Vari´
aveis Aleat´
orias
Um conceito importante em Probabilidades e Estat´ıstica ´e o de
Vari´avel Aleat´oria.
Vari´avel Aleat´oria
Seja (Ω,A) um espa¸co de acontecimentos. `A fun¸c˜ao X : Ω → IR chamamos vari´avel aleat´oria.
Nota
As vari´aveis aleat´orias (v.a.) podem ser discretas ou cont´ınuas, e s˜ao usualmente representadas por letras mai´usculas do fim do alfabeto (X , Y , Z , . . . ).
Exemplo (3.1)
Nos ´ultimos anos muitos novos medicamentos tˆem sido
introduzidos no mercado para controlar a hipertens˜ao. Suponha que um m´edico concorda em prescrever um novo medicamento para esta condi¸c˜ao aos primeiros quatro novos pacientes hipertensos que encontrar na sua pr´atica cl´ınica, durante um per´ıodo experimental, antes de se decidir definitivamente pelo seu uso.
Se X representar o n´umero de pacientes (de entre os quatro) que vˆeem a sua hipertens˜ao controlada com o novo medicamento, ent˜ao X ´e uma v.a. discreta que assume os valores 0, 1, 2, 3 e 4.
Vari´
aveis Aleat´
orias
Para o exemplo anterior admitamos que
k 0 1 2 3 4
P(X = k) 0.008 0.076 0.265 0.411 0.240
Ao conjunto dos valores P(X = k) para uma v.a. discreta X chamamosfun¸c˜ao massa de probabilidade.
Propriedades da fun¸c˜ao massa de probabilidade
, ou simplesmente fun¸c˜ao de probabilidade.
I P(X = k) ≥ 0;
I P
k
Exemplo (3.2)
O tempo de sobrevida, em meses, de um paciente que acaba de se submeter a um transplante de cora¸c˜ao ´e uma v.a. cont´ınua que assume valores no intervalo real [0, +∞[.
Vari´
aveis Aleat´
orias
A associada a uma v.a. cont´ınua temos umafun¸c˜ao densidade de probabilidade.
Propriedades da fun¸c˜ao densidade de probabilidade I f (x ) ≥ 0, x ∈ IR;
I A ´area delimitada pela fun¸c˜ao densidade f e pelo eixo das abcissas ´e 1.
Nota
Fun¸c˜ao de Distribui¸c˜ao
Associada a qualquer vari´avel aleat´oria X (discreta ou cont´ınua) temos a fun¸c˜ao de distribui¸c˜ao (cumulativa) definida da forma
F (t) = P(X ≤ t), t ∈ IR.
Nota
A fun¸c˜ao de distribui¸c˜ao determina univocamente a distribui¸c˜ao de uma vari´avel aleat´oria.
Vari´
aveis Aleat´
orias
No caso cont´ınuo,P(a < X ≤ b)representa a ´area delimitada pela fun¸c˜ao densidade f , o eixo das abcissas e as rectas x = a e x = b.
Interpreta¸c˜ao geom´etrica da probabilidade no caso cont´ınuo
a b
Assim sendo,
Vari´
aveis Aleat´
orias
Exerc´ıcio (3.1)A otite m´edia, doen¸ca do ouvido m´edio, ´e uma das principais raz˜oes que
leva crian¸cas com menos de dois anos ao pediatra. Seja X o n´umero de
epis´odios de otite que uma crian¸ca com menos de dois anos tem e
suponha que
k 0 1 2 3 4 5 6
P(X = k) 0.129 0.264 0.271 0.185 0.095 0.039 0.017
a) Qual a probabilidade de uma crian¸ca ter 3 otites no m´aximo?
b) Qual a probabilidade de uma crian¸ca ter mais de 4 epis´odios de otite?
c) Qual a probabilidade de uma crian¸ca ter mais de uma mas n˜ao mais
0 1 2 3 4 5 6 0.05 0.10 0.15 0.20 0.25
Distribuição do número de otites
nº de otites
Vari´
aveis Aleat´
orias
A maioria das vari´aveis aleat´orias tem:
I um comportamento m´edio indicado pelo seuvalor m´edio(ou valor esperado) e usualmente representado porµ;
I uma dispers˜ao em torno do seu valor m´edio.
A medida de variabilidade mais largamente usada ´e a
variˆancia(desvio padr˜ao) usualmente representada porσ2
Valor M´edio
O valor m´edio de uma v.a. discreta X , caso exista, ´e dado por µ =X
k
kP(X = k).
Nota
O valor m´edio de uma v.a. cont´ınua X , caso exista, corresponde `a ´area delimitada pela fun¸c˜ao x .f e pelo eixo das abcissas.
Vari´
aveis Aleat´
orias
VariˆanciaA variˆancia de uma v.a. discreta X com valor m´edio µ, caso exista, ´e dado por σ2=X k (k − µ)2P(X = k). Nota `
Nota
A variˆancia, σ2, tamb´em pode ser calculada da forma σ2= E (X2) − µ2.
Exerc´ıcio (3.2)
Determine o n´umero m´edio de otites que uma crian¸ca tem nos seus primeiros dois anos de vida, assim como o desvio padr˜ao.
Modelo Binomial
Exemplo (3.3)Um dos testes laboratoriais mais pedido num exame m´edico de rotina ´e a contagem de c´elulas sangu´ıneas. Os dois aspectos principais no que refere a contagem de c´elulas sangu´ıneas s˜ao: (i) a contagem do n´umero de gl´obulos brancos e (ii) a diferencia¸c˜ao dos gl´obulos brancos, nomeadamente em neutr´ofilos, linf´ocitos, mon´ocitos, eosin´ofilos e bas´ofilos. Quer a contagem de gl´obulos brancos quer a diferencia¸c˜ao s˜ao extensivamente usadas para fazer diagn´osticos m´edicos.
Seja X a v.a. que conta o n´umero de neutr´ofilos encontrados em 10 gl´obulos brancos. Qual a probabilidade de 7 destas c´elulas serem neutr´ofilos se a probabilidade de uma c´elula ser deste tipo ´e 0.6?
Pretende-se
P(X = 7) =10 7
× 0.67× 0.43 = 0.215. A experiˆencia aleat´oria anterior ´e uma experiˆencia binomial
porque:
I A experiˆencia consiste em n provas idˆenticas;
I O resultado de cada prova ou ´e sucessoouinsucesso;
I A probabilidade de sucesso p mant´em-se constante de prova para prova;
Modelo Binomial
Modelo BinomialUma v.a. X tem distribui¸c˜ao Binominal com parˆametros n e p, e representa-se por X _ Binomial(n, p), se estiver fun¸c˜ao massa de probabilidade
P(X = k) =n k
Gr´aficos das fun¸c˜oes massa de probabilidade das vari´aveis binomiais com n = 8 e p = 0.2, 0.4, 0.5, 0.8 0 2 4 6 8 0.00 0.10 0.20 0.30 Binomial(8,0.2) 0 2 4 6 8 0.00 0.05 0.10 0.15 0.20 0.25 Binomial(8,0.4)
Modelo Binomial
0 2 4 6 8 0.00 0.05 0.10 0.15 0.20 0.25 Binomial(8,0.5) 0 2 4 6 8 0.00 0.10 0.20 0.30 Binomial(8,0.8)Valor M´edio e Variˆancia da Distribui¸c˜ao Binomial
Se X _ Binomial(n, p), ent˜ao
µ = np e σ2 = np(1 − p).
Por exemplo, o n´umero esperado de neutr´ofilos em 100 gl´obulos brancos ´e
µ = 100 × 0.6 = 60 com desvio padr˜ao de
Modelo Binomial
Exerc´ıcio (3.3)A probabilidade de recupera¸c˜ao de uma determinada doen¸ca ´e 0.4. Seleccionadas aleatoriamente 15 pessoas com a referida doen¸ca, qual a probabilidade de sobreviverem:
a) exactamente 5 pessoas;
b) pelo menos 10 pessoas;
Exerc´ıcio (3.4)
Um investigador repara que crian¸cas de 3 lares em 20 cujos pais tˆem bronquite cr´onica desenvolveram no seu primeiro ano de vida a condi¸c˜ao.
A diferen¸ca registada ´e “real”ou deve-se ao acaso, se admitirmos que a incidˆencia nacional ´e de 5% para o primeiro ano de vida de crian¸cas com ambos os pais afectados?
Modelo de Poisson
Quando o n´umero de provas numa experiˆencia binomial ´e elevado e a probabilidade de sucesso pequena, a distribui¸c˜ao binomial pode ser aproximada peladistribui¸c˜ao de Poisson.
Modelo de Poisson
Uma v.a. X tem distribui¸c˜ao de Poisson com parˆametro λ (λ > 0), e representa-se por X _ Poisson(λ), se tiver fun¸c˜ao massa de probabilidade
P(X = k) = λ
ke−λ
Gr´aficos das fun¸c˜oes massa de probabilidade das vari´aveis de Poisson com λ = 3, 10 0 2 4 6 8 10 12 14 0.00 0.05 0.10 0.15 0.20 Poisson(3) 0 5 10 15 20 0.00 0.02 0.04 0.06 0.08 0.10 0.12 Poisson(10)
Modelo de Poisson
NotaO modelo de Poisson adapta-se a muitas situa¸c˜oes de contagem sob regularidade. Por exemplo, ´e usado para modelar:
I o no de plaquetas num determinado volume de sangue;
I o no de autom´oveis que param num posto de abastecimento num determinado per´ıodo de tempo;
I o no de astros vis´ıveis num determinado volume do c´eu;
Exerc´ıcio (3.5)
Suponha que X representa agora o n´umero de eosin´ofilos encontrados em 1000 gl´obulos brancos.
Qual a probabilidade de haver mais de 10 eosin´ofilos, se a probabilidade de um gl´obulo branco ser deste tipo ´e de 0.01?
Modelo de Poisson
Dado que X _ Binomial(1000, 0.01), P(X > 10) = 1 − P(X ≤ 10) = 1 − 10 X k=0 1000 k 0.01k0.991000−k(= 0.417).
Aproximando a distribui¸c˜ao de Poisson com valor m´edio µ = λ = np = 1000 × 0.01 = 10 vem
Valor M´edio e Variˆancia da Distribui¸c˜ao de Poisson
Se X _ Poisson(λ), ent˜ao
Modelo de Poisson
Exerc´ıcio (3.6)Muitos investigadores suspeitam que os trabalhadores da ind´ustria de fabrica¸c˜ao de pneus tˆem uma elevada incidˆencia de cancro. Suponha que o n´umero esperado de mortes por cancro da bexiga para a popula¸c˜ao dos trabalhadores de uma f´abrica durante o per´ıodo de 1 de Janeiro de 1964 a 31 de Dezembro de 1983, com base nas taxas de mortalidade nacional, ´e de 1.8.
Se se registaram nesse per´ıodo de 20 anos 6 mortes por cancro da bexiga, pode considerar que o fen´omeno ´e pouco comum?
Aditividade do Modelo de Poisson
A soma de vari´aveis aleat´orias independentes com distribui¸c˜ao de Poisson tem distribui¸c˜ao de Poisson; ou seja, se Xi _ Poisson(λi),
i = 1, 2, . . . , n, s˜ao vari´aveis aleat´orias independentes, ent˜ao Y = X1+ X2+ · · · + Xn_ Poisson(λ1+ λ2+ · · · + λn) .
Modelo de Poisson
Exerc´ıcio (3.7)Suponha que o n´umero mensal de mortes por septicemia no hospital dos Anjinhos ´e bem modelado por uma distribui¸c˜ao de Poisson com valor m´edio 0.1. Qual a probabilidade de num ano se verificar mais de trˆes mortes por septicemia?
Existem distribui¸c˜oes que pela sua importˆancia merecem especial destaque. De entre as distribui¸c˜oes cont´ınuas destacamos a
distribui¸c˜ao Normal (ou gaussiana) pelo papel que desempenha na Inferˆencia Estat´ıstica Cl´assica.
Modelo Normal
Uma v.a. X tem distribui¸c˜ao Normal com parˆametros µ e σ, e representa-se por X _ N(µ, σ), se tiver fun¸c˜ao densidade
f (x ) = 1 σ√2πe − 1 2( x −µ σ ) 2 , x ∈ IR.
Modelo Normal
Gr´afico da fun¸c˜ao densidade de uma vari´avel N(µ, σ)
ΜΣ Μ ΜΣ
Nota
O gr´afico tem a forma em sino, ´e sim´etrica em torno x = µ e possui pontos de inflex˜ao em x = µ − σ e x = µ + σ.
Nota
Como consequˆencia da simetria da distribui¸c˜ao Normal em torno de µ, temos
P(X ≤ µ − x ) = P(X ≥ µ + x ).
Nota
Para µ = 0 e σ = 1 obtemos a chamada distribui¸c˜ao Normal padr˜ao cuja vari´avel ´e usualmente representada pela letra Z (Z _ N(0, 1)).
Modelo Normal
A fun¸c˜ao de distribui¸c˜ao da Normal padr˜ao ´e usualmente representada por Φ e est´a tabelada. Assim, se Z _ N(0, 1),
Φ(z) = P(Z ≤ z).
Estandartiza¸c˜ao da Normal
Exerc´ıcio (3.8)
Suponha que o QI de uma pessoa adulta segue uma distribui¸c˜ao normal com valor m´edio 100 e desvio padr˜ao 15. Um indiv´ıduo que tenha um QI superior a 115 possui um QI elevado.
Modelo Normal
Exerc´ıcio (3.9)Mostre que se X _ N(µ, σ), ent˜ao
a) P(µ − σ ≤ X ≤ µ + σ) = 0.6826;
b) P(µ − 2σ ≤ X ≤ µ + 2σ) = 0.9545;
Quantil de Probabilidade da Normal
Seja Z _ N(0, 1). O valor zα (0 < α < 1) tal que
P(Z ≤ zα) = α
representa o quantil de probabilidade α da Normal padr˜ao.
Exemplo (3.4)
O quantil de probabilidade 0.975 da Normal padr˜ao ´e z0.975 = 1.96
Modelo Normal
Muitas distribui¸c˜oes podem ser aproximadas pelo modelo Normal (Teorema Limite Central).
Para o efeito, basta conhecermos o seuvalor m´edio edesvio padr˜ao. Assim, se uma v.a. X tem valor m´edio µe desvio padr˜ao
σ, ent˜ao Z = X −µ σ ◦ _ N(0, 1). Nota
A aproxima¸c˜ao ser´a tanto melhor quanto mais sim´etrica for a distribui¸c˜ao da vari´avel aleat´oria.
Exerc´ıcio (3.10)
Suponha que X _ Binomial(8, 0.4). Calcule o valor exacto de P(X ≤ 5) e o valor aproximado usando a distribui¸c˜ao Normal.