P. 1
Curso Probabilidade e Estatistica

Curso Probabilidade e Estatistica

|Views: 312|Likes:
Publicado porWilson Silva Sousa

More info:

Published by: Wilson Silva Sousa on Apr 22, 2013
Direitos Autorais:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/22/2015

pdf

text

original

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos - Engenharias) Aluno(a): Período

2004.1 Data: . Professores: Alexsandro Cavalcanti, Amanda dos Santos e Rosângela Silveira

1a

NOTA DE AULA

1

Introdução à Estatística

1.1 A Ciência Estatística
O conceito de Estatística pode ser considerado de duas maneiras. O primeiro conceito, logo relaciona a Estatística com tabelas e grácos nos quais os dados obtidos são representados, ou melhor, relaciona a números especícos. Ouvimos, assim, falar em estatísticas do IBGE, estatísticas relacionadas à saúde e educação, índices econômicos, pesquisas de opinião, etc. Um segundo conceito refere-se ao conjunto de processos ou técnicas emNeste caso, a Estatística é a ciência pregadas na investigação e análise de fenômenos.

ou método cientíco que estuda os fenômenos aleatórios e, procura inferir as leis que os mesmos obedecem. Assim, um conceito mais abrangente e absoluto deve englobar tanto o primeiro conceito, o qual é o mais popular, quanto o segundo, o qual normalmente escapa à noção corrente.

Denição 1.1 (Estatística). A Estatística é uma ciência que se preocupa com a

coleta, organização, descrição, análise e interpretação dos dados, a m de extrair informações a respeito de uma população.
Dentro dessa idéia, podemos considerar a Ciência Estatística como dividida basicamente em duas partes:

1.

Estatística Descritiva - que se preocupa com a organização e descrição dos dados
experimentais;

2.

Estatística Inferencial - que, a partir da observação de alguns dados experimentais,
realiza a análise e interpretação de dados com o objetivo de generalizar e prever resultados, utilizando-se para isto da Teoria das Probabilidades.

Nesta disciplina, serão abordados tópicos referentes à estatística descritiva, conceitos fundamentais de probabilidade e os modelos probabilísticos mais importantes para o estudo da inferência estatística.

1

1.2 Conceitos Fundamentais
Um dos principais conceitos utilizados na estatística é o de população.

1.2.1 População e Amostra Denição 1.2 (População). A população é um conjunto de todos os elementos (pessoas, objetos, etc) que possuem pelo menos uma característica em comum, a(s) qual(is) os relacionam ao problema que está sendo estudado.

Exemplo 1.1. Se o problema a ser pesquisado está relacionado com a qualidade de um Exemplo 1.2. Se o objetivo de um estudo é pesquisar o nível de renda familiar de uma

certo produto produzido numa indústria, a população pode ser composta por todas as peças produzidas numa determinada hora, turno, dia ou mês, dependendo dos objetivos; certa cidade, a população seria todas as famílias desta população. Mas, se o objetivo fosse pesquisar apenas a renda mensal do chefe da família, a população a ser pesquisada seria composta por todos os chefes de família desta cidade.
A População pode ser:

1. 2.

Finita - quando o número de unidades de observação pode ser contado e é limitado; Innita - quando a quantidade de unidades de observação é ilimitada; população nita o conjunto formado pelos alunos

Podemos citar como exemplo de

que cursam a disciplina de estatística num determinado semestre da UFCG. Um exemplo de pois este conjunto é composto por um número incontável de elementos.

população innita seria o conjunto formado por todos os alunos de estatística do Brasil,

Denição 1.3 (Amostra). A amostra é apenas uma parte da população, ou seja, é
um subconjunto da população.
Vários motivos levam a necessidade de se observar apenas uma parte da população, como, por exemplo: a falta de tempo, recursos nanceiros e/ou humanos. A amostra deve ser obtida através de técnicas de amostragem, as quais tem como objetivo principal garantir a representatividade da população, ou seja, fazer com que a amostra seja um retrato el da população. Exemplos de amostra podem ser considerados por conjuntos formados por apenas uma parte dos elementos populacionais descritos nos exemplos 1 e 2.

1.2.2 Parâmetro e Estatística
Dois novos conceitos estreitamente relacionados com os de população e amostra são os de

Parâmetro e Estatística, tendo em vista que:
2

Denição 1.4 (Parâmetro). é uma medida numérica que descreve uma característica
da população. da amostra.

Denição 1.5 (Estatística). é uma medida numérica que descreve uma característica
Exemplos de algumas medidas numéricas são: proporção, média, moda, índices, etc.

1.2.3 Variáveis (ou Dados) e Tipos de Variáveis Denição 1.6 (Variável). Uma Variável nada mais é que uma característica (ou
dado) associada a cada elemento da população ou amostra. A variável apresenta diferentes valores, quando sujeita a mensurações sucessivas, e, em geral, é denotada pelas letras maiúsculas: X , Y ou Z .
Antes de realizar qualquer tratamento estatístico de um conjunto de dados, é importante identicar qual é o tipo de dado (ou variável) que será analisado, pois, é mediante a este conhecimento que o pesquisador poderá ou não adotar determinadas técnicas estatísticas para a resolução de problemas. Por exemplo, será que é possível calcular o peso médio de lutadores de boxe, quando os dados são coletados segundo a categoria de peso (Leve, Médio e Pesado)?

Tipos de Variáveis titativas.
1. Basicamente, as variáveis podem ser classicadas como sendo

Qualitativas ou Quan-

Variáveis Qualitativas - quando os valores que elas podem receber são referentes
à qualidade, atributo ou categoria. Exemplos são:

• • • •

Raça: podendo assumir os valores Branco ou Negro; Resultado de um teste: aprovado ou reprovado; Escolaridade:

1◦

grau completo,

2◦

grau completo, superior, pós-graduado;

Conceito de qualidade: péssima qualidade, regular ou boa qualidade.

As variáveis qualitativas podem, ainda, ser classicadas como:

nais.

Nominais ou Ordi-

(a) As

variáveis qualitativas nominais variáveis qualitativas ordinais

- são caracterizadas por dados que se

apresentam apenas sob o aspecto qualitativo (Ex: raça e resultado de um teste). (b) As - são caracterizadas por categorias que escolaridade e conceito de

aprentam uma ordenação natural. qualidade.

Por exemplo:

3

2.

Variáveis Quantitativas - quando os valores que ela pode assumir são numéricos,
os quais podem ser obtidos através de uma contagem ou mensuração. As variáveis quantitativas podem ser classicadas de acordo com o processo de obtenção; podendo ser: (a) As

Discreta ou Contínua.

variáveis quantitativas discretas - são variáveis numéricas obtidas a partir
Por exemplo: Quantidade de pessoas numa

de procedimento de contagem.

família, quantidade de acidentes numa indústria, etc. (b) As

variáveis quantitativas contínuas - são variáveis numéricas cujos valores

são obtidos por um procedimento de mensuração, podendo assumir quaisquer valores num intervalo dos números reais, como por exemplo, a temperatura, altura, salário, etc..

Observação 1. O fato de uma variável ser expressa por números não signica que ela

seja necessariamente quantitativa, por que a classicação da variável depende de como foi medida, e não do modo como se manifesta. Por exemplo, para a variável peso de um lutador de boxe, se for anotado o peso marcado na balança, a variável é quantitativa contínua; por outro lado, se esse peso for classicado segundo as categorias do boxe, a variável é qualitativa ordinal.

4

qual seria o melhor procedimento para este tipo de pesquisa. dena: População e Amostra. 3 .Qual é o principal objetivo de qualquer plano de amostragem? 8 . 269 (ou 26. de acordo com os tipos de variáveis. 2 . 9 . tentando sanar. a) Nome b) Nível de satisfação c) Idade d) Número de dias hospedado 5 . o que você entende por amostragem. o que você entende por Ciência Estatística e quais os principais ramos (partes) da Estatística.Para que uma amostra seja representativa. Utilize um Justique a sua resposta por intermédio de um N 13.A Revista dos Eventos. 2) Outra pesquisa feita entre as 50 Agências de Viagens de uma certa localidade mostra que 42 (ou 84%) prestam serviços pela Internet.Através de um exemplo. Qual é o problema ou a limitação desta pesquisa? Pelo menos teoricamente.O que você entende por variável? exemplo. Identique em qual das situações nós temos um exemplo de Parâmetro e outro de Estatística (no sentido de medida).Dena e/ou explique com suas próprias palavras.5%) possuíam Home-page na Internet para divulgação e prestação de serviços ao turista. feita pela EMPETUR com 1015 pousadas escolhidas aleatoriamente.As estatísticas geradas por intermédio de uma amostra devem ser representativas desta amostra ou da população de origem? Justique a sua resposta. ao menos parcialmente. 7 .Considere as seguintes situações: 1) Em uma pesquisa.Como você diferencia uma variável discreta de uma variável contínua? exemplo para melhor ilustrar.Dena e/ou explique com suas próprias palavras. é necessário apenas que a mesma tenha um tamanho apropriado? Justique a sua resposta. já que a empresa possui um cadastro das entidades? 11 . os quais foram encaminhados por entrega pessoal a dirigentes de entidades integrantes do cadastro da própria Revista dos Eventos.Classique cada uma das informações (variáveis) abaixo. promoveu a O Mercado de Congressos no Brasil. 4 . 6 . 5 . 10 .1a LISTA DE EXERCÍCIOS 1 . Justique sua resposta. a carência 1a PESQUISA Os resultados desta pesquisa se baseiam em 40 questionários respondidos sobre um total de 1000. de informações precisas sobre a indústria de eventos.

por exemplo: o valor 12 ocorreu 2 vezes.2 Data: . Assim. as estatísticas (informações) que podem representar esses números.1 Organização de dados: Tabelas e Grácos 2. e assim por diante.1. ca fácil vericar a freqüência com que cada um dos dados foi observado. Para ilustrar este processo.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . veja a Figura 1: 12 15 18 17 15 12 15 19 18 18 18 20 Média Moda ⇒ Mediana Proporção Quantis Conjunto de informações Conjunto de dados Figura 1 No primeiro retângulo. e proceder a contagem do número de ocorrência (freqüência) de cada dado. no segundo retângulo.Engenharias) Aluno(a): Período 2004. o valor 15 ocorreu 3 vezes. o rol para o conjunto de dados da Figura 1 ca: Rol de dados: 12 17 19 12 18 20 15 18 15 18 15 18 Desta maneira. 6 . 2. Professores: Alexsandro Cavalcanti.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE .1 Distribuição de Frequências O primeiro passo para se resumir um conjunto de dados é ordená-los em ordem crescente ou decrescente. Amanda dos Santos e Rosângela Silveira 2a NOTA DE AULA 2 Estatística Descritiva A estatística pode ser considerada como um instrumento ou um conjunto de métodos matemáticos que devem ser utilizados quando se pretende transformar dados em informação. tem-se um conjunto de observações da variável idade de um grupo de 12 pessoas e. À ordenação dos dados denominamos de Rol.

2500 0.0833 0. (19. (18. a qual é constituída por uma coluna referente aos dados e outra referente às freqüências associadas a cada valor observado (ni ). Veja como ca para o conjunto de dados da Figua 1: Tabela 1: Tabela de Freqüências da variável idade. ainda.33 100. Este tipo de informação é denominado de por porcentagens. representar a freqüência relativa em termos de porcentagem. os pares Ao conjunto de todos os pares de valores.0000 fi × 100 (%) fac (%) 16.0833 1.00 Total (n) Observação: forma. 1).67 25. agora. referentes a cada dado obsere vado e sua respectiva freqüência.00 8.1667 0.33 8. a qual também pode ser expressa em termos relativos ou Tabela 2: Tabela de Freqüências da variável idade. 4).00 16. bastando para isso multiplicar a freqüência relativa fi por 100. fac .33 91. a informação de quantas observações apresentam valores menores ou iguais a um certo valor xado. Pode-se. como ca a tabela de freqüências anterior com estas informações adicionadas: freqüência acumulada. (15. a qual é dada pela razão entre a freqüência do i-ésimo valor observado. Idade 12 15 17 18 19 20 ni 2 3 1 4 1 1 12 fi 0. Vejamos.de uma Tabela de Freqüências.67 50.3333 0. para um grupo de 12 pessoas. tais como a qualitativa ordinal e as quantitativas (discreta ou contínua). (17. 1) representam a distribuição de freqüências da variável idade para esse grupo de pessoas. ni e o total de dados observados. 2). 7 . n.67 41. denominamos de Distribuição de Freqüências. Para alguns tipos de variáveis.33 8. pode ser útil também. Desta (12.0833 0.00 83. 1) (20.67 100. Uma maneira adequada de apresentar os dados e suas respectivas freqüências é através Idade 12 15 17 18 19 20 Frequência (ni ) 2 3 1 4 1 1 12 Total de observações (n) Uma medida bastante útil na interpretação de tabelas de freqüências é a freqüência relativa (fi ). para um grupo de 12 pessoas. 3).33 33.

utilizando a freqüência absoluta e relativa em Figura 1: Figura 2: 2. Para ilustrar como proceder a construção de uma tabela de freqüências em classes.0 13 8.0 8 .1.8 9 4. Gráco de Colunas . ou ainda. uma desvantagem. Neste gráco.5 4 7. cada valor observado é representado por retângulos de mesma base e alturas proporcionais às freqüências. ou até mesmo.5 11 7. veja como ca este gráco para a distribuição de freqüências da variável idade.5 2 8.8 7 10. em um conjunto de dados contínuos. termos de porcentagem: Para ilustrar. numa maneira rápida e concisa.8 16 9.0 20 7.0 8 3.Representação Gráca Uma representação gráca da distribuição de freqüências de uma variável tem a vantagem de.0 19 5. consiste na perda de informações por não se saber exatamente quais os valores ocorridos dentro de cada classe. para variáveis qualitativas nominais cujos nomes das categorias são pequenos. um mesmo valor não ocorrerá com grande freqüência.0 17 10.0 15 9.5 6 5.5 18 4.0 12 7. considere o seguinte conjunto de dados: Tabela: Dados referentes às notas no 1o estágio de 20 estudantes de estatística.é mais adequado para variáveis discretas mas também pode ser utilizado para variáveis qualitativas ordinais.0 3 9. Por outro lado. não se repetirá por mais de uma vez. é necessário o agrupamento de dados em categorias ou classes para se proceder a construção de uma tabela de freqüências.5 10 6.3 14 6. Código do aluno Nota Código do aluno Nota 1 7. informar sobre a variabilidade da mesma.2 Distribuição de Frequências para Dados Agrupados em Classes Em algumas situações.8 5 6. Por exemplo. Uma vantagem em agrupar os dados em classes consiste na organização de grandes conjuntos de dados de forma mais clara e objetiva.

A escolha do número de classes é arbitrária. Determinar a Amplitude de Classe: h= AT ot k 5.para indicar que o valor extremo inferior (li ) não pertence à i − sima classe.Note que. não haverá vantagem alguma se organizarmos estes dados numa tabela de freqüências. de um modo geral. Após todos estes passos. são: (a) (b) k= √ n k = 1 + 3. só resta proceder a contagem do número de observações pertencentes à cada uma das classes e organizar estas informações numa tabela de freqüências para dados agrupados. Uma sugestão prática é a escolha entre 5 e 15 classes com a mesma amplitude e duas fórmulas matemáticas que podem orientar na escolha do número de classes. Neste momento. que.para indicar que o valor extremo inferior (li ) pertence à i − sima classe. De acordo com estes passos. determinar os limites inferiores e superiores de cada classe. pode ser feito de acordo com os seguintes passos: 1. 3 × log (n) k é o número de classes e Onde n é o número total de observações. ou de algum valor imediatamente inferior e adequadamente escolhido. o conjunto de dados anterior pode ser organizado como: 9 . os seguintes símbolos são úteis: (a) li − |Li li |− Li . A partir do menor valor observado no conjunto de dados. Assim. Organizar os dados num 2. 6. a qual pode ser estabelecida de acordo com o bom senso do pesquisador ou obtido por alguma fórmula matemática construída para este m. delimitar as classes. enquanto que o valor extremo superior (Li ) pertence. 4. Estabelecer o Rol. (b) . 3. Número de Intervalos (categorias ou classes) para se dividir o con- junto de dados. torna-se útil o agrupamento dos dados. uma vez que os dados pouco se repetem. ou seja. enquanto que o valor extremo superior (Li ) não pertence. Calcular a Amplitude Total: AT ot = xma ´x − xm´ in Onde xma ´x e xm´ in é o valor máximo e mínimo observado no conjunto de dados.

2. a moda.Histograma Para a representação gráca de variáveis quantitativas contínuas é necessário alguma adaptação do gráco de colunas.2 Medidas Resumo para Variáveis Quantitativas Nesta seção veremos algumas medidas que tem como objetivo resumir um conjunto de dados em um único valor o qual possa fornecer informações sobre o comportamento dos dados. durante 5 e 6 jogos. é necessário agrupar os dados em classes e conseqüentemente há perda de informações.é um gráco indicado para representar dados agrupados em classes.(Construir a tabela de freqüências para dados agrupados) Representação Gráca de uma Variável Quantitativa Contínua . onde as bases correspondem aos intervalos de classe e as alturas são proporcionais às freqüências de classe. ou seja. respectivamente: Conjunto de dados 1: Número de gols por partida de futebol. Veja como ca o histograma para a distribuição das notas: (Construir o histograma para a distribuição de freqüências em classes) 2.2. e a média aritmética. em geral.1 Medidas de Tendência Central As medidas de tendência central são bastante utilizadas e representam o centro ou o meio de um conjunto de dados. sobre a distribuição de freqüências da variável. Este gráco é uma adaptação do gráco de colunas. 3 2 1 2 5 10 . Histograma . A seguir estas medidas são denidas e obtidas para os dois seguintes conjuntos de dados que representam o número de gols registrados em cada partida de futebol. As principais são: a mediana. uma vez que. em 5 jogos.

existem duas posições centrais e a mediana será a média aritmética dos valores observados nestas duas posições. ou seja. é . a posição onde Esta(s) posição(ões) pode(m) ser vericada(s) se encontra o valor da mediana. 50% das unidades observadas possuem valores menores ou iguais ao valor mediano e as demais 50% possuem valores acima da mediana. ou seja.é o valor que divide o conjunto de dados ordenados em duas partes iguais. Mediana . n. é ímpar. n. PM d . utilizando-se as seguintes fórmulas: (a) n+1 . Para se obter o valor da mediana é necessário os seguintes passos: 1◦) 2◦) Ordenar o conjunto de dados em ordem crescente (ou descrescente). neste 2 2 caso. total de observações par Notação: Md ou M d(X ). em 6 jogos. 11 .Conjunto de dados 2: Número de gols por partida de futebol. se o 2 o valor observado na posição PM d = total de observações. se o . 5 3 2 1 2 5 1. Identicar a posição central do conjunto de dados. Pois. Assim. a mediana será (b) P 1M d = n n e P 2M d = + 1.

logo o valor da 2 2 mediana estará na posição PM d = 3 (maior inteiro mais próximo). o número de observações. 5 (não inteiro). a mediana será a média aritmética dos valores que se encontram nestas duas posições. temos que a mediana é No conjunto de dados 2.Exemplo 1: A partir do conjunto de dados 1. temos n que. neste caso. o número de observações. também. então. Exemplo 4: 3 + 1 = 4: n =6 = 3 (inteiro). é par. Assim. PM d = =5 = 2. 5. que é igual a M d = 2. arredonda-se o valor de PM d para o maior inteiro mais próximo. portanto. teremos o seguinte rol de dados: 1 2 2 3 dois valores centrais 5 5 Agora. 2 2 Observação: Pode-se. para o conjunto de dados 1. o valor da mediana estará nesta nova posição obtida. 2 2 12 . então o valor da mediana será a média aritmética dos valores que estão nas posições PM d e PM d + 1. obter a posição da mediana através dos seguintes passos: 1◦) 2◦) Obter o valor que representa a metade do total de observações: Utilizar a seguinte regra: PM d = n . é ímpar. logo o valor da mediana (valor n+1 central) está na posição PM d = = 5+1 = 3. (b) Se PM d for um número inteiro. Utilizando-se os procedimentos descritos na observação acima. pode-se obter o seguinte rol de dados: 1 2 2 mediana 3 5 Note que. que é dado por Exemplo 3: M d = 2. de 2 2 acordo com o procedimento descrito na observação acima. 2 2 Exemplo 2: Ordenando em ordem crescente o conjunto de dados 2. existem dois P 1M d = n = 6 = 3 e P 2M d = n +1 = 2 2 2 3 + 1 = 4. 5. valores centrais localizados nas posições n = 6. e. assim. n = 5. temos PM d = dada pela média aritmética dos valores observados nas posições PM d = 3 e PM d +1 = Md = xP1M d + xP2M d 2+3 = = 2. 2 (a) Se PM d for um número não inteiro. e. assim. dada por: Md = xP1M d + xP2M d 2+3 = = 2.

.. O primeiro conjunto de dados. 6. podemos escrever: pode ser expressa através do uso do símbolo de somatório Por exemplo. Média Aritmética (Média) .ni i=1 k (1) xi . a moda é Exemplo 6: O segundo conjunto de dados.. dois valores ocorrem com maior frequência. xk ocorreu nk vezes. n valores observados (ou observações). (3) 13 . i=1 k ni n (2) = i=1 Onde: xi . tendo em vista que um único valor ocorre com maior frequência. 1 2 2 3 5. então a média de X pode ser reescrita como: x1 . M e(X ) = x = Agora. M e(X ) ou x. . + xk . a média é obtida por: soma dos valores total de observações M e(X ) = x = (n) = 1+2+2+3+5 = 2.nk 1 M e(X ) = x = = n n = k xi .é o valor (ou os valores) no conjunto de dados que ocorre(m) com maior freqüência. é dito ser bimodal. Moda .n1 + x2 . Exemplo 7: A partir do conjunto de dados 1. neste caso. + xk 1 = k k k xi i=1 x2 ocorreu n2 vezes. . . .é obtida a partir da razão entre a soma dos valores observados e o total de observações: soma dos valores total de observações Média = (n) Notação: M e. . os valores modais são: 3. . 5 Observação: 1) A média aritmética (sigma). x2 . x k são k valores distintos da variável X.. se x 1 .. se. x1 ocorreu n1 vezes.2. .fi . de um total de x1 + x2 + . Notação: Mo ou Mo (X ). Assim. Mo = 2 e Mo = 5. 1 2 2 3 5 5. assim. unimodal. tendo em vista que.n2 + . é dito ser Exemplo 5: Mo = 2.

00| − 24. 00| − 8.2 Medidas de Tendência Central para Dados Agrupados Sabemos que ao agrupar um conjunto de dados em classes. no caso em que seja impossível recuperar cada valor observado. 00| − 20. 00| − 16.ni = (1 × 1 + 2 × 2 + 3 × 1 + 5 × 2) = = 3. 1 M e(X ) = x = n k i=1 1 18 xi . Assim. 00 12. 14 . moda e mediana.2. Da mesma forma. utilizar os pontos médios das classes e suas respectivas freqüências para calcular a média aritmética de maneira análoga ao exposto anteriormente. temos: Exemplo 8: A partir do segundo conjunto de dados. e. perde-se informação sobre cada valor individual e. 00 10 12 8 8 2 Determine o valor (aproximado) da média. 00| − 12. 6 6 Exercício: Dado o seguinte conjunto de dados: 12 12 15 15 15 17 18 18 18 18 19 20 Determine a média. Solução: 2. pode-se.• ni • fi é freqüência absoluta do valor observado xi . pode-se supor que todos os dados dentro de uma classe tenham seus valores iguais ao ponto médio desta classe. 00 8. pode-se adotar como valor modal. o ponto médio da classe modal e como mediana. é freqüência relativa do valor observado xi . 00 16. • n= k i=1 ni é o total de observações. por exemplo. 00 20. o ponto médio da classe mediana. Exemplo: Dada a seguinte distribuição de freqüência da variável S =salário (dados agrupados em classes): Salário Frequência Absoluta 4. moda e mediana. 1 2 2 3 5 5.

esconde toda a informação sobre a variabilidade dos dados. Na prática.2. valores nos dois grupos.Solução: 2. uma única medida representativa da posição central. Veja. .é uma medida que representa a variabilidade de um conjunto de dados e. é obtida pelo cálculo da média dos quadrados dos desvios em relação à média: 1 V ar(X ) = s = n 2 k (xi − x)2 ni i=1 15 . existem várias medidas que expessam a variabilidade de um conjunto de dados. por exemplo. torna-se importante o conhecimento de uma medida que forneça este tipo de informação.1 (Variância). os seguintes dados: Variável Variável Note que a média X: 3 4 5 6 7 Y : 3 5 5 7 a qual nada informa sobre a variação dos M e(X ) = M e(Y ) = 5. Assim.3 Medidas de Dispersão ou de Variabilidade Na sumarização de um conjunto de dados. Estas distâncias são denominadas de em relação à média. sendo que as mais utilizadas baseam-se na idéia que consiste em vericar a distância de cada valor observado em relação à média. desvios Denição 2.

é a raiz quadrada da variância. a média é representativa. ou seja. 16 . Denição 2. podemos dizer que a variável X apresenta .P. pode ser dada pela seguinte linha de corte: Se Se CV ≥ 50%. Calcule b) Considere os quilômetros rodados por 3 carros: 30 Km e 50 a média. O seu valor é determinado por intermédio do quociente entre o desvio padrão e a média aritmética dos dados. CV (X ) = s × 100 x (expresso em porcentagem (%)) A utilidade imediata do coeciente de variação é a possibilidade de avaliar o grau de representatividade da média. √ D.. 40 √ 2 = 1.Vejamos. .3 (Coeciente de Variação). agora. comparar a variabilidade das distribuições da variável peso expressa em quilogramas (Kg ) e altura expressa em metros (m). em relação à variabilidade.(X ) = s = s2 = 1 n k (xi − x)2 × ni i=1 O uso do desvio padrão como medida de variabilidade é preferível pelo fato de ser expresso na mesma unidade de medida dos valores observados. Exemplos: a) O desvio padrão das variáveis X e Y é DP (X ) = DP (Y ) = s = Km.2 (Desvio Padrão). Um critério de decisão sobre a representatividade ou não da média. Km. ainda que as unidades de medida nos conjuntos de dados sejam distintas. Interprete essas medidas. 41. como ca a variância para as variáveis X e Y: Assim. a média não é representativa.O coeciente de variação (CV) é uma medida relativa de variabilidade. Por exemplo. utilizar a mesma fórmula da variância. a variância pode causar problemas de interpretação por ser expressa em termos quadráticos. quando os dados estão agrupados em classes. basta substituir o valor xi por si . o desvio padrão e o CV. . CV < 50%. substituindo os verdadeiros valores observados pelo ponto médio da i-ésima classe. Denição 2. Esta medida também é bastante útil na comparação entre conjunto de dados. a variância. de acordo com a variância.. Observação: Para o cálculo da variância. Pois.

Pode-se. percentis que Basicamente. D2 . Pk . é a mediana. Primeiro deve-se identicar a sua posição. denotados por D1 . . e. k = 1. Se k−e ´simo percentil. e superiores dos dados. é o k−e ´simo percentil. há nove decis. e. 2.4 Medidas de Posição: Quartis. . 4 ainda. Se L for um número não inteiro. . k = 1. 2. denota- Q1 . o valor do que ocupa esta nova posição obtida. 2. respectivamente. Finalmente. . arredonda-se o valor de L para o maior inteiro mais próximo. . 3 e L = 10 × n.2. Q2 e Q3 . dividem as observações ordenadas (em ordem crescente) em quatro partes iguais. tendo-se o cuidado de calcular o valor de L. em seguida. como obter os valores referentes aos percentis. há 99 dividem os dados em 100 grupos com cerca de 1% em cada grupo. obter os quartis e decis pelas seguintes relações existentes entre estas medidas e os percentis: 17 . assim. Pk . pode-se seguir o mesmo processo L= para calcular os quartis e decis.2. que dividem os dados em 10 grupos com cerca de 10% deles em cada grupo. Veja a seguir. . é dado pelo valor L for um número inteiro. então o valor do k − e ´simo percentil. pelas fórmulas k k × n. A grosso modo: - Q1 Q2 Q3 separa os separa os separa os 25% 50% 75% inferiores dos inferiores dos inferiores dos 75% 50% 25% superiores dos valores ordenados. Uma vez dominados os cálculos para os percentis. Analogamente. . os três dos por quartis. determinar o seu valor. será a média L e aritmética dos valores que estão nas posições L + 1. . D9 . dois passos são necessários para se encontrar as medidas em questão. então. ou seja. quando se está trabalhando com dados brutos ou em distribuição de freqüências para dados não agrupados: 1 ◦ ) Identicar a posição do percentil que se deseja encontrar. superiores. 9. e é o total de dados observados. Decis e Percentis Assim como a mediana divide os dados em duas partes iguais. através da seguinte expressão: L= Onde: - k 100 ×n L k n é o valor que indica a posição do percentil de interesse. Utilizar a seguinte regra (análoga à regra da mediana): 2◦) 1.

ou seja. 2. por valores extremos. Para contornar estes problemas. ii .Diagrama em Caixa ("Box-Plot") As informações obtidas pelas 5 medidas podem ser representadas por um gráco conhecido por "Box-Plot"ou diagrama em caixa. na mediana M d = Q2 e no terceiro quartil Q3 .Apenas com estes dois valores não temos a idéia da assimetria dos valores. Veremos como proceder. 5 medidas foram sugeridas por Tukey (1977): 1◦) 2◦) xma ´x . 2. tais como: = Q3 − Q1 Intervalo semi-interquartil = (Q3 − Q1 )/2 Amplitude de percentis 10-90 = P90 − P10 Intervalo interquartil de Observação: O histograma pode ser utilizado para se obter o k − e ´simo percentil. Veja. . Os extremos: o menor e o maior valor observado no conjunto de dados (xm´ in e respectivamente). Pk .3. 3◦) A mediana (M d). como ca este gráco através do seguinte exemplo prático.1 Desenho Esquemático . O primeiro e o terceiro quartil (ou junta). pois: i . sobre o quanto os dados se distribum em torno dos valores inferiores. e um retângulo com retas traçadas no primeiro quartil Q1 . costuma-se denir outras estatísticas utilizando quartis. . de forma exagerada. decis ou percentis.São afetadas. no caso dados agupados em classes. medianos e superiores.3 Outra Estratégia de Análise de Dados Em algumas situações a média e o desvio padrão podem não ser adequados para representar um conjunto de dados. D9 = P90 Além das medidas de tendência central e de variação já introduzidas. Exemplo: O seguinte conjunto de dados representa a pulsação de 22 fumantes: 18 . através de um exemplo que será apresentado logo em seguida.Quartis Q1 = P25 Q2 = P50 Q3 = P75 Decis D1 = P10 D2 = P20 . Este gráco consiste em uma reta que se prolonga do menor ao maior valor.

segundo e terceiro quartil. obtenha: a) A média. Agora.52 68 84 52 69 90 60 71 60 72 60 73 60 75 63 78 63 80 66 82 67 83 Usando os dados brutos. b) O primeiro. 19 . b) O primeiro. d) Construa o histograma e o diagrama em caixa. determine: a) A média. c) Construa uma tabela de frequências para os dados agrupados em 7 classes. a moda e o desvio padrão. utilizando a distribuição de frequências obtida acima. a moda e o desvio padrão. segundo e terceiro quartil utilizando o histograma.

2.62.2a LISTA DE EXERCÍCIOS 1 . 2.64.50.61.57. os quartis. por isso.64.As taxas de juros recebidas por 10 ações durante certo período foram (medidas em porcentagem): 2.Considere uma distribuição de freqüências qualquer representada por (x1 . os valores da média e da mediana serão os k k (xi − x) × ni = i=1 E. 2. ressalte uma característica vantajosa da mediana em relação à média. que k i=1 (xi − x) × ni = 0. 2. 3 . (x2 . n1 ). estão matriculados 50 alunos no corrente ano. 2. 2.Mostre que: 40 por 70. . 20 .55. (xk . . fazendo o limite inferior da primeira classe igual a 150 (inclusive) e amplitudes dos intervalos de classe igual a 5 cm.60. nk ). Calcule a média e a mediana. 2. a variância 2 x2 i ni i=1 − k i=1 2 xi = k 2 x2 i ni − nx i=1 n também pode ser obtida pela seguinte fórmula: 1 V ar(X ) = s = n 2 k 2 x2 i ni − x i=1 4 . Mostre que a soma dos desvios em relação à média é igual zero. O levantamento das chas biométricas revelou as seguintes estaturas em centímetros: 165 164 151 160 155 169 153 156 165 160 170 157 162 162 155 154 151 155 162 150 168 160 154 151 168 155 156 158 166 155 154 152 163 156 170 158 171 159 175 154 159 158 153 158 156 162 165 156 161 157 a) Elabore uma distribuição de freqüências. a moda.Obtenha a média e a mediana para o seguinte conjunto de dados: 20 30 40 a) Se substituímos o valor mesmos? Justique? b) Analisando os resultados acima.Na turma A do curso normal da Escola X. 2. 2 . . 2. ou seja. a mediana. b) Baseado na distribuição de freqüência calcule: a média. c) Esboce o histograma 5 . .63. n2 ).59.

1060 1060 .1080 TOTAL ni 60 160 280 260 160 80 1000 a) Qual a média da distribuição? E qual a variância? b) Queremos dividir os frangos em quatro categorias com relação ao peso de modo que: os 20% mais leves sejam da categoria D. 3. 1002.1000 1000 . os 30% seguintes sejam da categoria B. 1003.C e D? 21 . que era a seguinte: Peso (g) 960 .B. 1. Quais os limites de peso entre as categorias A. 1005} e B = {0. e) o desvio-padrão de A é igual ao quadrado do desvio-padrão de B. os 30% seguintes sejam da categoria C.6 . 5} podemos armar que: a) o desvio-padrão de A é igual a 100 vezes o desvio-padrão de B. 7 . os 20% seguintes (ou seja os mais pesados) sejam da categoria A. 4.Em uma granja foi observada a distribuição dos frangos em relação ao peso.Dados os conjuntos de números: A = {1000.980 980 . 1001. b) o desvio-padrão de A é igual ao desvio-padrão de B. c) o desvio-padrão de A é igual ao desvio-padrão de B multiplicado pelo quadrado de 1000. 1004. 2.1040 1040 .1020 1020 . d) o desvio-padrão de A é igual ao desvio-padrão de B dividido por 1000.

Há numerosos exemplos de tais situações no campo dos negócios e do governo. a opinião púlblica sobre determinado assunto. 3. As probabilidades são utilizadas para exprimir a chance de ocorrência de determinado evento.Engenharias) Professores: Alexsandro. o cálculo dos custos de produção. Exemplos: E1 E2 E3 : : : Jogar uma moeda e observar o número de coroas obtido. ou 6 ocorrerá.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . 2. a contratação de um novo empregado . mas é possível dizer o que pode ocorrer. O ponto central em todas essas situações é a possibilidade de quanticar quão provável é determinado evento. ou de incerteza.1 (Fenômenos aleatórios ou Experimentos aleatórios). quanto à ocorrência ou não de um evento futuro. 3. 22 . A previsão da procura de um produto novo. 3. quando lançamos um dado não sabemos qual das faces 1.tudo isso contém algum elemento de acaso. Assim é que em muitos casos. de modo geral. Independente de qual seja a aplicação em particular. São aqueles onde o processo de experimentação está sujeito a inuências de fatores casuais e conduz a resultados incertos.1 Introdução Ao jogarmos uma moeda para o ar. da mesma forma. não podemos armar se vai dar cara ou coroa. Alecxandro e Amanda Aluno(a): Período 2003.2 Denições Denição 3.2 Data: . 5. 4. a utilização das probabilidades indica que existe um elemento de acaso.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . Lançar um dado e observar o número mostrado na face superior. pode ser virtualmente impossível armar com antecipação o que ocorrerá. 3a NOTA DE AULA 3 Introdução à Probabilidade Objetivo: denir um modelo matemático probabilístico que seja conveniente a descrição e interpretação de fenômenos aleatórios. Retirar uma carta de um baralho e observar seu naipe.

A ∩ B = φ.4 (Eventos mutuamente Excludentes). Denição 3. ou seja. ou B ocorre. B . Exemplo: Considerando o experimento E: lançamento de um dado alguns possíveis eventos associados a esse experimento seriam os seguintes: A: Sair o número 3. C: Sair o número 10. Observação: Como estamos tratando com conjuntos.2 (Espaço Amostral). ou ambos ocorrem.3 (Evento).Observações: a) Cada experimento poderá ser repetido um grande número de vezes sob as mesmas condições. Dois eventos são mutuamente exclusivos.ocorre se A e B ocorrem simultaneamente. se eles não podem ocorrer simultaneamente. denimos como evento. B: Sair um número menor ou igual a 6. associado a um experimento E qualquer. Exemplo: Considere os seguintes experimentos: E1 : Jogar um dado e observar o número da face superior E2 : Jogar duas moedas e observar o resultado Denição 3. são válidas todas as operações indicadas na teoria dos conjuntos: → → → A A ∪ ∩ B . 23 . É o conjunto de todos os possíveis resultados de um experimento aleatório. Denição 3. é que torna possível construir um modelo matemático preciso com o qual se analisará o experimento. as possibilidades de resultado. porém podemos descrever o conjunto de todos os possíveis resultados do experimento. Esta regularidade. surgirá uma regularidade nos resultados. isto é. qualquer subconjunto desse espaço amostral. Dado um espaço amostral Ω. b) Não podemos armar que resultado particular ocorrerá.ocorre se A ocorre.ocorre se A não ocorre. c A . chamada de regularidade estatística. c) Quando o experimento é repetido um grande número de vezes.

Dizemos que S é um espaço amostral nito. Principais Teoremas: a) Se φ deniota o conjunto vazio. então P (φ) = 0. 3. Suponha que um experimento é repetido n vezes. maior é a chance de ocorrência do evento A.. ak }. Sejam nA e nB o número de vezes que o evento A e o evento B ocorram nas n repetições.3. A A ocorrer em todas as nunca ocorrer nas n repetições. e se fA∪B for a freqüência relativa associada ao evento A ∪ B. menor é a chance de ocorrência do evento A. Denição 3. denotada por ocorrência do evento A. indica a chance de P (A). satisfazendo os seguintes axiomas: (i) 0 ≤ P (A) ≤ 1. é defenida como fA = nA .7 (Espaços Amostrais Finitos).5 (Denição Clássica de Probabilidade . P (A ∪ B ) = P (A) + P (B ) − c b) Se A é o evento complementar de A. (iv) Se B forem eventos mutuamente excludentes. (ii) P (Ω) = 1. então P (A ∩ B ) . e somente se. n Propriedades: (i) (ii) (iii) 0 ≤ fA ≤ 1. e seja A e B dois eventos associados ao experimento.. n repetições. A e se. Observação: A probabilidade de um evento A. A freqüência relativa do evento A. fA∪B = fA + fB . a probabilidade de um evento A ocorrer. 24 .Freqüência Relativa).4 Espaço Amostral Finito Denição 3. . então. então c) Se A e B são dois eventos quaisquer. ou seja. (iii) Se A e B forem mutuamente exclusivos (A ∩ B = φ). e somente se. P (Ac ) = 1 − P (A) . se esse espaço possui um número nito de elementos. fA = 0. e quanto mais próxima de zero. a2 . é uma função denida em Ω.3 Probabilidade Denição 3. Dado um espaço amostral Ω. fA = 1. que associa a cada evento um número real. então P (A ∪ B ) = P (A) + P (B ) . se.. o espaço amostral S pode ser escrito na forma S = {a1 .6 (Denição axiomática de probabilidade). representada por fA . Quanto mais próxima de 1 é P (A) . representado por P (A) .

representam um qualquer dos r índices de 1 até k .A m de caracterizar a probabilidade de um evento A cada evento dessa natureza associaremos um número A. onde que cada j 1.. P ({ak }) = 1 . devemos inicialmemte considerar o evento simples ou elementar.. dado um espaço k pontos do tipo S = {a1 . podemos escrever P (A) = pj 1 + pj 2 + . . Além disso. associado a um espaço amostral nito. ajr }.. amostral com por Neste caso... a2 . 3. p2 p3 . + pjr .. A seja constituído por Supondo agora.. . Encontre as probabilidades p 1 .. aj 2 . então a probabilidade de se extrair cada uma delas é de Se então S = {a1 .. o qual por sua vez é duas vezes mais provável de ocorrer que a3 . p1 + p2 + . k Exemplo: A probabilidade de se extrair uma dama de um baralho é de Exemplo: Qual a probabilidade de se obter três ou menos pontos no lançamento de um dado? Exemplo: Uma urna contém duas bolas brancas. A = {ai }. que um evento seja r resultados. jr. ak } é nito e A é um evento com m pontos amostrais (m ≤ k ). 1 ≤ r ≤ k. a2 . . três pretas e cinco azuis. 2. ou A = {aj 1 . suponha-se que e a1 seja duas vezes mais provável de ocorrer a2 . P (A) = m . P (A). {ajr } são mutuamente excludentes. a2 e a3 . que a1 . Então. que satisfaça às seguintes condições: a) b) pi ≥ 0. a saber. k as probabilidades P ({ak } serão dadas Exemplo: Se cada carta de um baralho de 52 cartas tem a mesma chance de ser escolhida. ak }.. ..1 Espaços Amostrais Finitos Equiprováveis Quando associamos a cada ponto amostral (cada elemento do espaço amostral) a mesma probabilidade.. i = 1. a) Qual a probabilidade de se extrair uma bola branca? b) Qual a probabilidade de se extrair uam bola preta ou uma azul? 25 . j 2.. . pi .. considerando Exemplo: Suponha-se que somente três resultados sejam possíveis em um experimento. + pk = 1..4. k . o espaço amostral chama-se equiprovável.. denominado probabilidade de {ai }....

Qual a probabilidade de sair duas bolas pretas supondo que os sorteios são feitos com reposição? 3. Exemplo: Uma urna contém duas bolas brancas e cinco pretas. a segunda de q maneiras. P (A) = Considere agora o seguinte evento B: sair um número ímpar. que seja mulher e que tenha votado na última eleição presidencial. então a probabilidade de ocerrência de ambos é igual ao produto de suas probabilidades individuais. depende da P (A ∩ B ) = P (A) P (B ) .2 Cálculo da probabilidade da ocorrência de dois eventos A probabilidade da ocorrência de dois eventos simultaneamente natureza dos eventos. (P (A ∩ B )) . Qual a probabilidade de três caras? Exemplo: Um terço dos eleitores de certa comunidade é constituido de mulheres. ou seja.4. Qual a probabilidade de ambas darem cara? Suponhamos agora que queiramos estender este resultado ao caso de três moedas. Assim a proba- P (A | B ) = 26 .Em muitos casos existem situações em que o experimento pode ser realizado em duas etapas.2)? 3. a primeira podendo ser realizada de a tarefa completa pode ser executada de p maneiras e p × q maneiras. Supondo que esses dois eventos sejam independentes. Logo. Se dois eventos são independentes. ou seja se eles são independentes ou não. Iremos denotar essa probabilidade como B e quiséssemos calcular P (A | B ). Então Seja A o evento: sair o número 3.3 Probabilidade Condicional Considere o seguinte experimento: lançar um dado.4. determine a probabilidade de escolher um eleitor da lista geral. Exemplo: Jogam-se duas moedas equilibradas. e 40% dos eleitores votaram na última eleição presidencial. Dois ou mais eventos são independentes quando a ocorrência ou não-ocorrência de um não inuencia a ocorrência do(s) outro(s). então Exemplo: No lançamento de dois dados qual a probabilidade de sair o par (5. P (B ) = Suponha agora que soubéssemos da ocorrência de bilidade de A.

denotaremos P (A | B ) P (A ∩ B ) P (B ) a probabilidade condicionada do A. Qual a probabilidade de se retirar sem reposição uma bola azul.Formalmente denimos probabilidade condicional da seguinte maneira: Dados dois eventos. P (A | B ) P (B | A) 3. x1 + x2 = 10} Calcule: e B = {(x1 . se P (A | B ) = P (A). 27 . São retiradas duas peças com reposição. Considere os eventos: A = {(x1 . Exemplo: Dois dados são lançados. três vermelhas e cinco azuis. por: P (A | B ) = com P (B ) = 0. x2 ). É evidente que se A é independente de B. 4 são defeituosas. Calcule a probabilidade de ambas serem boas. e P (A). B é independente de A.4. P (B ). Analogamente P (B | A) = P (A∩B ) P (A) ⇒ P (A ∩ B ) = P (A)P (B | A). Exemplo: Em um lote de 12 peças.4 Teorema do Produto A partir da denição de probabilidade condicional.5 Independência Estatística Um evento cional de A é considerado independente de um outro evento B se a probabilidade condi- A dado B é igual a probabilidade de A. x1 > x2 }. Qual a probabilidade de que ambas sejam boas? O teorema da multiplicação de probabilidades pode ser generalizado para mais de dois eventos da seguinte maneira: P (A1 ∩ A2 ∩ · · · ∩ An ) = P (A1 ) P (A2 | A1 ) P (A3 | A1 ∩ A2 ) · · · P (An | A1 ∩ A2 ∩ · · · ∩ An−1 ) Exemplo: Uma urna contém duas bolas brancas. isto é.4. das quais 4 são defeituosas. 2 peças são retoradas uma após a outra sem reposição. x2 ). Assim P (B | A) = P (B ). uma branca e uma vermelha exatamente nessa ordem? 3. Exemplo: Em uma caixa temos 10 peças. evento A e B. poderemos enunciar o teorema do produto: P (A | B ) = P (A∩B ) P (B ) ⇒ P (A ∩ B ) = P (B )P (A | B ). quando B tiver ocorrido.

3. Bi ∩ Bj = φ. 28 . e B1 .4. 4} um espaço equiprovável e A = {1. Bk representam uma partição do espaço S. B2 . 4} três eventos de S .. . P (A) = P (A ∩ B1 ) + P (A ∩ B2 ) + P (A ∩ B3 ) + . P (Bi ) > 0. + P (Bk )P (A | Bk ). Assim.Obs: Dizemos que três eventos são mutuamente independentes se P (A ∩ B ) = P (A)P (B ) P (A ∩ C ) = P (A)P (C ) P (B ∩ C ) = P (B )P (C ) P (A ∩ B ∩ C ) = P (A)P (B )P (C ) Exemplo: Sendo S = {1. Bk uma partição de S. para todo i. + P (A ∩ Bk ). . 3. referente a Considere um evento podemos escrever A S.7 Teorema de Bays Sob as mesmas hipóteses do teorema da probabilidade total.. B = {1...4. podemos calcular a probabilidade de Bi dada a ocorrência de A da seguinte forma P (Bi | A) = P (Bi ∩ A) = P (A) P (Bi )P (A | Bi ) . B2 . C = {1.. 3}. B e C são mutuamente independentes. obteremos o que se denomina o teorema da probabilidade total: P (A) = P (B1 )P (A | B1 ) + P (B2 )P (A | B2 ) + . i = j.. Vericar se os eventos A. mas não conhecemos diretamente a probabilidade de A. ∪ (A ∩ Bk ). ∪k i=1 Bi = S . 2}. como P (A ∩ Bj ) = P (Bj )P (A | Bj )... Logo.. Então. nhecemos as probabilidades dos Bi 's e a probabilidade condicional de A dado Bi ..6 Teorema da probabilidade total Denição: amostral a) b) c) Dizemos que os eventos quando para todo B1 ... 3. 2. A = (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ (A ∩ B3 ) ∪ . j P (Bj )P (A | Bj ) Esse teorema é útil quando co- Este resultado é o que chamamos de teorema de Bays.

enquanto as outras duas são normais e não viciadas. Se 0. Qual a probabilidade de que esta bola seja branca? 5 . 1 branca e 5 vermelhas. 6 . enquanto a probabilidade da for igual a 0. Qual a probabilidade da bola ter vindo da urna 2? da 3? 3a 1 .Um estudante se submete a um exame de múltipla escolha no qual cada questão tem 4 respostas possíveis das quais exatamente uma é correta. Descreva um espaço amostral para este experimento. uma das quais foi cunhada com duas caras. 2. Suponha agora.4. Qual a probabilidade de que o número escolhido seja divisível por 6 ou por 8? 4 . O estudante seleciona a resposta correta se ele sabe a resposta. Escolheu-se uma urna ao acaso e dela extraiu-se uma bola ao acaso..Um inteiro é escolhido ao acaso. 6 mulheres maiores de 21 anos. vericou-se que a bola é branca.Suponha que ocorrência de A A a probabilidade B sejam eventos independentes de A ou B ocorrerem for igual a e associados a um experimento. Denem-se os seguintes eventos: A: A pessoa é maior de 21 anos B: A pessoa é menor de 21 anos C: A pessoa é homem D: A pessoa é mulher Calcule: a) b) P (B ∪ D) P (A ∩ C ) 3 .Uma caixa com LISTA DE EXERCÍCIOS r lâmpadas N lâmpadas contém (r < N ) com lamento partido. a urna 2 contém 4 bolas pretas. Uma moeda é retirada ao acaso e jogada.Exemplo: Um saco contém três moedas. Caso contrário.. Essas lâmpadas são vericadas uma a uma. 2 . 4 homens com menos de 21 anos de idade. dentre os números 1. Uma pessoa é escolhida ao acaso. Uma bola é escolhida ao acaso da urna 1 e posta na urna 2. e 3 mulheres menores.A urna 1 contém brancas e x bolas brancas e y bolas vermelhas. até que uma lâmpada defeituosa seja encontrada. . Descreva um espaço amostral para este experimento.6. 3 brancas e 2 vermelhas. três brancas e 3 vermelhas. 50. Dado que o resultado foi cara. qual a probabilidade de que essa seja a moeda de duas caras? Exemplo: Suponha três urnas com as seguintes congurações: a urna 1 contém 3 bolas pretas. A seguir.O seguinte grupo de pessoas está numa sala: 5 homens maiores de 21 anos. a urna 3 contém 2 bolas pretas.. determine a probabilidade da ocorrência de B. ele seleciona ao acaso uma 29 . que as lâmpadas são vericadas até que todas as defeituosas sejam encontrdas. uma bola é escolhida ao acaso da urna 2. A urna 2 contém z bolas v bolas vermelhas.

Uma 5 moeda é selecionada ao acaso na caixa.Mostre que.Uma urna contém 4 bolas brancas e 6 bolas vermelhas. Se obtemos RRRMMMMM (R para rapaz e M para moça) qual a probabilidade de ter sido selecionado o colégio B? 30 . outra com duas caras e uma terceira 1 viciada. Passa-se uma bola. de modo que a probabilidade de ocorrer cara nesta moeda é de . B e C têm as seguintes percentagens de rapazes. Se ambos tentarem independentemente. Se o estudante escolhe a resposta correta para uma dada questão. então P (A | B ∩ C ) = P (A | B ). retiram-se três bolas desta última. Suponha que o estudante saiba a resposta de 60% das questões. escolhida ao acaso.Uma caixa tem três moedas: uma não viciada. Calcular a probabilidade de tirar um número par. o ponto 6 é 3 vezes mais provável de sair do que o ponto 2). 9 . 8 . 20% e 10%. sabendo-se que saiu um número maior que 3. Qual a probabilidade de que ocorram três bolas da mesma cor? 2 12 .resposta entre as 4 possíveis. Qual a probabilidade de que a moeda viciada tenha sido a selecionada? 11 .Um dado é viciado de tal forma que a probabilidade de sair um certo ponto é proporcional ao seu valor (por exemplo. Um desses colégios é selecionado ao acaso e 8 alunos são escolhidos. da primeira para a segunda urna. e em seguida. outra urna contém 3 bolas brancas e 6 vermelhas. B e C são eventos tais que P (A ∩ B ∩ C ) = 0 P (C | B ).Uma companhia de seguros analisou a freqüência com que 2000 segurados usaram o hospital. Os resultados são apresentados na tabela: homens usaram o hospital não usaram o hospital 100 900 mulheres 150 850 Qual a probabilidade de que uma pessoa segurada não use o hospital? 14 .Os colégios A. qual a probabilidade de que ele sabia a resposta? 7 . se os eventos A e B são independentes. com reposição. respectivsmente: 40%.A probabilidade de que A resolva um problema é de e a probabilidade de que 3 B resolva é de 3 .Mostre que se A. sem reposição. e P (C | A ∩ B ) = 10 . Saiu cara. qual a probabilidade do 4 problema ser resolvido? 13 . então também o serão ¯ A e B.

1 Variáveis Aleatórias discretas Denição: Seja X uma variável aleatória. Uma um número real. 4a NOTA DE AULA 4 Variáveis Aleatórias um experimento e Denição: Seja função aleatória. Então. Seja B B ⊂ RX . Consider- Exemplo: Considere uma urna com duas bolas brancas e três vermelhas. Nesse caso.. x2 .Engenharias) Professores: Alexsandro. 3} com as seguintes probabilidades 4. X (s) ∈ B }. 1. será formado no máximo por um número innito enumerável de valores x1 . denimos B um evento no contradomínio RX . 2. é denominada variável Exemplo: Lança-se três moedas honestas. Portanto RX . que associe a cada elemento s ∈ S X (s).Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . 31 . Seja X uma variável RX .UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . Se o número de valores possíveis de X (isto é. P (B ) = P (A). Alecxandro e Amanda Aluno(a): Período 2003.2 Data: . o contradomínio X. P (B ) da Exemplo: No exemplo anterior. Considere a variável aleatória: X: número de caras Denição: Sejam um experimento aleatória denida em relação a e seu espaço amostral S. onde A = {s ∈ S . . Denição: de Seja X: número de bolas vermelhas obtidas em duas extrações sem X uma variável aleatória discreta. A será denido assim A = {s ∈ S . denominaremos X de variável aleatória discreta. RX ) for nito ou innito enumerável. S um espaço amostral associado ao experimento. isto é. aremos a variável aleatória reposição. X (s) ∈ B } um evento denido em Neste caso dizemos que Denição: Seja seguinte maneira: A e B são eventos equivalentes. temos RX = {0. S e seja RX seu contradomínio.. X .

80 0. Os números p(xi ) = P (X = xi ).) de X que satisfaça às seguintes f (x) ≥ 0 +∞ −∞ para todo x..2 Variáveis Aleatórias Contínuas Denição: condições: a) b) Diz-se que X é uma variável aleatória contínua.20 0. A p denida acima. é denominada distribuição de probabilidade.A cada possível resultado probabilidade de (a) (b) xi associaremos um número xi ..10 Se o produto nal apresentar algum componente coma característica C.d. Os ensaios continuam até que a primeira válvula positiva apareça. Para estudar a variabilidade do seu empreendimento.m. Cada componente pode ser classicada como Bom. Além disso.. 2. ele será irrecuperável. Σ∞ i=1 p(xi ) = 1.. Sabe-se que o custo por peça é de 5 u. como seria a distribuição das freqüências da variável aleatória L: lucro por conjunto montado? Exemplo: Suponhamos que uma válvula eletrônica seja posta em um soquete e ensa3 iada. S= P (X = n) = 4. Exemplo: Um empresário pretende estabelecer uma rma para montagem de um produto composto de uma esfera e um cilindro. foram obtidos as probabilidades de produção de cada componente com suas respectivas características.10 0. f (x)dx = 1.m. . e a montagem consistirá em juntar as duas partes e pintá-las. denominada função densidade de probabilidade (f.70 0. Longo ou Curto. Produto Bom (B) Longo (L) Curto (C) Cilindro 0. i = 1. devem satisfazer às seguintes condições: p(xi ) ≥ 0.. a probabilidade 4 1 de que seja negativo é igual a . ∀i. A função X. o empresário quer ter uma idéia da distribuição dos lucros por peça montada. 32 .10 Esfera 0. Considere a variável aleatória Assim X : no de testes necessários para concluir o experimento. p(xi )]. i = 1. conforme suas medidas estejam dentro das especicações.p. Se o preço de venda de cada unidade é de 25 u. . é denominada função de probabilidade da variável aleatória coleção de pares [xi .m. Admitamos que a probabilidade de que o teste seja positivo seja . A Tabela com esses valores se encontra abaixo.. Cada componente longo pode ser recuperado a um custo adicional de 5 u. As partes são adquiridas em fábricas diferentes. Adimitamos também que estejamos ensaiando uma partida 4 grande dessas válvulas.m. denominado p(xi ). 2. daí. e o conjunto será vendido como sucata ao preço de 5 u. se existir uma função f.

d. como Teorema 4. a 2x. com −∞ < a < b < +∞. c. (a) A função F é não decrescente. Exemplo: Suponhamos que a variável aleatória seja contínua. 0.a.d.c) para quaisquer a.d. respectivamente.d. de X é f (x) = kx.1 e 2. a f. se ela é um círculo de raio 1 cm? b) Mostre que a probabilidade de acertar qualquer círculo concêntrico é proporcional a sua área. com Exemplo: Suponhamos que a variável aleatória probabilidades 1/3.c a) Qual a probabilidade de acertar a mosca. 33 .c. de X é dada por: X seja uma variável contínua com f. 0 < x < 1. e seja X a distância do ponto atingido pelo dardo ao centro do alvo. Exemplo: Suponha que estamos atirando dardos em um alvo circular de raio de 10 cm. X teremos P (a ≤ X ≤ b) = f. c.p.3. (b) limx→−∞ F (x) = 0 e limx→+∞ F (x) = 1.d. 1/6 e 1/2.p. de X é dada por: Teorema 4. f (x) = Então.3 Função de Distribuição Acumulada Denição: Seja X uma variável aleatória. 4.p. Então. 0 < x < 1. X tome os três valores 0. discreta ou contínua. Se X for uma variável aleatória contínua com f.p. c. f .1. Seja a por f (x) = 2x. Se X for uma variável aleatória discreta F (x) = j p(xj ). x F (x) = −∞ f (s)ds. f dada b a f (x)dx. onde o somatório é estendido a todos os índices j que satisfaçam à condição xj ≤ x.d. Dene-se a função função de distribuição acumulada da variável aleatória X como F F (x) = P (X ≤ x). 0 ≤ x ≤ 10 0.c F.a. 0.2. b . Teorema 4. a Exemplo: Suponhamos que F.

denotado por E (X ) é denido como discreta. F (x) = 0. F e calcule a 4. enquanto uma peça não-defeituosa lhe dá um lucro de Us$ 5. o valor esperado de x1 . i = 1.. Exemplo: Um fabricante produz peças tais que 10% delas são defeituosas e 90% delas são não-defeituosas.. (a) Seja F a função de distribuição de uma variável aleatória contínua.d. exceto nos valores possíveis de apresenta um salto de magnitude b) Se X : x1 . dx para todo x no qual F seja derivável......Teorema 4. +∞ |x| f (x)dx −∞ 34 . ..4... conseqüentemente. . o fabricante perde US$ 1.. x2 . com um número nito de valores possíveis. x2 . se a série denida acima convergir absolutamente. xn .. . X (ou esperança de E (X ) = Σ∞ i=1 xi p(xi ). .p f ..p. . x > 0. −x 1 − e . Então. 2.4 O Valor Esperado de Uma Variável Aleatória Denição: Seja Seja X ). f . f. n. Se peça. x < 0. − p(xj ) = P (X = xj ) = F (x+ j ) − F (xj ).. o gráco da função de distribuição será constituído por segmentos de reta horizontais.. e somente se. e suponha-se que esses valores tenham sido indexados de modo que x1 < x2 < .d.. Então.. No valor xj p(xj ) = P (X = xj ) F o gráco X for uma variável aleatória contínua. f (x) = d F (x). diremos que E (X ) existirá se. com f. com valores possíveis x1 . X uma variável aleatória p(xi ) = P (X = xi ). O valor esperado de X uma variável aleatória contínua com X é denido como +∞ E (X ) = −∞ xf (x)dx. xn .. Observações: a) Se função X for uma variável aleatória discreta.p. . será uma função contínua para todo x.. .. c) A função de distribuição Exemplo: Suponha que Esboce o gráco de F é denida para todos os valores de x. Seja F a função de distribuição de X .d. Pode acontecer que esta integral (imprópria) não convirja. Se uma peça defeituosa for produzida. qual o valor esperado de Denição: Seja X for o lucro líquido por X? f. (b) Seja X uma variável aleatória discreta. A F é contínua. com valores possíveis Então.

[a. b constantes e X uma variável aleatória. então E [H (X )] = H (x)f (x)dx. .1 Propriedades de Valor Esperado Propriedade 1: Se X = C. X uma variável aleatória. então. 35 . a. Propriedade 3: Sejam E (aX + b) = aE (X ) + b. c.. .p.d.5 A Variância de uma Variável Aleatória Denição: Seja X uma variável aleatória.p. Então. Suponha que X seja o tempo (em minutos) durante o qual um equipamento elétrico seja utilizado em carga máxima.5. E (X ) = C . onde C é uma constante. b] com a Exemplo: Seja seguinte X uma variável aleatória contínua denida num intervalo f. 0 ≤ x ≤ 1500. for uma variável aleatória discreta assumindo valores x1 ..: x . 15002 −(x−3000) . da seguinte maneira: V ar(X ) = E [X − E (X )]2 .4. −∞ X 4.d. f (x) = 1 . 4. A raiz quadrada da Variância de O cálculo de X é denominada desvio padrão de X.. c. então E [H (X )] = i=1 H (xi )p(xi ). i = 1.c. Exemplo: Seja a variável aleatória X denida como segue. Propriedade 2: Então..d.. com função de ∞ probabilidade p(xi ).c. Encontre a esperança dessa variável aleatória. V ar(X ) pode ser simplicado com o auxílio do seguinte resultado.p.− b−a 0. a ≤ x ≤ b. 1500 < x ≤ 3000. Denimos a Variância de X. Teorema 4. Suponha-se que aleatória contínua com a seguinte X seja uma variável f.for nita. 15002 f (x) =    0. denotada por V ar(X ). f . x2 . propriedade 4: Seja a) Se X uma variável aleatória e H (X ) uma função contínua. V ar(X ) = E (X 2 ) − [E (X )]2 . em um certo período de tempo especicado. +∞ b) Se X for uma variável aleatória contínua com f. Suponha-se que C seja uma constante e E (CX ) = CE (X ). 2. obs: a variável X denida dessa maneira é chamada de variável aleatória uniforme.

onde 0 representa um céu perfeitamente claro.06 8 0. a. b constantes e X uma variável aleatória..4.06 4 0. V ar(CX ) = C 2 V ar(X ). em um determinado dia e hora.06 7 0.15 10 0.06 5 0.10. Então V ar(aX + b) Exemplo: O serviço de meteorologia classica o tipo de céu que é visível.5.1. E (X ) = V ar(X ) = 36 .15 9 0.05 E (X ) = E (X 2 ) = V ar(X ) = Exemplo: Suponhamos que X seja uma variável aleatória contínua com f. enquanto os outros valores representam as diferentes condições intermediárias. Propriedade 2: Se C for uma constante. 0 ≤ x ≤ 1. Seja X a variável aleatória que pode tomar um dos 11 valores acima.15 2 0. −1 ≤ x ≤ 0..p.1 Proprieades da Variância de uma Variável Aleatória Propriedade 1: Se C for uma constante. em termos de graus de nebulosidade. Admita que a distribuição de probabilidade de x seja X=x P (X = x) Portanto 0 0. Suponhase que tal classicação seja feita em uma determinada estação meteorológica. Uma escala de 11 categorias é empregada: 0. 10 representa um céu completamente encoberto.15 3 0.2. 1 − x. f (x) = Então 1 + x.05 1 0.d.. Propriedade 3: Sejam = a2 V ar(X ).06 6 0.. V ar(C ) = 0.

1 4 0. 37 .Suponha que a demanda por certa peça. d) Qual é a variabilidade da demanda? 3 . 1. c) Calcule a demanda esperada. j = 0... k = 1. 2. . P (X > s + t | X > s) = P (X ≥ t). 2. a) b) f (x) = 3x.2 7 0. o tempo em minutos probabilidade: digitar um texto é modelado.2.d..1 5 0.. 2. P (X = j ) = 1/2j .A função de probabilidade da variável aleatória X é P (X 2 2 Calcule E (X ). 3. Determine a média e a variância do número de pontos obtidos no teste..1 O candidato recebe 4 pontos se terminar a digitação em 9 minutos. P (X ≥ 5).2 6 0.1. . F... resultados possíveis: 0.. a) Calcule b) Calcule c)Calcule P (X ser par). 5 se terminar em 8 minutos e assim por diante.4a LISTA DE EXERCÍCIOS (T ) que os candidatos levam para 1 . c) Mostre que.a de X. .2 8 0. ser divisível por 3).. 2 . numa loja de autopeças. 4 . a o modelo acima tem sentido? b) Verique que essa expressão representa uma legítima distribuição de probabilidade. pela seguinte distribuição de T pi 3 0. de forma aproximada. V ar (X ). 5. e j = 1.2.Num teste de digitação.. − 2). k = 1.. E (X )..1 9 0. E [(X + 3) ] e V ar (3X = k ) = 1/5. x ≥ 0.Suponha que a variável aleatóriaX tenha valores possíveis 1. 4. k! a.Verique se as expressões abaixo são funções densidade de probabilidade (assuma que elas se anulam fora dos intervalos especicados). para quaisquer dois inteiros positivos s e t. Suponha que P (X 5 .Considere uma variável aleatória j a) Para que valores de X com P (X = j ) = (1 − a)a . 6 . f (x) = x2 2 se se 0 ≤ x ≤ 1. siga o seguinte modelo: P (X = k ) = a) Encontre o valor de b) Calcule a a2k ... 2. .

p. −1 ≤ x ≤ 0. (f. a) Verique que f +g não é uma f. (1 + 2x)/4 probabilidade? X pode tomar quatro valores. βf (x) + (1 − β )g (x) é uma f. 20 5 1 .A variável aleatória contínua tem número que satisfaça a 8 .p.p.d. se = −π.Numa certa região. c)Encontre o valor esperado para o comprimento dos fósseis da região.d. a)Calcule a F. e esboce seu gráco. se 0 < x < 1 F (x) =  1. f (x) =    −x +3 . Calcule E (X ) e V ar(X ). da variável X. f.d.d.d.Suponham que b for um f e g sejam a ≤ x ≤ b.O diâmetro β. se 2 se 3 ≤ x ≤ 5. −π < x < 0.Uma variável aleatória x)/4. −1 < b < 0.p. no mesmo intervalo Se 7 . f (x) = 6x(1 − x). ser uma variável aleatória contínua com X de um cabo elétrico supõe-se f. se − 1 ≤ x ≤ 0 1 − x. f.a. calcule P (X > b | X < b/2). se 0 < x ≤ 1.Uma variável aleatória F. 0 ≤ x ≤ 1. com probabilidades (1+3x)/4. desses fósseis.d.c) d) f (x) = (x−3) . b) Para um fóssil encontrado nessa região. se x ≥ 1.d. (1− (1 − 4x)/4. se x ≤ 0  5 x .d. f (x) = 2. e 10 . determine a probabilidade do comprimento ser inferior a 6 cm? E de ser superior a 5 mas inferior a 10. nesse intervalo. e)f (x) f )f (x) 1 + x. b) Verique que. para todo número nesse intervalo.p) para o com- 12 .p.5 cm. 40 se 4 ≤ x ≤ 8 se 8 < x ≤ 10 10 < x ≤ 11. em centímetros. Para que valores de x é essa uma distribuição de X tem 11 .a. c) Determine um número d) Calcule b tal que P (X < b) = 2P (X > b). 38 .d.d. F. P (X ≤ 1/2 | 1/3 < X < 2/3). f (x) = 3x2 . 9 .p. a) Verique que essa expressão é uma b) Obtenha uma expressão par a f.a dada por  0. fósseis de pequenos animais são freqüentemente encontrados e um arqueólogo estabeleceu o seguinte modelo de probabilidade primento. 0 < β < 1. se 10 x . = 0 ≤ x ≤ 2.

. Dizemos que X segue o modelo Uniforme Discreto se atribui a mesma pro1/k a cada um desses k valores. k i=1 xi )2 i=1 k . isto é. com os números 1.1.2 Modelo de Bernoulli Denição: Consideremos uma única tentativa de um experimento aleatório de forma que tenhamos sucesso ou fracasso nessa tentativa. 68 e 93. Alecxandro e Amanda Aluno(a): Período 2003. Seja p a probabilidade de sucesso.. Tenho 5 bilhetes consecutivos numerados de 21 a 25. Onde X da seguinte forma: X = 0.. 39 . . Quem tem maior possibilidade de ser sorteado? Propriedades É fácil vericar que: E (X ) = V ar(X ) = 1 k k k i=1 xi k x2 i − ( .Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos .1 Variáveis Aleatórias Discretas 5.Engenharias) Professores: Alexsandro. 5a NOTA DE AULA 5 Alguns Modelos de Variáveis Aleatórias 5. se não ocorre sucesso. xk . Dena a variável aleatória se ocorre sucesso. ou 1. 29.2 Data: ...1 Modelo Uniforme Discreto Denição: babilidade Seja X uma variável aleatória cujos possíveis valores são representados por x1 . k. P (X = 0) = 1 − p P (X = 1) = p.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . sua função de probabilidade é dada por P (X = xj ) = 1 . k Exemplo: Uma rifa tem 100 bilhetes numerados de 1 a 100. logo 1−p será a probabilidade de fracasso.. x2 . ∀j = 1..1. 5. 2. e meu colega tem outros 5 bilhetes. 11.

1. Exemplo: Lança-se um dado e observa-se ocorrência da face 6. X: Geométrica(p). Se X : Geométrica(p).2. Note que. As probabilidades de sucesso e fracasso são as mesmas para cada X: número de sucessos em n tentativas. 5. Um grupo de três indivíduos é sorteado dentre a população vacinada.4 Distribuição Geométrica Considere um experimento cujos resultados podem ser classicados como sucesso ou fracasso. ensaios são independentes. E (X ) = p e V ar(X ) = p(1 − p). Sua função de proba- bilidade é dada pelo teorema seguinte: Teorema 5.1. e submetidos a testes para averiguar se a imunização foi efetiva. x = 0. logo 1 − p é a probabilidade de fracasso. 1. ..3. x = 1. X= número 5. Suponha que os P (X = x) = (1 − p)x−1 p. Cada tensucesso com probabilidade tativa adimitindo apenas dois resultados: p e fracasso com 1 − p. Considere X : número de ensaios até ocorrer o primeiro sucesso.1. Seja X uma variável aleatória binomial com parâmetros n e p. A variável denida acima é chamada de Distribuição geométrica com parâmetro Notação: p. Então P (X = k ) = n k pk (1 − p)n−k Teorema 5. Teorema 5. Seja n tentativas independentes de um mesmo experimento aleatório. Seja a variável aleatória p a probabilidade de sucesso. Dessa forma. e sua função de P (X = x) = px (1 − p)1−x . que a esse experimento é dita ser uma Variável aleatória denotaremos por X : b(n. p). Seja X uma variável aleatória binomial com parâmetros n e p.3 Modelo Binomial Consideremos probabilidade tentativa.Nessas Condições a variável aleatória probabilidade é dada por: X segue o modelo de Bernoulli. 2.. A variável aleatória Binomial com X associada parâmetros n e p. Exemplos: Sabe-se que a eciência de uma vacina é de 80%. Então E (X ) = np e V ar(X ) = np(1 − p). então 40 . Construa a distribuição de probabilidade da variável de indivíduos imunes na amostra.

P (X ≥ s + t | X > s) = P (X > t) 5.5 Distribuição Hipergeométrica Consideremos uma população com N elementos. Há 6 motores defeituosos numa caixa. Qual a probabilidade de que seja necessário examinar todos os motores dessa caixa? 5. (N − 1) Exemplo: Pequenos motores são guardados em caixas com 50 unidades. uma amostra de tamanho n.4. para dois quaisquer inteiros positivos s e t. antes da posterior remessa.1. Se nenhum motor for defeituoso. n e p.1. A variável X assim denida tem distribuição Hipergeométrica.5. Retiramos dessa população. Se X :Geométrica(p) então. Seja X: número de sucessos na amostra. todos os 50 motores são testados. onde E (X ) = np e V ar(X ) = np(1 − p) (N − n) . k! 41 . sem reposição. Se pelo menos um for defeituoso.4. p = r/N .(i) E (X ) = 1 p 1− p p2 (ii) V ar(X ) = Exemplo: Se a probablidade de que um certo ensaio dê reação positiva for igual a 0. . 2. se sua função de probabilidade é dada por P (X = k ) = e−λ λk . testando 5 motores. k = 0. qual será a probabilidade de que menos de 5 reações negativas ocorram antes da primeira positiva? Teorema 5. 1. dos quais r têm uma determinada carac- terística (sucesso). 0 ≤ k ≤ n.. Então Teorema 5.. Um inspetor de qualidade examina cada caixa. a caixa é aceita. Dessa forma a distribuição de probabilidade da variável aleatória X é dada por P (X = k ) = r k N −r n−k N n .. k ≤ r.6 Distribuição de Poisson Uma variável aleatória X tem distribuição de Poisson com parâmetro λ > 0. Se X tem distribuição Hipergeométrica com parâmetros N.

Admita que a probabilidade de ocerrência de vazamento em todos os pontos são iguais. no máximo.2 Variáveis Aleatórias Contínuas 5. b) em 2 minutos haja 2 chamados. Qual a probabilidade de que uma página contenha pelo menos 3 erros? Exemplo 2: Numa central telefônica chegam 300 telefonemas por hora. então Propriedades: Se (i) (ii) E [X ] = a+b . Seja X a variável aleatória que indica a distância correspondente ao vazamento. b−a 0. X : U [a. for dada por: f (x) = Notação: 1 . Qual a probabilidade de que: a) num minuto não haja nenhum chamado. 42 . Exemplo 1: Num livro de 800 páginas há 800 erros de impressão. Os tubos produzidos têm 6 metros de comprimento e são submetidos a grandes pressões até o aparecimento do primeiro vazamento. os técnicos de qualidade de uma empresa inspecionam os tubos de PVC produzidos. Se X : P o(λ) então: E (X ) = λ e V ar(X ) = λ. b]. A notação Teorema 5.com o parâmetro utilizada será λ sendo X : P o(λ). f.c.d. cuja distância a uma das extremidades (xada à priori) é anotada para ns de análise posterior. b]. usualmente referido como a taxa de ocorrência. b].6. X : U [a. Escolhe-se um tubo ao acaso para ser inspecionado. a 1 metro das extremidades. c) em t minutos não haja chamados. Queremos calcular a probabilidade de que o vazamento esteja. 5. a ≤ x ≤ b.p. c.2. 12 V ar[X ] = Exemplo: Com o objetivo de vericar a resistência à pressão de água. 2 (b−a)2 .1 Modelo Uniforme Denição: Uma variável aleatória contínua se sua X tem distribuição uniforme no intervalo [a.

sabendo-se que ele é superior ou igual a 5 minutos. se sua f.2 Distribuição Exponencial Denição: Uma variável aleatória contínua tribuição exponencial com parâmetro X . (ii) f (x) assume valor máximo no ponto x = µ. Propriedades: a) E (X ) = 1 e α V ar (X ) = 1 . a probabilidade do intervalo ser superior ou igual a 7. µ. −∞ < x < ∞. 2) Considerando a distribuição do exemplo anterior. c. se sua f. (iii) A curva normal é simétrica em relação a (iv) E (X ) = µ e V ar (X ) = σ 2 .2. teremos P (X > s + t | X > s) = P (X > t) . 2. calculemos agora. é dada por 1 x−µ 2 1 f (x) = √ e− 2 ( σ ) .p.2. é dada por αe−αx . negativos. Propriedades (i) Gráco: tem a forma de sino. σ 2 ) . −∞ < µ < ∞ e 0 < σ < ∞. t > 0. x > 0 0. σ 2π µ Notação: X : N (µ.3 Distribuição Normal Denição: Dizemos que a variável aleatória X tem distribuição normal com parâmetros 2 2 e σ .p. terá dis- f (x) = Notação: X : Exp(α). Exemplos: 1) O intervalo de tempo em minutos entre emissões consecutivas de uma fonte radioativa é uma variável aleatória com distribuição exponencial de parâmetro α = 0.d.c. Vamos calcular a probabilidade de haver uma emissão em um intervalo inferior a 2 minutos.d. α2 b) (Falta de memória) Para todo s. 43 . 5.5. assumindo valores não α > 0.

podemos calcular probabilidades envolvendo qualquer distribuição normal. X −µ através da transformação Z = . Dessa forma. É fácil ver Z = f. determinar 2.d. Mostra-se que Z também tem σ é chamada de variável normal padrão ou reduzida. Z V ar(Z ) = 1. (vide tabela em anexo) (vi) A tabela nos dá a probabilidade P (0 ≤ Z ≤ z ). 05 P (X ≥ xα ) = 0. Sendo a) b) xα . σ 2 ). X −µ . σ 2 ) ⇒ Z : N (0. tal que: P (X ≤ xα ) = 0. se X : N (µ. calcular: P (100 ≤ X ≤ 106) P (89 ≤ X ≤ 107) P (112 ≤ X ≤ 116) P (X ≥ 108) X : N (50. 25).(v) Seja que X : N (µ. Considere a) b) c) d) X : N (100. 99 44 . a distribuição normal. 1). 16). A distribuição de Z se encontra tabelada.p. E (Z ) = 0 e considere a variável Logo. −∞ < z < ∞. 2π Portanto. de Z é dada por 1 1 2 f (z ) = √ e 2 z . σ Exemplos: 1. para diversos valores de z.

3 2 . b) Com reposição. p). no mínimo. é uma variável aleatória com distribuição de Poisson com parâmetro λ = 3. P (|X − 3| > 1). ser lançada a moeda para garantir a ocorrência de cara com pelo menos 0.Numa urna há 40 bolas brancas e 60 bolas pretas. determinar 3 .O número de partículas Gama emitidas por segundo.5a 1 . P (X ≤ 2). qual a probabilidade de ter obtido tal resultado? 4 . Se na realidade as opiniões pró e contra são igualmente divididas. E (X ) = 12 e V AR(X ) = 4. Calcular: a) A probabilidade do pronto-socorro não efetuar nenhum atendimento num intervalo de 5 minutos. 6 . Qual a probabilidade de que ocorram no mínimo 2 bolas brancas.Seja a) b) c) d) e) f) LISTA DE EXERCÍCIOS X : b(10. de modo independente.Numa cidade. E (X ) e V ar(X ) d) Quantas vezes deve. 5 Calcular: P (X = 3). Como resultado obtido. Se um instrumento registrador torna-se inoperante quando há mais de 4 partículas por segundo. p. observou-se 40 a favor. qual a probabilidade de isto acontecer em qualquer dado segundo? 5 .Em um pronto-socorro o número de atendimentos de emrgência segue uma distribuição de Poisson com média de 60 atendimentos por hora.Uma moeda não viciada é lançada sucessivamente. b) A probabilidade do pronto-socorro efetuar pelo menos 2 atendimentos num intervalo de 10 minutos. considerando as extrações: a) Sem reposição. Seja X a variável aleatória que conta o número de lançamentos anteriores à ocorrência de cara. P (|X − 2| ≤ 1). Sabendo-se que X −6 sendo Z = . Retiram-se 20 bolas.8 de probabilidade? 7 . 45 . até que ocorra a primeira cara. E (Z ). V ar(Z ). é selecionada uma amostra de 60 adultos e a esses indivíduos é pedido para opinarem se são a favor ou contra determinado projeto. 2 ). Determine: a) b) c) P (X ≤ 2). E (X ) e V ar(X ). P (X > 1).Seja X : b(n. n. por certa substância radioativa. P (X − 2 < 1).

4] . Resp. 1/2 Resp.Uma urna tem 10 bolas brancas e 40 pretas.Admite-se que uma pane pode ocorrer em qualquer ponto de uma rede elétrica de 10 km com a mesma probabilidade. Qual é o custo médio do conserto? Resp.865 P (0 < X < 2) P (X < 2) P (X > 3) P (1 < X < 4) Resp. determine: P (X ≤ 4) Resp.Sendo a) b) c) d) e) X : U [0. a) Qual a probabilidade de que a sexta bola retirada com reposição seja a primeira branca? b) Qual a probabilidade de que em 16 bolas retiradas sem reposição ocorram 3 brancas? c) Qual a probabilidade de que em 30 bolas retiradas com reposição ocorram no máximo 2 brancas? 9 . 0. a) Qual a probabilidade da pane ocorrer nos primeiros 500 metros? E de ocorrer nos 3 quilômetros centrais da rede? Resp.779 X : N (4.8 .Suponha que o tempo de vida cional 14 . 460 11 . calcule: P (X > 2) P (X ≥ 2) Resp. Resp. Calcule a probabilidade condi- P (T > 15 | T > 10) .05 Resp.00 para as distâncias acima de 8 quilômetros.00 entre 3 e 8 quilômetros e de R$ 1000.Seja a) T de um vírus exposto ao meio ambiente segue uma distribuição Exponencial com parâmetro λ = 1/20 s. 0.350 Resp.Sendo a) b) c) d) e) X: Exp(1). 0. 0. 1 P (1 < X < 2) P (1 < X < 2 | X < 3) P (X < 3 | 1 < X < 2) 10 . Considere que o centro de serviço está na origem da rede e que o custo é de R$ 200. 1) .00 para distâncias até 3quilômetros. determine: Resp.Suponha que o valor esperado de uma variável aleatória com distribuição uniforme é 1 e a variância é igual a 1/12.633 P (X < 2 | X > 1) 13 . Encontre a probabilidade da variável assumir valores menores que 3/4. 1/4 Resp. 1/20 e 3/10 b) O custo de reparo da rede depende da distância do centro de serviço ao local da pane. 1/3 Resp. de R$400. 1/4 12 . 0. 1/2 Resp. 0.5 46 . 0.865 Resp.

9429 Resp. o candidato deve completá-lo em menos de 80 minutos.4 47 . 6 X : N (−5. 0.Um teste de aptidão feito por pilotos de aeronaves em treinamento inicial requer que uma série de operações seja realizada em uma rápida sucessão. 0. a) Para passar no teste.1574 Resp.9938 Resp.6 kg Obesos: 143.Para a) b) c) d) e) tal que P (90 − a ≤ X ≤ 90 + a) = 0.0013 Resp. 95. 0.8187 Resp. Resp. 0. Resp. 0. calcule: Resp.3413 Resp. a = 19.Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição normal de média 130 kg e desvio padrão 20 kg. quão rápido deve ser o candidato para que obtenha essa posição? Determine os valores que delimitam cada uma dessas classicações. Suponha que o tempo necessário para completar o teste seja distribuído de acordo com uma normal de média 90 minutos e desvio padrão 20 minutos.b) c) d) e) f) P (4 < X < 5) P (2 ≤ X < 5) P (5 ≤ X < 7) P (X ≤ 1) P (0 < X < 2) Resp. 0. 10) . Magros: 116. 0. P (X ≤ 115) P (X ≥ 80) P (X ≤ 75) Resp. quantos são esperados passar? b) Se os 5% melhores candidatos serão alocados para aeronaves maiores. 0. Se 65 candidatos tomam o teste. 0.1102 P (−7 ≤ X ≤ −6) P (|X + 5| > 2) . enquanto os 25% de maior peso de obesos.6687 Resp.0668 Resp. 0. 0.8413 Resp. 0. os 25% pacientes de menor peso são classicados de magros. Para efeito de determinar o tratamento mais adequado. 0.6826 P (85 ≤ X ≤ 110) P (|X − 90| ≤ 10) a f ) O valor de 16 .Seja a) b) c) d) e) X : N (90.3289 P (−5 < X ≤ −2) P (X ≤ 0) P (X > −6) Resp.4286 17 .6255 Resp. 0. 100) . Resp. kg 18 . 0.0228 determine: 15 .

Trataremos aqui apenas de duas variáveis. 6a NOTA DE AULA 6 Variáveis Aleatórias Bidimensionais 6. os conceitos estudados aqui podem ser expandidos de maneira análoga para mais de duas variáveis.Engenharias) Professores: Alexsandro. Introduziremos o estudo através do seguinte exemplo: Uma amostra de 20 alunos do primeiro ano de uma faculdade foi escolhida. Alecxandro e Amanda Aluno(a): Período 2003.2 Data: .1 Variáveis Aleatórias Discretas Na maioria das situações dicilmente trabalhamos com apenas uma variável aleatória.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . Perguntouse aos alunos se trabalhavam.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . X Y X Y não 1 sim 1 não 2 não 1 não 1 sim 2 sim 3 não 1 sim 1 sim 1 não 2 não 2 sim 1 não 3 sim 2 não 2 não 2 não 1 sim 3 não 2 Podemos coletar as freqüências de ocorrência dos possíveis pares. da seguinte forma: 48 . Os dados obtidos estão na tabela abaixo. e o número de vestibu- Y. É muito comum estarmos interessados no comportamento conjunto de várias variáveis aleatórias. porém. variável representada por X. construindo uma tabela de freqüência conjunta de X e Y. (X. Y ) freqüência Total Esta mesma tabela pode ser apresentada de maneira mais conveniente através da tabela de dupla entrada. variável que foi representada por lares prestados.

é chamada de tabela marginal de freqüência da variável de X (ou Y ). Y ) ser igual a (xi .. 2. Damos o nome de distribuição conjunta de probabilidades da variável bidimensional (X.. ca facilitada a tarefa de obter a tabela de freqüência individual para cada variável que. yn . p(xi .. Iniciamos estendendo a denição de função de probabilidade para o caso de duas variáveis... 2.. A função de probabilidade conjunta (xi . Y ) pode ser representada. i=1 j =1 A distribuição conjunta de probabilidades da variável também.1.1 Função de Probabilidade Conjunta Iremos considerar agora o caso de variáveis aleatórias discretas. yj ) representa a probabilidade de (X. denidas a partir das suas funções de probabilidades. 2. através de uma tabela de dupla entrada. m j = 1.. (ou Y ). n.. . y2 . foram observadas duas variáveis: número de poços artesianos presentes na sub-região (X. p(xi . Y = yj ) = 1. Y ) ao conjunto: {(xi . isto é... x2 . yj ).. yj ) = P [(X = xi ) ∩ (Y = yj )] = P (X = xi . Em cada uma delas. Y = yj ).. pela posição em que seus valores aparecem na tabela de dupla entrada. Os resultados são apresentados na tabela a seguir: 49 . 6.. .X|Y Total Total Dessa forma. yj ).. Exemplo: Uma região foi subdividida em 10 sub-regiões. Temos então para as variáveis X e X Y. yj ). xm e Y variável aleatória que assume os valores da seguinte forma: é denida. i = 1. m e j = 1. .. ou simplesmente marginal do exemplo anterior. n} Observamos que: m n P (X = xi . . yj ).. (X ) e número de riachos ou rios (Y ). para todos os possíveis pares de valores y1 . 2. p(xi . as seguintes tabelas de freqüência: X freqüência Y freqüência Total Total Observe que podemos construir as mesmas tabelas considerando agora as freqüências relativas.. Denição: Seja X uma variável aleatória que assume os valores x1 . i = 1.. . .

yn Total p(x1 . Y ): (X.. . yn ) . y1 p(x1 ........Sub-região 1 0 1 2 0 2 3 0 1 4 0 0 5 1 1 6 2 0 7 1 0 8 2 1 9 2 2 10 0 2 X Y Considerando que escolhemos uma das sub-regiões ao acaso. y1 ) p(x2 . y1 ) p(y1 ) p(xm ... podemos construir a distribuição conjunta de (X. em conhecer a distribuição de probabilidade de X ou de Y..2 Distribuições Marginais de Probabilidades Quando trabalhamos com uma variável aleatória bidimensional podemos ter o interesse em estudar o comportamento de uma única variável...0 50 . yn ) p(xm ) p(yn ) 1. . ou seja. Y X x1 x2 . . Y ) Total Cuja tabela de dupla entrada é dada por: X|Y Total Total 6...1... .. . tal como apresentada a seguir: Tabela 1: tabela de dupla entrada para apresentar a distribuição conjunta de (X.. p(x1 ) p(x2 ) . .. .Y). cada sub-região tem mesma probabilidade 1/10 de ser escolhida. isto é. xm Total p(xm . .. . y1 ) ... Y ) P (X.. .. (X...... yn ) p(x2 . Y ) representada através Considerando a distribuição de probabilidades conjunta de de uma tabela de dupla entrada. .

Y = yj )ou(X = x2 .. De modo análogo. Exemplo: Considerando o exemplo das sub-regiões. seguinte exemplo: Em uma cidade do Estado de São Paulo. pode ser obtida a partir de p(xi ) = P [(X = xi .4) (8.M .3) (8.ou(X = xm . a distribuição de de X ou comumente denominada de distribuição marginal X. yj ). as distribuições marginais.4) (9. podemos calcular. à tabela anterior. Portanto.3) (9. Y = y2 )ou.5) (9. admite-se que o número de anos para completar o ensino fundamental (variável (variável Introduziremos através do F ) e o número de anos para completar o ensino médio M) têm distribuição conjunta dada por: (F.. a distribuição marginal de Y é obtida a partir de p(yj ) = P [(X = x1 . Acrescentando. m) (8.1. Y = yn )] = Σn j =1 p(xi . colunas correspondendo aos valores dessas novas variáveis temos 51 .4) (10. M ) p(f.5) (10. Y = y1 )ou(X = xi .. as distribuições marginais seriam as seguintes: X = xi P (X = xi ) Y = yj P (Y = yj ) 0 1 2 0 1 2 6. Y = yj )ou.3 Função de Variáveis Aleatórias Em muitas situações há interesse em estudar o comportamento de uma função das variáveis tal como soma.Desta maneira. yj ).. Y = yj )] = Σm i=1 p(xi . através da distribuição conjunta. produto ou alguma outra relação entre elas.5) Total 3/10 1/10 1/10 2/10 1/20 1/10 1/10 1/20 1 Suponha que exista interesse em estudar as variáveis F +M e F.ou(X = xi .

(F, M ) p(f, m) F + M
(8,3) (8,4) (8,5) (9,3) (9,4) (9,5) (10,4) (10,5) 3/10 1/10 1/10 2/10 1/20 1/10 1/10 1/20

F.M

Através dessa tabela podemos construir a distribuição da variável

Z = F +M

e

W = F.M ,

para isso basta somar as probabilidades nos valores comuns, por exemplo:

P (Z = 13) = P (8, 5) + P (9, 4) =

1 1 3 + = . 10 20 20

Procedendo de modo similar com os outros valores obtemos as funções de probabilidade de

Z

e de

W: Z=z P (Z = z ) W =w P (W = w)

11

12

13

14

15

24

27

32

36

40

45

50

6.1.4 Associação entre Variáveis
Denição: Dada duas variáveis aleatórias discretas denidas no mesmo espaço amostral, a probabilidade condicional de

X = x,

dado que

Y =y

ocorreu, é dada pela expressão:

P (X = x | Y = y ) =
Caso

P (X = x, Y = y ) , se P (Y = y ) > 0. P (Y = y )
pode ser denida arbitrariamente e

adotaremos

P (Y = y ) = 0, a probabilidade condicional P (X = x | Y = y ) = P (X = x).

Denição: Duas variáveis aleatórias discretas são independentes, se a ocorrência de qualquer valor de uma delas não altera a chance de ocorrência de valores da outra. seja, Ou

P (X = x | Y = y ) = P (X = x),
para todos os possíveis valores podemos usar:

(x, y )

das variáveis

(X, Y ).

Como denição alternativa

P (X = x, Y = y ) = P (X = x)P (Y = y ),
para quaisquer

(x, y ). X
e

Observação:

Y

são independentes

⇐⇒ p(x, y ) = p(x)p(y ), ∀ (x, y ).

Se existe pelo menos um par

(x0 , y0 )

tal que:

p(xo , y0 ) = p(x0 )p(y0 )
52

então,

X

e

Y

não são independentes.

Exemplo: Suponhamos que tabela:

X

e

Y

tenham distribuição conjunta dada pela seguinte

X|Y
1 2 3

1 0 1/5 0

2 1/5 1/5 1/5

3 0 1/5 0

Determine as distribuiçãoes marginais de

X

e

Y.

Estas variáveis são independentes?

6.1.5 Medida de Correlação entre duas Variáveis
Quando as variáveis não são independentes isto quer dizer que existe uma certa relação entre estas variáveis. Esta relação pode ser de qualquer tipo, como por exemplo uma relação linear, quadrática, exponencial, etc. Nosso objetivo aqui não será o de determinar qual o tipo de relação que existe entre as variáveis em questão e sim o de medir o grau de correlação entre estas variáveis. Neste curso iremos medir o grau de correlação linear entre variáveis quantitativas discretas. Na literatura existem outras medidas de correlação, inclusive entre variáveis qualitativas, porém este não será o nosso objetivo aqui neste curso. Antes de denirmos a medida de correlação linear entre as variáveis vamos enunciar algumas propriedades envolvendo o valor esperado de funções de variáveis aleatórias.

Propriedade 1:

Para variáveis aleatórias

X

e

Y,

vale sempre que

E (X + Y ) = E (X ) + E (Y ).
No caso do produto de duas variáveis aleatórias nem sempre é válido que o valor esperado do produto é o produto dos valores esperados. resultado: Neste caso temos o seguinte

Propriedade 2:

Se

X

e

Y

são duas variáveis aleatórias independentes, então

E (XY ) = E (X )E (Y ).
Obs: A recíproca desta propriedade não é verdadeira, ou seja, se

E (XY ) = E (X )E (Y ),
então não necessariamente é verdade que Exemplo: Considere as variáveis

X Y
2

e

Y

são independentes.

X

e

tendo distribuição conjunta dada por: 3 0 1/12 2/12 4 3/12 1/12 2/12

X|Y
-1 0 1

2/12 0 1/12

53

Calcule,

E (X ), E (Y )

e

E (XY ).

Depois determine se

X
e

e

Y

são independentes.

Denição: Uma medida de dependência linear entre

X

Y

é dada pela covariância:

Cov (X, Y ) = E [(X − E (X ))(Y − E (Y ))].
Em palavras, a covariância é o valor esperado do produto dos desvios de cada variável em relação à sua média. Desenvolvendo a equação acima chegaremos em uma denição mais usual, que é dada pela seguinte expressão:

Cov (X, Y ) = E (XY ) − E (X )E (Y ).
Observe que, se

X

e

Y

são independentes, então a

Cov (X, Y ) = 0, a recíproca, neste

caso, não é sempre verdadeira. A partir da covariância, denimos uma nova medida de dependência linear. Denição: O coeciente de correlação linear entre as variáveis aleatórias

X

e

Y

é

calculado pela seguinte expressão:

ρX,Y =
Onde,

Cov (X, Y ) . σX σY X
e

σX σY

são respectivamente os desvios-padrão das variáveis

Y. |ρX,Y | ≤ 1.
A

A divisão pelo produto dos desvios-padrão, tem a função de padronizar a medida e tornar possível a comparação com outras variáveis. Pode-se mostrar que de interpretação de sua expressão segue os mesmos passos da covariância, sendo que valores

ρX,Y

próximos de

±1

indicam correlação forte.

Propriedade 3:

Sejam

X

e

Y

variáveis aleatórias quaisquer, então

V ar(X + Y ) = V ar(X ) + V ar(Y ) + 2Cov (X, Y ).
Se

X

e

Y

são independentes, então

V ar(X + Y ) = V ar(X ) + V ar(Y ).
Exemplo: Calculemos a

Cov (F, M )

e

ρF,M

no exemplo da seção 6.1.3.

54

6a

LISTA DE EXERCÍCIOS

1 - O setor de emergência de um pronto socorro infantil anotou o número de crianças atendidas (C), de médicos (M) e de auxiliares (A) de plantão em 15 dias de atividades. Os dados são apresentados na tabela abaixo: Dia C M A 1 5 1 4 2 7 1 4 3 5 2 5 4 6 2 6 5 5 2 7 6 5 1 7 7 7 2 6 8 5 1 5 9 6 1 5 10 6 2 6 11 7 2 7 12 5 2 7 13 5 2 6 14 6 2 6 15 6 2 7

a) Determine as tabelas de freqüência marginais de C, M e A. b) Obtenha a tabela de freqüência conjunta entre (C, M), (C, A) e (M, A). c) Calcule a média das variáveis M e A.

2 - Para famílias de um certo bairro de São Paulo, apresentamos abaixo a tabela de freqüência conjunta das variáveis: número de automóveis (A) e de TVs (T). A\ T 0 1 2 total 0 110 51 15 176 1 235 122 84 441 2 120 178 162 460 total 465 351 261 1077

a) Calcule as marginais de A e T. b) Determine as médias destas variáveis.

3 - Uma moeda equilibrada é lançada duas vezes de forma independente. Ao nal dos lançamentos, duas variáveis aleatórias são anotadas: o número total de caras (C) e o número de coroas no 2

o

lançamento (K).

a) Construa uma tabela com a distribuição conjunta das variáveis C e K. b) Determine o valor esperado de C.

4 - A função conjunta de probabilidade entre as variáveis X e Y é apresentada abaixo (com algumas entradas faltando): X\ Y -2 -1 1 2 1/16 1/64 5/64 5/16 -1 0 3/64 1/16 11/64 3/64 2 1/32 0 1/64 1/32 1/4 1 5/16 4

P (X )
5/16

P (Y )
b)

a) Complete a tabela.

X

e

Y

são independentes?

c) Obtenha as marginais de X e Y.

55

c) Calcule a Cov(X. 5). X e 5 . Y d) Obtenha ).2 0 2 0. 6 . A esse experimento. Idem para Y e Z. Xe Y e entre a) Determine a distribuição de probabilidade conjunta entre b) Verique se Y e Z. 4 e Y : b(3 : 0.1 4 0.A variável X p = 0.2 0. a) Determine P (X = 0 | Y = 2) . desses valores (Z ). X e Y são independentes? c) Calcule ρ(X.1 Y é apresentada a) Obtenha as distribuições marginais de b) X e Y. soma dos valores das duas bolas retiradas (Y ) e a diferença. associamos as variáveis aleatórias: número da bola retirada na caixa I (X ).1 0. Xe Y são independentes. Y ) e ρ (X. Y ). d) Determine o valor de Cov(X. Y ). Y ) . é Bernoulli com 7 .1 0. V ar (X + Y ) .A função de probailidade conjunta entre as variáveis aleatórias na tabela abaixo: X\ Y -1 1 -2 0. Xe Y e do produto b) Obtenha a distribuição conjunta de c) Clcule W = XY.Na caixa I existem duas bolas numeradas 0 e 1. E (X ) . de forma independente uma da outra.d) Calcule a distribuição da variável e) Calcule W = XY. ρ(X. E (Y ) e E (W ) e verique que E (W ) = E (X ) E (Y ) . Uma bola é retirada aleatoriamente de cada caixa. em módulo.2 0 0. 56 . Admita que X e Y são independentes. enquanto que a caixa II contêm duas bolas numeradas -1 e 0.

É uma característica numérica da amostra que será usada para extrair informações sobre a população. organização e descrição de dados. 2) População: automóveis Uno Mille produzidos em 1995 Amostra: todos os automóveis produzidos em agosto de 1995 Características de interesse: número de defeitos apresentados 57 nos primeiros 3 meses de uso.2 (Amostra). . é Dois outros conceitos estreitamente relacionados com os de Parâmetro e Estatística. quilometragem média e uma possível relação entre estas duas variáveis.1 Introdução A Estatística é uma ciência que tem como objetivo a tomada de decisão em situações de incerteza.Engenharias) Professores: Alexsandro.2 Data: . A população é um conjunto formado por todos os elementos que possuem pelo menos uma característica observável.4 (Estatística).UNIVERSIDADE FEDERAL DE CAMPINA GRANDE .1 (População). Alguns exemplos são: 1) População: os eleitores da cidade de Campina Grande Amostra: 650 eleitores escolhidos aleatoriamente ( ao acaso) Característica de interesse: percentual de eleitores que planejam votar num candidato X nas próximas eleições. Denição 7. um subconjunto da população. Alecxandro e Amanda Aluno(a): Período 2003.3 (Parâmetro).Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . Esta ciência divide-se basicamente em duas partes. 7a NOTA DE AULA 7 Introdução à Inferência Estatística 7. são os de Denição 7. A Amostra é apenas uma parte da população. ou seja. População e Amostra Denição 7. É uma característica numérica da população. A segunda é a Estatística Inferencial que se preocupa em fazer armações e/ou testar hipóteses sobre características numéricas em situações de incerteza. Para iniciar o estudo da Estatística Inferencial é necessário compreender os seguintes conceitos básicos: Denição 7. A primeira parte é conhecida como Estatística Descritiva que trata da coleta.

quando estas características são baseadas em dados amostrais (dados de uma parte da população) tem-se as estatísticas. fazer com que a amostra seja um retrato el da população. Características de interesse: i. Amostra: 1000 domicílios com TV escolhidos ao acaso. dentre os bebedores de cerveja. dentre os bebedores de Brahma. as quais tem como objetivo principal garantir a representatividade da população. quantos são homens? iii. por exemplo: a falta de tempo.1 Amostragem Probabilística Neste tipo de amostragem a probabilidade de cada elemento pertencer a amostra é conhecida e diferente de zero. variância e proporção são consideradas parâmetros se obtidas pelo uso de dados populacionais e não apresentam incerteza sobre seu real valor. ou seja. A utilização de uma amostragem probabilística é a melhor recomendação que se deve fazer no sentido de se garantir a representatividade da amostra.3) População: todos os domicílios com TV na cidade de Campina Grande. dentre os bebedores de cerveja. como. quantas cervejas eles tomam por semana e a que classe social eles pertencem? v. Característica de interesse: percentual de audiência de cada emissora cada dia da semana no horário de 18 às 22 horas. existem dois tipos de amostragem: Probabilística e Não-Probabilística. Existe alguma relação entre as variáveis Marca de Cerveja consumida e Classe Social? Características numéricas como média. cuja realização só será possível se a população for nita e totalmente acessível. 7. de recursos nanceiros e/ou humanos. quantos preferem Brahma? iv. de TV a 4) População: população acima de 15 anos na cidade de Campina Grande. percentual de bebedores de cerveja.2 Noções Básicas de Amostragem Vários motivos levam a necessidade de se observar apenas uma parte da população (amostra). ii.2. 7. A amostragem probabilística implica em sorteio com regras bem determinadas. Por outro lado. Basicamente. as quais podem apresentar diferentes valores se obtidas a partir de diversas amostras. A amostra deve ser obtida através de Técnicas de Amostragem. Amostra: 200 pessoas com mais de 15 anos. pois o acaso ou a aleatoriedade será o(a) único(a) responsável por eventuais discrepâncias entre as características 58 .

por meio da divisão do tamanho da população pelo tamanho da amostra a ser selecionada. para uma populaçõa nita. ou ainda. A amostragem estraticada consiste em identicar os estratos (grupos distintos da população). Entretanto. busca-se. o que é feito pelo uso de uma tabela de dígitos pseudo-aleatórios (Ver Tabela em Livros de Estatística). se o sorteio dos elementos da amostra for realizado sem levar em consideração a existência dos estratos. e todas as possíveis amostras têm igual probabilidade de ocorrer. como seria desejável. Em tais casos. Detalhes sobre estas técnicas podem ser obtidos em literatura especíca. simular tal sorteio. Amostragem Sistemática Uma amostragem é sistemática quando a retirada dos elementos da população é feita periodicamente. e retirando um número. pelo uso de funções aleatórias existentes em programas computacionais. Como em muitos casos os efeitos da utilização de uma 59 . por exemplo. todos os elementos da população têm igual probabilidade de pertencer à amostra. pode-se adotar uma amostragem estraticada. entretanto. a(s) variável(is) de interesse apresente(m) comportamento(s) substancialmente diverso(s) (comportamento heterogêneo). então. comportamento(s) razoavelmente homogêneo(s) dentro de cada estrato. Este tipo de amostragem é muitas vezes empregado em trabalhos estatísticos. Amostragem Estraticada Muitas vezes a população se divide em Sub-populações ou Estratos. Evidentemente.da população e da amostra. sendo o intervalo de seleção calculado. É costume considerar três tipos de amostragem estraticada: uniforme. pode acontecer que os diversos estratos não sejam convenientemente representados na amostra. o que é levado em consideração pelos métodos de análise da Estatística Inferencial. e em especicar quantos elementos da amostra serão retirados em cada estrato. situação na qual cada unidade de observação tem a mesma chance de ser selecionada (supondo que não há diferenças em formato. por simplicidade ou por impossibilidade de se obterem amostras probabilísticas. peso. de estrato para estrato. etc do material que compõe cada um dos números). sendo razoável supor que.2 Amostragem Não-Probabilística Na amostragem não-probabilística não é possível calcular a probabilidade de cada elemento pertencer a amostra. proporcional e ótima. a qual seria mais inuenciada pelas características da variável nos estratos mais favorecidos pelo sorteio. Os principais tipos de amostragem probabilística são: Amostragem Aleatória Simples A amostragem aleatória simples é uma técnica de coleta de dados amostrais que equivale a um sorteio lotérico. a tendência à ocorrência de tal fato será tanto maior quanto menor o tamanho da amostra.2. tais como Excel ou programas especícos para análise estatística. Nela. tendo. 7. tal procedimento não é prático para uma população muito grande. Para evitar isso. O processo da amostragem aleatória simples exige que se atribuam números consecutivos às unidades da população e proceda-se a um sorteio. Colocando-se todos os números em um recipiente.

seu interesse de aplicação voltado para os elementos restantes da população-objeto. Apenas uma parte dessa população. O presente caso de amostragem não-probabilística pode ocorrer também quando. existe uma parte da população que é formada pelas peças que ainda vão ser produzidas. se fôssemos recolher uma amostra de um monte de minério. pois seria extremamente trabalhosa. Assim. poderíamos proceder a uma amostragem simplesmente a esmo ou ao acaso. Somos então forçados a colher a amostra na parte da população que nos é acessível. Os resultados da amostragem a esmo são. no entanto. está acessível para que dela retiremos a amostra. estaremos diante de um caso semelhante. se desejarmos retirar uma amostra de 100 parafusos de uma caixa contendo 10. Uma situação muito comum em que camos diante da inacessibilidade a toda a população é o caso em que parte da população é ainda hipotética. Assim.000. Outro exemplo. A população-objeto é aquela que temos em mente ao realizar o trabalho estatístico. Essa parte é a população amostrada. quanto do lado esquerdo da rua. por exemplo. realizar propriamente o sorteio usando algum dispositivo aleatório conável. por um motivo qualquer. procuraríamos observar hotéis tanto do lado direito. equivalentes aos de uma amostragem probabilística se a população é homogênea (elementos com características bastante semelhantes) e se não existe a possibilidade de o amostrador ser inconscientemente inuenciado por alguma característica dos elementos da população. Amostragem a esmo ou sem norma É a amostragem em que o amostrador. Deve-se notar que. procura ser aleatório sem. de diferentes tamanhos e estrelas. Surge aqui. seja a população que nos interessa constituída por todas as peças produzidas por certa máquina. 60 . pois o acesso às porções interiores seria problemático. em geral. buscando hotéis localizados em diferentes bairros. poderia ser observar uma amostra de hotéis de uma determinada cidade. Ora. porém. Por exemplo. mesmo estando a máquina em funcionamento normal. Ou. se nos interessar a população de todos os portadores do vírus HIV. então esse tipo de amostragem equivalerá a uma amostragem probabilística. não possuímos a listagem dos hotéis. embora se tenha a possibilidade de atingir toda a população. Se as características da(s) variável(is) de interesse forem as mesmas na população-objeto e na população amostrada. evidentemente não faremos uma amostragem casual simples. e que. na verdade. Inacessibilidade a toda a população Essa situação ocorre com muita freqüência na prática. mas procederemos à retirada simplesmente a esmo. e caso tivéssemos interessados em pesquisar hotéis numa única rua. resulta que os processos não-probabilísticos de amostragem têm também sua importância. Apresentamos a seguir alguns casos de amostragem não-probabilística. e evitaríamos observar hotéis que fossem vizinhos. poderíamos por simplicação retirar a amostra de uma camada próxima à superfície exterior do monte. retiramos a amostra de uma parte que seja prontamente acessível. estudos realizados com base nos elementos da população amostrada terão. Esse fato realça a importância de se estar convencido de que as duas populações podem ser consideradas como tendo as mesmas características. então. em geral. portanto. Então.amostragem não-probabilística podem ser considerados equivalentes aos de amostragem probabilística. para simplicar o processo. uma distinção entre população-objeto e população amostrada.

como também para induzir resultados. Apesar disso. 5.5 (Amostra Aleatória Simples . 7}. com reposição. Devemos. por julgar tais elementos bem representativos da população. Além disso considere X1 o número selecionado na primeira 61 . ou parcialmente intencionais. pois o amostrador pode facilmente se equivocar em seu pré-julgamento.. Variáveis aleatórias X1 . .a) X . da população cuja distribuição é dada acima..4 Amostra Aleatória Simples Denição 7. é bastante freqüente.2.2. ou simplesmente amostra aleatória (a. Um exemplo deste último objetivo seria a intencionalidade de um político para que pertençam a amostra. .. o uso de amostragens intencionais. 5. chamar a atenção que esta intencionalidade pode ser usada tanto para garantir a representatividade da amostra. O tamanho amostral deve minimizar os custos operacionais da amostragem e será tanto maior quanto for a variabilidade das características populacionais a serem estudadas. É importante ressaltar que a denição do tamanho da amostra a ser retirada da população é um outro problema associado à amostragem. X : valor assumido X é dada por: pelo elemento na população. Xn são independentes. ocorrendo em vários tipos de situações reais. em que os administradores de uma empresa desejam que determinados elementos de uma população não quem fora da amostra. cada qual com vantagens e desvantagens. Exemplo : Considere uma população formada pelos seguintes elementos Considere a variável de probabilidade de {1. i = 1.a. quando satisfazem as seguintes condições: 1) As variáveis aleatórias X1 . a distribuição X=x P (X = x) 1 3 5 7 Considere todas as amostras possíveis de tamanho 2. X2 . Xn constituem uma amostra aleatória simples de tamanho n. O perigo desse tipo de amostragem é obviamente grande. há diferentes maneiras pelas quais as amostras podem ser selecionadas. Assim.AAS). uma ou mais comunidades em que ele suspeita que a maioria dos eleitores são favoráveis a sua candidatura. Exemplos freqüentes ocorrem na área empresarial.) de uma variável aleatória (v. X2 . n têm a mesma distribuição de probabilidade da variável X . 7. ......Amostragens intencionais Enquadram-se aqui os diversos casos em que o amostrador deliberadamente escolhe certos elementos para pertencer à amostra. 2. 7. e 2) Cada uma das variáveis aleatórias Xi . 3..3 Comentários Adicionais sobre Amostragem Como podemos ver.

podemos construir a distribuição de probabilidades conjunta de (X1 . Xn ).. X2 . Essa distribuição será chamada de distribuição amostral da estatística T.. deniremos uma estatística T como qualquer função de X1 . uma pergunta natural seria o que aconT quando retiramos todas as amostras de uma população conhecida segundo um plano amostral adotado.3. Xn . 08. X n X1 .3 Distribuições Amostrais Voltemos às denições de estatísticas e parâmetros. ou seja T = f (X1 .. . dada uma amostra aleatória média amostral X1 . Xn uma amostra aleatória. Assim. . 16... Denição 7.extração e X2 o número selecionado na segunda extração. 62 .7. um exemplo de estatística seria a ¯ = 1 (X1 + X2 + · · · + Xn ). Denição 7.. X2 . Xn Sendo tece com a estatística assume todos os valores possíveis. identicando a população pela variável aleatória e a sua Variância X ... E (X ) Assim. X2 . σ 2 = 4... Vemos também. 2 e V ar (X ) = ¯ que E (X ¯ ) = 4. como por exemplo a distribuição de X n n 2 2 ¯ ) /(n − 1). ou seja qual a distribuição de T quando X1 . .. X2 ) e as distribuições marginais de X1 e X2 . Um parâmetro é uma medida usada para descrever uma característica da população. X2 .1 Distribuição Amostral da Média Voltando ao exemplo anterior podemos observar que µ = E (X ) = 4. .... X2 . Uma estatística é uma característica da amostra. seriam parâmetros a média V ar(X )... S = i=1 (Xi − X Assim. Exemplo: Considerando o exemplo da seção 7. X2 . Xn .. X. ou seja dada uma amostra aleatória X1 .. . pela distribuição de X Mostraremos a seguir que estes resultados não foram uma mera coincidência.6. Xn de uma população X . 2 e V ar(X ¯ ) = 2.2. teríamos ¯ =x X ¯ P (X = x) S2 = s P (S 2 = s) Total Total 7.4 podemos construir a distribuição de ¯ = 1 (X1 + X2 + · · · + Xn ) e algumas estatísticas. Assim. . Observe que X1 e X2 são independentes e têm distribuições iguais à distribuição de 7.

Xn ).1. então ¯ X terá também dis- tribuição normal e não apenas uma aproximação. Assim. Exemplo: Em uma certa cidade. deniremos a variável aleatória X como: X = 1. E (X ) = p e V ar(X ) = p(1 − p). Observandose uma amostra aleatória de 50 dessas chamadas. com média 100 e desvio padrão 10. Considere a v. p ˆ= S n =P p ˆ= k n . a distribuição amostral ¯ aproxima-se. X2 . Observaçães: No teorema acima não zemos nenhuma suposição sobre a natureza das distribuições das variáveis X1 . da média X com média µ e variância σ 2 /n. P (Sn = k ) = P Sn k = n n 63 .a. Para amostras aleatórias (X1 . ¯) = µ E (X e 2 ¯) = σ .. retiradas de uma população com média µ e variância σ 2 nita. independente de como se comportam essas variáveis.2 Distribuição Amostral da Proporção Considere uma população em que a proporção de elementos portadores de certa característica é p. Xn têm distribuição normal. Xn ) uma amostra aleatória de X . .. a duração de conversas telefônicas em minutos. Retira-se uma amostra aleatória de tamanho Então. . número de indivíduos com a característica na amostra. de uma amostra de 16 elementos retirados dessa população. .Teorema 7. não ultrapassarem 4 minutos? Exemplo: Uma v. Seja X uma variável aleatória com média µ e variância σ2 . Se as variáveis X1 .3. qual será a probabilidade delas. 95? P (90 < X 7... se o indivíduo for portador da característica e X = 0. e seja (X1 . ou seja. dessa população. sejam elas discretas ou contínuas. Xn . Seja. Sn : n .2 (Teorema Central do Limite).. X2 . em média. segue um modelo exponencial com parâmetro 1/3. Logo. V ar(X n Um teorema bem mais forte do que este é o que se refere à distribuição de probabilidade da variável ¯. P (90 < X b) Que tamanho deveria ter uma amostra para que ¯ < 110) = 0. Então. Assim. . o teorema continua válido.. X2 . se o indivíduo não possui a característica. de uma distribuição normal. ¯ for a média X ¯ < 110). n.. para n sucientemente grande... a) Se calcule X tem distribuição normal.. originárias de telefones públicos. p). Observe que X tem distribuição de Bernoulli com parâmetro p. Sn : b(n.. X Este teorema é conhecido como o Teorema Central do Limite e pode ser enunciado da seguinte forma: Teorema 7.a.. X2 .

Suponha ainda que se queira determinar o valor de n de modo que ¯ − µ ≤ ) = γ. colhemos uma amostra aleatória de 10 estudantes e calcula-se a proporção amostral de estudantes do sexo feminino. tal que ∼ = γ. X ¯ −µ ≤ X então ¯ − µ ≈ N (0. Fixando-se = 0. X baseada numa amostra de tamanho n. Utilizando o Teorema Central p ˆ≈ N p. de modo que P (−zγ/2 ≤ Z ≤ √ zγ/2 = n . 1). σ . p(1 − p) n . ambos valores xados. S2 = Normalmente usa-se esta es- ¯ )2 (Xi −X . P( X com 0<γ<1 Como e >0 é o erro amostral máximo que podemos suportar. havendo mais de 15% de defeituosas. A cada 6 horas sorteia-se uma amostra de 20 peças e. para re- de onde obtemos nalmente n= 2 σ 2 zγ/ 2 2 Observação: Na prática. temos que: n Sn . é a variância amostral. σ 2 /n) X =P zγ/2 da e portanto P onde ¯ −µ≤ =P − ≤X Logo. Z = (X zγ/2 ) = γ . encerra-se a produção para vericação do processo. Qual a probabilidade de uma parada desnecessária? Aplicação: Determinação do Tamanho de uma Amostra Um dos problemas de se trabalhar com amostragem é a determinação do tamanho da amostra. 95. µ populacional e para isso usaremos a ¯. não se conhece o valor da variância populacional populacional ou então baseia-se em alguma informação prévia sobre a mesma. podemos obter √ √ − n n ≤Z≤ σ σ N (0. (n−1) tatística para se estimar a variância populacional. σ2. ¯ ≈ N (µ. Qual a probabilidade de que p ˆ dira de p em menos de 0. a distribuição de do Limite para a variável p ˆé p ˆ= obtida da distribuição de Sn . forneceu os valores X o valor de n. Exemplo: Suponha que 30% dos estudantes de uma escola sejam mulheres.ou seja. σ 2 /n). extraída de uma ¯ = 15 e S 2 = 16. ¯ − µ)√n/σ . solver este problema utiliza-se uma pequena amostra piloto para estimar o valor da variância Exemplo: Suponha que uma pequena amostra piloto de tamanho 10. calcule população. Observação: 64 .01? Exemplo: Um procedimento de controle de qualidade foi planejado para garantir um máximo de 10% de itens defeituosos na produção. Uma maneira simples é a seguinte: Suponha que estejamos estimando a média média amostral. 5 e γ = 0.

75? E superior a 0.0125) b) Ser superior a 2. 1692) 65 .9876) 5 . 0.5 1 0. 2). D2 ). Qual o tamanho da amostra a escolher sabendo-se que p(1 − p) ≤ 1/4? (Resp. D2 ).Coleta-se uma amostra de 10 observações independentes de uma a probabilidade de a média amostral: a) Ser inferior a 1.2643 e 0.Suponha que uma indústria farmacêutica deseja saber a quantos voluntários se deva aplicar uma vacina. Uma amostra de 25 indivíduos que tomaram a vacina foi sorteada e testes foram feitos para vericar a imunização ou não desses indivíduos. duas vezes. qual é a probabilidade da proporção de imunizados na amostra ser inferior a 0. cuja distribuição de probabilidade é apresentada a D pi 0 0. de forma in- 1 .05 foi sorteada com dois desses Para cada estimador. Apresente a distribuição de probabilidade da média amostral.Supõe-se que o consumo mensal de água por residência em um certo bairro tem 3 distribuição normal com média 10 e desvio padrão 2 (em m ). em certa comunidade foi modelado pela variável aleatória seguir: D.A capacidade máxima de um elevador é de 500kg.35) 7 . com probabilidade 90%. por indivíduo adulto casado. Se a distribuição usuários for suposta N (2.Uma variável de Bernoulli com probabilidade de sucesso dependente. indivíduos e os seguintes estimadores para a média de divórcios foram considerados: µ ˆ1 = √ D1 D2 e µ ˆ2 = max(D1 .2643) 6 .1315) c) Estar entre 0 e 2. 0. 100).4 2 0.O número de divórcios.7a LISTA DE EXERCÍCIOS p é amostrada. 0. Para uma amostra de 25 dessas residências.5) 4 . Se o fabricante estiver correto.85? (Resp. 0. obtenha Uma amostra aleatória.Um fabricante arma que sua vacina contra gripe imuniza em 80% dos casos. representada por (D1 . 2 . (Resp. qual a probabilidade de sete passageiros ultrapas- sarem esse limite? (Resp. (Resp. 3 . D2 ) − min(D1 . qual é a probabilidade de a média amostral não se afastar da 3 verdadeira média por mais de 1 m ? (Resp.05 3 0. 0.5. de modo que a proporção de indivíduos imunizados na amostra dira de menos de 2% da proporção verdadeira de imunizados na população. 0. Determine X dos pesos dos N (70. sua distribuição de probabilidade. (Resp.

8. B (θ ˆ é dito ser não viciado para o parâmetro θ se B (θ ˆ) = 0..2. Onde µ = E (X ) e p é a proporção populacional. 8a NOTA DE AULA 8 Estimação de Parâmetros 8. Alecxandro e Amanda Aluno(a): Período 2003. ou seja X1 .1.1 Introdução Neste capítulo iremos estudar as propriedades de um estimador e a estimação intervalar. respectivamente.. a variância pop1 σ = N 2 N (Xi − µ)2 .2 Data: .UNIVERSIDADE FEDERAL DE CAMPINA GRANDE .2 Propriedades de Estimadores Considere uma amostra aleatória para terística de interesse da população. µ = 1 N N i=1 Xi é a média populacional. Xn ). Justique porque X ˆ são não viciados para µ e p. X2 . Não iremos abordar os métodos de estiamação pontual. Nosso objetivo será construir intervalos de conança para a média e para a proporção populacional a partir das distribuições de ¯ X e p ˆ. 66 .1. . Assim. ulacional σ 2 é denida como: Exemplo 8. respectivamente. Algumas denições são necessárias: θ Denição 8. se E (θ ¯ ep Exemplo 8.. i=1 onde. Considere uma população com N elementos.2. Estimativa é o valor assumido pelo estimador em uma particular amostra. Um estimador θ ˆ) = θ. Xn de uma v.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos .3. que descreve alguma caracˆ um estimador θ um parâmetro desta população e θ ˆ = T (X1 . .. Ou seja.Engenharias) Professores: Alexsandro. mas justicaremos porque ¯ X e p ˆ são bons estimadores para a média e a proporção. Seja θ. Denição 8.. Denição 8. X2 . O vício de um estimador é dado por ˆ) = E (θ ˆ) − θ. respectivamente..a.

qual dos dois estimadores −1 n você escolheria para estimar σ 2 analisando apenas a variância do estimador? Exemplo 8. Logo. (i) limn→∞ E (θ ˆ) = 0. baseado numa amostra aleatória de tamanho n extraída dessa população. limn→∞ V ar(θ ˆ1 é mais eciente que θ ˆ2 se V ar(θ ˆ1 ) < V ar(θ ˆ2 ). àqueles que fornecem como estimativa um único valor numérico para o parâmetro de interesse. denominado intervalo de conança. em muitas situações gostaríamos de construir uma estimativa mais informativa para o parâmetro de interesse que inclua uma medida de precisão do valor Esse método de estimação. Portanto. basta observar a segunda condição da denição acima. (Xi − X i=1 1) 2 Mostre que este estimador é viciado para σ 2 e E (ˆ σ 2 ) = (n− σ .. Ou seja. Considere X1 . .3 Estimação Intervalar Até aqui discutimos apenas sobre estimadores pontuais. à estimativa pontual do parâmetro. Xn ).. à medida que o tamanho da amostra Denição 8.4. 67 .3. . informações a respeito de sua variabilidade. sendo V ar(S 2 ) = n e V ar(ˆ σ 2 ) = (n− 2σ 4 . é 1 σ ˆ = n 2 n ¯ )2 . obtido. não viciados para o parâmetro θ. através de um simples ajuste em σ ˆ podemos obter um estimador não viciado para σ 2 . Denição 8. σ 2 ). Considerando a mesma situação do exemplo anterior e os estimadores 4 8. Para amostras diferentes de uma mesma população podemos encontrar valores diferentes para a estimativa de um parâmetro levando-se em consideração o mesmo estimador. quem é mais eciente para µ? 2n 1) 2σ σ ˆ 2 e S 2 para σ 2 . (ii) limn→∞ V ar(θ Observação: Se o estimador ˆ θ é não viciado para θ e deseja-se vericar sua con- sistência. um estimador não viciado é consistente para ˆ θ θ se ˆ) = 0.. X2 .4. (Xi − X i=1 ˆ é consistente se.Um possível estimador para σ 2 . Ou seja. Assim.5. Sendo 2 E (ˆ µ2 ) = µ e V ar(ˆ µ2 ) = πσ . Intervalos de conança são obtidos através da distribuição amostral de seus estimadores. Xn uma amostra aleatória de uma distribuição Exemplo 8. dizemos que θ ˆ1 e θ ˆ2 . Considere os estimadores µ ˆ1 = X ˆ2 = mediana(X1 . θ feitas: ˆ) = θ. incorpora.. Dados dois estimadores θ ¯ e µ N (µ. X2 . Este estimador é S2 = 1 n−1 n ¯ )2 .. seu valor esperado converge para o parâmetro de interesse e sua variância ˆ é consistente se as duas propriedades abaixo são satisconverge para zero. isto porque o estimador é uma variável aleatória. seu n σ2 2 2 vício B (ˆ σ ) = − n . Um estimador θ aumenta..

Assim. σ 2 /n). Exemplo 8. 1).8. σ σ ¯ − µ < zγ/2 √ −zγ/2 √ < X n n σ σ ¯ − zγ/2 √ ¯ + zγ/2 √ X <µ<X n n µ. Uma amostra de dez animais foi sorteada e forneceu média 1. que tem média µ de2 sconhecida e variância σ conhecida.01 m2 . P = γ. σ/ n e é um número tal que zγ/2 Portanto. pode ser calculada por P ou seja. ¯ ≈ N (µ. portanto.5. o intervalo de conança para com coeciente de conança σ ¯ σ ¯ − zγ/2 √ IC (µ.3.. n σ 2zγ/2 √ .69 m. Observação: A amplitude do intervalo de conança é dada pela diferença entre o extremo superior e o extremo inferior. Logo. Xn de uma população X . isto é. desenvolvendo o módulo. 1). σ 2 /n). Daqui por diante faremos as seguintes considerações: 0<γ<1 P (0 < Z < zγ/2 ) = γ/2 onde Z : N (0. σ dado pela semi-amplitude. é dado por Portanto. n O erro envolvido na estimação é 68 . X + zγ/2 √ .1 Intervalo de Conança para a média de uma população com variância conhecida Considere uma amostra aleatória X1 . ou seja. e √ e = X ≈ N (0. Desta forma. . a média amostral X ¯ será uma variável aleatória denida por que cometemos ao estimarmos a média µ por X ¯ − µ e terá distribuição aproximadamente N (0. P = γ. γ ) = X . X2 . esperamos que a proporção de intervalos que contenham o valor de µ seja γ.. a probabilidade de cometermos erros de determinadas magnitudes. zγ/2 √ . e √ < zγ/2 σ/ n σ ¯ − µ| < zγ/2 √ |X n = γ. γ ) envolve a quantidade X que é uma variável aleatória e. n n Observe que a expressão ¯ IC (µ.. podemos interpretar o intervalo acima da seguinte maneira: se obtivermos várias amostras de mesmo tamanho e para cada uma calcularmos os correspondentes intervalos de conança com coeciente de conança igual a γ. o intervalo obtido também é aleatório. Suponha que os comprimentos de jacarés adultos de uma certa raça siga o modelo normal com média µ desconhecida e variância igual a 0. Calcule um intervalo de conança para o parâmetro desconhecido µ. = γ. o erro Pelo Teorema Central do Limite. γ. obtemos P daí.

De qual tamanho deverá ser a amostra.p ˆ + zγ/2 n p ˆ(1 − p ˆ) . Pelo Teorema Central do Limite sabemos que p ˆ≈ N p. o que se reete numa maior amplitude do intervalo de conança. estamos aceitando uma p ˆ.p ˆ + zγ/2 4n 1 . o intervalo será: IC1 (p. menor precisão para γ. para que a amplitude do intervalo de 90% de conança para a vida média seja de 3 meses? 8. Construa um intervalo de conança para p com coeciente de conança γ = 0. 69 . por 1/4: Nesse caso.6. é baseada no fato que a expressão igual a 1/4. podemos construir um intervalo de conança para a proporção populacional. Assim. γ ) = p ˆ − zγ/2 p ˆ(1 − p ˆ) . um intervalo de conança para com nível de conança IC (p. o intervalo ainda não pode ser calculado diretamente. p p(1 − p) n . no mínimo. 95.5 meses. Portanto. Numa pesquisa de mercado. γ é dado por Assim. estaremos substituindo a variância n por um valor seguramente maior do que o real. estamos nos assegurando que o Observação: Ao aceitarmos de p é bem aproximada por coeciente de conança será de. 400 pessoas foram entrevistadas sobre de- terminado produto.p ˆ + zγ/2 n p(1 − p) .Exemplo 8. quando substituindo tem valor máximo 0 ≤ p ≤ 1. podemos obter um intervalo de conança p(1 − p) IC2 (p. γ ) = p ˆ − zγ/2 Como p(1 − p) . estamos levando em consideração que a variância p ˆ(1−p ˆ) .2 Intervalo de Conança para a proporção populacional De maneira análoga ao caso da média. é possível admitir que a vida útil dessas baterias segue uma distribuição normal com desvio padrão de 4. com outras marcas. γ ) = p ˆ − zγ/2 1 . n p(1 − p) Outra solução possível. A vida média de baterias automotivas de uma certa marca está sendo estudada.7. Se preferirmos IC2 . e 60% delas preferiram a marca A. quando comparado ao intervalo IC1 .3. Ao utilizarmos IC2 . Baseado em estudos similares. 4n IC1 . solução é substituirmos p(1 − p) por p ˆ(1 − p ˆ). n Uma possível p é desconhecido. Exemplo 8.

se sua f. Uma v. pois se não conhecemos a média. Observações: (i) Notação: T : t(n) . para alguns valores distribuição t de Student com n graus de liberdade. dado 0<γ<1 P onde ¯ − µ) (X √ ≤ tα S/ n = γ. que é denida como: Denição 8. pode-se Nosso objetivo agora é estudar a situação em que hecidos. Xn de X . Ele se assemelha ao gráco da dis- tribuição normal padrão. T é dita ter distribuição t de Student com n graus de liberdade. S/ n S2 = 1 n−1 n i=1 (Xi onde ¯ )2 . Gosset. .p. X : N (µ. Esta situação não é muito realista. em verdade. iremos utilizar a distribuição t de Student.3 Intervalo de Conança para a média de uma população com variância desconhecida Até aqui consideramos a média de uma população desconhecida e a variância conhecida. onde Tn tem P (−tα ≤ Tn ≤ tα ) = 1 − α. p > 0. considerando uma amostra aleatória desconmostrar ¯ − µ) (X √ : t(n−1) .S. é conhecida como a função gama.3. e tα é um número tal que P (−tα ≤ T(n−1) ≤ tα ) = γ . fornece o valor de A tabela de tc .. tal que 0 < α < 1. Iremos considerar 2 a siuação em que X : N (µ. são desconhecidas. uma situação mais próxima da realidade seria o caso em que. tanto a média como a variância. γ = 1 − α. σ ) com µ e σ desconhecidos. é da forma fn (t) = Γ[(n + 1)/2] √ Γ(n/2) nπ 1+ t2 n −(n+1)/2 . n→∞ 2π (iv) Em virtude da importância desta distribuição. que publicou sua pesquisa sob o pseudônimo de Student. como podemos conhecer a variância de uma população? Desta forma.a.8.. (ii) Essa distribuição leva este nome em homenagem ao estatístico inglês W. ela se encontra tabulada. −X teremos Assim. σ 2 ) com µ e σ X1 . −∞ < t < ∞.d. 70 . onde Γ (p) = ∞ 0 xp−1 e−x dx. Para isso.. mostra-se que 1 2 lim fn (t) = √ e−t /2 . que Assim. (iii) O gráco de fn (t) é simétrico em torno de 0.6.

1. 4. X + tα √ . Obtenha um intervalo de conança para o tempo médio de reação. 6. 71 . 4. o intervalo de conança para µ com nível de conança 1 − α. 4. 5. 5. 4.Logo.4.5 e 6.9.7. Vinte pacientes foram sorteados.8. o tempo de reação de um novo medicamento pode ser considerado como tendo distribuição normal.5. 5.6. Que suposição devemos fazer para estimar a idade média? Exemplo 8. 4. 3.5. 3. Estimar a idade média de toda a empresa com uma conança de 99%.3. 3. 5.3. 5. 3. é dado por S ¯ S ¯ − tα √ X .0. 5.3.8 e desvio padrão 5.2. 4. Use γ = 0.8.9. 4. receberam o medicamento e tiveram seu tempo de reação anotado. 95.6.8. n n Exemplo 8.9.7. Por analogia a produtos similares. Os dados foram os seguintes (em minutos): 2.9.4.8. Numa grande empresa uma amostra aleatória de 20 empregados forneceu a idade média igual a 32.

311. 307.Seja Uma x ¯ = 140 min. 284.7] 3 .08%. 269.78%. 275. colheu-se uma amostra de 100 itens. 287. 4 1 4 2 a) Qual ou quais dos estimadores acima são não-viesados para b) Qual dos dois estimadores acima é o melhor? Justique.3. satisfaz. 303. 283. 304. 324. 281. 240 responderam sim a determinada pergunta. 315. 289. aleatoriamente selecionado. Determinar ao nível de 87% um IC para a média da população. com desvio padrão de 12 minutos. Resp. Construir um IC para a proporção de itens defeituosos na população ao nível de 10%. 277.21%] 4 . 322.Colhida uma amostra de 30 peças. 271. 293. 6 . Dos estimadores abaixo: X +1 X µ1 = 1 2 1 2 2 µ2 = 1 X +3 X.33. 291. Determinar os limites de con- µ da população de todos os trabalhadores que fazem aquele determinado serviço. Qual o erro cometido ao estimarmos este intervalo de X uma população normal com média µ e variância σ2.Em uma pesquisa de opinião. Sugestão: Adote um nível de 5%. 11. entre 600 pessoas pesquisadas. dando um intervalo de 95% de conabilidade.02] 2 . constatando-se que 4 peças eram defeituosas. Estimar a porcentagem de pessoas com essa mesma opinião na população. realize uma tarefa é distribuído de maneira aproximadamente normal. 7.Em uma linha de produção de certa peça mecânica. Resp. 306. 265. [4. [0. responder se esta amostra satisfaz a espectativa pela qual o peso médio deve ser 300 Kg.A experiência com trabalhadores de uma certa indústria indica que o tempo necessário para que um trabalhador. levantou-se uma amostra. 293. 43. 298. 15.98.De uma população normal com variância igual a 16. Por meio da construção do intervalo de conança. [36. 267. 301. 250.92%] 5 . 144. 319. obtendo-se as observações: 10. Resp. 335. 309. de que são extraídas todas as amostras possíveis de tamanho 2.8a LISTA DE EXERCÍCIOS 1 . forneceu os seguintes pesos: µ. 328. 307. 339.93] 72 . 10. amostra de 25 trabalhadores forneceu ança de 95% para a média conança? Resp. [288. Resp. 5. [135.

n = 96 8 . Resp. 13.74] 9 . e considere os estimadores: p ˆ1 = p ˆ2 = 1. pode-se dizer que a moeda é honesta? Resp. [7. p ˆ2 não é um bom estimador para p? 73 .26.46. b) Verique se c) Por que p ˆ2 são consistentes.Em 50 lances de uma moeda. se a primeira prova resultar sucesso 0. com probabilidade de p. c.7 .Sendo σ = 0. 5. 0. X n Seja X o número de sucessos. foram obtidas 30 caras. [0.Suponha um experimento consistindo de sucesso (i) (ii) n provas de Bernoulli.58] 10 . determinar o número de elementos necessários para construir um intervalo de 95% de conança para a média adimitindo-se que nossa estimativa tenha um erro de 10%.c. sim. A partir de um intervalo de conança de 96%.Construa um IC para a média ao nível de 5% considerando a distribuição amostral abaixo: Classes 0  5 5  10 10  15 15  20 ni 2 3 5 2 Resp. p ˆ1 e a) Determine a esperança e a variância de cada estimador.

2 Denições Básicas 9.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . Formularemos duas hipóteses básicas: A Inferência Estatística fornece um processo de análise denominado Teste de Hipóte- ou por sua modicação com um H0 : H1 : H1 hipótese nula hipótese alternativa Geralmente. Teste bilteral H0 : θ = θ0 H1 : θ = θ0 2.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . depois.Engenharias) Professores: Alexsandro. 9a NOTA DE AULA 9 Testes de Hipóteses 9.2 Data: .2. outra maneira de tratar o problema de fazer uma armação sobre um parâmetro desconhecido. que permite se decidir por um valor do parâmetro θ grau de risco conhecido. a hipótese será considerada aceitável. a hipótese H0 é a hipótese a ser testada. Caso rejeitemos H0 . 9.1 Introdução Até o presente momento consideramos o problema de estimarmos um parâmetro desconhecido da população tanto pontualmente como através de um intervalo de conança. utilizar a informação da amostra para conrmar ou rejeitar esse valor hipotético. freqüentemente nos parecerá conveniente admitir um valor hipotético para ele e.1 Tipos de Testes Iremos considerar os seguintes tipos de testes: 1. Em vez de procurarmos uma estimativa do parâmetro. Apresentaremos agora. Teste unilateral à direita H0 : θ = θ0 H1 : θ > θ0 74 . ses. Alecxandro e Amanda Aluno(a): Período 2003.

usando uma estatística Ou seja.3 Região Crítica do Teste O objetivo do teste de hipóteses é decidir. (ii) Usa-se a teoria estatística e as informações disponíveis para decidir qual estatística (estimador) será usada para testar a hipótese (iii) Fixa-se a probabilidade H0 . Denotando por β = P (nao rejeitar H0 | H0 f alsa). 9.3. teremos α = P (rejeitar H0 | H0 verdadeira). RC é a região onde rejeitaremos ˆ.2 (Erro Tipo II). teremos Denição 9. Esta região é construída de modo que ˆ ∈ RC | H0 verdadeira) = α. É importante destacar que a região crítica é sempre construída sob a hipótese de ser verdadeira. Teste unilateral à esquerda H0 : θ = θ0 H1 : θ < θ0 9. Rejeita-se H0 . 75 . H0 . θ se a hipótese H0 é ou não aceitável. a saber: Denição 9.2.1 (Erro Tipo I). Não rejeita-se H0 quando H0 é falsa. β a probabilidade de se cometer esse erro. Essa decisão é tomada através da consideração de uma região crítica RC. sendo H0 verdadeira. 9. P (θ onde α é xado a priori.2 Tipos de Erros Quando realizamos um teste de hipóteses estamos sujeitos a cometer certos tipos de erros. Denotando por α a probabilidade de se cometer esse erro. H0 . A probabilidade H0 α de se cometer um erro tipo I é um valor arbitrário e recebe o nome de nível de signicância do teste. a partir de α de cometer o erro tipo I e usa-se este valor para construir a região crítica do teste.2. Essa região é construída sob α = P (rejeitar H0 | H0 verdadeira).3 Procedimento Geral do Teste de Hipóteses O procedimento padrão para a realização de um teste de hipóteses é o seguinte: (i) Fixa-se qual a hipótese H0 a ser testada e qual a hipótese alternativa.

P X ou X = α = −∞.(iv) Através da amostra. ∞ . P |Z | ≥ z 1−α 2 = α = −∞. RCp = z .4 Testes para a média de uma população com variância conhecida Vamos aplicar o procedimento geral para o caso em que queremos testar uma hipótese sobre a média de uma população que tem variância conhecida. 2 c) σ σ ¯ ≤ µ0 − z 1−2α √ RC = x ¯. Ou então. (v) Se a estatística de teste pertencer à região crítica. calcula-se a estatística de teste.∞ n n 2 2 . P σ σ ¯ ≥ µ0 + z 1−2α √ X = α = µ0 + z 1−α √ . P X = α = −∞. 2 76 . −z 1−2α . −z 1−α 2 ∪ z 1−α . podemos con- σ σ σ ¯ ≤ µ0 − z 1−α √ ¯ ≥ µ0 + z 1−α √ RC = x ¯. Ou então. caso contrário.∞ . 2 b) RC = x ¯. utilizaremos a estatística ¯= X Xi . não H0 .C. P Z > z 1−2α 2 = α) = z 1−2α . ou seja RCp = z . n A região crítica também pode ser escrita em termos de valores padronizados. σ/ n (iii) Fixado o nível de signicância do teste struir a região crítica do teste como: a) (α) e supondo H0 verdadeira. P Z ≤ −z 1−2α 2 = α) = −∞. sabemos que n ¯ −µ X √ ≈ N (0. (i) Denição das hipóteses: a) H 0 : µ = µ0 H 1 : µ = µ0 H 0 : µ = µ0 H1 : µ > µ 0 H 0 : µ = µ0 H1 : µ < µ0 b) c) (ii) Escolha da Estatística para o teste Neste caso. pelo T. 9. Assim. µ0 − z 1−α √ ∪ n n n 2 2 2 2 µ0 + z 1−α σ √ . 1). µ0 − z 1−2α √ n n 2 2 . rejeita-se rejeitamos H0 .L. ∞ . RCp = z .

27. testar as apresenta-se abaixo de 26 mg por cigarro.36 mg 2 . hipóteses: H0 : µ = 45 H1 : µ = 45 toma-se uma amostra de tamanho 16. Exemplo 9. Assim. Dessa população. 23. que é de 206 kg. 22. Uma fábrica anuncia que o índice de nicotina dos cigarros da marca X Exemplo 9.3. ou então.1. Retirada uma amostra aleatória de tamanho hipóteses do tipo: a) n dessa população queremos testar H0 : p = p 0 H1 : p = p 0 H0 : p = p 0 H 1 : p > p0 H0 : p = p 0 H 1 : p < p0 b) c) 77 . não rejeitamos H0 . ao nível de 5%? Exemplo 9. 14. pode o fabricante aceitar que a resistência média de suas lajotas tenha aumentado? 9. A resistência das lajotas tem distribuição normal com desvio padrão de 12 kg. Ao nível de 10%. caso contrário. Um fabricante de lajotas de cerâmica introduz um novo material em sua fabricação e acredita que aumentará a resistência média. Ao nível de 10%.5 Teste para a proporção populacional Consideraremos uma população abilidade X onde X =1 com probabilidade p e 1 − p. 26. Um laboratório realiza 10 análises do índice obtendo: 26. obtendo-se x ¯ = 210 kg. Sabendo-se que o índice de nicotina dos cigarros da marca X se distribui normalmente com variância 5. pode-se aceitar a armação do fabricante. z0 = σ/ n (v) Conclusão: se x ¯0 ∈ RC ou z0 ∈ RCp . 24. 28.(iv) Estatística de teste: dada uma amostra de tamanho n.2. Assim. sabemos que p ˆ≈ N p. a estatística de teste será a proporção amostral X = 0 com probp ˆ. Pelo T. Seja X uma população normal com variância 36. a estatística n de teste será: x ¯ 0 − µ0 √ . a estatística de teste será x ¯0 = n i=1 xi . rejeitamos H0 . considerando o intervalo com valores padronizados.L. obtendo-se x ¯ = 43.C. 28. p(1 − p) n . podemos aplicar o teste de hipóteses seguindo os seguintes passos: 1. 25. Retira-se uma amostra de 30 lajotas.

Portanto. com variância desconhecida. b) c) 2. Para isso. n p0 (1−p0 ) ]. S/ n Assim. µ0 − tα √ n S ∪ µ0 + tα √ . adimitindo-se que. 104 estavam assistindo ao programa? Utilize um nível de 5%. 1]. podemos aplicar o teste de hipóteses seguindo os seguintes passos: 1. Queremos testar hipóteses do tipo: a) H 0 : µ = µ0 H 1 : µ = µ0 H 0 : µ = µ0 H1 : µ > µ 0 H 0 : µ = µ0 H1 : µ < µ0 α. porém. dado um nível de signicância mente: a) b) c) α a região crítica do teste será respectiva- RC = [0. Qual deve ser o procedimento adotado para avaliar a veracidade da armação da estação.∞ n 78 . o caso em que queremos testar hipóteses sobre a média de uma população com distribuição normal. a estatística do teste será T = ¯ − µ) (X √ . das 200 famílias pesquisadas. a região crítica do teste será dada respectivamente .6 Teste para a média de uma população normal com variância desconhecida Consideraremos agora. 1]. Fixado um nível de signicância por: a) S RC = −∞. A estatística de teste é p ˆ avaliada em uma amostra particular. 9. Uma rede competidora deseja contestar essa armação e decide usar uma amostra de 200 famílias para um teste. Uma estação de televisão arma que 60% dos televisores estavam lig- ados no seu programa especial da última segunda-feira. 3. p0 − z 1−2α 2 Onde zα é um valor tabelado tal que P (0 ≤ Z ≤ zα ) = α e Z : N (0. Exemplo 9. utilizaremos o fato de que ¯ − µ) (X √ : t(n−1) . teremos 2 que estimar a variância através da estatística S . S/ n Assim.4. n RC = [p0 + z 1−2α 2 p0 (1−p0 ) . 1). p0 − z 1−α 2 p0 (1−p0 ) ] n ∪ [p0 + z 1−α 2 p0 (1−p0 ) .2. Além disso. n RC = [0.

3.335. Exemplo 9. e obtivemos os seguintes resultados: 1.250. que é de 1. µ0 − t2α √ n Onde tα é um valor tabelado tal que P (|T | < tα ) = 1 − α e T : t(n−1) .∞ RC = µ0 + t2α √ n .229 unidades. a) Mostre que o teste de hipótese usado. 1439.359. S RC = −∞. 2.5002 = 182.000. Para comprovar ou não essa hipótese. sorteamos dez cidades pequenas. além disso. 1045. 576. Um fabricante arma que seus cigarros contêm não mais que 30 mg de nicotina. Uma amostra de 25 cigarros fornece média de 31. 2621.500. com α = 0. b) Você não acha estranha essa conclusão quando observa que a média da amostra obtida é bem maior do que a média do estado? Como você explicaria isso? 79 . 1838.b) c) S .5. Exemplo 9. obs: Para facilitar os cálculos. 13. . levará à aceitação de que a média das cidades pequenas é igual à do estado. 582. e a soma dos quadrados das observações é 22. Estamos desconados de que a média das receitas municipais per capita das cidades pequenas (0-20. Ao nível de 5%. informamos que a soma das observações é 13.6. testar a armação do fabricante. 05.093. 717. 1.5 mg e desvio padrão de 3 mg.650. A estatística de teste é dada por ¯ X avaliada em uma amostra particular.000 habitantes) é maior do que a das receitas do estado.230.

Mediante uma nova técnica de produção. 62 e 68. 62. 8 .A tensão de ruptura de cabos fabricados por uma empresa apresenta distribuição normal. ao nível de 5%. O que se pode concluir ao nível de 1%? 80 . 58.De uma população normal levantaram-se os seguintes dados: Classes 1 3 5 7 9 11 13 3 5 7 9 11 13 15 ni 1 5 13 14 10 5 2 Testar. podemos armar. ao nível de 5%. ao nível de 5%.Os indevíduos de um país apresentam altura média de 170 cm e desvo padrão de 5 cm. 65.Um fabricante de droga medicinal arma que ela é 90% ecaz na cura de uma alergia. Baseado nesse resultado. Para vericar a precisão da máquina.Um certo tipo de rato apresenta. se a média dessa população é igual a 7. proclamou-se que a tensão de ruptura teria aumentado. Testar ao nível de 1% se a pretensão do fabricante é legítima. que a moeda não é honesta? 3 . Pode-se aceitar a proclamação ao nível de 5%? 4 . uma amostra de 60 pacotes do referido alimento fornece peso médio de 98g e desvio padrão de 6g. nos três primeiros meses de vida. ensaiou-se uma amostra de 50 cabos. com média 1800 kg e desvio padrão de 100 kg. 64. Em uma amostra de 200 pacientes. há razões para se acreditar que a ênfase dada mudou o resultado do teste ao nível de 10%? 7 . a droga curou 150 pessoas.9a LISTA DE EXERCÍCIOS Uma amostra de 40 indivíduos apresentou 1 .Uma máquina automática que empacota o alimento A é programada para colocar 100g de peso. Podemos armar. A altura tem distribuição normal. e o ganho de peso de cada rato foi: 55.Um exame padrão de inteligência tem sido usado por vários anos com média de 80 pontos e desvio padrão de 7 pontos. 6 . 60. que essa amostra é formada por indivíduos daquele país? 2 . Um grupo de 25 estudantes é ensinado. um ganho médio de peso de 58g. ao nível de 5%. Para testar essa declaração. dando-se ênfase à resolução de testes. 54. Há razões para crer. 67.Lança-se uma moeda 100 vezes e observa-se 40 caras. em um determinado período. que a ração especial aumenta o peso nos três primeiros meses de vida? 5 . média de 167 cm. obtendo-se como tensão média de ruptura 1850 kg. Se esse grupo obtem média de 83 pontos no exame. Uma amostra de 10 ratos foi alimentada desde o nascimento até a idade de 3 meses com uma ração especial.

You're Reading a Free Preview

Descarregar
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->