja apresentada uma seqncia de tentativas de Bernoulli, isto , uma
seqncia de eventos independentes, cada um com a mesma probabilidade p de
ocorrncia.
Seja X o nmero de repeties necessrias para obter a ocorrncia de um sucesso, ou
seja, X o nmero de fracassos anteriores ao primeiro sucesso ou, em outras palavras, o
tempo de espera (em termos de ensaios anteriores) para o primeiro sucesso. A varivel X
segue o modelo Geomtrico com parmetro p, onde 0 < p < 1, e tem a seguinte funo de
probabilidade:
P( X = k ) = p (1 p ) k 1
Demonstrao:
Sabendo que:
Varincia
V ( X ) = E ( X 2 ) [E ( X )]
2
A varincia dada por:
Ento:
Logo,
Demonstrao:
P ( X m + n X m)
P ( X m + n | X m) =
P ( X m)
P ( X m + n X m) P ( X m + n) q m + n
P ( X m + n | X m) = = = m = q n = P ( X n)
P ( X m) P ( X m) q
Suponhamos que ocorram apenas sucessos nas k primeiras provas e apenas fracassos
nas n-k provas restantes. Indicando sucesso em cada prova por 1 e fracasso por 0,
temos:
1, 1, 1, 1,...,1, 0, 0, 0,...,0
k nk
Como as provas so independentes, a probabilidade de ocorrncia desse evento
p k q nk
Porm, o evento k sucessos em n provas pode acontecer em outras ordens distintas,
todas com as mesmas probabilidades.
Como o nmero de ordens o nmero de combinaes de n elementos k a k, a
probabilidade de ocorrerem k sucessos em n provas ser:
n
P( X = k ) = p k q n k
k
A expresso obtida para P(X=k) o (k+1) termo do desenvolvimento de (q + p ) segundo
n
Sabendo que:
Temos
Pois ( p + q ) n 1 = ( p + (1 p )) n 1 = 1
Varincia
V ( X ) = E ( X 2 ) [E ( X )]
2
A varincia dada por:
Ento:
k e
P( X = k ) =
k!
E( X ) =
V (X ) =
Demonstrao:
Sabendo que
Temos:
Varincia
V ( X ) = E ( X 2 ) [E ( X )]
2
A varincia dada por:
Ento:
Propriedade: se X1, X2, ..., Xn so variveis aleatrias independentes com Xi ~Poi(i), com
i=1, 2, ..., n, ento:
n
Y = X i ~ Poi (1 + 2 + ... + n )
i =1
Demonstrao:
nk
n(n 1)(n 2)...(n k + 1) k n k n(n 1)(n 2)...(n k + 1)
k
p q = 1
k! k! n n
Sabendo que q = 1 p
nk k
n(n 1)(n 2)...(n k + 1) n(n 1)(n 2)...(n k + 1) k
k n
1 = 1 1
k! n n k! nk n n
1 1
n.n.n...n k! n n
Fazendo a diviso por n
k k
n (n 1) (n k + 1) k 1 2 k 1 k
n
... 1 1 = 1 1 ...1 1 1
n n n k! n n n n n n k! n
1 2 k 1
1 n 1 n ...1 n 1 n 1
k
1 e
n
Ento, temos
k
1 2 k 1 k k
1 n 1 n ...1 n 1 n k! 1 n = e
k!
Logo,
k
P( X = k ) = e
k!
Os grficos da distribuio de Poisson so:
k n-k
E ( X ) = np
N n
V ( X ) = npq
N 1
Sendo: p = R NR R
e q= = 1 = 1 p
N N N
Demonstrao:
V ( X ) = E ( X 2 ) [E ( X )]
2
A varincia dada por:
... x S x F x ... x F x S
k 1 r k r
P( X = k ) = p q , com 0 < p < 1 e q = 1 - p
r 1
Ento X a varivel aleatria que representa a tentativa onde o r-simo sucesso ocorre.
O valor mnimo de X r, pois precisamos fazer r repeties necessrias para que o
sucesso ocorra pela r-sima vez. Logo, o sucesso ocorre (r 1) vezes nas (k 1)
repeties anteriores.
prqk-r a probabilidade de uma sequncia qualquer contendo r sucessos k-r falhas.
r
E( X ) =
p
rq
V (X ) = 2
p
Demonstrao: Sabendo que E ( X ) = xp( X = x) , temos
rp
multiplicando por
rp
Fazendo y = x + 1, temos
Sabendo que;
r
Temos: E( X ) =
p
p 2 r (r + 1)
Multiplicando por , temos:
p 2 r (r + 1)
Sabendo que:
=1
Temos:
r (r + 1)
E [X ( X + 1)] =
p2
r (r + 1) r (r + 1) r
E( X 2 ) = 2
E( X ) =
p p2 p
2
r (r + 1) r r r (r + 1) rp r 2 r (1 p ) rq
V (X ) = = = = 2
p2 p p p2 p2 p
Exerccios
1) Um atirador acerta na mosca do alvo 20% dos tiros. Qual a probabilidade dele acertar
na mosca pela primeira vez no 10 tiro?
P( X = k ) = p (1 p ) k 1
Usando o R, temos:
dgeom(9, 0.20)
2. Um atirador acerta na mosca do alvo 20% dos tiros. Se ele d 10 tiros, qual a
probabilidade dele acertar na mosca no mximo 1 vez?
n
P( X = k ) = p k (1 p ) n k
k
10
P( X = 0) = 0,20 0 (1 0,20)100 = 0,8010 = 0,1074
0
10
P( X = 1) = 0,201 (1 0,20)101 = 0,20(0,80 9 ) = 0,2684
1
Usando o R, temos:
dbinom(0, 10, 0.20)
dbinom(1, 10, 0.20)
Que resulta:
[1] 0.1073742
[1] 0.2684355
Que resulta:
[1] 0.3758096
3. Em um certo tipo de fabricao de fita magntica, ocorrem cortes a uma taxa de 1 corte
por 2000 ps. Qual a probabilidade de que um rolo com comprimento de 4000 ps
apresente:
a) no mximo 2 cortes?
b) Pelo menos 2 cortes?
k e
P( X = k ) =
k!
A letra a) pede no mximo 2 cortes, logo P(X 2). Ento: P(X 2) = P(X = 0) + P(X = 1) +
P(X = 2). Calculando, temos:
2 0 e 2
P ( X = 0) = = e 2
0!
21 e 2
P( X = 1) = = 2e 2
1!
2 2 e 2
P ( X = 2) = = 2e 2
2!
Ento, P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = e-2 + 2e-2 + 2e-2 = 5e-2 = 0,6767
No R, seria:
dpois(0, 2)
dpois(1, 2)
dpois(2, 2)
Que resulta:
[1] 0.1353353
[1] 0.2706706
[1] 0.2706706
A letra b) pede pelo menos 2 cortes, logo P(X 2). Mas: P(X 2) = 1 - P( X < 2). Mas,
P(X < 2) = P(X = 0) + P(X = 1) . Calculando, temos:
2 0 e 2
P ( X = 0) = = e 2
0!
21 e 2
P( X = 1) = = 2e 2
1!
R N R
k n k
P( X = k ) =
N
n
N igual a 16. R se refere ao sexo masculino, logo R = 12. k igual a 5, neste caso, n
igual a 5. Logo
12 16 12 12 4
5 5 5 5 0 = 792 = 0,1813
P( X = 5) = =
16 16 4368
5 5
5. Deseja-se produzir 5 peas boas, em uma mquina que d 20% de peas defeituosas.
Qual a probabilidade de ser necessrio fabricar 8 peas para se conseguir as 5 peas
boas?
k 1 r k r
P( X = k ) = p q
r 1
8 1 7
P( X = 8) = 0,80 5 0,20 85 = 0,80 5 0,20 3 = 0,09175
5 1 4
0 Se x < a
x a
F ( x) = P ( X x) = Se a x < b
b a
1 bx
V (X ) =
(b a )2
12
Demonstrao:
(b a)(a 2 + ab + b 2 ) a 2 + ab + b 2
( )
b
1 1 x b
3
1
E ( x 2 ) = x 2 f ( x)dx = x 2 dx = |a = b3 a 3 = =
a ba ba 3 3(b a) 3(b a) 3
Substituindo, temos:
a 2 + ab + b 2 a + b a 2 + ab + b 2 a 2 + 2ab + b 2
2
V ( x) = E ( x 2 ) [E ( x)] = = =
2
3 2 3 4
4(a + ab + b ) 3(a + 2ab + b ) a 2ab + b
2 2 2 2 2 2
(b a ) 2
= =
12 12 12
Exemplo:
A ocorrncia de panes em qualquer ponto de uma rede telefnica de 7km foi modelada
por uma distribuio Uniforme no intervalo [0, 7]. Qual a probabilidade de que uma pane
venha a ocorrer nos primeiros 800 metros? E qual a probabilidade de que ocorra nos 3km
centrais da rede?
Como foi dito que a ocorrncia das panes segue uma Uniforme no intervalo [0, 7], temos:
1 1 1 Se 0 x 7
f ( x) = b a f ( x) = 7 0 f ( x) = 7
0 0 0 caso contrrio
0,8
1 1 1
7 dx = 7 x |
= (0,8 0) = 0,1142
0,8
800 metros equivale a 0,8 Km. Ento P(X 0,8) = 0
0
7
A ocorrncia de uma pane nos 3 Km centrais equivale ao intervalo [2, 5], logo
Aqui, poderamos ter usado para o clculo a funo acumulada F(x), da seguinte forma:
50 20 5 2
P (2 x 5) = F (5) F (2) = = = 0,4285
70 7 0 7 7
No R podemos usar:
punif(0.8, min=0, max=7), que resuta [1] 0.1142857
punif(5, 0, 7) - punif(2, 0, 7), que resulta [1] 0.4285714
Uma das mais importantes distribuies contnuas de probabilidade, por vezes chamada
de Curva de Gauss. A sua funo de densidade dada por:
Logo, diz-se que X uma v.a.c distribuda normalmente com valor esperado e varincia
dados por
E(X) =
V(X) = 2
Demonstrao:
Sabendo que E ( x) = xf ( x)dx , temos:
1 x 1 x
2 2
+ +
1 1
2
E ( x) = x f ( x)dx = x e 2 dx = xe dx
2 2
x
Fazendo x = + z, sabendo que z = , temos:
1 x 1 x 1 x
2 2 2
+ + +
1 1 1
( + z)e
2 2
E ( x) = x f ( x)dx = x e 2 dx = xe dx = dx =
2 2 2
1
1 x 1 x
2 2
+ +
= e 2 dx + ze 2 dx
2
x z 1
Derivando z = , em relao a x, temos: = x = z , temos:
x
+ +
1 ( z )2
1
( z )2
1
1 + 12 ( z )2 +
( z )2
1
= e 2
dz + ze 2
dz =
e dz + ze 2
dz
2 2
+ +
1 (z )
1 2
1 (z )
1 2
Sabendo que
2 e
2
dz = 1 e
2 ze
2
dz = 0 , temos:
Para a varincia, vamos usar V ( x) = E [x E ( x)] = ( x ) 2 f ( x)dx , uma vez que E(x) = .
2
Substituindo, temos:
1 x
2
+
1
( x 2
) f ( x ) dx = ( x )2
e 2
dx
2
x z 1
Usando z = e derivando em relao a x, = x = z , temos:
x
1 x
2
+ + +
( z )2 1 2 ( z )2
1 1
1 1
( x ) 2
f ( x ) dx = ( x ) 2
e 2
dx = z 2 2 e 2 dz = 2 z 2 e dz
2 2 2
1
( z)2
Integrando por partes, pondo u = z e v = ze 2 , fcil verificar que a integral igual a 1,
logo:
V ( x) = 2
P( < x < +) = 1
Graficamente,
O grfico seria:
Existem tabelas que nos do as reas sob a curva normal padronizada, resultante de
integrao numrica aplicada relao:
b 1
1 z2
P ( a x b) =
2 e
a
2
dz
f(z)
Z ~ N(0 ; 1) a b x
a 0 b z
Portanto,
a X b a b
P(a < X < b ) = P < < = P <Z <
Por exemplo:
a) P(Z 0,32)
Usando a tabela
z 0 1 2
0,0 0,5000 0,5039 0,5079
0,1 0,5398 0,5437 0,5477
0,2 0,5792 0,5831 0,5870
0,3 0,6179 0,6217 0,6255
. . . .
. . . .
. . . .
No R podemos usar:
pnorm(0.32), que resulta [1] 0.6255158
6 10 X 10 12 10
= P < < = P ( 0,5 < Z < 0,25)
8 8 8
= A(0,25) - (1 - A(0,5) )
= 0,5987- ( 1- 0,6915 )
= 0,5987- 0,3085 = 0,2902
No R usamos:
pnorm(0.25) - pnorm(-0.5), que resulta [1] 0.2901688
Para a distribuio Normal, a proporo de valores caindo dentro de um, dois, ou trs
desvios padro da mdia so:
Uma varivel aleatria X, que tome todos os valores no negativos, ter uma distribuio
exponencial, com parmetros >0, se sua funo de densidade de probabilidade for dada
por
e x Se, x>0
f ( x) =
0 Caso, contrrio
Demonstrao:
+
x
E ( x) = xf ( x)dx = xe
0
dx
u u
Fazendo u = x e derivando em relao a x = u = x e x = , temos:
x
+ +
E ( x) = xf ( x)dx = xe x
dx = e
u u
du =
1
[ e ]
u +
0 =
1
[ e
]
+ e0 =
1
0 0
+
x
E ( x 2 ) = x 2 f ( x)dx = x e
2
dx
0
+
+ +
e x e x
E ( x ) = x f ( x)dx =
2 2
x e
2 x
( )
dx = x 2 2 xdx
0 0 0
+
[
= x e ]
2 x +
0 +
2
xe
x
dx
0
+
Sabendo que x 2e x [ ]
+
0 = 0 e que xe
x
dx =
1
, temos
0
21 2
E( x2 ) = 0 + =
2
2
1
Que resulta, V ( x) = E ( x 2 ) [E ( x)] =
2 2 1 1
= 2 2 = 2
2
P( X > x) = e x
Para o clculo das probabilidades, usamos: x
P( X x) = 1 e
Exemplo:
Suponha que, em determinado perodo do dia, o tempo mdio de atendimento em um
caixa de banco seja de 5 minutos. Admitindo que o tempo para atendimento tenha
distribuio exponencial, determine a probabilidade de um cliente:
a) Esperar mais do que 5 minutos;
No R podemos usar:
pexp(5, rate=0.2, lower=F), que resulta [1] 0.3678794 e
pexp(5, rate=0.2, lower=T), que resulta [1] 0.6321206
Para entender isto, considere que o tempo de vida de um equipamento siga um modelo
exponencial. A probabilidade de durar pelo menos m + n anos, dado que j durou m,
igual probabilidade de um equipamento novo durar pelo menos n anos. Em outras
palavras, a informao da idade do equipamento pode ser esquecida e o que importa,
para o clculo da probabilidade, quanto anos a mais queremos que dure.
Demosntrao:
Sabendo que P( X > x) = e x , temos:
P ( X m + n X m) P ( X m + n ) e ( m + n )
P ( X m + n | X m) = = = m = e n = P ( X n)
P ( X m) P ( X m) e
F(T) = P(T t)
= 1 - P(T > t)
= 1 - P(nenhuma ocorrncia em t)
= 1 - P(Xt =0)
e 0
=1-
0!
-
=1e