P. 1
Atuncar e Pereira

Atuncar e Pereira

|Views: 552|Likes:
Publicado porMatheus Araújo

More info:

Published by: Matheus Araújo on Apr 12, 2011
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

04/29/2012

pdf

text

original

Sections

  • Introdu¸c˜ao `a An´alise de Dados
  • 1.1 Conceitos
  • 1.2 Organiza¸c˜ao de dados
  • 1.2.1 Tipos de dados
  • 1.2.2 Constru¸c˜ao de tabelas
  • 1.2.3 Representa¸c˜ao gr´afica
  • 1.3 Medidas
  • 1.3.1 Medidas de posi¸c˜ao
  • 1.3.2 Medidas de variabilidade
  • 1.3.3 Propriedades da m´edia, mediana e variˆancias amostrais
  • 1.4 Exerc´ıcios
  • Probabilidade
  • 2.1 Experimentos aleat´orios, espa¸co amostral e eventos
  • 2.1.1 Opera¸c˜oes com eventos
  • 2.1.2 Opera¸c˜oes com mais de dois eventos
  • 2.2 Defini¸c˜ao de probabilidade
  • 2.2.1 Defini¸c˜ao frequentista de probabilidade
  • 2.2.2 Axiomas de probabilidade
  • 2.2.3 Regras de adi¸c˜ao
  • 2.2.4 Defini¸c˜ao cl´assica de probabilidade
  • 2.3 Probabilidade Condicional
  • 2.4 Regras da multiplica¸c˜ao e probabilidade total
  • 2.4.1 Regra da multiplica¸c˜ao
  • 2.4.2 Regra da probabilidade total
  • 2.5 Teorema de Bayes
  • 2.5.1 Independˆencia
  • 2.5.2 Teorema de Bayes
  • 2.6 Exerc´ıcios
  • Vari´aveis Aleat´orias Discretas
  • 3.1 Introdu¸c˜ao
  • 3.2 Vari´aveis aleat´orias discretas
  • 3.3 Distribui¸c˜oes de probabilidades e fun¸c˜oes de probabilidade
  • 3.4 Fun¸c˜oes de distribui¸c˜ao acumuladas
  • 3.5 M´edia e variˆancia de uma vari´avel aleat´oria discreta
  • 3.6 Distribui¸c˜oes discretas mais comuns
  • 3.6.1 Distribui¸c˜ao uniforme discreta
  • 3.6.2 Distribui¸c˜ao de Bernoulli
  • 3.6.3 Distribui¸c˜ao binomial
  • 3.6.4 Distribui¸c˜ao geom´etrica
  • 3.6.5 Distribui¸c˜oes binomial negativa
  • 3.6.6 Distribui¸c˜ao hipergeom´etrica
  • 3.6.7 Distribui¸c˜ao de Poisson
  • 3.7 Exerc´ıcios
  • Vari´aveis Aleat´orias Cont´ınuas
  • 4.1 Introdu¸c˜ao
  • 4.2 Distribui¸c˜oes de probabilidades e fun¸c˜oes de densidade de
  • 4.3 Fun¸c˜ao de distribui¸c˜ao acumulada
  • 4.4 M´edia e variˆancia
  • 4.5 Distribui¸c˜ao uniforme cont´ınua
  • 4.6 Distribui¸c˜ao normal
  • 4.6.1 C´alculo de probabilidade
  • 4.6.2 Aproxima¸c˜oes das distribui¸c˜oes binomial e de Poisson pela normal
  • 4.7 Distribui¸c˜ao exponencial
  • 4.8 Distribui¸c˜oes de Erlang e Gamma
  • 4.8.1 Distribui¸c˜ao de Erlang
  • 4.8.2 Distribui¸c˜ao Gamma
  • 4.9 Distribui¸c˜ao de Weibull
  • 4.10 Distribui¸c˜ao Lognormal
  • 4.11 Exerc´ıcios
  • Inferˆencia
  • 5.1 Inferˆencia estat´ıstica
  • 5.2 Amostragem aleat´oria
  • 5.3 Estima¸c˜ao de parˆametros
  • 5.3.1 Estima¸c˜ao pontual
  • 5.3.1.1 Propriedades de estimadores
  • 5.3.1.2 Desvio Padr˜ao
  • 5.3.1.3 Erro Quadr´atico M´edio
  • 5.3.2 M´etodos de estima¸c˜ao
  • 5.3.2.2 M´etodo de M´axima Verossimilhan¸ca
  • 5.3.3 Distribui¸c˜oes amostrais
  • 5.3.3.1 Distribui¸c˜ao da m´edia amostral - caso normal
  • 5.3.3.2 Distribui¸c˜ao da diferen¸ca de m´edias
  • 5.3.3.3 Distribui¸c˜ao Quiquadrado
  • 5.3.3.4 Distribui¸c˜ao t de Student
  • 5.3.3.5 Distribui¸c˜ao F de Fisher
  • 5.3.4 Teorema Central do Limite
  • 5.3.5 Estima¸c˜ao por intervalos
  • 5.3.5.1 Intervalo de confian¸ca para a m´edia de uma distribui¸c˜ao normal
  • 5.3.5.2 Intervalo de confian¸ca para o parˆametro p da distribui¸c˜ao binomial
  • 5.3.5.3 Intervalo de confian¸ca para diferen¸ca de duas m´edias - Caso normal
  • 5.3.5.4 Intervalo de confian¸ca para variˆancia de uma distribui¸c˜ao normal
  • 5.3.5.5 Intervalo de confian¸ca para raz˜ao de variˆancias - Caso normal
  • 5.3.5.6 Intervalo de confian¸ca para a m´edia - distribui¸c˜ao n˜ao normal
  • 5.4 Teste de Hip´oteses
  • 5.4.1 Introdu¸c˜ao
  • 5.4.2.1 Variˆancia conhecida
  • 5.4.5 Testes sobre diferen¸ca de m´edias
  • 5.4.6 Teste sobre raz˜ao de variˆancias
  • 5.5 Exerc´ıcios

UNIVERSIDADE FEDERAL DE MINAS GERAIS

INSTITUTO DE CI
ˆ
ENCIAS EXATAS
DEPARTAMENTO DE ESTAT
´
ISTICA
Estat´ıstica e Probabilidade para Engenharias
Cl´odio Pereira de Almeida & Greg´orio Saravia Atuncar
Notas de aula
2010
cpa/gsa
Introdu¸c˜ao
A id´eia para este trabalho surgiu da vontade de se reunir em uma ´ unica fonte, e em portuguˆes, material
que atendesse `as ementas dos cursos b´asicos de estat´ıstica e probabilidade ministrados pelo Departamento
de Estat´ıstica do Instituto de Ciˆencias Exatas (ICEX) da UFMG para os ciclos b´asicos dos diversos cursos
de engenharia.
Esperamos que sirva para despertar nos alunos que o utilizarem a consciˆencia da importˆancia destas
ciˆencias (Estat´ıstica e Probabilidade) como ferramentas valiosas para todas as ´areas do conhecimento
humano, especialmente para as ciˆencias exatas.
As tabelas constantes do apˆendice foram elaboradas pelos autores.
Cl´odio Almeida e Greg´orio Atuncar
Belo Horizonte, agosto de 2010
2
Sum´ario
1 Introdu¸c˜ao `a An´alise de Dados 6
1.1 Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Organiza¸c˜ao de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Tipos de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Constru¸c˜ao de tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Representa¸ c˜ao gr´afica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Medidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.1 Medidas de posi¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2 Medidas de variabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.3 Propriedades da m´edia, mediana e variˆancias amostrais . . . . . . . . . . . . . . . 23
1.4 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Probabilidade 26
2.1 Experimentos aleat´orios, espa¸co amostral e eventos . . . . . . . . . . . . . . . . . . . . . . 26
2.1.1 Opera¸c˜oes com eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.2 Opera¸c˜oes com mais de dois eventos . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Defini¸c˜ao de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.1 Defini¸c˜ao frequentista de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2 Axiomas de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.3 Regras de adi¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2.4 Defini¸c˜ao cl´assica de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4 Regras da multiplica¸ c˜ao e probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1 Regra da multiplica¸ c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.2 Regra da probabilidade total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1 Independˆencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.2 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3 Vari´aveis Aleat´orias Discretas 47
3.1 Introdu¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Vari´aveis aleat´orias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Distribui¸c˜oes de probabilidades e fun¸c˜oes de probabilidade . . . . . . . . . . . . . . . . . . 48
3.4 Fun¸c˜ oes de distribui¸c˜ao acumuladas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5 M´edia e variˆancia de uma vari´avel aleat´oria discreta . . . . . . . . . . . . . . . . . . . . . 51
3.6 Distribui¸c˜oes discretas mais comuns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.6.1 Distribui¸c˜ao uniforme discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.6.2 Distribui¸c˜ao de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.6.3 Distribui¸c˜ao binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3
SUM
´
ARIO cpa/gsa
3.6.4 Distribui¸c˜ao geom´etrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6.5 Distribui¸c˜oes binomial negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.6.6 Distribui¸c˜ao hipergeom´etrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.6.7 Distribui¸c˜ao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.7 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4 Vari´aveis Aleat´orias Cont´ınuas 73
4.1 Introdu¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2 Probabilidade: distribui¸c˜oes e fun¸c˜ao de densidade . . . . . . . . . . . . . . . . . . . . . . 73
4.3 Fun¸c˜ ao de distribui¸c˜ao acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4 M´edia e variˆancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.5 Distribui¸c˜ao uniforme cont´ınua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.6 Distribui¸c˜ao normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.6.1 C´alculo de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.6.2 Aproxima¸ c˜oes das distribui¸c˜oes binomial e de Poisson pela normal . . . . . . . . . 88
4.7 Distribui¸c˜ao exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.8 Distribui¸c˜oes de Erlang e Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.8.1 Distribui¸c˜ao de Erlang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.8.2 Distribui¸c˜ao Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.9 Distribui¸c˜ao de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.10 Distribui¸c˜ao Lognormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.11 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5 Inferˆencia 99
5.1 Inferˆencia estat´ıstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2 Amostragem aleat´oria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.3 Estima¸c˜ao de parˆametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.3.1 Estima¸c˜ao pontual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.3.1.1 Propriedades de estimadores . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.3.1.2 Desvio Padr˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3.1.3 Erro Quadr´atico M´edio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3.2 M´etodos de estima¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3.2.1 M´etodo dos momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3.2.2 M´etodo de M´axima Verossimilhan¸ ca . . . . . . . . . . . . . . . . . . . . . 106
5.3.3 Distribui¸c˜oes amostrais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3.3.1 Distribui¸c˜ao da m´edia amostral - caso normal . . . . . . . . . . . . . . . 110
5.3.3.2 Distribui¸c˜ao da diferen¸ca de m´edias . . . . . . . . . . . . . . . . . . . . . 111
5.3.3.3 Distribui¸c˜ao Quiquadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.3.3.4 Distribui¸c˜ao t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.3.3.5 Distribui¸c˜ao F de Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.3.4 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.3.5 Estima¸c˜ao por intervalos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.3.5.1 Intervalo de confian¸ca para a m´edia de uma distribui¸c˜ao normal . . . . . 119
5.3.5.2 Intervalo de confian¸ca para o parˆametro p da distribui¸c˜ao binomial . . . . 123
5.3.5.3 Intervalo de confian¸ca para diferen¸ca de duas m´edias - Caso normal . . . 124
5.3.5.4 Intervalo de confian¸ca para variˆancia de uma distribui¸c˜ao normal . . . . . 127
5.3.5.5 Intervalo de confian¸ca para raz˜ao de variˆancias - Caso normal . . . . . . 128
5.3.5.6 Intervalo de confian¸ca para a m´edia - distribui¸c˜ao n˜ao normal . . . . . . 130
5.4 Teste de Hip´oteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.4.1 Introdu¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.4.2 Teste sobre m´edia - caso normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.4.2.1 Variˆancia conhecida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4
SUM
´
ARIO cpa/gsa
5.4.2.2 Variˆancia desconhecida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.4.3 Testes sobre a m´edia, caso n˜ao normal . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.4.3.1 Um caso particular: testes sobre propor¸c˜oes . . . . . . . . . . . . . . . . . 141
5.4.4 Teste sobre variˆancia de uma popula¸c˜ao com distribui¸c˜ao normal . . . . . . . . . . 143
5.4.5 Testes sobre diferen¸ca de m´edias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.4.5.1 Variˆancias conhecidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.4.5.2 Variˆancias desconhecidas mas iguais . . . . . . . . . . . . . . . . . . . . . 146
5.4.5.3 Variˆancias desconhecidas e diferentes . . . . . . . . . . . . . . . . . . . . 148
5.4.6 Teste sobre raz˜ao de variˆancias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.5 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6 Bibliografia 154
7 Apˆendice 156
5
Cap´ıtulo 1
Introdu¸c˜ao `a An´alise de Dados
1.1 Conceitos
Estat´ıstica: ´e uma ciˆencia que desenvolve metodologias para coletar, descrever, organizar, analisar e
interpretar dados.
´
E uma ferramenta poderosa para tomada de decis˜ao, resolu¸c˜ao de problemas, planeja-
mento de produtos e processos, com in´ umeras aplica¸c˜oes. Daremos aqui um maior enfoque `as aplica¸c˜oes
na engenharia.
Nessas notas abordaremos as seguintes ´areas:
1. Estat´ıstica Descritiva: ´e utilizada na etapa inicial da an´alise para que possamos nos familiarizar
com os dados, e tirarmos conclus˜oes informais e diretas sobre a popula¸c˜ao com base nos dados
observados. Utilizamos as seguintes t´ecnicas (para resumir os dados):
• gr´aficos
• tabelas
• medidas
2. Probabilidade: T´ecnicas que permitem “medir” incertezas sobre fenˆomenos aleat´orios. Constru´ımos
modelos probabil´ısticos para descrever o comportamento de objetos aleat´orios.
3. Inferˆencia Estat´ıstica: T´ecnicas que permitem extrapolar para a popula¸c˜ao, conclus˜oes obtidas de
subconjuntos ou amostras desta popula¸c˜ao. As principais t´ecnicas usadas s˜ao
• Estima¸c˜ao pontual
• Intervalos de confian¸ca
• Testes de hip´oteses
Popula¸ c˜ao:
´
E o conjunto de todos os elementos a serem estudados. S˜ao exemplos:
1. a popula¸c˜ao brasileira;
2. a totalidade dos carros produzidos no Brasil;
3. uma jazida de min´erio de ferro de determinada mina;
4. o sangue no corpo de uma pessoa.
6
1.1. CONCEITOS cpa/gsa
Amostra:
´
E um subconjunto desta popula¸c˜ao.
1. a popula¸c˜ao do Paran´a;
2. carros produzidos pela Fiat;
3. um testemunho ou por¸c˜ao retirada da mina;
4. uma ampola de sangue colhida para um exame.
Fenˆomeno aleat´orio: Qualquer fenˆomeno cujo resultado n˜ao pode ser previamente antecipado. Por
exemplo o resultado de uma partida de futebol. Em contraposi¸c˜ao temos os fenˆomenos determin´ısticos
que s˜ao regidos pelas leis da f´ısica e que n˜ao possuem interesse estat´ıstico, j´a que se repetirmos a ex-
periˆencia, sob as mesmas condi¸c˜oes, elas apresentar˜ao sempre o mesmo resultado. Por exemplo o tempo
de queda livre de um mesmo corpo de uma altura fixa.
Parˆametro: Resumo de uma caracter´ıstica obtido a partir de todos os elementos de uma popula¸c˜ao.
Estat´ıstica: Resumo da caracter´ıstica de interesse levando-se em conta apenas os elementos da amostra.
Veja abaixo um “croquis” representando simbolicamente os conceitos apresentados at´e aqui:
População
Amostra (técnicasdeamostragem)
parâmetro: característicapopulacional
Estatísticadescritiva ModelosProbabilísticos
TécnicasdeInferência
Figura 1.1: Estat´ıstica simbolicamente
7
1.2. ORGANIZAC¸
˜
AO DE DADOS cpa/gsa
1.2 Organiza¸c˜ao de dados
Veremos nesta se¸c˜ao como podemos classificar dados e alguns recursos para simplificar sua apre-
senta¸ c˜ao e organiza¸c˜ao.
1.2.1 Tipos de dados
Qualitativos: representam uma “qualidade”dos elementos da popula¸c˜ao, normalmente n˜ao mensur´aveis
numericamente. Podem ser:
• Nominais: o conjunto das poss´ıveis respostas n˜ao possui uma ordena¸c˜ao natural. Ex: Sexo, Ra¸ca,
Religi˜ao, etc.
• Ordinais: ´e poss´ıvel ordenar o conjunto das poss´ıveis respostas. Ex: Classe Social, Escolaridade do
chefe da fam´ılia, Faixa de renda familiar, etc.
Quantitativos: representam uma “quantidade”numericamente mensur´avel dos elementos da popula¸c˜ao.
Podem ser:
• Discretos: em geral s˜ao fruto de uma contagem. O conjunto de poss´ıveis respostas ´e enumer´avel.
Ex: N´ umero de filhos na fam´ılia ¦0,1,2,...¦, n´ umero de pessoas chegando em uma fila ¦0,1,2,...¦,
n´ umero de caras obtidas em 5 lan¸camentos de uma moeda ¦0,1,2,3,4,5¦ etc.
• Cont´ınuos: O conjunto de poss´ıveis respostas ´e um intervalo de n´ umeros reais. Ex: peso [0, ∞),
altura [0, ∞) idade [0, ∞), etc.
1.2.2 Constru¸c˜ao de tabelas
O conjunto de informa¸c˜oes dispon´ıveis ap´os tabula¸c˜ao de question´ario ou pesquisa de campo ´e denomi-
nado tabela de dados brutos. Nela s˜ao listados individualmente cada elemento da popula¸c˜ao ou amostra,
com os valores de todas as vari´aveis estudadas.
Veja no exemplo da pr´oxima p´agina uma pesquisa realizada com alunos de duas turmas de determinada
escola e publicada em [6] (a t´ıtulo de exerc´ıcio, classifique cada vari´avel desta tabela por tipo e subtipo,
conforme visto na subse¸c˜ao 1.2.1).
8
1.2. ORGANIZAC¸
˜
AO DE DADOS cpa/gsa
Id Turma Sexo Idade Altura Peso Filh Fuma Toler Exer Cine OpCine TV OpTV
1 A F 17 1,60 60,5 2 NÃO P 0 1 B 16 R
2 A F 18 1,69 55,0 1 NÃO M 0 1 B 7 R
3 A M 18 1,85 72,8 2 NÃO P 5 2 M 15 R
4 A M 25 1,85 80,9 2 NÃO P 5 2 B 20 R
5 A F 19 1,58 55,0 1 NÃO M 2 2 B 5 R
6 A M 19 1,76 60,0 3 NÃO M 2 1 B 2 R
7 A F 20 1,60 58,0 1 NÃO P 3 1 B 7 R
8 A F 18 1,64 47,0 1 SIM I 2 2 M 10 R
9 A F 18 1,62 57,8 3 NÃO M 3 3 M 12 R
10 A F 17 1,64 58,0 2 NÃO M 2 2 M 10 R
11 A F 18 1,72 70,0 1 SIM I 10 2 B 8 N
12 A F 18 1,66 54,0 3 NÃO M 0 2 B 0 R
13 A F 21 1,70 58,0 2 NÃO M 6 1 M 30 R
14 A M 19 1,78 68,5 1 SIM I 5 1 M 2 N
15 A F 18 1,65 63,5 1 NÃO I 4 1 B 10 R
16 A F 19 1,63 47,4 3 NÃO P 0 1 B 18 R
17 A F 17 1,82 66,0 1 NÃO P 3 1 B 10 N
18 A M 18 1,80 85,2 2 NÃO P 3 4 B 10 R
19 A F 20 1,60 54,5 1 NÃO P 3 2 B 5 R
20 A F 18 1,68 52,5 3 NÃO M 7 2 B 14 M
21 A F 21 1,70 60,0 2 NÃO P 8 2 B 5 R
22 A F 18 1,65 58,2 1 NÃO M 0 3 B 5 R
23 A F 18 1,57 49,2 1 SIM I 5 4 B 10 R
24 A F 20 1,55 48,0 1 SIM I 0 1 M 28 R
25 A F 20 1,69 51,6 2 NÃO P 8 5 M 4 N
26 A F 19 1,54 57,0 2 NÃO I 6 2 B 5 R
27 B F 23 1,62 63,0 2 NÃO M 8 2 M 5 R
28 B F 18 1,62 52,0 1 NÃO P 1 1 M 10 R
29 B F 18 1,57 49,0 2 NÃO P 3 1 B 12 R
30 B F 25 1,65 59,0 4 NÃO M 1 2 M 2 R
31 B F 18 1,61 52,0 1 NÃO P 2 2 M 6 N
32 B M 17 1,71 73,0 1 NÃO P 1 1 B 20 R
33 B F 17 1,65 56,0 3 NÃO M 2 1 B 14 R
34 B F 17 1,67 58,0 1 NÃO M 4 2 B 10 R
35 B M 18 1,73 87,0 1 NÃO M 7 1 B 25 B
36 B F 18 1,60 47,0 1 NÃO P 5 1 M 14 R
37 B M 17 1,70 95,0 1 NÃO P 10 2 M 12 N
38 B M 21 1,85 84,0 1 SIM I 6 4 B 10 R
39 B F 18 1,70 60,0 1 NÃO P 5 2 B 12 R
40 B M 18 1,73 73,0 1 NÃO M 4 1 B 2 R
41 B F 17 1,70 55,0 1 NÃO I 5 4 B 10 B
42 B F 23 1,45 44,0 2 NÃO M 2 2 B 25 R
43 B M 24 1,76 75,0 2 NÃO I 7 0 M 14 N
44 B F 18 1,68 55,0 1 NÃO P 5 1 B 8 R
45 B F 18 1,55 49,0 1 NÃO M 0 1 M 10 R
46 B F 19 1,70 50,0 7 NÃO M 0 1 B 8 R
47 B F 19 1,55 54,5 2 NÃO M 4 3 B 3 R
48 B F 18 1,60 50,0 1 NÃO P 2 1 B 5 R
49 B M 17 1,80 71,0 1 NÃO P 7 0 M 14 R
50 B M 18 1,83 86,0 1 NÃO P 7 0 M 20 B
Detalhes sobre campos da tabela Filh: no filhos na fam´ılia - Toler: tolerˆancia ao cigarro (I) ndiferente, (P) incomoda
pouco e (M) incomoda muito - Exerc: horas de atividade f´ısica por semana - Cine: n´ umero de vezes que vai ao cinema por semana
- OpCine: opini˜ao sobre qualidade das salas (B) regular a boa e (M) muito boa - TV: horas assistindo TV por semana - OpTV:
opini˜ao sobre qualidade programa¸c˜ ao na TV: (R) ruim, (M) m´edia, (B) boa e (N) n˜ao sabe.
Apesar de conter muita informa¸c˜ao, a tabela de dados brutos n˜ao ´e pr´atica para respondermos rapi-
damente a quest˜oes de interesse. Assim, a partir da tabela de dados brutos normalmente constru´ımos
uma nova tabela denominada tabela de frequˆencia.
A tabela de frequˆencia mais simples ´e aquela que lista os valores observados para determinada vari´avel,
e o n´ umero de ocorrˆencias (ou frequˆencia absoluta) de cada um destes valores.
9
1.2. ORGANIZAC¸
˜
AO DE DADOS cpa/gsa
Ela possui a forma:
A freq. obs
X
1
n
1
X
2
n
2
. . . . . .
. . . . . .
X
r
n
r
Total n
Denota-se por n
i
o n´ umero de vezes que a resposta X
i
apareceu na amostra de tamanho N (frequˆencia
absoluta).
Utilizando os dados da pesquisa apresentada na tabela da p´agina anterior, temos por exemplo para
as vari´aveis Turma e Sexo:
Turma freq. obs
A 26
B 24
Total 50
Sexo freq. obs
M 13
F 37
Total 50
Para compara¸c˜ao com outros grupos ou conjuntos de dados ´e conveniente acrescentarmos uma coluna
de frequˆencia relativa definida por f
i
=
n
i
n
(frequˆencia observada dividida pelo total de observa¸c˜oes).
Temos assim os percentuais em cada classe. Al´em disso pode ser interessante a inclus˜ao da frequˆencia
acumulada: para dados ordenados a frequˆencia acumulada at´e a classe X
i
´e a soma de todas as frequˆencias
observadas at´e ela inclusive. Da mesma forma, a frequˆencia relativa acumulada at´e a classe X
i
´e a soma
de todas as frequˆencias relativas at´e a da classe i. A tabela completa para a vari´avel idade da pesquisa ´e
apresentada a seguir:
Tabela 1.1: Frequˆencia da vari´avel idade
Idade freq. obs freq. acum. freq. relat. fr. rel. acum.
17 9 9 0,18 0,18
18 22 31 0,44 0,62
19 7 38 0,14 0,76
20 4 42 0,08 0,84
21 3 45 0,06 0,90
22 0 45 0 0,90
23 2 47 0,04 0,94
24 1 48 0,02 0,96
25 2 50 0,04 1
Total 50 1
Para representarmos vari´aveis cont´ınuas, como elas podem assumir qualquer valor real em um certo
intervalo, ficaria invi´avel criarmos tabelas de frequˆencia como as anteriores. Se tomarmos a vari´avel peso,
mesmo com o arredondamento de uma casa decimal apresentado na tabela, ter´ıamos quase o mesmo
n´ umero de itens da tabela de dados brutos. Assim a alternativa ´e criarmos classes ou faixas de valores.
Para tanto siga o seguinte “roteiro”:
1. Ordene os valores do menor para o maior e identifique o m´aximo e o m´ınimo observado.
2. Calcule a amplitude total fazendo AT = max −min.
10
1.2. ORGANIZAC¸
˜
AO DE DADOS cpa/gsa
3. Escolha o n´ umero k de classes e defina h =
AT
k
. Normalmente s˜ao usadas entre 5 e 8 classes.
A literatura universal usa o valor k como o inteiro mais pr´oxuimo do valor dado pela f´ormula de
Sturges (k = 1 + 3,3log n), mas esse ´e apenas um valor referencial. N˜ao entraremos em mais
detalhes sobre a escolha do n´ umero de classes. O leitor interessado nesse assunto pode consultar,
por exemplo [1] e referˆencias contidas naquele trabalho. O valor h ser´a chamado de amplitude de
classe.
4. Calcule as frequˆencias absolutas contando o n´ umero de observa¸ c˜oes em cada classe, chame este
valor de n
i
, i = 1, . . . k.
5. Calcule ent˜ao:
(a) frequˆencias relativas - f
i
=
n
i
n
(b) frequˆencias acumuladas - fac
i
=
¸
i
j=1
n
j
(c) frequˆencias relativas acumuladas - F
i
=
¸
i
j=1
f
j
Exemplo:
Represente atrav´es de uma tabela de frequˆencia a vari´avel peso da pesquisa apresentada na tabela da
p´agina 9.
Solu¸c˜ao:
1. Ap´os ordena¸c˜ao vemos max = 95 kg e min = 44 kg.
2. AT = 95 −44 = 51kg
3. O n´ umero de observa¸ c˜oes ´e n = 50. De acordo com a f´ormula de Sturges, k = 1+3,3log(50) = 6,61.
Usaremos ent˜ao 7 classes. Com k = 7, o valor de h ser´a dado por h =
51
7
= 7,28.... Usaremos
h = 7,3.
4. Montamos a tabela, usando a conven¸ c˜ao de classes abertas `a esquerda e fechadas `a direita:
Tabela 1.2: Distribui¸c˜ao de frequˆencia vari´avel peso
Peso n
i
fac
i
f
i
F
i
44¬ 51,3 10 10 0,20 0,20
51,3¬ 58,6 19 29 0,38 0,58
58,6¬ 65,9 7 36 0,14 0,72
65,9¬ 73,2 7 43 0,14 0,86
73,2¬ 80,5 1 44 0,02 0,88
80,5¬ 87,8 5 49 0,10 0,98
87,8¬ 95,1 1 100 0,02 1,00
Total 50 1
Eventualmente mesmo dados discretos podem ser agrupados para serem representados em tabelas de
distribui¸c˜ao de frequˆencia.
Outra representa¸ c˜ao interessante ´e o chamado Diagrama de ramo e folhas, indicado para vari´aveis
que possuam valores com pelo menos dois d´ıgitos. Para construir o diagrama de ramo e folhas, dividimos
11
1.2. ORGANIZAC¸
˜
AO DE DADOS cpa/gsa
cada valor da vari´avel em estudo em duas partes: um ramo, consistindo em um ou mais d´ıgitos iniciais,
e uma folha, com os d´ıgitos restantes.
O exemplo de um diagrama de ramo e folhas para as alturas dos alunos da pesquisa:
Tabela 1.3: Diagrama Ramo e Folhas vari´avel altura
Ramo Folha Frequˆencia
14 5 1
15 8 7 5 4 7 5 5 7
16 0 9 0 4 2 4 6 5 3 0 8 5 9 2 2 5 1 5 7 0 8 0 22
17 6 2 0 8 0 1 3 0 0 3 0 6 0 13
18 5 5 2 0 5 0 3 7
Eventualmente pode ser interessante aumentar o n´ umero de ramos para facilitar a visualiza¸c˜ao dos
dados. No exemplo acima podemos dividir cada um dos ramos em 2 outros com as indica¸c˜oes por exemplo
de 16B (Baixo) com as folhas 0, 1, 2, 3 e 4 e 16A (Alto) com as folhas 5, 6, 7, 8 e 9. Ficaria ent˜ao:
Tabela 1.4: Ramo e Folhas vari´avel altura - mais ramos
Ramo Folha Frequˆencia
14A 5 1
15B 4 1
15A 8 7 5 7 5 5 6
16B 0 0 4 2 4 3 0 2 2 1 0 0 12
16A 9 6 5 8 5 9 5 5 7 8 10
17B 2 0 0 1 3 0 0 3 0 0 10
17A 6 8 6 3
18B 2 0 0 3 4
18A 5 5 5 3
12
1.2. ORGANIZAC¸
˜
AO DE DADOS cpa/gsa
1.2.3 Representa¸c˜ao gr´afica
A representa¸c˜ao dos dados em forma gr´afica ´e importante ferramenta de an´alise e apresenta¸c˜ao de re-
sultados em qualquer an´alise estat´ıstica. Apresentamos a seguir alguns tipos principais de representa¸c˜ao
gr´afica.
Diagrama circular, disco ou pizza - Tipo de gr´afico muito utilizado para representa¸ c˜ao de vari´aveis
qualitativas. Como exemplo veja a vari´avel OpTV da tabela da p´agina 9:
R
78%
B
6%
N
14%
M
2%
Figura 1.2: Gr´afico de disco da vari´avel OpTV
Gr´afico de barras - Utiliza o plano cartesiano com os valores da vari´avel no eixo das abcissas e as
frequˆencias ou porcentagens no eixo das ordenadas. Para cada valor da vari´avel desenha-se uma barra
com altura correspondendo `a sua frequˆencia ou porcentagem. Este tipo de gr´afico se adapta melhor
`as vari´aveis quantitativas discretas ou qualitativas ordinais. A representa¸c˜ao das idades dos alunos da
pesquisa seria:
0
5
10
15
20
25
17 18 19 20 21 22 23 24 25
Idade
F
r
e
q
u
ê
n
c
i
a
Figura 1.3: Gr´afico de barras da vari´avel idade
13
1.2. ORGANIZAC¸
˜
AO DE DADOS cpa/gsa
Histograma - A representa¸c˜ao gr´afica das tabelas de distribui¸c˜ao de frequˆencia ´e chamada Histo-
grama. Represente no eixo das abcissas a escala de medidas, desenhando os limites das classes. No eixo
vertical represente a frequˆencia absoluta (ou relativa) de cada classe. O histograma da tabela 1.2 (peso)
´e:
0
5
10
15
20
Peso
F
r
e
q
u
ê
n
c
i
a
44 58,6 65,9 73,2 80,5 87,8 95,1 51,3
Figura 1.4: Histograma da vari´avel peso
Durante a passagem dos dados da tabela de dados brutos ou do diagrama de ramos e folhas para a
tabela distribui¸c˜ao de frequˆencia ou para histogramas, perde-se alguma informa¸c˜ao sobre nossos dados,
mas esta perda ´e plenamente compensada pelos ganhos de concis˜ao e facilidade de interpreta¸ c˜ao.
Pol´ıgono de frequˆencia - Este gr´afico ´e obtido unindo-se com segmentos de reta os pontos m´edios
da parte superior de cada barra no histograma. Os pontos m´edios da parte superior das barras da
primeira e ´ ultima classes devem ser ligados respectivamentes ao pontos de coordenadas (LI
1
−h/2, 0) e
(LS
k
+ h/2, 0), onde LI
1
´e o limite inferior da primeira classe, LS
k
o limite superior da ´ ultima classe e
h a amplitude da classe.
44 51,3 58,6 65,9 73,2 80,5 87,8 95,1
5
10
15
20
F
r
e
q
u
ê
n
c
i
a
Peso
Figura 1.5: Pol´ıgono de frequˆencia - Peso
14
1.2. ORGANIZAC¸
˜
AO DE DADOS cpa/gsa
Gr´afico de frequˆencia acumulada - Uma varia¸c˜ao do Histograma ´e o gr´afico de frequˆencia acu-
mulada. Neste gr´afico a altura de cada barra ´e o n´ umero total de observa¸c˜oes que ´e menor que o limite
superior de cada classe. O gr´afico de frequˆencia acumulada para mesma vari´avel (peso) da pesquisa fica
ent˜ao:
Peso
44 58,6 65,9 73,2 80,5 87,8 95,1 51,3
0
10
20
30
40
50
F
r
e
q
u
ê
n
c
i
a

a
c
u
m
u
l
a
d
a
Figura 1.6: Distribui¸c˜ao de frequˆencia acumulada para vari´avel peso
Ogiva - Um outro gr´afico, chamado de ogiva, ´e constru´ıdo a partir do gr´afico de frequˆencia acumu-
lada, e definido pela poligonal formada por segmentos de reta unindo o ponto inicial inferior da primeira
barra e os pontos finais de cada classe. O nome dessse gr´afico adv´em da sua aparˆencia, conforme pode-se
verificar na figura abaixo:
Peso
44 58,6 65,9 73,2 80,5 87,8 95,1 51,3
0
10
20
30
40
50
F
r
e
q
u
ê
n
c
i
a

a
c
u
m
u
l
a
d
a
Figura 1.7: Gr´afico de ogiva - peso
15
1.3. MEDIDAS cpa/gsa
1.3 Medidas
Medidas s˜ao resumos ou sum´arios da informa¸c˜ao trazida pela amostra em um ´ unico n´ umero. Podem
ser classificadas em:
Posi¸ c˜ao (ou tendˆencia central): s˜ao medidas de localiza¸c˜ao do meio ou do centro de uma distribui¸c˜ao.
Ex: m´edia, mediana, moda.
Variabilidade: medem o espalhamento ou variabilidade dos dados. Ex: amplitude total, variˆancia,
desvio padr˜ao.
Associa¸c˜ao: medem rela¸c˜oes entre vari´aveis. Ex: coeficiente de correla¸c˜ao.
Assimetria e curtose: medidas relacionadas com altera¸c˜oes na forma da distribui¸c˜ao, atrav´es das
rela¸c˜oes entre suas medidas de tendˆencia central (moda, m´edia e mediana) - assimetria ou o seu
achatamento - curtose.
1.3.1 Medidas de posi¸c˜ao
Tendem a representar os elementos comuns da popula¸c˜ao.
M´edia: ´e um valor que representa o centro de massa ou ponto de equil´ıbrio da distribui¸c˜ao (histo-
grama).
´
E calculado por:
¯
X =
¸
n
i=1
X
i
n
=
X
1
+X
2
+ +X
n
n
(dados brutos).
Para melhor compreens˜ao do conceito de m´edia como centro de massa, imagine uma amostra com
os seguintes valores ¦8, 9, 5, 5, 4, 3, 6, 4¦. Fa¸ camos um Diagrama de pontos, que ´e um gr´afico ´ util para
visualiza¸c˜ao de pequenas amostras. Para tanto simplesmente plotamos um ponto para cada valor da
amostra sobre um segmento de R que contenha todos os valores. Se houver repeti¸c˜oes plotamos um
ponto sobre o outro. Note que a m´edia pode ser pensada como um centro de massa porque se cada ponto
tivesse a mesma massa, digamos 1 kg, o triˆangulo representando a m´edia equilibraria exatamente estes
pesos.
2 4 6 8 10
Média = 5,5
Se os dados estiverem agrupados em tabela de distribui¸c˜ao de frequˆencia como no exemplo abaixo,
Vari´avel freq. absoluta
X
1
n
1
X
2
n
2
. . . . . .
. . . . . .
X
r
n
r
fazemos:
¯
X =
n
1
X
1
+n
2
X
2
+ +n
r
X
r
n
=
¸
r
i=1
n
i
X
i
n
.
16
1.3. MEDIDAS cpa/gsa
Se conhecemos a frequˆencia relativa, o c´alculo da m´edia passa a ser:
¯
X =
n
1
n
X
1
+
n
2
n
X
2
+ +
n
r
n
X
r
= fr
1
X
1
+fr
2
X
2
+ +fr
r
X
r
=
r
¸
i=1
f
i
X
i
.
Exemplo: Para calcularmos a m´edia dos dados abaixo:
X freq. absoluta freq. relativa
1 3 0,3
2 4 0,4
3 2 0,2
5 1 0,1
¯
X =
1 + 1 + 1 + 2 + 2 + 2 + 2 + 3 + 3 + 5
10
=
22
10
= 2,2 (pelos dados brutos)
¯
X =
1 3 + 2 4 + 3 2 + 5 1
10
= 2,2 (pela frequˆencia absoluta)
¯
X = 1 0,3 + 2 0,4 + 3 0,2 + 5 0,1 = 2,2 (pela frequˆencia relativa)
Dados agrupados em classe: Para calcularmos a m´edia nestes casos devemos inicialmente calcular
o ponto m´edio de cada classe, denotando-o por PM
i
. A partir disto calculamos a m´edia usando a
frequˆencia absoluta ou a frequˆencia relativa com uma das seguintes express˜oes:
¯
X =
¸
n
i=1
PM
i
n
i
n
¯
X =
n
¸
i=1
PM
i
f
i
Vamos calcular o peso m´edio dos alunos de nosso exemplo a partir da tabela de distribui¸c˜ao de
frequˆencias (tabela 1.2), incluindo o ponto m´edio de cada classe;
Tabela 1.5: Peso - inclus˜ao ponto m´edio da classe
Peso PM
i
freq. abs. freq. rel. freq. acum.
44,0¬ 51,3 47,65 10 0,20 0,20
51,3¬ 58,6 54,95 19 0,38 0,58
58,6¬ 65,9 62,25 7 0,14 0,72
65,9¬ 73,2 69,55 7 0,14 0,86
73,2¬ 80,5 76,85 1 0,02 0,88
80,5¬ 87,8 84,15 5 0,10 0,98
87,8¬ 95,1 91,45 1 0,02 1,00
Total 50 1
Assim:
¯
X =
47,65 10 + 54,95 19 + 62,25 7 + 69,55 7 + 76,85 1 + 84,15 5 + 91,45 1
50
=
3032,2
50
= 60,64
ou:
¯
X = 47,650,20+54,950,38+62,250,14+69,550,14+76,850,02+84,150,10+91,450,02 = 60,64
17
1.3. MEDIDAS cpa/gsa
Observa¸ c˜oes: a m´edia ´e uma medida afetada por valores extremos. Veja no exemplo inicial em que a
m´edia dos dados ´e 2,2, se retirarmos o valor 5 a m´edia cai para 1,89.
Se pensarmos em calcular o valor m´edio de uma vari´avel para toda a popula¸c˜ao, teremos a m´edia
populacional, normalmente designada pela letra grega µ (mi).
Mediana: ´e o valor que divide o conjunto de dados ao meio, de tal forma que pelo menos 50% dos va-
lores observados s˜ao menores ou iguais `a mediana e pelo menos 50% s˜ao maiores ou iguais a ela. Nota¸c˜ao:
md ou Md. A mediana tamb´em caracteriza o elemento comum da amostra.
Exemplo: ¦1, 1, 1, 3, 3, 5, 3, 3, 2, 2¦. Primeiro passo ´e ordenar os dados:
1 1 1 2 2 [ 3 3 3 3 5
Os dois candidatos a md s˜ao o 2 e o 3. ent˜ao tomamos o ponto m´edio entre eles como a mediana:
md =
2+3
2
= 2,5.
Se tiv´essemos:
1 1 1 3 3 4 4 5 5
Nesse caso, md = 3
Observa¸ c˜ao: Sempre que houver um n´ umero ´ımpar de observa¸ c˜oes a mediana ser´a a observa¸c˜ao cen-
tral na amostra ordenada da menor para a maior, e sempre que houver um n´ umero par de observa¸c˜oes a
mediana ser´a o ponto m´edio entre as duas observa¸ c˜oes centrais.
Dados agrupados em classe: Nesse caso os dados j´a est˜ao ordenados e os procedimentos s˜ao:
1. Localize a classe mediana, que ser´a a primeira classe com frequˆencia relativa acumulada maior ou
igual a 0,5. Observe:
L - limite superior da classe mediana
l - limite inferior da classe mediana
2. Calcule a frequˆencia relativa da classe mediana. Chame-a de f
md
3. Determine a frequˆencia relativa acumulada at´e a classe anterior `a classe mediana, ou f
amd
4. Calcule a diferen¸ca 0,5 −f
amd
. Esta diferen¸ca ´e a frequˆencia relativa da classe (l ¬ md)
l L
50%
md
5. O valor da mediana ´e obtido resolvendo-se a seguinte equa¸c˜ao:
md −l
0,5 −f
amd
=
L −l
f
md
−→ md = l + (L −l)

0,5 −f
amd
f
md

18
1.3. MEDIDAS cpa/gsa
Assim para calcularmos a mediana dos pesos na tabela 1.5, seguimos o passo a passo:
1. Classe mediana: 51,3 ¬ 58,6 −→ L = 58,6 l = 51,3
2. f
md
= 0,38
3. f
amd
= 0,20
4. 0,5 −f
amd
= 0,30
5. md = 51,3 + (58,6 −51,3)
(0,5 −0,20)
0,38
= 51,3 + 7,3
30
38
= 57,06 kg
Observa¸ c˜ao: a mediana n˜ao ´e afetada por valores extremos.
Percentil: O percentil de ordem α de um conjunto de dados ´e um valor P
α%
tal que pelo menos α%
dos valores s˜ao inferiores ou iguais a ele e pelo menos (100 −α)% dos valores s˜ao maiores ou iguais a ele.
Observa¸ c˜oes:
1. A mediana ´e o percentil de ordem 50.
2. Os percentis de ordem 25, 50 e 75 s˜ao chamados respectivamente de Quartil 1, Quartil 2 e Quartil
3 (ou primeiro, segundo e terceiro quartis).
Q
1
25% 75%
Q
2
50% 50%
Q
3
25% 75%
Q
3
25%
Q
2
Q
1
25% 25% 25%
De forma similar ao c´alculo da mediana, para obtermos o percentil P
α
a partir de uma tabela de
frequˆencia, seguimos os passos descritos abaixo:
1. Localizar a classe a qual pertence o percentil P
α
.
2. Encontrar a frequˆencia relativa da classe onde est´a P
α
. Denote-a por f
P
α
.
3. Encontrar a frequˆencia acumulada at´e a classe anterior `a classe do percentil P
α
. Denote-a por f
aP
α
.
4. Calcular a diferen¸ca α −f
aP
α
.
5. Fazendo a regra de trˆes:
L
α
−l
α
−→ f
P
α
P
α
−l
α
−→ α −f
aP
α
P
α
= l
α
+ (L
α
−l
α
)
α −f
aP
α
f
P
α
19
1.3. MEDIDAS cpa/gsa
Exemplo:
Calcule o terceiro quartil da vari´avel peso da pesquisa, a partir da tabela 1.5.
Solu¸c˜ao:
1. Classe 65,9¬ 73,2
2. f
P
α
= 0,14
3. f
aP
α
= 0,72
4. α −f
aP
α
= 0,75 −0,72 = 0,03
5. Q
3
= P
75
= 65,9 + 7,3
0,03
0,14
= 67,46 kg
Moda:
´
E o valor mais frequente na amostra. Nota¸c˜ao: mo ou Mo. A moda representa tamb´em o
valor mais comum.
Exemplo:
No conjunto de observa¸c˜oes ¦1, 1, 3, 3, 5, 3, 3, 2¦, a moda ´e mo = 3.
Em um conjunto de dados pode haver mais de uma moda:
Exemplo:
Para o conjunto ¦1, 1, 1, 1, 3, 3, 3, 3, 5¦, mo
1
= 1 e mo
2
= 3. Neste caso se diz que o conjunto ´e bimodal.
Se houver mais de duas modas diz-se que o conjunto ´e multimodal. Por outro lado se nenhum valor
se repete o conjunto n˜ao tem moda.
Ponto m´edio: O valor que est´a a meio caminho entre o menor e o maior valor de uma amostra:
ponto m´edio =
M´aximo + M´ınimo
2
Esta medida ´e menos usada, mas serve para ilustrar mais uma das diversas maneiras de se representar a
tendˆencia central de uma amostra.
1.3.2 Medidas de variabilidade
Medem o espalhamento ou dispers˜ao dos dados. Complementam importantes informa¸c˜oes escondidas
pelas medidas de tendˆencia central.
Amplitude total: A amplitude total de uma amostra ´e definida como a diferen¸ca entre o maior e o
menor valor da amostra.
AT = Max −Min
Exemplo: a amplitude total da vari´avel altura da amostra dos alunos ´e AT = 1,85 − 1,45 = 0,40 m
(40 cm).
20
1.3. MEDIDAS cpa/gsa
Variˆancia amostral (S
2
): A variˆancia ´e uma medida de dispers˜ao que leva em conta todas as ob-
serva¸c˜ oes feitas. Ela mede a dispers˜ao em torno da m´edia amostral ¯ x.
Considere as observa¸ c˜oes: X
1
, X
2
, X
3
, . . . , X
n
:
Observa¸c˜ao desvios [desvios[ (desvios)
2
X
1
(X
1

¯
X) [X
1

¯
X[ (X
1

¯
X)
2
X
2
(X
2

¯
X) [X
2

¯
X[ (X
2

¯
X)
2
. . . . . . . . . . . .
. . . . . . . . . . . .
X
n
(X
n

¯
X) [X
n

¯
X[ (X
n

¯
X)
2
Temos:
n
¸
i=1
(X
i

¯
X) =
n
¸
i=1
X
i

n
¸
i=1
¯
X =
n
¸
i=1
X
i
−n
¯
X =
n
¸
i=1
X
i
−n
¸
n
i=1
X
i
n
=
n
¸
i=1
X
i

n
¸
i=1
X
i
= 0
Assim define-se a variˆancia amostral como:
S
2
=
¸
n
i=1
(X
i

¯
X)
2
(n −1)
Exemplo: Tome dois conjuntos a seguir, ambos com ¯ x = 5 (Note tamb´em que ambos possuem a
mesma amplitude total e a mesma mediana):
conj. 1 = ¦3, 4, 5, 6, 7¦ conj. 2 = ¦3, 5, 5, 7¦
S
2
1
=
(3 −5)
2
+ (4 −5)
2
+ (5 −5)
2
+ (6 −5)
2
+ (7 −5)
2
(n −1)
=
4 + 1 + 0 + 1 + 4
4
= 2,5
S
2
2
=
(3 −5)
2
+ (5 −5)
2
+ (5 −5)
2
+ (7 −5)
2
(n −1)
=
4 + 0 + 0 + 4
3
= 2,667
Observa¸ c˜ao: Se tiv´essemos calculando a variˆancia de uma popula¸c˜ao de tamanho N teri´amos:
Variˆancia populacional = σ
2
=
¸
N
i=1
(X
i
−µ)
2
N
.
Alguns autores usam o denominador n na defini¸c˜ao da variˆancia amostral. Avaliaremos as vantagens
e desvantagens de cada denominador quando falarmos de Inferˆencia (cap´ıtulo 5).
Inconvenientes da Variˆancia:
1. As unidades de medida da variˆancia amostral s˜ao o quadrado da unidade original da vari´avel (m
2
para altura, kg
2
para peso, etc.). Para evitar-se este desconforto estabeleceu-se o desvio padr˜ao
definido por:
S =

S
2
=

¸
n
i=1
(X
i

¯
X)
2
(n −1)
,
que mostra a variabilidade medida na unidade original da vari´avel analisada.
21
1.3. MEDIDAS cpa/gsa
2. A variˆancia n˜ao permite comparar a variabilidade de dados medidos em diferentes unidades de
medida ou medidos na mesma unidade mas com m´edias diferentes. Aqui a solu¸c˜ao foi a cria¸c˜ao
de uma medida chamada coeficiente de varia¸c˜ ao que n˜ao sofre influˆencia nem da m´edia nem da
unidade de medida. O coeficiente de varia¸c˜ao ´e definido como
CV amostral =
S
¯
X
(coef. varia¸ c˜ao amostral= desvio padr˜ao amostral dividido pela m´edia amostral)
CV populacional =
σ
µ
(coef. varia¸c˜ao populacional= desvio padr˜ao dividido pela m´edia populacional)
Exemplo: Em qual grupo h´a mais varia¸ c˜ao em torno da m´edia:
Vari´avel m´edia variˆancia
altura 1,70 m 0,0025 m
2
peso 60 kg 2,25 kg
2
CV
a
=

0,0025
1,70
= 2,9% CV
p
=

2,25
60
= 2,5%
A vari´avel altura apresenta variabilidade maior que a vari´avel peso.
Dados agrupados em classes Para calcular a variˆancia de dados agrupados em classes, considere
o ponto m´edio de cada classe, denotado por PM
i
e fa¸ca;
S
2
=
¸
k
i=1
(PM
i

¯
X)
2
n
i
(n −1)
,
onde n
i
´e a frequˆencia observada para a i-´esima classe e k o n´ umero de classes.
Se conhecemos apenas as frequˆencias relativas das classe, a variˆancia amostral poderia ser aproximada
por:
S
2
=
k
¸
i=1
(PM
i

¯
X)
2
f
i

f
i
=
n
i
n
´e a frequˆencia relativa da classe i

.
Exemplo: Determine a variabilidade em torno da m´edia para o peso dos alunos da tabela da p´agina
9, lembrando que j´a calculamos o peso m´edio (60,64 kg):
Tabela 1.6: Peso - C´alculo da variˆancia
PM
i
freq. rel. (PM
i

¯
X)
2
(PM
i

¯
X)
2
f
i
47,65 0,20 (47,65 −60,64)
2
= 168,740 33,748
54,95 0,38 (54,95 −60,64)
2
= 032,376 12,303
62,25 0,14 (62,25 −60,64)
2
= 002,592 0,363
69,55 0,14 (69,55 −60,64)
2
= 079,388 11,114
76,85 0,02 (76,85 −60,64)
2
= 262,764 5,255
84,15 0,10 (84,15 −60,64)
2
= 552,720 55,272
91,45 0,02 (91,45 −60,64)
2
= 949,256 18,985
Total 137,041
Assim vemos que S
2
= 137,041 kg
2
e por conseguinte S =

s
2
=

137,041 = 11,706 kg.
E o coeficiente de varia¸c˜ao ´e CV =
S
¯
X
=
11,706
60,64
= 19,30 %.
22
1.4. EXERC
´
ICIOS cpa/gsa
Observa¸ c˜ao: A variˆancia tamb´em ´e afetada por valores extremos.
Desvio m´edio: Medida de variabilidade em torno da m´edia assim definida:
DM =
¸
n
i=1
[X
i

¯
X[
n
para dados n˜ao agrupados,
DM =
n
¸
i=1
(PM
i

¯
X)f
i
para dados agrupados em tabela de frequˆencia.
1.3.3 Propriedades da m´edia, mediana e variˆancias amostrais
Considere a amostra X
1
, X
2
, . . . , X
n
. Nas se¸c˜oes anteriores, vimos que
¯
X, S
2
X
e med
x
representam
respectivamente a m´edia amostral, variˆancia amostral e mediana amostral; e definimos a f´ormula de
c´alculo de cada uma dessas medidas.
Suponha agora que tenhamos de utilizar alguma rela¸c˜ao linear das observa¸ c˜oes dessa amostra. Como
exemplo, imagine que X seja o comprimento de parafusos em mil´ımetros e que o peso em gramas desses
parafusos possa ser calculado por Y = aX +b, onde a e b s˜ao duas constantes qualquer. Pode-se provar
que:
¯
Y = a
¯
X +b
med
y
= a med
x
+b
S
2
Y
= a
2
S
2
X
1.4 Exerc´ıcios
Usando a tabela da p´agina 25, com dados de 49 alunos de uma turma de engenharia civil do ICEX,
responda as quest˜oes a seguir:
1. Defina o tipo e subtipo de cada uma das 8 vari´aveis da tabela.
2. Construa uma tabela com a frequˆencia observada, frequˆencia relativa e frequˆencia relativa acumu-
lada para a vari´avel idade.
3. Construa uma tabela com a frequˆencia observada, frequˆencia relativa e frequˆencia relativa acumu-
lada para a vari´avel peso. (Calcule o n´ umero de classes pela f´ormula de Sturges).
4. Construa um diagrama de Ramo e Folhas para a vari´avel altura. Utilize inicialmente 5 ramos e
depois, para melhor visualiza¸c˜ao, construa outro diagrama a partir do primeiro com 10 ramos.
5. Esboce um diagrama circular (ou pizza) para a vari´avel provedor.
6. Fa¸ca um gr´afico de barras com a vari´avel ano de in´ıcio do curso.
23
1.4. EXERC
´
ICIOS cpa/gsa
7. Com aux´ılio da tabela do exerc´ıcio 3, esboce um histograma com a frequˆencia relativa da vari´avel
peso.
8. Calcule usando os dados brutos a m´edia da vari´avel idade.
9. Usando a tabela constru´ıda no exerc´ıcio 3 encontre a m´edia da vari´avel peso.
10. Usando o histograma abaixo, ache a mediana e o terceiro quartil (percentil 75%) da vari´avel altura.
1,97 1,91 1,85 1,79 1,73 1,67 1,61 1,55
30
25
20
15
10
5
0
Altura
F
r
e
q
u
ê
n
c
i
a
0,041
0,082
0,122
0,265
0,306
0,102
0,082
Histograma da altura
11. Ache a(s) moda(s) da vari´avel bairro.
12. Usando a tabela constru´ıda no exerc´ıcio 3 encontre a variˆancia da vari´avel peso.
13. Usando a tabela constru´ıda no exerc´ıcio 2 ache o desvio padr˜ao da vari´avel idade.
24
1.4. EXERC
´
ICIOS cpa/gsa
No
Anoinício
curso
Idade
(Anos)
Peso Altura Naturalidade Estado Bairro Provedordeinternet
1 2008 19 70 1,83 BeloHorizonte MG Funcionários hotmail.com
2 2008 19 73 1,83 BeloHorizonte MG Prado hotmail.com
3 2008 19 75 1,71 BeloHorizonte MG Anchieta hotmail.com
4 2008 19 85 1,83 BeloHorizonte MG NovaCachoeirinha hotmail.com
5 2008 20 43 1,59 BeloHorizonte MG Betânia hotmail.com
6 2008 20 51 1,69 Ipatinga MG Funcionários hotmail.com
7 2008 20 59 1,70 BeloHorizonte MG Serra hotmail.com
8 2008 20 61 1,65 BeloHorizonte MG OuroPreto hotmail.com
9 2008 20 65 1,72 Varginha MG Liberdade hotmail.com
10 2008 20 71 1,72 BeloHorizonte MG Santa Tereza gmail.com
11 2008 20 71 1,76 BeloHorizonte MG CoraçãoEucarístico hotmail.com
12 2008 20 73 1,75 BomDespacho MG Prado gmail.com
13 2008 20 76 1,71 Viçosa MG Sion hotmail.com
14 2008 20 77 1,95 BeloHorizonte MG Santo Antônio hotmail.com
15 2008 20 90 1,80 BeloHorizonte MG NovaFloresta hotmail.com
16 2008 20 99 1,70 Patrocínio MG OuroPreto hotmail.com
17 2008 21 58 1,72 BeloHorizonte MG DonaClara yahoo.com.br
18 2008 21 59 1,64 BeloHorizonte MG Floresta yahoo.com.br
19 2008 21 64 1,60 BeloHorizonte MG Barreiro hotmail.com
20 2008 21 64 1,71 BeloHorizonte MG Serra hotmail.com
21 2008 21 64 1,74 BeloHorizonte MG Jardim América gmail.com
22 2008 21 68 1,75 Salvador BA OuroPreto hotmail.com
23 2007 21 70 1,70 BeloHorizonte MG Savassi hotmail.com
24 2007 21 73 1,75 BeloHorizonte MG Buritis hotmail.com
25 2007 21 75 1,85 BeloHorizonte MG FernãoDias hotmail.com
26 2008 21 77 1,72 BeloHorizonte MG Belvedere hotmail.com
27 2008 21 77 1,85 Formiga MG Lourdes hotmail.com
28 2008 21 82 1,85 BeloHorizonte MG CarlosPrates yahoo.com.br
29 2006 22 63 1,73 Itaúna MG Lourdes gmail.com
30 2008 22 68 1,85 BeloHorizonte MG PadreEustáquio yahii.com.br
31 2008 22 75 1,81 BeloHorizonte MG Luxemburgo hotmail.com
32 2008 22 100 1,91 BeloHorizonte MG Caiçara hotmail.com
33 2006 23 64 1,64 BeloHorizonte MG Planalto ig.com.br
34 2007 23 65 1,71 Jaguaraçu MG NovaFloresta hotmail.com
35 2007 23 72 1,73 MontesClaros MG Floresta yahoo.com.br
36 2008 23 80 1,75 BeloHorizonte MG SãoJoãoBatista hotmail.com
37 2007 23 80 1,78 SantaBárbara MG SantaInês gmail.com
38 2008 24 57 1,58 SeteLagoas MG Liberdade hotmail.com
39 2006 24 75 1,75 Itabira MG Santo Antônio yahoo.com.br
40 2008 25 57 1,69 BeloHorizonte MG DonaClara hotmail.com
41 2008 25 70 1,70 BeloHorizonte MG CoraçãoEucarístico yahoo.com.br
42 2008 25 70 1,72 SeteLagoas MG OuroPreto yahoo.com.br
43 2007 25 75 1,74 BeloHorizonte MG Estoril gmail.com
44 2007 25 80 1,79 BeloHorizonte MG PadreEustáquio yahoo.com.br
45 2006 25 87 1,76 BeloHorizonte MG Cento hotmail.com
46 2009 26 48 1,62 BeloHorizonte MG Santo André hotmail.com
47 2006 26 95 1,77 SantaMaria RS Sobradinho hotmail.com
48 2006 27 65 1,65 BeloHorizonte MG SantaCruz hotmail.com
49 2007 29 67 1,57 Timóteo MG Castelo yahoo.com.br
25
Cap´ıtulo 2
Probabilidade
2.1 Experimentos aleat´orios, espa¸co amostral e eventos
Experimento Aleat´orio - A id´eia do que seja um experimento aleat´orio ´e bastante intuitiva. Imagi-
nemos dois times disputando a final de um campeonato de futebol. Se o jogo termina empatado, pode-se
jogar uma prorroga¸c˜ao (tempo adicional), e no caso do empate persistir, pode-se decidir o campe˜ao de
acordo com o hist´orico de cada time, disputa de pˆenaltes, etc. Persistindo o empate, pode-se decidir o
campeonato lan¸cando uma moeda. Perante esses fatos, surge a pergunta: ´e justo definir o campe˜ao dessa
forma? Milhares e at´e milh˜oes de torcedores aceitam. Porque?
Pensemos em outro exemplo de experimento aleat´orio. Suponha que um engenheiro observa a quali-
dade de um item (defeituoso ou n˜ao defeituoso). Se a linha de produ¸c˜ao estiver calibrada, espera-se que
uma propor¸c˜ao muito pequena de itens apresentem defeito (1 em cada 100 ou em cada 1.000, por exemplo).
Os dois exemplos precedentes fornecem a id´eia de um experimento aleat´orio. No caso da moeda,
assumindo que ela seja honesta, n˜ao temos argumento para acreditar que um dos resultados (cara ou
coroa) tenha maior chance de acontecer. No caso dos itens produzidos por uma linha de produ¸c˜ao, natu-
ralmente acreditamos que a propor¸c˜ao de defeituosos seja muito pequena. Mas em ambos os casos, antes
de realizar o experimento, n˜ao sabemos qual ser´a o resultado. Embora n˜ao saibamos qual ser´a o resultado
na realiza¸c˜ao de um experimento, podemos ter certeza que no caso da moeda acontecer´a cara(C) ou coroa
(K), e no caso da linha de produ¸c˜ao, sabemos que um item observado resultar´a defeituoso (D) ou n˜ao
defeituoso (N). Al´em do mais se realizarmos um n´ umero n grande de cada experimento, espera-se que os
n´ umeros de caras e coroas sejam pr´oximos. J´a no caso dos itens observados, espera-se que a propor¸c˜ao
de defeituosos seja pequena.
N˜ao daremos uma defini¸c˜ao formal de experimento aleat´orio, mas os dois exemplos precedentes s˜ao
ilustrativos. Ao nos referirmos a experimento aleat´orio, usaremos a nota¸c˜ao ε. Exemplos:
ε
1
: lan¸car uma moeda;
ε
2
: observar a qualidade de um item de uma linha de produ¸c˜ao
ε
3
: observar a taxa de infla¸c˜ao no mˆes de mar¸co de 2010;
ε
4
medir a altura de um aluno;
ε
5
observar o tempo de vida de um equipamento;
ε
6
contar o n´ umero de alunos presentes na sala de aula.
26
2.1. EXPERIMENTOS ALEAT
´
ORIOS, ESPAC¸ O AMOSTRAL E EVENTOS cpa/gsa
No experimento ε
1
, ao lan¸carmos uma moeda, temos certeza que acontecer´a cara (C) ou coroa (K).
No experimento ε
2
temos certeza que o item observado ser´a defeituoso (D) ou n˜ao defeituoso (N). isto ´e,
em cada caso sabemos qual ´e o conjunto de todos os resultados do experimento aleat´orio. Chamamos a
esse conjunto de espa¸co amostral e denotaremos por Ω.

1
= ¦C, K¦ ser´a o espa¸co amostral associado ao experimento ε
1
;

2
= ¦D, N¦ ser´a o espa¸co amostral associado ao experimento ε
2
.
analogamente temos,

3
= ¦r : r > 0¦;

4
= ¦X ∈ R : X > 0¦;

5
= ¦t ∈ R : t > 0¦;

6
= ¦0, 1, 2, . . . N¦. Neste caso N ser´a o n´ umero de alunos matriculados ou que frequentam as aulas.
O espa¸co amostral (Ω) foi definido como o conjunto de todos os resultados poss´ıveis de um expe-
rimento aleat´orio. Quer dizer ent˜ao que Ω representa o Conjunto Universo que conhecemos da Teoria
Elementar de Conjuntos. Dentro desse conjunto podemos definir subconjuntos e a cada desses subcon-
juntos chamaremos de evento.
No experimento ε
5
, podemos estar interessados em que o tempo de vida do equipamento atenda ao
tempo de garantia. Se o tempo ´e em anos, podemos estar interessados no evento em que t seja maior do
que 1.
Usaremos as primeiras letras do alfabeto em mai´ usculas para representar eventos: A, B, C, . . . .
A = ¦t ∈ R : t > 1¦ representa o evento de que o equipamento atende ao tempo de garantia no experi-
mento ε
5
2.1.1 Opera¸c˜ oes com eventos
Uni˜ao de eventos (A∪B) ´e o evento que ocorre se A ou B ou ambos eventos ocorrerem. O diagrama de
Venn utilizado para rela¸c˜oes entre conjuntos pode ser utilizado para rela¸c˜oes entre eventos. Imagine
que o espa¸co amostral seja representado pelos pontos no retˆangulo Ω abaixo e que os eventos A e
B s˜ao os subconjuntos nos pontos das regi˜oes indicadas
W
A B
Figura 2.1: Espa¸co amostral Ω e eventos A e B
W
A B
Figura 2.2: A∪ B
Com aux´ılio dos operadores l´ogicos (∨ ≡ ou e ∧ ≡ e) podemos descrever a opera¸c˜ao uni˜ao de
eventos ilustrada na figura 2.2 como:
A∪ B = ¦ω ∈ Ω : ω ∈ A∨ ω ∈ B¦
27
2.1. EXPERIMENTOS ALEAT
´
ORIOS, ESPAC¸ O AMOSTRAL E EVENTOS cpa/gsa
Exemplo: Experimento: lan¸camento de um dado.
Evento A → ocorre face par.
Evento B → ocorre face inferior a 4.

A∪ B = ¦1, 2, 3, 4, 6¦
Interse¸ c˜ao de eventos (A∩ B) ´e o evento que ocorre se A e B ocorrem simultaneamente.
W
A B
Figura 2.3: A∩ B
Podemos escrever:
A∩ B = ¦ω ∈ Ω : ω ∈ A∧ ω ∈ B¦
No mesmo exemplo anterior temos:
Evento A → ocorre face par.
Evento B → ocorre face inferior a 4.

A∩ B = ¦2¦
Observa¸ c˜ao 1: Se A∩ B = ∅, dizemos que A e B s˜ao disjuntos ou mutuamente exclusivos.
W
A
B
Figura 2.4: A e B disjuntos
Observa¸ c˜ao 2: As opera¸c˜oes uni˜ao e interse¸c˜ao de eventos s˜ao comutativas. Isto ´e:
A∪ B = B ∪ A e A∩ B = B ∩ A
Eventos complementares (Nota¸c˜ao A
C
) O evento A
C
ocorre se o evento A n˜ao ocorre.
´
E formado
por todos os pontos de Ω que n˜ao est˜ao em A. Assim A
C
= ¦ω ∈ Ω : ω / ∈ A¦
W
A
C
A
Figura 2.5: A
C
e A s˜ao complementares
A e A
C
s˜ao eventos complementares se e somente se A
C
∩ A = ∅ e A
C
∪ A = Ω
28
2.1. EXPERIMENTOS ALEAT
´
ORIOS, ESPAC¸ O AMOSTRAL E EVENTOS cpa/gsa
Exemplo: no lan¸camento de um dado, se A → ocorrer face par, ent˜ao B → ocorrer face ´ımpar, ´e
evento complementar de A.
Diferen¸ca de eventos (A−B) ´e o evento em que A ocorre e B n˜ao ocorre. Escrevemos:
A−B = ¦ω ∈ Ω : ω ∈ A∧ ω / ∈ B¦
W
A B
Figura 2.6: A - B
Note que A−B = A∩ B
C
. Deixamos a prova como exerc´ıcio.
Diferen¸ca sim´etrica
´
E aquele evento em que A ou B ocorrem, mas n˜ao ambos simultaneamente. Re-
presentamos por:
A´B = (A−B) ∪ (B −A)
W
A B
Figura 2.7: A´B
2.1.2 Opera¸c˜ oes com mais de dois eventos
Propriedades Distributivas
PD1: A∩ (B ∪ C) = (A∩ B) ∪ (A∩ C)
PD2: A∪ (B ∩ C) = (A∪ B) ∩ (A∪ C)
As figuras abaixo ilustram as propriedades distributivas:
W
A
B
C
Figura 2.8: A∩ (B ∪ C)
W
A
B
C
Figura 2.9: A∪ (B ∩ C)
29
2.1. EXPERIMENTOS ALEAT
´
ORIOS, ESPAC¸ O AMOSTRAL E EVENTOS cpa/gsa
Leis de Morgan:
LM1: (A∪ B)
C
= A
C
∩ B
C
LM2: (A∩ B)
C
= A
C
∪ B
C
W
A B
Figura 2.10: (A∪ B)
C
W
A B
Figura 2.11: (A∩ B)
C
Provaremos PD1 e LM1 para ilustra¸c˜ao e deixaremos a prova dos outros dois resultados para o leitor.
Antes da prova, recordaremos as propriedades dos operadores l´ogicos relacionando proposi¸c˜oes.
Pensemos no exemplo seguinte: pela manh˜a o aluno vai para a escola e `a tarde vai para a biblioteca
ou para o cinema. Essa proposi¸c˜ao composta ´e equivalente `a seguinte: Pela manh˜a o aluno vai para a
escola e `a tarde vai para a biblioteca ou pela manh˜a o aluno vai para a escola e `a tarde vai ao cinema.
Temos, no par´agrafo precedente, um exemplo da propriedade distributiva dos operadores l´ogicos. De
forma geral, sejam p, q e r trˆes proposi¸c˜oes simples. Denotemos por p ∧q e p ∨q as proposi¸c˜oes (p e q) e
(p ou q) respectivamente.
Pode-se provar que:
p ∧ (q ∨ r) ≡ (p ∧ q) ∨ (p ∧ r)
Omitimos a prova dessa propriedade, que pode ser feita atrav´es da constru¸c˜ao da tabela de valores
de verdade das duas proposi¸c˜oes compostas p ∧ (q ∨ r) e (p ∧ q) ∨ (p ∧ r).
No exemplo do aluno, as proposi¸c˜oes seriam:
p: O aluno vai para a escola pela manh˜a;
q: o aluno vai para a biblioteca `a tarde;
r: o aluno vai ao cinema `a tarde.
Podemos provar a PD1 usando a propriedade distributiva dos operadores l´ogicos. Uma forma de
provar igualdade de dois conjuntos ´e escolher um elemento arbit´ario de um deles e provar que pertence
ao outro.
Seja ent˜ao ω ∈ A∩ (B ∪ C). Defina p : ω ∈ A, q : ω ∈ B e r : ω ∈ C. Ent˜ao:
ω ∈ A∩ (B ∪ C) ⇐⇒ (ω ∈ A) ∧ (ω ∈ (B ∪ C))
⇐⇒ (ω ∈ A) ∧ (ω ∈ B ∨ ω ∈ C)
≡ p ∧ (q ∨ r)
⇐⇒ (p ∧ q) ∨ (p ∧ r)
⇐⇒ (ω ∈ A∧ ω ∈ B) ∨ (ω ∈ A∧ ω ∈ C)
⇐⇒ (ω ∈ A∩ B) ∨ (ω ∈ A∩ C)
≡ ¦ω ∈ (A∩ B) ∪ (A∩ C)¦
30
2.1. EXPERIMENTOS ALEAT
´
ORIOS, ESPAC¸ O AMOSTRAL E EVENTOS cpa/gsa
Para provar LM1, apresentaremos outra propriedade dos operadores l´ogicos. Sejam p e q duas
proposi¸c˜oes. A nega¸c˜ao de p∧q ´e equivalente `a nega¸c˜ao de uma delas. Isto ´e, se Np representa a nega¸c˜ao
de p, ent˜ao:
N(p ∧ q) = (Np) ∨ (Nq)
Aplicando essa propriedade e fazendo p : ω ∈ A e q : ω ∈ A podemos escrever:
ω ∈ (A∩ B)
C
⇐⇒ ω / ∈ (A∩ B)
⇐⇒ (ω / ∈ A) ∨ (ω / ∈ B)
⇐⇒ (ω ∈ A
C
) ∨ (ω ∈ B
C
)
⇐⇒ ¦ω ∈ A
C
∪ B
C
¦
As propriedades distributivas e as leis de Morgan podem se estender para a uni˜ao ou interse¸ c˜ao de
mais de dois eventos. Sejam B
1
, B
2
, . . . , B
n
uma cole¸c˜ao de eventos e seja A um outro evento:
PD1’: A∩

n
¸
i=1
B
i

=
n
¸
i=1
(A∩ B
i
)
PD2’: A∪

n
¸
i=1
B
i

=
n
¸
i=1
(A∪ B
i
)
LM1’:

n
¸
i=1
B
i

C
=
n
¸
i=1
B
C
i
LM2’:

n
¸
i=1
B
i

C
=
n
¸
i=1
B
C
i
W
A
B
1
B
2
B
3
Figura 2.12: A∩

3
¸
i=1
B
i

31
2.2. DEFINIC¸
˜
AO DE PROBABILIDADE cpa/gsa
2.2 Defini¸c˜ao de probabilidade
2.2.1 Defini¸c˜ao frequentista de probabilidade
Como atribuirmos probabilidades a elementos do espa¸co amostral? A primeira id´eia foi baseada em
caracter´ısticas te´oricas do fenˆomeno ou experimento e na observa¸c˜ao das frequˆencias de sua ocorrˆencia.
Da´ı surgiu:
Defini¸c˜ao 1. Consideremos n repeti¸c˜oes “independentes”de um experimento aleat´orio ε. Seja A um
evento qualquer (A ∈ Ω). Defina
P
n
(A) =
n
A
n
(onde n
A
´e o n´ umero de vezes em que ocorre o evento A)
e defina
P(A) = lim
n→∞
P
n
(A)
P(A) assim definida ´e chamada de probabilidade frequencial de A
Exemplos:
1. Num lan¸camento de um dado, a probabilidade de ocorrˆencia da face i ´e dada por
P
n
(¦i¦) =
# ocorrˆencia da face i
# total de l¸c. do dado
=
n
{i}
n
.
Quando o n´ umero de lan¸camentos ´e muito grande, P
n
(¦i¦) se estabiliza e vocˆe toma esse valor como
a probabilidade de ocorrˆencia da face i.
2. Suponha que temos uma linha de produ¸c˜ao em grande escala. Retiramos n itens desta linha de
produ¸c˜ao, e a cada retirada contamos o n´ umero de itens defeituosos (A= item defeituoso)
n No defeituosos P
n
(A)
10 0 0/10 = 0
50 2 2/50 = 0,04
100 6 6/100 = 0,06
500 29 29/500 = 0,058
1000 51 51/1000 = 0,051
5000 249 249/5000 = 0,050
Observando a tabela acima vemos que P
10
(A) = 0, P
50
(A) = 0,04, P
100
(A) = 0,06, e assim por
diante.
`
A medida que aumentamos o valor de n, espera-se que P
n
(A) se aproxime da propor¸c˜ao
de defeituosos. Pela defini¸c˜ao frequentista de probabilidade vemos que a probabilidade de um item
defeituoso nesta linha de produ¸c˜ao converge para 0,05.
32
2.2. DEFINIC¸
˜
AO DE PROBABILIDADE cpa/gsa
2.2.2 Axiomas de probabilidade
A partir da defini¸c˜ao frequentista de probabilidade, apresentada na subse¸c˜ao anterior, ´e imediato
observar que:
1. P
n
(Ω) =
n

n
= 1
2. Desde que 0 ≤ n
a
≤ n para todo n, ent˜ao 0 ≤ P
n
(A) ≤ 1
3. Se A∩ B = ∅, ent˜ao P
n
(A∪ B) = P
n
(A) +P
n
(B)
Se em (1), (2) e (3) tomarmos o limite quando n −→ ∞, teremos:
A1) P(Ω) = 1
A2) 0 ≤ P(A) ≤ 1
A3) P(A∪ B) = P(A) +P(B) se A∩ B = ∅
(A1), (A2) e (A3) s˜ao chamdados Axiomas de probabilidade. Baseada nesses axiomas ´e constru´ıda
toda a Teoria de Probabilidade. (O leitor interessado em aprofundar estudos pode consultar, por exem-
plo, [5] ou [8]).
A seguir apresentaremos alguns resultados b´asicos que ser˜ao usados no decorrer da disciplina:
Proposi¸c˜ao 1.
P

n
¸
i=1
A
i

=
n
¸
i=1
P(A
i
), se A
i
∩ A
j
= ∅ para i = j : i,j = 1, . . . , n
Proposi¸c˜ao 2.
P(∅) = 0
Proposi¸c˜ao 3.
P(A
C
) = 1 −P(A)
Proposi¸c˜ao 4.
Se A ⊂ B, ent˜ao P(A) ≤ P(B)
Provas:
1. Faremos a prova para n = 3. O caso geral decorre do Princ´ıpio da Indu¸c˜ao Matem´atica. Se A
1
, A
2
e A
3
s˜ao tais que A
1
∩ A
2
= A
1
∩ A
3
= A
2
∩ A
3
= ∅ ent˜ao
P(A
1
∪ A
2
∪ A
3
) = P(A
1
∪ (A
2
∪ A
3
))
= P(A
1
) +P(A
2
∪ A
3
)
= P(A
1
) +P(A
2
) +P(A
3
)
Observe que A
1
∩ (A
2
∪ A
3
) = (A
1
∩ A
2
) ∪ (A
1
∩ A
3
) = ∅
2. ∅ e Ω s˜ao mutuamente exclusivos, e Ω = Ω ∪ ∅. Assim pelo terceiro axioma P(Ω) = P(Ω) + P(∅).
Mas pelo primeiro axioma P(Ω) = 1, logo P(∅) = 0.
3. Como A
C
e A s˜ao complementares temos A ∪ A
C
= Ω e A ∩ A
C
= ∅. Ent˜ao pelo axioma 3,
P(A) +P(A
C
) = P(Ω) e pelo axioma 1, P(A) +P(A
C
) = 1, logo P(A
C
) = 1 −P(A).
4. Podemos escrever B como B = A ∪ (A
C
∩ B). Os eventos A e (A
C
∩ B) s˜ao disjuntos, ent˜ao pelo
axioma 3 podemos escrever P(B) = P(A) +P(A
C
∩ B). Como, pelo axioma 2, P(A
C
∩ B) ≥ 0 logo
P(B) ≥ P(A).
33
2.2. DEFINIC¸
˜
AO DE PROBABILIDADE cpa/gsa
2.2.3 Regras de adi¸c˜ao
Uni˜ao de dois eventos n˜ao disjuntos: A probabilidade da uni˜ao de dois eventos n˜ao disjuntos ´e
dada por:
Proposi¸c˜ao 5.
P(A∪ B) = P(A) +P(B) −P(A∩ B)
Podemos provar de maneira simples:
W
A B
Figura 2.13: A∩ B ∩ C
A∪ B = A∪ (B ∩ A
C
)
P(A∪ B) = P(A) +P(B ∩ A
C
) x
mas, B = (B ∩ A) ∪ (B ∩ A
C
)
assim P(B) = P(B ∩ A) +P(B ∩ A
C
)
ou P(B ∩ A
C
) = P(B) −P(B ∩ A) y
levando y em x temos P(A∪B) = P(A)+P(B)−P(A∩B).
Trˆes ou mais eventos: Expandindo o resultado da proposi¸c˜ao 5, podemos desenvolver f´ormulas
para uni˜ao de quantos eventos quisermos. Mas quanto maior o n´ umero de eventos mais complexas ficam
estas f´ormulas. Vamos registrar apenas para 3 eventos:
P(A∪ B ∪ C) = P(A) +P(B) +P(C) −P(A∩ B) −P(A∩ C) −P(B ∩ C) +P(A∩ B ∩ C)
Deixamos como exerc´ıcio a prova dessa proposi¸c˜ao (aplique duas vezes a proposi¸c˜ao 5).
Exemplo:
Todos os s´ocios de um clube praticam pelo menos 1 esporte. Sabe-se que 60% deles praticam futebol,
55% praticam voleibol e 50% praticam peteca. Al´em disso 30% praticam volei e peteca, 30% futebol e
volei e 25% futebol e peteca. Se vocˆe escolher aleatoriamente um s´ocio deste clube, qual a probabilidade
de que ele pratique os trˆes esportes?
Solu¸c˜ao:
Se chamarmos os eventos A = o s´ocio pratica futebol, B = o s´ocio pratica voleibol e C = o s´ocio
pratica peteca, a probabilidade solicitada ´e P(A∩ B ∩ C). Podemos escrever:
P(A∪ B ∪ C) = P(A) +P(B) +P(C) −P(A∩ B) −P(A∩ C) −P(B ∩ C) +P(A∩ B ∩ C) = 1
e da´ı
0,60 + 0,55 + 0,50 −0,30 −0,30 −0,25 +P(A∩ B ∩ C) = 1 → P(A∩ B ∩ C) = 0,2
2.2.4 Defini¸c˜ao cl´assica de probabilidade
Defini¸c˜ao 2. Seja um experimento aleat´orio com espa¸co amostral finito Ω = ¦ω
1
, ω
2
, . . . ,ω
n
¦. Se temos
evidˆencias de que todos os resultados tem a mesma chance de acontecer, define-se
P(ω
i
) =
1
n
i = 1, 2, . . . , n.
34
2.3. PROBABILIDADE CONDICIONAL cpa/gsa
Para A ⊂ Ω, define-se
P(A) =
#A
n
onde #A = cardinal de A = n´ umero de elementos de A.
Neste caso dizemos que os resultados ω
i
s˜ao equiprov´aveis.
2.3 Probabilidade Condicional
Defini¸c˜ao 3. Se B ´e um evento tal que P(B) > 0, a probabilidade condicional de um evento A dado
o evento B, denotada por P(A[B) ´e
P(A[B) =
P(A∩ B)
P(B)
A probabilidade condicional de A dado B revela a incerteza que se tem sobre o evento A supondo a
ocorrˆencia do evento B. Podemos interpret´a-la como a chance relativa de A restrita ao fato de que B
ocorreu.
Exemplos:
1. Uma classe de estat´ıstica teve a seguinte distribui¸c˜ao das notas finais:
Homens Mulheres
Reprovados 4 6
Aprovados 8 14
Um aluno ´e sorteado na sala. Qual ´e a probabilidade de
(a) Se ´e mulher, ter sido aprovada.
(b) Ser mulher dado que foi aprovado.
(c) Ser mulher e ter sido aprovado.
Solu¸c˜ oes:
Defina os eventos A : ser aprovado e M : ser mulher, temos
(a) P(A[M) =
P(A∩M)
P(M)
=
14/32
20/32
= 0,7
(b) P(M[A) =
P(M∩A)
P(A)
=
14/32
22/32
= 0,64
(c) P(A∩ M) = 14/32 = 0,4375
35
2.3. PROBABILIDADE CONDICIONAL cpa/gsa
2. As informa¸c˜oes abaixo referem-se aos candidatos que prestaram vestibular na UFMG em 2004:
Classe
Social
Candidato foi
aprovado Total
N˜ao Sim
A 2.974 393 3.367
B 17.394 1.725 19.119
C 17.618 1.040 18.658
D 8.034 265 8.299
E 2.482 64 2.546
Total 48.502 3.487 51.989
Um aluno ´e sorteado ao acaso. Qual ´e a probabilidade de:
(a) ter sido aprovado
(b) ser da classe A
(c) ser da classe A e ter sido aprovado
(d) ser da classe A ou ter sido aprovado
(e) ser da classe A uma vez que foi aprovado
(f) ter sido aprovado, uma vez que ´e da classe A
Solu¸c˜ oes:
Chamando os eventos A : o candidato ter sido aprovado e B : o candidato pertencer `a classe A,
temos
(a) P(A) =
3.487
51.989
= 0,067
(b) P(B) =
3.367
51.989
= 0,0647
(c) P(A∩ B) =
393
51.989
= 0,0075
(d) P(A∪ B) = P(A) +P(B) −P(A∩ B) = 0,067 + 0,0647 −0,0075 ≈ 0,1242
(e) P(B[A) =
P(A∩B)
P(A)
=
0,0075
0,067
= 0,1119
(f) P(A[B) =
P(B∩A)
P(B)
=
0,0075
0,0647
= 0,1159
36
2.4. REGRAS DA MULTIPLICAC¸
˜
AO E PROBABILIDADE TOTAL cpa/gsa
2.4 Regras da multiplica¸c˜ao e probabilidade total
2.4.1 Regra da multiplica¸c˜ao
Da mesma forma como foi definida P(A[B), se P(A) > 0 podemos definir
P(B[A) =
P(B ∩ A)
P(A)
Temos ent˜ao que:
P(A∩ B) = P(A[B)P(B) = P(B[A)P(A)
Esta express˜ao ´e conhecida como regra da multiplica¸c˜ao.
Exemplo:
Acredita-se que na popula¸c˜ao de Belo Horizonte 20% de seus habitantes sofrem algum tipo de alergia,
sendo classificados como al´ergicos para fins de sa´ ude p´ ublica. Sendo al´ergico, a probabilidade de ter rea¸c˜ao
a certo antibi´otico ´e de 0,5. Para os n˜ao al´ergicos esta probabilidade ´e de apenas 0,05. Escolhendo-se
uma pessoa ao acaso da popula¸c˜ao de BH, qual a probabilidade de que ela:
(a) - Seja do grupo dos al´ergicos e tenha alergia ao ingerir o antibi´otico?
(b) - Seja do grupo dos n˜ao al´ergicos e n˜ao tenha alergia ao ingerir o antibi´otico?
Solu¸c˜ao:
Se fizermos A : ser do grupo dos al´ergicos e B : ter rea¸c˜ao, temos:
(a) P(A∩ B) = P(B[A)P(A) = 0,5 0,2 = 0,1
(b) P(A
C
∩ B
C
) = P(B
C
[A
C
)P(A
C
) = 0,95 0,8 = 0,76
2.4.2 Regra da probabilidade total
A regra da multiplica¸ c˜ao ´e ´ util para determinarmos a probabilidade de um evento que dependa de
outros eventos.
Suponha que vocˆe tenha duas linhas de produ¸c˜ao de parafusos, 1 e 2, e que a primeira linha produza
1.000 parafusos por hora com uma taxa de defeitos de 0,02 e a segunda produza 500 parafusos por hora,
mas com uma taxa de defeitos 0,008. Escolhendo-se aleat´oriamente um parafuso de um lote da produ¸c˜ao
de uma hora das duas linhas, qual a probabilidade que ele seja defeituoso? Claramente a resposta depende
de qual linha saiu aquele parafuso.
Se chamarmos A →parafuso saiu da linha 1, B →parafuso saiu da linha 2 e C →parafuso ´e defeituoso
podemos afirmar que
C = (C ∩ A) ∪ (C ∩ B)
e como (C ∩ A) e (C ∩ B) s˜ao disjuntos podemos escrever que
P(C) = P(C ∩ A) +P(C ∩ B) = P(C[A)P(A) +P(C[B)P(B) = 0,02 2/3 + 0,008 1/3 = 0,016
37
2.4. REGRAS DA MULTIPLICAC¸
˜
AO E PROBABILIDADE TOTAL cpa/gsa
De modo mais geral, para quaisquer 2 eventos A e B podemos escrever:
P(B) = P(B ∩ A) +P(B ∩ A
C
) = P(B[A)P(A) +P(B[A
C
)P(A
C
)
Para generalizarmos o conceito da probabilidade total, definimos:
Defini¸c˜ao 4. Dizemos que os eventos A
1
,A
2
, . . . ,A
n
formam uma parti¸c˜ao do espa¸co amostral Ω se
1. A
i
∩ A
j
= ∅ i = j
2.
n
¸
i=1
A
i
= Ω
3. P(A
i
) > 0 i = 1, 2, . . . , n
Figura 2.14: Exemplo de uma parti¸c˜ao do espa¸co amostral Ω
W
A
1 A
2
A
3
A
4
A
6
A
5
A
7
Podemos assim enunciar o Teorema da Probabilidade Total:
Teorema 1. Seja ¦A
1
,A
2
, . . . ,A
n
¦ uma parti¸c˜ao do espa¸co amostral Ω e seja B um evento qualquer,
ent˜ao
P(B) =
n
¸
i=1
P(A
i
)P(B[A
i
)
Figura 2.15: Teorema da probabilidade total
W
A
1
A
2
A
3
A
4
A
6
A
5
A
7
B
Prova: Desde que os eventos A
1
,A
2
, . . . ,A
n
formam uma parti¸c˜ao de Ω, podemos escrever:
B = B ∩ (∪A
i
) = ∪
n
i=1
(B ∩ A
i
) com [(B ∩ A
i
) ∩ (B ∩ A
j
)] = ∅ para i = j.
Ent˜ao pelo axioma 3:
P(B) =
n
¸
i=1
P(B ∩ A
i
).
38
2.5. TEOREMA DE BAYES cpa/gsa
Se aplicarmos a regra do produto a cada termo da soma, temos:
P(B) =
n
¸
i=1
P(A
i
)P(B[A
i
).
Exemplo:
Uma montadora de ve´ıculos recebe diariamente em contrato de fornecimento “just in time”, 20% de
dado componente do fabricante A, 30% do fabricante B e 50% do fabricante C. Inspe¸c˜oes anteriores nas
f´abricas destes fornecedores mostraram que estes componentes produzidos por eles apresentavam taxas
de defeitos de 0,7%, 0,4% e 0,2% respectivamente. Cada ve´ıculo ´e equipado com um componente esco-
lhido aleatoriamente entre os recebidos na v´espera. Durante a vistoria final, o inspetor de qualidade da
montadora est´a inspecionando este componente. Qual a probabilidade dele apresentar defeito?
Solu¸c˜ao:
Se chamarmos X o evento de que o componente inspecionado apresenta defeito, e A, B e C respecti-
vamente o evento que o componente inspecionado foi fabricado respectivamente pelo fornecedor A, B ou
C, podemos escrever:
P(X) = P(A)P(X[A) +P(B)P(X[B) +P(C)P(X[C)
= 0,2 0,007 + 0,3 0,004 + 0,5 0,002
= 0,0014 + 0,0012 + 0,0010 = 0,0036
2.5 Teorema de Bayes
2.5.1 Independˆencia
Em alguns casos, a probabilidade condicional, P(B[A), pode ser igual a P(B). Neste caso especial, a
informa¸c˜ao da ocorrˆencia ou n˜ao de A n˜ao altera a probabilidade da ocorrˆencia de B. Assim podemos
definir:
Defini¸c˜ao 5. Dois eventos A e B s˜ao independentes se qualquer uma das seguintes afirma¸c˜oes for
verdadeira:
1. P(A[B) = P(A)
2. P(B[A) = P(B)
3. P(A∩ B) = P(A)P(B)
´
E muito simples mostrar a equivalˆencia destas trˆes condi¸c˜oes. Mostremos por exemplo a equivalˆencia
de (1) e (3): Suponha que (1) ´e verdadeira. Ent˜ao P(A∩B) = P(B)P(A[B) = P(B)P(A). Reciprocamente
se (3) ´e verdadeira, ent˜ao P(A[B) =
P(A∩ B)
P(B)
= P(A).
Convidamos o leitor para demonstrar as outras equivalˆencias.
39
2.5. TEOREMA DE BAYES cpa/gsa
Exemplos:
1. Usando os dados do vestibular de 2004 conclui-se que os eventos o “candidato ´e aprovado”e “o
candidato ´e da classe A”n˜ao s˜ao independentes pois:
P(A) = 0,067 P(A[B) = 0,1159
2. Uma empresa produz pe¸cas em duas m´aquinas (1 e 2). Estas m´aquinas podem apresentar desajustes
com probabilidades respectivamente 0,05 e 0,10. Suponha que as m´aquinas trabalhem de forma
independente. No in´ıcio do dia um teste ´e realizado e caso a m´aquina esteja fora do ajuste a
m´aquina para de operar e vai para manuten¸c˜ao. Para que se cumpra o n´ıvel m´ınimo de produ¸c˜ao
di´aria ´e necess´ario que pelo menos uma m´aquina esteja funcionando. Qual a probabilidade de que
a empresa cumpra a produ¸c˜ao do dia?
Solu¸c˜ ao: Se fizermos O
1
: m´aquina 1 est´a operando e O
2
: m´aquina 2 est´a operando, a probabilidade
de que a produ¸c˜ao seja cumprida ´e;
P(O
1
ou O
2
) = 1 −P[(O
1
ou O
2
)
C
] = 1 −P(O
C
1
e O
C
2
) = 1 −P(O
C
1
∩ O
C
2
)
Mas pela independˆencia
P(O
C
1
∩ O
C
2
) = P(O
C
1
)P(O
C
2
) = 0,05 0,10 = 0,005
E assim a probabilidade que a produ¸c˜ao do dia seja cumprida ´e 1 −0,005 = 0,995.
Quando consideramos trˆes ou mais eventos, podemos estender a defini¸c˜ao de independˆencia:
Defini¸c˜ao 6. Os eventos A
1
,A
2
, . . . ,A
n
s˜ao independentes, se e somente se para qualquer subconjunto
destes eventos A
i1
, A
i2
, . . . , A
ik
P(A
i1
∩ A
i2
∩ ∩ A
ik
) = P(A
i1
) P(A
i2
) P(A
ik
)
Uma propriedade importante: Sejam A
1
, A
2
, . . . , A
n
eventos independentes e seja B um evento
formado por opera¸c˜oes entre os eventos A
i1
, . . . , A
ir
e C um outro evento formado por opera¸c˜ao entre
alguns dos eventos restantes. Ent˜ao B e C s˜ao eventos independentes. Essa ´e a chamada propriedade
heredit´aria da independˆencia.
Exemplo:
Sejam A
1
, A
2
, . . . , A
10
eventos independentes, ent˜ao
a- A
1
∪ (A
5
∩ A
8
) e A
3
∪ (A
4
∩ A
C
7
) s˜ao independentes.
b- A
1
∪ A
2
∪ A
3
e (A
4
∩ A
5
) ∪ (A
6
∩ A
7
) s˜ao independentes.
Exemplo: O sistema mostrado a seguir s´o funciona se houver um caminho de componentes (numerados
de 1 a 6) funcionando do ponto A para o ponto B:
0,9
0,9
0,9
0,95
0,95
0,99 A
1
2
4
3
5
6
B
40
2.5. TEOREMA DE BAYES cpa/gsa
A probabilidade de que cada componente funcione est´a indicada. Assumindo que cada componente
funciona de forma independente, calcule a probabilidade que o sistema opere.
Solu¸c˜ao:
Defina:
A
i
: componente i funciona, i = 1, . . . , 6;
B
1
: subsistema formado pelos componentes 1, 2 e 3 funciona;
B
2
: subsistema formado pelos componentes 4 e 5 funciona;
B
3
: subsistema formado pelo componente 6 funciona;
A : sistema funciona.
Assim podemos escrever:
A = B
1
∩ B
2
∩ B
3
x
= (A
1
∪ A
2
∪ A
3
) ∩ (A
4
∪ A
5
) ∩ (A
6
)
Sabemos que P(A
1
∪ A
2
∪ A
3
) ´e dada por:
[P(A
1
) +P(A
2
) +P(A
3
) −P(A
1
∩ A
2
) −P(A
1
∩ A
3
) −P(A
2
∩ A
3
) +P(A
1
∩ A
2
∩ A
3
)]
e que como os componentes funcionam de forma independente ´e o mesmo que
[P(A
1
) +P(A
2
) +P(A
3
) −P(A
1
)P(A
2
) −P(A
1
)P(A
3
) −P(A
2
)P(A
3
) +P(A
1
)P(A
2
)P(A
3
)]
assim:
P(B
1
) = 0,9 + 0,9 + 0,9 −0,81 −0,81 −0,81 + 0,729 = 0,999
De forma equivalente:
P(A
4
∪ A
5
) = P(B
2
) = [P(A
4
) +P(A
5
) −P(A
4
)P(A
5
)] = 0,95 + 0,95 −0,9025 = 0,9975
Retornando a x e usando a independˆencia podemos escrever:
P(A) = P(B
1
) P(B
2
) P(B
3
) = 0,999 0,9975 0,99 ≈ 0,987
2.5.2 Teorema de Bayes
Partindo da defini¸c˜ao de probabilidade condicional e usando a comutatividade da interse¸ c˜ao podemos
escrever:
P(A∩ B) = P(A[B)P(B) = P(B ∩ A) = P(B[A)P(A)
e agora, usando o segundo e quarto termos da igualdade vem um resultado ´ util que nos permite escrever
a probabilidade de A dado B em termos da probabilidade de B dado A:
P(A[B) =
P(B[A)P(A)
P(B)
Partindo desta express˜ao, e escrevendo o denominador usando a regra da probabilidade total, obtemos
o Teorema de Bayes, que tem este nome em homenagem ao Reverendo Thomas Bayes, matem´atico inglˆes
da primeira metade do s´eculo XV I:
41
2.5. TEOREMA DE BAYES cpa/gsa
Teorema 2 (Teorema de Bayes). Se A
1
,A
2
, . . . ,A
n
for uma parti¸c˜ao de Ω e B qualquer evento, ent˜ao
P(A
1
[B) =
P(B[A
1
)P(A
1
)
P(B[A
1
)P(A
1
) +P(B[A
2
)P(A
2
) + +P(B[A
n
)P(A
n
)
Exemplos:
1. Suponha que um fabricante de sorvetes recebe 20% de todo o leite que consome da fazenda F1,
30% da fazenda F2 e o restante da F3. A vigilˆancia sanit´aria inspecionou as fazendas de surpresa
e observou que 20% dos gal˜oes de leite produzidos na fazenda F1 estavam adulterados por adi¸c˜ao
de ´agua, o mesmo ocorrendo com 5% e 2% dos gal˜oes respectivamente produzidos nas fazendas F2
e F3. Na ind´ ustria de sorvete os gal˜oes de leite s˜ao armazenados sem identifica¸c˜ao das fazendas
produtoras. Um gal˜ao ´e sorteado ao acaso na ind´ ustria. Calcule:
(a) a probabilidade de que o gal˜ao esteja adulterado
(b) a probabilidade do gal˜ao estando adulterado ter vindo da fazenda F1
Solu¸c˜ ao:
(a) Seja A → o leite est´a adulterado e F
i
→ o leite veio da fazenda F
i
F
1
F
2
F
3
A
Figura 2.16: 3 Fornecedores
A = (A∩ F
1
) ∪ (A∩ F
2
) ∪ (A∩ F
3
)
P(A) = P[(A∩ F
1
) ∪ (A∩ F
2
) ∪ (A∩ F
3
)]
P(A) = P(A∩ F
1
) +P(A∩ F
2
) +P(A∩ F
3
)
P(A) = P(A[F
1
)P(F
1
)+P(A[F
2
)P(F
2
)+P(A[F
3
)P(F
3
)
Assim:
P(A) = 0,2 0,2 + 0,05 0,3 + 0,02 0,5 = 0,065
(b) Pelo teorema de Bayes temos
P(F
1
[A) =
P(A[F
1
)P(F
1
)
P(A[F
1
)P(F
1
) +P(A[F
2
)P(F
2
) +P(A[F
3
)P(F
3
)
=
0,2 0,2
0,065
= 0,6154
2. Das pacientes da Cl´ınica de Ginecologia com idade acima de 40 anos, 60% s˜ao ou foram casadas e
40% s˜ao solteiras. Sendo solteira, a probabilidade de ter tido um dist´ urbio hormonal no ´ ultimo ano
´e de 10%, enquanto para as demais esta probabilidade aumenta para 30%. Pergunta-se:
(a) Qual a probabilidade de uma paciente escolhida ao acaso ter tido um dist´ urbio hormonal no
´ ultimo ano?
(b) Se a paciente escolhida tiver tido um dist´ urbio, qual a probabilidade dela ser solteira?
(c) Se escolhemos duas pacientes ao acaso e com reposi¸c˜ao, qual a probabilidade de pelo menos
uma ter o dist´ urbio?
42
2.6. EXERC
´
ICIOS cpa/gsa
Solu¸c˜ ao:
Sejam os eventos S → paciente ´e solteira e H → paciente teve dist´ urbio hormonal no ´ ultimo ano.
(a) P(H) = P(H[S)P(S) +P(H[S
C
)P(S
C
) = 0,10 0,40 + 0,3 0,6 = 0,22
(b) P(S[H) =
P(H|S)P(S)
P(H)
=
0,10×0,4
0,22
= 0,1878
(c) Seja H
i
o evento de que a i-´esima paciente tenha tido dist´ urbio hormonal. Da´ı:
P(H
1
∪ H
2
) =P(H
1
) +P(H
2
) −P(H
1
∩ H
2
)
=P(H
1
) +P(H
2
) −P(H
2
[H
1
)P(H
1
)
=0,22 + 0,22 −0,22
2
= 0,3916
2.6 Exerc´ıcios
1. Prove que A∪ (B ∩ C) = (A∪ B) ∩ (A∪ C).
2. Trˆes eventos s˜ao mostrados no diagrama de Venn na Figura 2.17 a seguir:
W
A
B
C
Figura 2.17: Diagrama de Venn exerc´ıcio 2
Reproduza a figura e sombreie a regi˜ao que corresponde a cada um dos seguintes eventos:
(a) A
c
(b) (A∩ B) ∪ (A∩ B
c
)
(c) (A∩ B) ∪ C
(d) (B ∪ C)
c
(e) (A∩ B)
c
∪ C
43
2.6. EXERC
´
ICIOS cpa/gsa
3. Imagine o experimento aleat´orio do lan¸camento de um dado honesto. O espa¸co amostral ´e ¦1, 2, 3, 4, 5, 6¦.
Considere os eventos P : resultado ´e par, e Q : resultado ´e maior ou igual a 4. Calcule:
(a) P(P)
(b) P(Q)
(c) P(P
C
)
(d) P(P ∪ Q)
(e) P(P ∩ Q)
4. Se P(A) = 0,3 , P(B) = 0,2 e P(A∩ B) = 0,1 determine:
(a) P(A
C
)
(b) P(A∪ B)
(c) P(A
C
∩ B)
(d) P(A∩ B
C
)
(e) P[(A∪ B)
c
]
(f) P(A
C
∪ B)
5. Discos de policarbonato pl´astico provenientes de um fornecedor s˜ao analisados com rela¸c˜ao `a re-
sistˆencia a arranh˜oes e a choques. Os resultados da an´alise de 100 discos est˜ao resumidos a seguir:
resistˆencia a
choque
alta baixa
resistˆencia a alta 80 9
arranh˜ao baixa 6 5
Fa¸ca A denotar o evento em que um disco tenha alta resistˆencia a choque e B denotar o evento em
que um disco tenha alta resistˆencia a arranh˜ao. Determine as seguintes probabilidades:
(a) P(A)
(b) P(B)
(c) P(A[B)
(d) P(B[A)
6. Uma empresa de embalagens trabalha com m´aquinas de corte de papel˜ao. A aspereza nas bordas das
embalagens aumenta `a medida que as lˆaminas da ferramenta de corte v˜ao sendo gastas. Somente
1% das embalagens fabricadas com lˆaminas novas exibem rugosidade. Esse percentual aumenta
para 3% se as lˆaminas estiverem com meia-vida e para 5% no caso de lˆaminas gastas. Se 25% das
lˆaminas forem novas, 60% mediamente afiadas e 15% forem gastas, que propor¸c˜ao de embalagens
produzidas pela empresa apresentar˜ao aspereza nas bordas?
44
2.6. EXERC
´
ICIOS cpa/gsa
7. Uma placa de a¸co cont´em 20 parafusos. Considere que cinco parafusos n˜ao estejam apertados at´e o
limite apropriado. Quatro parafusos s˜ao selecionados ao acaso, sem reposi¸c˜ao, para verifica¸c˜ao do
torque.
(a) Qual ´e a probabilidade de que todos os quatros parafusos selecionados estejam apertados at´e
o limite apropriado?
(b) Qual ´e a probabilidade de que no m´ınimo um dos parafusos selecionados n˜ao tenha sido
apertado at´e o limite apropriado?
8. O circuito a seguir opera se, e somente se, houver um caminho de equipamentos funcionais da
esquerda para a direita. Considere que os equipamentos falhem independentemente, sendo a pro-
babilidade de falha de cada equipamento mostrada na Figura 2.18. Qual ´e a probabilidade de que
o circuito opere?
Figura 2.18: Circuito do Exerc´ıcio 8
9. Em uma opera¸c˜ao de enchimento autom´atico, a probabilidade de enchimento incorreto quando o
processo ´e operado a baixa velocidade ´e 0,001. Quando o processo ´e operado a alta velocidade, a
probabilidade de enchimento incorreto ´e 0,01. Suponha que 30% dos reservat´orios sejam enchidos
quando o processo ´e operado a alta velocidade e o restante sejam enchidos a baixa velocidade.
(a) Qual ´e a probabilidade de um reservat´orio incorretamente enchido?
(b) Se um reservat´orio incorretamente enchido for encontrado, qual ´e a probabilidade de que ele
tenha sido enchido durante a opera¸c˜ao em alta velocidade?
10. Considere o circuito dado na Figura 2.19. Assuma que os equipamentos falhem independentemente,
sendo que a probabilidade de falha de cada equipamento est´a indicada. Qual ´e a probabilidade de
que o circuito opere?
Figura 2.19: Circuito do Exerc´ıcio 10
45
2.6. EXERC
´
ICIOS cpa/gsa
11. Sabe-se que 6%, 8% e 10% dos parafusos produzidos pelas empresas A, B e C respectivamente, s˜ao
defeituosos. Uma empresa de montagens compra 40% dos parafusos que utiliza da empresa A, 40%
da empresa B e o restante da empresa C.
(a) Da compra realizada em um mˆes, um parafuso ´e inspecionado. Qual a probabilidade de que
ele seja defeituosa?
(b) Se o parafuso inspecionado apresentar defeito, qual a probabilidade de que tenha sido produzido
pela empresa B?
12. A ´ ultima pesquisa de amostra de domic´ılios realizada em um bairro da periferia de Belo Horizonte
constatou que 80% das residˆencias possuiam televis˜ao, 60% possuiam r´adio e 35% computador.
Al´em disso 20% dos domic´ılios pesquisados possuiam TV e computador, 15% computador e r´adio, e
10% possuiam os trˆes itens da pesquisa (TV, r´adio e computador). Qual o percentual de domic´ılios
com TV e r´adio?
13. A U.F.M.G. recebe giz de trˆes fabricantes diferentes, digamos A, B e C, numa propor¸c˜ao respec-
tivamente de 60%, 30% e 10%. Testes anteriores demonstram que o percentual de quebra desses
fabricantes ´e de 2% (fabricante A), 5% (fabricante B) e 7% (fabricante C). Um professor retira
aleatoriamente de uma caixa um giz. Responda:
(a) Qual a probabilidade do giz retirado estar quebrado?
(b) Se o giz estiver quebrado, qual a probabilidade dele ter sido fabricado pelo fornecedor B?
(c) Se o giz estiver inteiro, qual a probabilidade de ter sido fabricado pelo fornecedor C?
14. A vari´avel aleat´oria X assume os valores relacionados na tabela a seguir, com as correspondentes
probabilidades.
X 0 1 2 3 4 5 6
f(x) 0,04 0,18 0,31 0,28 0,14 0,04 0,01
(a) Calcule a fun¸c˜ao de probabilidade acumulada F(X), descreva-a detalhadamente e esboce seu
gr´afico.
(b) Calcule a P(X ≤ 3) e P(2 ≤ X < 5).
(c) Qual a m´edia e a variˆancia dessa V.A.?
46
Cap´ıtulo 3
Vari´aveis Aleat´orias Discretas
3.1 Introdu¸c˜ao
Nem todo espa¸co amostral ´e constitu´ıdo por n´ umeros. O objetivo de uma vari´avel aleat´oria ´e quan-
tificar cada elemento do espa¸co amostral. Assim definimos:
Defini¸c˜ao 7. Uma vari´avel aleat´oria ´e uma fun¸c˜ao que associa um n´ umero real a cada resultado do
espa¸co amostral de um experimento aleat´orio
Suponha o experimento simples de inspecionar dois itens em uma linha de produ¸c˜ao. O espa¸co
amostral desta experiˆencia ´e Ω = ¦DD, DN, ND, NN¦ onde D representa item defeituoso e N item n˜ao
defeituoso. Uma vari´avel aleat´oria pode ser “n´ umero de itens defeituosos observados”.
N N
D D
N D
N D
0
1
2
U
Uma vari´avel aleat´oria ´e denotada por um letra mai´ uscula (por exemplo X) e os valores que ela pode
assumir como x
i
. No exemplo anterior os valores que a var´ıavel aleat´oria “n´ umero de itens defeituosos
observados”pode assumir s˜ao x
1
= 0, x
2
= 1 e x
3
= 2.
Desde que X ´e uma fun¸c˜ao, o conjunto dos valores poss´ıveis de uma vari´avel aleat´oria X ´e referido
como contradom´ınio de X e ser´a denotado por R
X
, com R
X
⊆ R. A partir deste conceito divimos as
vari´aveis aleat´orias em:
Defini¸c˜ao 8. Uma vari´avel aleat´oria discreta ´e uma vari´avel aleat´oria com contradom´ınio finito ou
infinito enumer´avel.
Uma vari´avel aleat´oria cont´ınua ´e aquela cujo contradom´ınio ´e um intervalo ou um subconjunto dos
n´ umeros reais.
47
3.2. VARI
´
AVEIS ALEAT
´
ORIAS DISCRETAS cpa/gsa
Exemplos de vari´aveis aleat´orias cont´ınuas: peso, altura, corrente el´etrica, press˜ao, temperatura,
tempo.
Exemplos de vari´aveis aleat´orias discretas: n´ umero de pe¸cas defeituosas em um lote, bits transmiti-
dos que foram recebidos com erros, pessoas doentes em uma amostra da popula¸c˜ao.
3.2 Vari´aveis aleat´orias discretas
Alguns exemplos de vari´aveis aleat´orias discretas:
1. Um sistema de comunica¸c˜ao por voz de uma empresa possui 48 linhas externas. A cada intervalo
de tempo o sistema ´e supervisionado e registra-se o n´ umero de linhas em uso. Se fizermos X =
n´ umero de linhas em uso. Os valores poss´ıveis de X = ¦0, 1, 2, . . . , 48¦.
2. No processo de fabrica¸c˜ao de semicondutores, o fabricante deve se preocupar com o n´ umero de
part´ıculas contaminantes. Se definirmos a vari´avel aleat´oria Y = n´ umero de part´ıculas contami-
nantes em uma pastilha, os valores poss´ıveis de Y = ¦0, 1, 2, . . . ¦
3. Na constru¸c˜ao de um pr´edio as funda¸c˜oes de estacas cravadas devem atingir 15 metros de profundi-
dade. A cada 5 metros o operador registra se houve altera¸c˜ao no ritmo de perfura¸c˜ao previamente
estabelecido. Cada altera¸c˜ao registrada representa um custo adicional de 50 UPCs (unidade padr˜ao
de constru¸c˜ao) no custo total da funda¸c˜ao. Como se comporta a vari´avel Z = custo da funda¸c˜ao?
4. O estabelecimento de pol´ıticas de abastecimento do Centro Comunit´ario Sa´ ude Pedi´atrica de de-
terminado bairro ´e estabelecido conforme o n´ umero de crian¸cas da regi˜ao. O ´ ultimo censo indicou
que 20% das fam´ılias n˜ao tˆem filhos, 30% possuem 1 filho, 35% possuem 2 filhos e as demais se
dividem igualmente entre 3, 4 ou 5 filhos. Definimos a vari´avel N = n´ umero de filhos.
3.3 Distribui¸c˜oes de probabilidades e fun¸c˜oes de probabilidade
Frequentemente estamos interessados na probabilidade com que uma vari´avel aleat´oria assume um
valor em particular.
Fun¸c˜ao de probabilidade Um modelo probabil´ıstico consiste em atribuir a cada valor da v.a. X
a sua probabilidade de ocorrˆencia. A fun¸c˜ao que atribui a cada valor x
i
de X a sua probabilidade ´e
chamada de fun¸c˜ao de probabilidade ou fun¸c˜ao de massa. Assim, se X ´e uma vari´avel aleat´oria
assumindo os valores x
1
, x
2
, x
3
, . . . , x
N
a fun¸c˜ao de probabilidade f
X
() associada a X ´e:
f
X
(x
i
) = P(X = x
i
) i = 1, 2, 3, . . . , N
No exemplo da vari´avel aleat´oria n´ umero de pe¸cas com defeito observadas, supondo que a linha de
produ¸c˜ao ´e em grande escala e produz 6% de itens defeituosos, a fun¸c˜ao de probabilidade de X est´a
representada na tabela abaixo:
x
1
x
2
x
3
X 0 1 2
p
i
0,8836 0,1128 0,0036
48
3.3. DISTRIBUIC¸
˜
OES DE PROBABILIDADES E FUNC¸
˜
OES DE PROBABILIDADE cpa/gsa
Podemos escrever tamb´em:
f
X
(x) =

0,8836 se x = 0,
0,1128 se x = 1,
0,0036 se x = 2.
S˜ao propriedades da fun¸c˜ao de probabilidade:
f
X
(x
i
) ≥ 0 ∀ x
i
e
n
¸
i=1
f
X
(x
i
) = 1
Vari´aveis aleat´orias s˜ao t˜ao importantes que algumas vezes ignoramos o espa¸co amostral original e
s´o trabalhamos com a distribui¸c˜ao de probabilidades da v.a. Assim sendo no exemplo da inspe¸c˜ao dos
dois itens, resumimos o experimento nos valores poss´ıveis de X (¦0, 1, 2¦) e n˜ao no espa¸co amostral
Ω = ¦DD, DN, ND, NN¦.
Exemplo:
Com os dados do ´ ultimo censo a assistente social do centro de sa´ ude constatou que na regi˜ao 20% das
fam´ılias n˜ao tˆem filhos, 30% possuem 1 filho, 35% possuem 2 filhos e as demais se dividem igualmente
entre 3, 4 ou 5 filhos. Suponha que uma fam´ılia seja escolhida aleatoriamente e defina a v.a. N como o
n´ umero de filhos desta fam´ılia.
(a) Construa a fun¸c˜ao de probabilidade para N e (b) Desenhe o seu gr´afico
Solu¸c˜ao:
Se N ´e o n´ umero de filhos na fam´ılia temos que os valores poss´ıveis de N s˜ao: ¦0, 1, 2, 3, 4, 5¦. Supondo
que todas as fam´ılias tˆem chances iguais de serem sorteadas:
(a) Fun¸c˜ao de probabilidade
f
N
(0) = P(N = 0) = 0,20 f
N
(1) = P(N = 1) = 0,30 f
N
(2) = P(N = 2) = 0,35
f
N
(3) = f
N
(4) = f
N
(5) =
1 −[f
N
(0) +f
N
(1) +f
N
(2)]
3
=
1 −0,20 −0,30 −0,35
3
= 0,05
(b) Gr´afico:
1
n
2 3 4 5
f
N
(n)
0
0,05
0,20
0,30
0,35
49
3.4. FUNC¸
˜
OES DE DISTRIBUIC¸
˜
AO ACUMULADAS cpa/gsa
3.4 Fun¸ c˜ oes de distribui¸c˜ao acumuladas
`
As vezes necessitamos de expressar probabilidades acumuladas. No exemplo anterior poder´ıamos estar
interessados na probabilidade da fam´ılia sorteada ter 2 ou menos filhos.
Este valor seria:
P(N ≤ 2) = P(N = 0) +P(N = 1) +P(N = 2) = 0,20 + 0,30 + 0,35 = 0,85
Vemos assim que o uso de probabilidades cumulativas ´e um m´etodo alternativo de descrever uma
vari´avel aleat´oria. Assim definimos:
Defini¸c˜ao 9. A fun¸c˜ao de distribui¸c˜ao acumulada de uma vari´avel aleat´oria discreta X avaliada em
x, denotada por F(x), ´e
F(x) = P(X ≤ x) =
¸
x
i
≤x
f(x
i
)
O gr´afico abaixo representa a fun¸c˜ao de distribui¸c˜ao cumulativa da vari´avel aleat´oria N do exemplo
anterior:
1
n
2 3 4 5
F
N
(n)
0
0,20
0,50
0,85
1,00
Note que, mesmo se a vari´avel aleat´oria s´o pode assumir valores inteiros, a fun¸c˜ao de distribui¸c˜ao
cumulativa poder´a ser definida em valores n˜ao inteiros.
Na figura anterior:
F(2,5) = P(N ≤ 2,5) = P(N ≤ 2) = 0,85
Propriedades da fun¸c˜ao de distribui¸c˜ao cumulativa:
1. Se x < y −→ F(x) ≤ F(y) (F ´e n˜ao decrescente)
2. lim
x→a
+
F(x) = F(a) (F ´e cont´ınua `a direita)
3. lim
x→−∞
F(x) = 0 e lim
x→∞
F(x) = 1
50
3.5. M
´
EDIA E VARI
ˆ
ANCIA DE UMA VARI
´
AVEL ALEAT
´
ORIA DISCRETA cpa/gsa
A prova de (1) ´e simples:
F(x) = P(X ≤ x).
Se x < y =⇒ [X ≤ y] = [X ≤ x] ∪ [x < X ≤ y].
A prova das propriedades (2) e (3) fogem do escopo deste curso. Detalhes podem ser encontrados em
[8].
Podemos, a partir da fun¸c˜ ao de distribui¸c˜ao, determinar a fun¸c˜ao de probabilidade de uma v.a. como
vemos no exemplo a seguir:
Exemplo:
Suponha que a fun¸c˜ao de distribui¸c˜ao acumulada da v.a. X e seu respectivo gr´afico sejam:
F(x) =

0 se x < −2,
0,2 se −2 ≤ x < 0,
0,7 se 0 ≤ x < 2,
1 se 2 ≤ x.
x
2
F
X
(x)
0
0,20
0,70
1,00
-2
Pelo gr´afico de F(x) podemos ver que os ´ unicos pontos que recebem probabilidade diferente de zero
s˜ao −2, 0 e 2 e assim:
f(−2) = 0,2 −0 = 0,2 f(0) = 0,7 −0,2 = 0,5 f(2) = 1 −0,7 = 0,3
Ou seja, a v.a. X assume os valores ¦−2, 0, 2¦ com probabilidades respectivamente 0,2; 0,5 e 0,3.
Em geral se a vari´avel aleat´oria pode assumir os valores x
1
< x
2
< x
3
< . . . ; e se conhecemos F(x
k
)
para cada x
k
∈ R
X
, podemos escrever:
f(x
k
) = F(x
k
) −F(x
k−1
)
3.5 M´edia e variˆancia de uma vari´avel aleat´oria discreta
Dois n´ umeros s˜ao frequentemente usados para resumir a distribui¸c˜ao de uma vari´avel aleat´oria. A
m´edia ´e a medida do centro ou meio da distribui¸c˜ao de probabilidade e a variˆancia ´e a medida da
dispers˜ao ou variabilidade da distribui¸c˜ao. Estas medidas n˜ao s˜ao caracter´ısticas exclusivas de uma
distribui¸c˜ao, j´a que podemos ter duas distribui¸c˜oes diferentes com mesma m´edia e mesma variˆancia (veja
figura 3.1) , mas mesmo assim s˜ao importantes e ´ uteis.
51
3.5. M
´
EDIA E VARI
ˆ
ANCIA DE UMA VARI
´
AVEL ALEAT
´
ORIA DISCRETA cpa/gsa
2 4 6 8 10 0 2 4 6 8 10 0
Figura 3.1: Distribui¸c˜oes diferentes com mesma m´edia e variˆancia
Vimos no cap´ıtulo 1 que para uma amostra de dados a m´edia e variˆancia amostrais eram
¯ x =
1
n
n
¸
i=1
x
i
e S
2
=
1
(n −1)
n
¸
i=1
(x
i
− ¯ x)
2
.
Para uma vari´avel aleat´oria discreta temos:
Defini¸c˜ao 10.
A m´edia ou valor esperado de uma vari´avel aleat´oria discreta X, denotada(o) como µ ou E(X), ´e
µ = E(X) =
¸
k
x
k
f(x
k
)
A variˆancia de X, denotada por σ
2
ou V (X), ´e
σ
2
= V (X) = E(X −µ)
2
=
¸
k
(x
k
−µ)
2
f(x
k
) =
¸
k
x
2
k
f(x
k
) −µ
2
O desvio padr˜ao de X ´e
σ =

σ
2
Vemos portanto que a m´edia de uma vari´avel aleat´oria discreta ´e a m´edia ponderada dos valores
poss´ıveis de X, onde os pesos s˜ao as probabilidades.
De forma similar a variˆancia usa f(x) como peso para multiplicar cada desvio quadrado (x −µ)
2
.
A igualdade das f´ormulas da variˆancia apresentadas acima pode ser demonstrada usando propriedades
dos somat´orios e a defini¸c˜ao de µ:
V (X) =
¸
x
(x −µ)
2
f(x) =
¸
x
x
2
f(x) −2µ
¸
x
xf(x) +µ
2
¸
x
f(x)
=
¸
x
x
2
f(x) −2µ
2

2
=
¸
x
x
2
f(x) −µ
2
Quando mais de uma vari´avel aleat´oria estiverem envolvidas em um estudo, nas m´edias e nas variˆancias
usaremos um subscrito para diferenci´a-las, ou seja:
µ
X
: ser´a a m´edia da v.a. X µ
Y
: ser´a a m´edia da v.a. Y
σ
2
X
: ser´a a variˆancia da v.a. X σ
2
Y
: ser´a a m´edia da v.a. Y
52
3.5. M
´
EDIA E VARI
ˆ
ANCIA DE UMA VARI
´
AVEL ALEAT
´
ORIA DISCRETA cpa/gsa
Exemplo:
Um canal digital transmite dados com certa probabilidade de erro. Seja X o n´ umero de bits recebidos
com erro nos quatro pr´oximos bits transmitidos. Os valores poss´ıveis de X s˜ao ¦0,1,2,3,4¦. Suponha que
tenhamos as seguintes probabilidades:
P(0) = 0,6561 P(1) = 0,2916 P(2) = 0,0486 P(3) = 0,0036 P(4) = 0,0001
Calcule a m´edia e a variˆancia da v.a. X.
Solu¸c˜ao:
µ = E(X) = 0f(0) + 1f(1) + 2f(2) + 3f(3) + 4f(4)
= 0(0,6561) + 1(0,2916) + 2(0,0486) + 3(0,0036) + 4(0,0001)
= 0,4
Para calcularmos a variˆancia ´e conveniente montarmos a tabela:
x x −0,4 (x −0,4)
2
f(x) f(x)(x −0,4)
2
0 −0,4 0,16 0,6561 0,104976
1 0,6 0,36 0,2916 0,104976
2 1,6 2,56 0,0486 0,124416
3 2,6 6,76 0,0036 0,024336
4 3,6 12,96 0,0001 0,001296
Assim:
V (X) = σ
2
=
5
¸
i=1
f(x
i
)(x
i
−0,4)
2
= 0,36
Algumas propriedades da m´edia e da variˆancia:
1. Se X ´e uma v.a. n˜ao negativa ent˜ao E(X) ≥ 0
Prova: E(X) =
¸
x
x
i
p
i
como x
i
≥ 0 e p
i
≥ 0 logo E(X) ≥ 0
2. Se X = c ent˜ao E(X) = c
Prova: Como X = c → P(X = c) = 1 e da´ı E(X) = cP(X = c) = c
3. E(aX +b) = aE(X) +b
Prova: Podemos facilmente ver que P(aX + b = ax
1
+ b) = P(X = x
1
) = P
1
logo E(aX + b) =
¸
n
i=1
(ax
i
+b)p
i
=
¸
n
i=1
(ax
i
)p
i
+
¸
n
i=1
bp
i
= a
¸
n
i=1
x
i
p
i
+b
¸
n
i=1
p
i
= aE(X) +b
4. E(X +Y ) = E(X) +E(Y )
5. Para qualquer vari´avel aleat´oria X temos V (X) ≥ 0
6. Se X = c ent˜ao V (X) = 0
7. V (aX +b) = a
2
V (X)
8. Se X ´e uma v. aleat´oria discreta com fun¸c˜ao de probabilidade f() e h uma fun¸c˜ao de X, ent˜ao
E[h(X)] =
¸
k
h(x
k
)f(x
k
)
53
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Exemplo:
Com os dados do exemplo anterior onde X ´e o n´ umero de bits com erro nos pr´oximos 4 transmitidos,
qual o valor esperado do quadrado do n´ umero de erros?
Solu¸c˜ao:
h(x) = X
2
e portanto
E[h(X)] = E(X
2
) = 0
2
0,6561 + 1
2
0,2916 + 2
2
0,0486 + 3
2
0,0036 + 4
2
0,0001 = 0,52.
(Note que este valor ´e diferente de E(X)
2
= 0,4
2
= 0,16. A E(X
2
) n˜ao ´e, de modo geral, igual a E(X)
2
).
3.6 Distribui¸c˜oes discretas mais comuns
Estudaremos nesta se¸c˜ao a distribui¸c˜ao de probabilidade de algumas vari´aveis aleat´orias, que por
possu´ırem caracter´ısticas especiais comuns s˜ao agrupadas em “fam´ılias”, que recebem denomina¸c˜oes que
remetem a estas caracter´ısticas especiais. Estas vari´aveis aparecem constantemente em aplica¸c˜oes e
experimentos reais, que podem ser modelados a partir do conhecimento das caracter´ısticas destas vari´aveis
aleat´orias.
3.6.1 Distribui¸c˜ao uniforme discreta
A v.a. discreta mais simples ´e aquela que assume apenas um n´ umero finito de valores, cada qual com
a mesma probabilidade. Definimos
Defini¸c˜ao 11. Uma vari´avel aleat´oria X tem uma distribui¸c˜ao uniforme discreta se cada um dos n
valores de seu contradom´ınio, isto ´e x
1
, x
2
, . . . , x
N
tiver igual probabilidade. Assim
f(x
i
) = 1/N i = 1, . . . , N
Suponha que X tem distribui¸c˜ao uniforme e que assuma os valores ¦x
1
, x
2
, . . . , x
N
¦ temos
E(X) =
N
¸
i=1
x
i
p
i
=
N
¸
i=1
x
i
1
N
=
¸
N
i=1
x
i
N
V (X) = E(X
2
) −[E(X)]
2
=
¸
N
i=1
x
2
i
N

¸
¸
N
i=1
x
i
N
¸
2
=
N
¸
N
i=1
x
2
i
−[
¸
N
i=1
x
i
]
2
N
2
Suponha agora que o contradom´ınio de X seja constitu´ıdo pelos inteiros consecutivos a, a + 1, a +
2, . . . , b. Vemos que a v.a. assume (b − a + 1) valores, cada um com probabilidade
1
(b −a + 1)
. Assim
podemos calcular:
µ =
b
¸
k=a
k

1
(b −a + 1)

=
1
(b −a + 1)
b
¸
k=a
k =
1
(b −a + 1)

b
¸
k=1
k −
a−1
¸
k=1
k

=
1
(b −a + 1)

b(b + 1) −(a −1)a
2

=
b +a
2
54
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Observa¸c˜ ao: Temos usado que:
1. A soma dos inteiros 1, 2, . . . , r ´e igual a
r(r + 1)
2
.
2. A soma dos quadrados 1
2
, 2
2
, . . . , r
2
´e igual a
r(r + 1)(2r + 1)
6
.
Essas s˜ao propriedades que valem para todo n´ umero natural e o leitor pode provar usando o Princ´ıpio de
Indu¸c˜ao Matem´atica.
V (X) = E(x
2
) −[E(X)]
2
=
b
¸
k=a
k
2

1
(b −a + 1)


¸
b +a
2

2
=
1
(b −a + 1)
¸
b
¸
k=1
k
2

a−1
¸
k=1
k
2
¸

¸
b +a
2

2
=
1
(b −a + 1)
¸
b(b + 1)(2b + 1)
6

(a −1)a(2a −1)
6


¸
b +a
2

2
=
1
(b −a + 1)
¸
2b
3
+ 3b
2
+b −2a
3
+ 3a
2
−a
6


¸
b +a
2

2
=
2a
2
+ 2ab −a + 2b
2
+b
6

b
2
+ 2ab +a
2
4
=
a
2
−2ab −2a +b
2
+ 2b
12
=
(b −a + 1)
2
−1
12
Exemplos:
1. No lan¸camento de um dado honesto, seja a vari´avel aleat´oria X o n´ umero da face superior. Qual a
esperan¸ca e a variˆancia de X?
Solu¸c˜ ao
E(X) =
6 + 1
2
= 3,5 V (X) =
(6 −1 + 1)
2
−1
12
≈ 2,92
2. A central telefˆonica de uma empresa possui 48 linhas externas. Defina a v.a. X como o n´ umero de
linhas ocupadas em determinado instante, e considere que X tenha distribui¸c˜ao uniforme discreta.
Se definirmos Y como a propor¸c˜ao das linhas telefˆonicas que est˜ao em uso em determinado instante,
qual a m´edia e variˆancia de Y ?
Solu¸c˜ ao
Em primeiro lugar note que se Y ´e a propor¸c˜ao de linhas ocupadas, ent˜ao Y = X/48. Ou seja,
Y = aX onde a = 1/48. Pelas propriedades da m´edia e variˆancia de vari´aveis aleat´orias temos que
E(aX) = aE(X) e V ar(aX) = a
2
V ar(X). Ent˜ao calculamos:
E(Y ) = E(X/48) =
1
48
E(X) =
1
48
(0 + 48)
2
= 0,5
V (Y ) = V (X/48) = V (X)/48
2
=
[(48 −0 + 1)
2
−1]/12
2304
=
2400/12
2304
=
200
2304
≈ 0,087.
55
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
3.6.2 Distribui¸c˜ao de Bernoulli
Experimento de Bernoulli: Dizemos que o experimento ε ´e de Bernoulli se existem dois resultados
poss´ıveis: sucesso (S) com probabilidade p e fracasso (F) com probabilidade (1 −p).
Considere um experimento de Bernoulli com probabilidade p de sucesso. Defina X(S) = 1 e X(F) = 0.
Sendo assim, P(X = 1) = p e P(X = 0) = 1 −p , o que pode ser representado por
f(x) = p
x
(1 −p)
1−x
, x = 0 ou x = 1
A vari´avel X assim definida tem Distribui¸c˜ao de Bernoulli, nota¸c˜ao: X ∼ Bernoulli(p)
M´edia e variˆancia: Podemos ver que
E(X) =
1
¸
x=0
xf(x) = 0f(0) + 1f(1) = 0p
0
(1 −p)
1
+ 1P
1
(1 −p)
0
= p
V (X) = E(X
2
) −[E(X)]
2
= 0
2
(1 −p) + 1
2
(P) −p
2
= p −p
2
= p(1 −p)
Exemplos: lan¸camento de uma moeda, escolha de uma pe¸ca em um lote, etc.
3.6.3 Distribui¸c˜ao binomial
Se realizamos n repeti¸c˜oes independentes de um experimento de Bernoulli com probabilidade p de
sucesso, ent˜ao definimos a vari´avel aleat´oria X: n´ umero de sucessos ocorridos.
X : S → R
X
com R
X
⊆ R
C´alculo da fun¸c˜ao de probabilidade de X: em primeiro lugar ´e f´acil ver que R
X
= ¦0,1,2 . . . ,n¦.
Calculemos ent˜ao P(X = k). Para calcular esta probabilidade, precisamos contar o n´ umero de sequˆencias
de tamanho n contendo k S

s e n −k F

s. Se todos os S

s e todos os F

s fossem diferentes ter´ıamos n!
sequˆencias diferentes (n´ umero de arranjos de n elementos diferentes).
Por simplicidade tomemos a sequˆencia S
1
S
2
S
3
. . . S
k
F
1
F
2
F
3
...F
n−k
. Por considerarmos os S

s dife-
rentes, essa sequˆencia ´e diferente de S
2
S
1
S
3
. . . S
k
F
1
F
2
F
3
...F
n−k
e ´e diferente de qualquer outra sequˆencia
obtida trocando algumas posi¸c˜oes dos S

s. Ent˜ao por considerarmos os S

s diferentes, cada sequˆencia
est´a sendo repetida k! vezes. Pelo mesmo argumento cada sequˆencia est´a sendo repetida (n − k)! vezes
por considerarmos os F

s diferentes. Ent˜ao, como na realidade n˜ao h´a diferen¸cas entre os S

s e nem entre
os F

s, o n´ umero de sequˆencias com kS

s e (n −k)F

s ´e igual a:
n!
k!(n −k)!
=

n
k

Finalmente, desde que as repeti¸c˜oes dos experimentos s˜ao independentes, a probabilidade de uma
sequˆencia com kS

s e (n −k)F

s ´e igual a p
k
(1 −p)
n−k
.
Conclui-se, ent˜ao, que:
P(X = k) =
n!
k!(n −k)!
p
k
(1 −p)
n−k
=

n
k

p
k
(1 −p)
n−k
para k = 0, 1, . . . , n.
56
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Podemos ent˜ao formalizar a:
Defini¸c˜ao 12. A vari´avel aleat´oria X que conta o n´ umero de sucessos em n repeti¸c˜oes independentes
de experimentos de Bernoulli (somente dois resultados poss´ıveis designados como “sucesso”e “fracasso”e
a probabilidade de sucesso em cada tentativa, denotada por p, constante), tem distribui¸c˜ao binomial
com parˆametros n e p, nota¸c˜ao X ∼ b(n,p) e fun¸c˜ao de probabilidade:
f(x) =

n
x

p
x
(1 −p)
n−x
, x = 0, 1, . . . , n
O nome da distribui¸c˜ao vem da expans˜ao binomial. Lembre-se que para as constantes a e b temos:
(a +b)
n
=
n
¸
k=0

n
k

a
k
b
n−k
Partindo da expans˜ao binomial, fazendo a = p e b = 1 −p podemos checar que a soma das probabili-
dades para uma vari´avel aleat´oria binomial ´e igual a 1, conforme esperado, j´a que
n
¸
k=0

n
k

a
k
b
n−k
= (a +b)
n
= (p + 1 −p)
n
= 1
Exemplos:
1. A eficiˆencia de uma vacina ´e de 80%. Sorteamos 3 indiv´ıduos em uma popula¸c˜ao vacinada, e estes
s˜ao submetidos a um teste de imuniza¸ c˜ao.
(a) Encontre a distribui¸c˜ao do n´ umero de individuos imunizados na amostra.
(b) Qual a probabilidade do n´ umero de indiv´ıduos imunizados na amostra ser maior ou igual a 1?
Solu¸c˜ ao:
(a) Se chamarmos de “sucesso” o fato do indiv´ıduo sorteado estar imunizado, vemos que p = 0,80.
A v.a. aleat´oria X, n´ umero de sucessos na amostra, pode assumir os valores ¦0,1,2,3¦ Vemos
ent˜ao que X ∼ b(3; 0,8), pois a probabilidade de cada indiv´ıduo ser imunizado ´e 0,8 e esta
probabilidade ´e fixa para todo indiv´ıduo. Al´em disso, saber que um indiv´ıduo ´e imunizado
n˜ao modifica a incerteza sobre os outros indiv´ıduos, ou seja, os eventos s˜ao independentes.
(b)
P(x ≥ 1) = P(x = 1) +P(x = 2) +P(x = 3) = 1 −P(x = 0) = 1 −

3
0

0,8
0
0,2
3
= 1 −
¸
3!
0!3!
1 0,008

= 1 −0,008 = 0,992
2. Uma linha de produ¸c˜ao em grande escala produz 6% de itens defeituosos. 30 itens da produ¸c˜ao
semanal s˜ao observados. Calcular a probabilidade de
(a) Observar no m´aximo 2 defeituosos?
(b) Observar entre 8 e 10 defeituosos?
57
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Solu¸c˜ ao
(a) Se X ´e o n´ umero de itens defeituosos na amostra, vemos que X ∼ b(30; 0,06) e assim
P(X ≤ 2) =
2
¸
k=0

30
k

(0,06)
k
(0,94)
30−k
=

30
0

(0,06)
0
(0,94)
30
+

30
1

(0,06)
1
(0,94)
29
+

30
2

(0,06)
2
(0,94)
28
= 0,156256 + 0,299213 + 0,276931 = 0,7324
(b) A probabilidade de observarmos entre 8 e 10 defeituosos:
P(8 ≤ X ≤ 10) =
10
¸
k=8

30
k

(0,06)
k
(0,94)
30−k
=

30
8

(0,06)
8
(0,94)
22
+

30
9

(0,06)
9
(0,94)
21
+

30
10

(0,06)
1
0(0,94)
20
= 0,000252 + 0,000039 + 0,000005 = 0,000297
As figuras a seguir mostram exemplos de distribui¸c˜oes binomiais. Para n fixo (no exemplo 20) `a
medida que p aumenta de 0 a 0,5 a distribui¸c˜ao se torna mais sim´etrica.
Figura 3.2: Distribui¸c˜ao Binomial com n fixo e p crescente
Binomial(20;0,1)
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
f
(
x
)
Binomial(20;0,23)
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
f
(
x
)
Binomial(20;0,36)
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
f
(
x
)
Binomial(20;0,5)
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
f
(
x
)
58
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Figura 3.3: Distribui¸c˜ao Binomial com p fixo e n crescente
Binomial(50;0,23)
0,00
0,03
0,06
0,09
0,12
0,15
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
x
f
(
x
)
Binomial(100;0,23)
0,00
0,03
0,06
0,09
0,12
0,15
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
x
f
(
x
)
Binomial(150;0,23)
0,00
0,03
0,06
0,09
0,12
0,15
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
x
f
(
x
)
Binomial(200;0,23)
0,00
0,03
0,06
0,09
0,12
0,15
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
x
f
(
x
)
M´edia e variˆancia: A m´edia e a variˆancia de uma vari´avel aleat´oria binomial dependem somente
dos parˆametros n e p. Imagine o exemplo anterior da linha de produ¸c˜ao e para cada uma das 30 pe¸cas
da amostra vocˆe definisse novas v.as. X
1
, X
2
, . . . , X
30
tais que:
X
k
=

1 se k-´esima amostra fosse defeituosa,
0 caso contr´ario.
Sabemos que cada nova vari´avel aleat´oria X
k
´e uma Bernoulli de parˆametro p = 0,06, e que a esperan¸ca
de X
k
´e p. Podemos escrever a v.a. X como:
X =
30
¸
k=1
X
k
e agora calcular a m´edia de X por (como os X

k
s s˜ao independentes):
E(X) = E

30
¸
k=1
X
k

=
30
¸
k=1
E(X
k
) =
30
¸
k=1
p = 30p = 30 0,06 = 1,8
Podemos generalizar ent˜ao para:
Se X ∼ b(n,p), ent˜ao
µ = E(X) = np
Al´em disto pode-se provar (foge ao escopo deste curso) que
σ
2
= V (X) = np(1 −p)
59
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
3.6.4 Distribui¸c˜ao geom´etrica
Suponha novamente um experimento de Bernoulli ε, com probabilidade p de sucesso. Se repeti¸c˜oes
independentes de ε s˜ao realizadas at´e que aconte¸ca o primeiro sucesso, defina X : N´ umero de repeti¸c˜oes.
Neste caso o contradom´ınio ´e R
X
= ¦1,2,3, . . . ¦
C´alculo da fun¸c˜ao de probabilidade de X: Observemos que X = k se nas primeiras k − 1 repeti¸c˜oes
acontecem F

s (fracassos) e na k−´esima acontece S (sucesso). Portanto a probabilidade de que X seja
igual a k ser´a (1 −p)
k−1
p.
Podemos ent˜ao definir:
Defini¸c˜ao 13. Em uma s´erie de repeti¸c˜oes de experimentos independentes de Bernoulli, com probabili-
dade p de sucesso, a vari´avel aleat´oria X definida como o n´ umero de repeti¸c˜oes at´e que o primeiro sucesso
ocorra tem distribui¸c˜ao geom´etrica com parˆametro p, nota¸c˜ao X ∼ G(p) e
f(x) = (1 −p)
x−1
p x = 1, 2, . . .
O motivo pelo qual essa distribui¸c˜ao ´e conhecida como geom´etrica ´e ´obvio. Os termos f(1), f(2), f(3), . . .
formam uma progress˜ao geom´etrica com raz˜ao (1 −p).
Exemplos:
1. De uma linha de produ¸c˜ao em grande escala, retiram-se itens at´e encontrar o primeiro defeituoso. Se
a probabilidade da pe¸ca ser defeituosa ´e 0,01, qual a probabilidade de termos que observar 10 pe¸cas?
Solu¸c˜ ao:
X ´e n´ umero de observa¸c˜oes at´e que o primeiro “sucesso”(neste caso uma pe¸ca defeituosa) ocorra.
Logo:
P(X = 10) = f(10) = (1 −p)
9
p = (0,99)
9
0,01 = 0,009135
2. Um m´edico est´a testando pessoas procurando uma pessoa com sangue tipo O

. Se na popula¸c˜ao
7% possuem sangue tipo O

,
(a) Qual a probabilidade de que ele tenha que testar 20 pessoas at´e achar a primeira com este tipo
particular de sangue?
Solu¸c˜ao:
P(X = 20) = f(20) = 0,93
19
0,07 = 0,017631
(b) Qual a probabilidade de que ele tenha que testar menos de 10 pessoas para achar a primeira
com sangue O

?
Solu¸c˜ao:
P(X ≥ 10) = 1 −P(X < 10)
= 1 −
¸
9
¸
i=1
(1 −p)
i−1
p
¸
= 1 −(0,070000 + 0,065100 + 0,060543 + 0,056305 + 0,052364
+ 0,048698 + 0,045289 + 0,042119 + 0,039171)
= 1 −0,479589 = 0,520411.
60
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Fun¸c˜ao de distribui¸c˜ao acumulada: A fun¸c˜ao de distribui¸c˜ao da vari´avel geom´etrica pode ser
obtida por:
F(k) = P(X ≤ k) = 1 −P(X > k) = 1 −P(X ≥ k + 1) = 1 −

¸
j=k+1
(1 −p)
j−1
p
= 1 −p

¸
j=k
(1 −p)
j
= 1 −p


¸
j=0
(1 −p)
j

k−1
¸
j=0
(1 −p)
j
¸
¸
= 1 −p
¸
1
p

(1 −p)
k
−1
−p

= 1 −p
¸
1 + (1 −p)
k
−1
p

= 1 −(1 −p)
k
Ent˜ao
F(k) = 1 −(1 −p)
k
com k = 1,2, . . .
Propriedade da falta de mem´oria:
A partir da fun¸c˜ao de distribui¸c˜ao da v.a. geom´etrica calculada acima, podemos concluir que:
P(X > k) = (1 −p)
k
com k = 1,2, . . .
Baseado neste resultado, calculamos a probabilidade condicional de que X assuma valores maiores
que (k
1
+ k
2
), sabendo que X > k
1
, para k
1
e k
2
inteiros positivos. Ou seja, estamos interessados em
calcular:
P(X > k
1
+k
2
[X > k
1
)
Aplicando a defini¸c˜ao de probabilidade condicional podemos achar:
P(X > k
1
+k
2
[X > k
1
) =
P(X > k
1
+k
2
,X > k
1
)
P(X > k
1
)
=
P(X > k
1
+k
2
)
P(X > k
1
)
=
(1 −p)
k
1
+k
2
(1 −p)
k
1
= (1 −p)
k
2
= P(X > k
2
)
Ou seja, se X ∼ G(p),
P(X > k
1
+k
2
[X > k
1
) = P(X > k
2
)
Esta propriedade ´e conhecida como falta de mem´oria da distribui¸c˜ao geom´etrica.
Deixamos como exerc´ıcio a prova de que:
P(X = k
1
+k
2
[X > k
1
) = P(X = k
2
)
e
P(X ≤ k
1
+k
2
[X > k
1
) = P(X ≤ k
2
)
61
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Exemplo:
Na linha de produ¸c˜ao do exemplo anterior, em que a probabilidade de produzir item defeituoso ´e de
0,01 vimos que a probabilidade de se observar 10 pe¸cas para achar a primeira defeituosa ´e de 0,017631.
Dado que observamos trinta pe¸cas sem defeito, qual a probabilidade que achemos o primeiro defeito na
quadrag´esima observa¸c˜ao?
Solu¸c˜ao: Pela propriedade de falta de mem´oria, 0,017631.
M´edia e variˆancia: Se X for uma vari´avel aleat´oria geom´etrica com parˆametro p ent˜ao a m´edia e
a variˆancia de X ser˜ao:
µ = E(X) =
1
p
σ
2
= V (X) =
1 −p
p
2
Exemplo:
No caso anterior em que o m´edico est´a procurando um paciente com sangue tipo O

quantas pessoas
ele espera testar at´e achar o tipo de sangue desejado?
Solu¸c˜ao:
E(X) =
1
p
=
1
0,07
= 14,3
A figura abaixo mostra exemplos de distribui¸c˜oes geom´etricas para alguns valores de p
Figura 3.4: Distribui¸c˜ao Geom´etrica - valores crescentes de p
Geométrica(0,05)
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
x
f
(
x
)
Geométrica(0,10)
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
x
f
(
x
)
Geométrica(0,50)
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
x
f
(
x
)
Geométrica(0,9)
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
x
f
(
x
)
62
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Observa¸ c˜ao: Alguns autores definem a vari´avel com distribui¸c˜ao geom´etrica como aquela que define o
n´ umero de repeti¸c˜oes independentes de experimentos de Bernoulli com probabilidade de sucesso p, antes
que aconte¸ ca o primeiro sucesso. Sob esta defini¸c˜ao f(x) = (1 −p)
x
p x = 0, 1, 2, . . . .
3.6.5 Distribui¸c˜oes binomial negativa
Uma generaliza¸c˜ao da distribui¸c˜ao geom´etrica ´e aquela em que a vari´avel aleat´oria ´e o n´ umero de
repeti¸c˜oes at´e obtermos o r
o
sucesso.
Calcular a probabilidade P(X = k) significa calcular a probabilidade de que foram necess´arias k
tentativas at´e obtermos r sucessos, ou seja nas primeiras k −1 repeti¸c˜oes tivemos r −1 sucessos e k −r
fracassos. Al´em do mais, a k−´esima repeti¸c˜ao resultou em sucesso.
P(. . . . . . . . . . . . . . . . . . . . . . . .
. .. .
k-1 repeti¸c˜ oes, r-1 sucessos
S) =

k −1
r −1

(1 −p)
k−r
p
r
Podemos ent˜ao definir:
Defini¸c˜ao 14. Em uma s´erie de tentativas independentes de Bernoulli, com probabilidade constante p
de sucesso, fa¸ca a vari´avel aleat´oria X denotar o n´ umero de tentativas at´e que r sucessos ocorram. Ent˜ao
X tem distribui¸c˜ao binomial negativa, com parˆametros p e r, nota¸c˜ao X ∼ BN(r,p) e
f(x) =

x −1
r −1

(1 −p)
x−r
p
r
para x = r, r + 1, r + 2, . . .
Como s˜ao necess´arias pelo menos r tentativas para se obter r sucessos, o contradom´ınio de X ´e
R
X
= ¦r, r + 1, r + 2, . . . ¦. No caso especial em que r = 1, uma vari´avel aleat´oria binomial negativa ´e
uma v.a. geom´etrica.
Exemplos:
1. Um casal deseja ter duas filhas mulheres. Encontre a distribui¸c˜ao do n´ umero de filhos que eles
precisam ter para atingir esta meta, sabendo-se que a cada concep¸c˜ao a chance ´e a mesma para
qualquer dos dois sexos.
Solu¸c˜ ao:
Chamando X a vari´avel n´ umero de filhos para que sejam 2 mulheres, vemos que X ∼ BN(2; 0,5)
com x ≥ 2. Assim
P(X = x) =

x −1
1

(1 −p)
x−2
p
2
x = 2,3, . . .
P(2) = 1 0,5
0
(0,5)
2
= 0,25 P(3) = 2 0,5
1
0,5
2
= 0,25
P(4) = 3 0,5
2
0,5
2
= 0,1875 P(5) = 4 0,5
3
0,5
2
= 0,125
P(6) = 5 0,5
4
0,5
2
= 0,078 P(7) = 6 0,5
5
0,5
2
= 0,047
2. Uma linha de produ¸c˜ao em grande escala produz 6% de itens defeituosos. Retiramos sucessiva-
mente amostras da produ¸c˜ao at´e que apare¸ca o quarto item defeituoso. Qual a probabilidade de
que observemos pelo menos 30 itens?
63
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Solu¸c˜ ao:
Se X ´e o n´ umero de itens observados at´e que apare¸ca o quarto defeituoso ent˜ao X ∼ BN(4; 0,06) e
P(X ≥ 30) = 1 −P(x < 30) = 1 −
29
¸
x=1

x −1
3

(0,94)
x−4
0,06
4
= 1 −0,093143 = 0,906857
O nome Binomial Negativa adv´em do fato de que na distribui¸c˜ao binomial o n´ umero de repeti¸c˜oes ´e
fixo e o n´ umero de sucessos varia, na binomial negativa temos o contr´ario, o n´ umero de sucessos ´e fixo e
o que varia ´e o n´ umero de repeti¸c˜oes.
M´edia e variˆancia: Se X ∼ BN(r,p) ent˜ao:
µ = E(X) =
r
p
σ
2
= V (X) =
r(1 −p)
p
2
Exemplos:
1. Quantos filhos em m´edia o casal dever´a ter para ter duas filhas?
Solu¸c˜ ao: µ = E(X) =
2
0,5
= 4
2. Qual o n´ umero esperado de retiradas da linha de produ¸c˜ao at´e achar o quarto item defeituoso?
Solu¸c˜ ao: µ = E(X) =
4
0,06
= 66,7
A figura abaixo mostra alguns exemplos da distribui¸c˜ao binomial negativa, para varia¸ c˜oes de p com r
fixo e para varia¸c˜oes de r com p fixo:
BinomialNegativa(5;0,1)
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
x
f
(
x
)
BinomialNegativa(5;0,2)
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
x
f
(
x
)
BinomialNegativa(5;0,4)
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
x
f
(
x
)
BinomialNegativa(5;0,5)
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
x
f
(
x
)
64
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
BinomialNegativa(5;0,3)
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
x
f
(
x
)
BinomialNegativa(10;0,3)
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
x
f
(
x
)
BinomialNegativa(20;0,3)
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
x
f
(
x
)
BinomialNegativa(30;0,3)
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
x
f
(
x
)
3.6.6 Distribui¸c˜ao hipergeom´etrica
Considere uma popula¸c˜ao formada por N objetos dos quais K s˜ao do tipo A e N − K do tipo B.
Suponha que uma amostra de tamanho n ser´a retirada, sem reposi¸c˜ao, desta popula¸c˜ao. Denote X a
vari´avel aleat´oria que conta o n´ umero de objetos tipo A na amostra.
C´alculo da fun¸c˜ao de probabilidade de X: Em primeiro lugar, vemos que existem

N
n

formas de
escolher n objetos de uma popula¸c˜ao de N objetos. Existem

K
x

formas de escolhermos x elementos tipo
A de um grupo de K e

N−K
n−x

formas de escolher n −x objetos tipo B de um total de (N −K). Ent˜ao,
pelo princ´ıpio da multiplica¸ c˜ao, existem

K
x

N−k
n−x

formas de se escolher n objetos dos quais x do tipo A
e n −x do tipo B. Temos ent˜ao:
Defini¸c˜ao 15. Uma vari´avel aleat´oria X, que conta o n´ umero de objetos do tipo A presentes em uma
amostra aleat´oria de tamanho n retirada de uma popula¸c˜ao de tamanho N, contendo K objetos do tipo
A e N −K objetos do tipo B; tem uma distribui¸c˜ao hipergeom´etrica, nota¸c˜ao X ∼ H(K,N,n) e
f(x) =

K
x

N −K
n −x

N
n
x = 0,1,2,...,n e m´ax¦0,n +K −N¦ ≤ x ≤ m´ın¦K,n¦
As restri¸c˜ oes para o contradom´ınio de x se devem a:
Limite inferior: se amostra for maior que o n´ umero de objetos tipo B, o menor valor de x ser´a
n −(N −K) = n +K −N.
Limite superior: na amostra n˜ao pode haver mais objetos tipo A que o total deles na popula¸c˜ao ou o
pr´oprio tamanho da amostra.
65
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Exemplos:
1. Uma f´abrica produz pe¸cas que s˜ao embaladas em caixas com 25 unidades. Para aceitar o lote re-
cebido deste fabricante, o controle de qualidade de uma empresa faz o seguinte teste: sorteia uma
caixa do lote e desta caixa sorteia 5 pe¸cas sem reposi¸c˜ao desta caixa. Se o n´ umero m´aximo de de-
feituosas na amostra for 2 a empresa aceita o lote. Se a caixa sorteada contiver 4 pe¸cas defeituosas,
qual a probabilidade do lote ser rejeitado?
Solu¸c˜ ao:
Se X ´e o n´ umero de pe¸cas defeituosas na amostra, ent˜ao X ∼ H(4,25,5) e
P(X > 2) =
4
¸
x=3

4
x

21
5 −x

25
5
=

4
3

21
2

25
5
+

4
4

21
1

25
5
= 0,015810 + 0,000395 = 0,016205
2. A sala tem 47 homens e 13 mulheres. Se quisermos formar aleatoriamente uma comiss˜ao de 6
pessoas, qual a probabilidade de metade serem mulheres?
Solu¸c˜ ao:
P(X = 3) =

13
3

47
3

60
6
= 0,092631
M´edia e variˆancia: Se uma vari´avel aleat´oria tem distribui¸c˜ao hipergeom´etrica, ou seja, se X ∼
H(K,N,n) ent˜ao:
µ = E(X) = np e σ
2
= V (X) = np(1 −p)
N −n
N −1
onde p = K/N
Exemplo:
Estima-se que na popula¸c˜ao de Belo Horizonte, de 2,5 milh˜oes de pessoas, 0,5% sejam hipertensos.
Uma pesquisa de um laborat´orio sorteia 200 pessoas ao acaso na popula¸c˜ao, qual o n´ umero esperado de
hipertensos entre os 200 sorteados?
Solu¸c˜ao:
Se X ´e o n´ umero de hipertensos entre os 200 escolhidos, ent˜ao X ∼ H(12.500,2.500.000,200) e:
E(X) = 200
12.500
2.500.000
= 1
Se compararmos uma vari´avel aleat´oria hipergeom´etrica e uma binomial veremos que a m´edia ´a
calculada da mesma forma e a variˆancia s´o difere pelo fator
N −n
N −1
chamado de fator de corre¸c˜ao para popula¸c˜ao finita.
66
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
Este fator de corre¸c˜ao deve-se ao fato de que no experimento com distribui¸c˜ao hipergeom´etrica a
amostragem ´e sem reposi¸c˜ao, isto ´e, a cada escolha a probabilidade de retirarmos um elemento do tipo
A se modifica, ao passo que no experimento binomial esta probabilidade ´e constante.
No entanto se n for muito pequeno em rela¸c˜ao a N esta corre¸c˜ao ser´a t˜ao pequena que podemos
aproximar a distribui¸c˜ao hipergeom´etrica pela binomial:
Veja no exemplo abaixo:
Se formos tirar uma amostra de 8 elementos de uma total de 10, a corre¸c˜ao ser´a
10−8
9
= 0,22. Se formos
retirar uma amostra de 8 elementos de uma popula¸c˜ao de 1000 o fator de corre¸c˜ao ser´a
1000−8
999
= 0,993.
Nesta circunstˆancia a distribui¸c˜ao hipergeom´etrica com parˆametros K, N e n pode ser aproximada
por uma distribui¸c˜ao binomial com parˆametros n e p = n/N.
Exemplo:
A popula¸c˜ ao de um bairro ´e de 10.000 pessoas das quais 8.000 possuem televis˜ao. Se escolhermos alea-
toriamente uma amostra de 100 moradores, qual a probabilidade de que pelo menos 80 possuam televis˜ao?
Solu¸c˜ao:
Seja X o n´ umero de pessoas na amostra com televis˜ao em casa. Ent˜ao X ∼ H(8.000,10.000,100) e a
probabilidade solicitada ´e:
P(X ≥ 80) =
100
¸
x=80

8.000
x

2.000
100 −x

10.000
100

Essa conta infind´avel pode ser aproximada por uma vari´avel binomial com n = 100 e p = 8.000/10.000 =
0,8. A probabilidade solicitada ´e aproximadamente ent˜ao:
P(X ≥ 80) =
100
¸
x=80

100
x

0,8
x
(1 −0,8)
100−x
Com aux´ılio de computador achamos 0,4602 e 0,4598 para as duas probabilidades, valores muito
pr´oximos um do outro. O gr´afico abaixo mostra a aproxima¸ c˜ao da hipergeom´etrica pela binomial com os
dados do exemplo acima:
Comparação entre Hipergeométrica e Binomial
0,00
0,02
0,04
0,06
0,08
0,10
X
f
(
x
)
H(8.000,10.000,100)
Bin(100;0,8)
50 60 70 80 90 100
67
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
3.6.7 Distribui¸c˜ao de Poisson
Considere uma vari´avel aleat´oria X com distribui¸c˜ao binomial com parˆametros n e p. Quando n ´e
suficientemente grande e p suficientemente pequeno, defina λ = np, e a fun¸c˜ao de probabilidade de X
pode ser aproximada por
P(X = k) =
e
−λ
λ
k
k!
com k = 0,1,2, . . .
Esta ´e conhecida como fun¸c˜ao de probabilidade de Poisson. Nota¸c˜ao X ∼ P(λ)
Exemplos deste tipo de vari´avel aleat´oria s˜ao:
1. Na edi¸c˜ao de um texto, existe uma pequena probabilidade de se digitar um caracter (letra, n´ umero,
etc) errado. Desde que existe um n´ umero grande de caracteres em uma p´agina de um livro, a fun¸c˜ao
de probabilidade do n´ umero de erros em uma p´agina segue uma distribui¸c˜ao de Poisson.
2. Num jogo de futebol existem 30.480 de torcedores no est´adio. Existe uma pequena probabilidade,
igual a 10
−6
, de que uma pessoa sofra um acidente durante o jogo. Sob determinadas condi¸c˜oes
podemos assumir que existe independˆencia no comportamento das pessoas dentro do est´adio. Se
definirmos X : n´ umero de pessoas que se acidentam durante o jogo, temos
X ∼ b(30.480,10
−6
) ou X ≈ P(0,03048)
e assim
P(X = k) =
e
−0,03048
0,03048
k
k!
k = 0,1,2, . . .
A vari´avel aleat´oria de Poison est´a associada a eventos como:
• n´ umero de pessoas que chegam a uma fila em um minuto;
• n´ umero de buracos em um quilˆometro de estrada;
• n´ umero de raios que ca´ıram em uma regi˜ao durante 1 dia;
• n´ umero de bact´erias em 1 ml de ´agua;
• n´ umero de acessos a uma p´agina de internet em um minuto;
• n´ umero de part´ıculas emitidas por um metal radioativo por segundo;
• n´ umero de defeitos em 1 m
2
de tecido.
Exemplos:
1. O n´ umero de part´ıculas α emitidas por minuto por determinado elemento radioativo segue uma
distribui¸c˜ao de Poisson comλ = 5. Qual a probabilidade de haver mais de 2 emiss˜oes em um minuto?
Solu¸c˜ ao:
Seja X o n´ umero de part´ıculas emitidas por minuto, ent˜ao X ∼ P(5) e
P(X > 2) = 1 −P(X ≤ 2) = 1 −
2
¸
x=0
e
−5
5
x
x!
= 1 −(0,006738 + 0,033690 + 0,084224)
= 1 −0,124652 = 0,875348
68
3.6. DISTRIBUIC¸
˜
OES DISCRETAS MAIS COMUNS cpa/gsa
2. O n´ umero m´edio de erros de datilografia em um livro ´e de 1,5 por p´agina. Supondo que o modelo
de Poisson sirva para modelar este processo, ache a probabilidade de que em uma p´agina escolhida
ao acaso existam:
(a) nenhum erro
(b) mais de dois erros
Solu¸c˜ao:
P(X = 0) =
e
−1,5
1,5
0
0!
= e
−1,5
= 0,2231
P(X > 2) = 1 −P(x ≤ 2) = 1 −[0,2231 + 0,334695 + 0,251021] = 0,191153
M´edia e variˆancia: Desde que a distribui¸c˜ao de Poisson aparece como uma aproxima¸c˜ao da distri-
bui¸c˜ao binomial, ´e de se esperar que a m´edia seja igual a np = λ e a variˆancia seja igual a np(1 −p) = λ.
Este resultado pode ser provado usando-se as correspondentes defini¸c˜oes.
Um resultado importante envolvendo a distribui¸c˜ao de Poisson: se o n´ umero de ocorrˆencias de um
evento por unidade de tempo tem distribui¸c˜ao de Poisson com parˆametro λ, ent˜ao o n´ umero de ocorrˆencias
deste evento em um intervalo de tempo de comprimento t tem distribui¸c˜ao de Poisson com parˆametro λt..
Isto ´e, defina X : n´ umero de ocorrˆencias de um evento por unidade de tempo e X
t
: n´ umero de
ocorrˆencias deste evento em um intervalo de tempo de comprimento t. Se X ∼ P(λ), ent˜ao X
t
∼ P(λt).
A prova deste resultado foge ao alcance de nossa disciplina. (O leitor interessado pode ver, por exemplo,
em [4]).
Observa¸ c˜ao: O termo “tempo” no par´agrafo anterior ´e mais amplo do que tempo no sentido literal.
Isto ´e, podemos contar, por exemplo, o n´ umero de buracos por km de estrada; n´ umero de erros por p´agina
de um livro, n´ umero de irregularidades por m
2
de tecido, etc.
Exemplo:
O n´ umero de acessos `a p´agina da UFMG na internet pode ser modelado como uma vari´avel aleat´oria
de Poisson com um n´ umero m´edio de 3 acessos por minuto. Calcule:
1. Probabilidade de que a p´agina tenha 190 acessos em uma hora.
Solu¸c˜ ao Se λ = 3 em um minuto, em uma hora λ = 60 ∗ 3 = 180 ent˜ao
P(X = 190) =
e
−180
180
190
190!
= 0,022023
2. N´ umero esperado de acessos em 1 dia
Solu¸c˜ ao Se λ = 3 em um minuto, em um dia λ = 60 ∗ 3 ∗ 24 = 4.320 e como µ = E(X) = λ = 4.320
69
3.7. EXERC
´
ICIOS cpa/gsa
A figura abaixo mostra alguns exemplos da distribui¸c˜ao de Poisson, para valores crescentes de λ
Poisson(1)
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
f
(
x
)
Poisson(2)
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
f
(
x
)
Poisson(5)
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
f
(
x
)
Poisson(10)
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
f
(
x
)
3.7 Exerc´ıcios
1. Considere uma vari´avel aleat´oria com a seguinte fun¸c˜ao de probabilidade:
f(x) = (8/7)(1/2)
x
, x = 1, 2, 3.
Calcule:
(a) P(X ≤ 1)
(b) P(X > 1)
(c) P(2 < X < 6)
(d) P(X ≤ 1 ou X > 1)
2. O espa¸co amostral de um experimento aleat´orio ´e Ω = ¦a,b,c,d,e,f¦ e cada resultado ´e igualmente
prov´avel. Uma vari´avel aleat´oria ´e definida como segue:
resultado a b c d e f
x 0 0 1,5 1,5 2 3
Determine a fun¸c˜ao de distribui¸c˜ao cumulativa da vari´avel aleat´oria X e esboce seu gr´afico.
70
3.7. EXERC
´
ICIOS cpa/gsa
3. Com os dados da vari´avel aleat´oria X do exerc´ıcio anterior determine as seguintes probabilidades:
(a) P(X = 1,5)
(b) P(0,5 < X < 2,7)
(c) P(X > 3)
(d) P(0 ≤ X < 2)
(e) P(X = 0 ou X = 2)
4. Considere uma vari´avel aleat´oria com a seguinte fun¸c˜ao de probabilidade:
f(x) =
2x + 1
25
, x = 0, 1, 2, 3, 4.
Calcule:
(a) P(X = 4)
(b) P(X ≤ 1)
(c) P(2 ≤ X < 4)
(d) P(X > −10)
5. 6% das barras produzidas em grande escala n˜ao suportam um peso de 350 kg. Da produ¸c˜ao di´aria
destas barras testam-se algumas at´e encontrar a primeira a quebrar quando submetida a este peso.
(a) Calcule a probabilidade de termos que testar pelo menos 6 barras;
(b) Se as primeiras 4 barras n˜ao quebraram, qual a probabilidade de termos que testar pelo menos
mais 3 at´e que a primeira barra se quebre?.
6. Um vˆoo tem capacidade para 175 passageiros. O gerente da empresa a´erea sabe que apenas 92%
das pessoas que fazem reserva realmente viajam. Em fun¸c˜ao disto ele aceita 185 reservas para este
vˆoo.
(a) Forne¸ca uma express˜ao para a probabilidade de que todos os passageiros que comparecerem
ao embarque, tenham condi¸c˜ao de viajar;
(b) A probabilidade calculada pela express˜ao apresentada no item (a) ´e igual a 0,93162. De 10
vˆoos realizados, qual a probabilidade de que em no m´aximo um deles algum(ns) passageiro(s)
que comparecem na hora de embarcar n˜ao tenha(m) condi¸c˜ao de viajar?
(c) Quais s˜ao as suposi¸c˜oes que vocˆe precisa fazer para abordar os itens (a) e (b)?
7. O n´ umero de falhas por metro quadrado de um tecido ´e uma vari´avel aleat´oria com distribui¸c˜ao de
Poisson com m´edia igual a 0,2.
(a) Qual a probabilidade de que uma pe¸ca de tecido de 10 metros quadrados de tecido tenha no
m´aximo 5 falhas?
(b) Se vocˆe compra 100 pe¸cas de tecido de 10 metros quadrados cada, qual a probabilidade, de
que no m´aximo 2 pe¸cas tenham mais de 5 falhas?
71
3.7. EXERC
´
ICIOS cpa/gsa
8. O n´ umero de erros de digita¸c˜ao em uma p´agina de um livro ´e uma vari´avel aleat´oria de Poisson
com parˆametro λ = 1. Encontre a probabilidade de que:
(a) Em uma p´agina encontremos no m´aximo 2 erros.
(b) Em cinco p´aginas encontremos exatamente 5 erros.
9. A vari´avel aleat´oria Y assume os valores ¦−10, −2, 0, 5, y¦ com igual probabilidade.
(a) Qual o valor de y se E(Y ) = 0?
(b) Qual o desvio padr˜ao da v.a. Y ?
10. Vocˆe ´e o respons´avel pela linha de produ¸c˜ao de parafusos de uma metalurgia. A taxa nominal
de defeitos da linha de produ¸c˜ao ´e de 2%. Para controlar a qualidade da linha, verificando se
efetivamente a taxa de defeitos est´a dentro do previsto, vocˆe quer comparar dois tipos de teste:
No primeiro vocˆe retira aleatoriamente parafusos da linha de produ¸c˜ao at´e encontrar o primeiro
defeituoso. No segundo teste vocˆe retira 30 parafusos da linha de produ¸c˜ao e observa o n´ umero de
parafusos defeituosos em sua amostra.
(a) No primeiro teste qual a probabilidade de vocˆe retirar 20 parafusos?
(b) No segundo teste, qual a probabilidade de vocˆe encontrar exatamente 3 defeituosos?
(c) Vocˆe resolveu implantar o segundo teste, que passou a ser realizado todos os dias pela manh˜a.
Se forem encontrados mais de 2 parafusos defeituosos a linha ´e parada e entra em manuten¸c˜ao.
Sabendo que a f´abrica opera 7 dias por semana, qual a probabilidade de haver 2 paradas para
manuten¸ c˜ao na mesma semana?
72
Cap´ıtulo 4
Vari´aveis Aleat´orias Cont´ınuas
4.1 Introdu¸c˜ao
Em diversos experimentos ´ uteis no nosso dia a dia, medidas de interesse como
• corrente el´etrica em um fio de cobre;
• comprimento de uma pe¸ca usinada;
• peso de uma viga de concreto;
• tempo de falha de um componente eletrˆonico;
podem ser representadas por vari´aveis aleat´orias. O contradom´ınio destas vari´aveis aleat´orias ´e um
intervalo (finito ou infinito) de n´ umeros reais. Como o conjunto de valores poss´ıveis da vari´avel aleat´oria
X ´e infinito n˜ao enumer´avel, este contradom´ınio pode ser pensado como um continuum, da´ı o nome de
vari´aveis aleat´orias cont´ınuas.
4.2 Distribui¸c˜oes de probabilidades e fun¸c˜oes de densidade de
probabilidade
Consideremos a vari´avel X representando o comprimento das barras produzidas por uma empresa.
Se escolhemos 50 barras e medimos o comprimento destas barras podemos construir um histograma
e seu pol´ıgono de frequˆencia como o representado na figura 1a na pr´oxima p´agina. Se escolhemos
100, 200, 500, 1000 ou 5000 barras temos os histogramas com seus correspondentes pol´ıgonos de frequˆencia
representados nas figuras 1b a 1f.
Observemos que `a medida que aumentamos o tamanho da amostra, o pol´ıgono de frequˆencia torna-se
mais suave. Se fizermos n → ∞ teremos uma fun¸c˜ao n˜ao negativa f tal que


−∞
f(x)dx = 1. Essa
fun¸c˜ao, f, obtida por constru¸c˜ao ´e chamada de fun¸c˜ao de densidade de probabilidade, ou simplesmente
densidade.
73
4.2. PROBABILIDADE: DISTRIBUIC¸
˜
OES E FUNC¸
˜
AO DE DENSIDADE cpa/gsa
HistogramadeX:comprimentodabarra
paraamostrassucessivamentecrescentes
101,0 100,5 100,0 99,5 99,0 98,5
10
8
6
4
2
0
Comprimento em cm
F
r
e
q
u
ê
n
c
i
a
Histograma de X (n=50)
101,5 101,0 100,5 100,0 99,5 99,0 98,5
20
15
10
5
0
Comprimento em cm
F
r
e
q
u
ê
n
c
i
a
Histograma de X (n=100)
101,4 100,8 100,2 99,6 99,0 98,4
35
30
25
20
15
10
5
0
Comprimento em cm
F
r
e
q
u
ê
n
c
i
a
Histograma de X (n=200)
101,70 101,25 100,80 100,35 99,90 99,45 99,00 98,55
60
50
40
30
20
10
0
Comprimento em cm
F
r
e
q
u
ê
n
c
i
a
Histograma de X (n=500)
102,0 101,5 101,0 100,5 100,0 99,5 99,0 98,5
100
80
60
40
20
0
Comprimento em cm
F
r
e
q
u
ê
n
c
i
a
Histograma de X (n=1000)
Fig1a
Fig1c
Fig1e
Fig1b
Fig1d
Fig1f
102,0 101,5 101,0 100,5 100,0 99,5 99,0 98,5
400
300
200
100
0
Comprimento em cm
F
r
e
q
u
ê
n
c
i
a
Normal
Histograma de X (n=5000)
Desde que


−∞
f(x)dx = 1, ´e muito natural definir a probabilidade de que X assuma valores no
intervalo [a,b] como a integral de f neste intervalo, isto ´e, definimos:
P(a ≤ X ≤ b) =

b
a
f(x)dx.
Podemos provar que P assim definida satisfaz os 3 axiomas da probabilidade.
74
4.2. PROBABILIDADE: DISTRIBUIC¸
˜
OES E FUNC¸
˜
AO DE DENSIDADE cpa/gsa
A figura a seguir ilustra a probabilidade de a ≤ X ≤ b:
X
f(x)
a b
P(a < X < b)
Figura 4.1: Probabilidade determinada a partir da ´area sob f(x)
Se fizermos a = b, teremos:
P(X = a) = P(a ≤ X ≤ a) =

a
a
f(x)dx = 0 ∀a ∈ R.
Isto ´e, se X ´e uma vari´avel aleat´oria cont´ınua a probabilidade de que ela assuma o valor a ´e zero,
para qualquer valor de a, n´ umero real.
Como consequˆencia disto, temos que:
P(a ≤ X ≤ b) = P(X = a) +P(a < X ≤ b) = P(a < X ≤ b)
Analogamente podemos ver que:
P(a ≤ X ≤ b) = P(a ≤ X < b) = P(a < X < b)
Exemplos:
1. Seja a vari´avel aleat´oria X a corrente em miliamp`eres em um fio de cobre. Suponha que o con-
tradom´ınio de X ´e [0; 20] e a fun¸c˜ao de densidade de probabilidade de X ´e f(X) = 0,05 para
0 ≤ X ≤ 20 conforme figura abaixo:
x
f(x)
20 15 0
Qual a probabilidade que uma medida na corrente seja menor do que 15mA?
Solu¸c˜ ao:
P(X < 15) =

15
0
f(x)dx =

15
0
0,05dx = 15 0,05 = 0,75
75
4.3. FUNC¸
˜
AO DE DISTRIBUIC¸
˜
AO ACUMULADA cpa/gsa
2. O diˆametro de um orif´ıcio em uma placa met´alica ´e influenciado por diversas altera¸c˜oes no processo
de perfura¸c˜ao, podendo ser modelado por uma vari´avel aleat´oria com densidade de probabilidade
f(x) = 20e
−20(x−12,5)
, x ≥ 12,5 mm.
x
f(x)
12,6 12,5
A tolerˆancia do comprador da placas ´e que o furo possa ter no m´aximo 12,6 mm. Qual a probabi-
lidade de uma placa ser recusada pelo comprador?
Solu¸c˜ ao:
P(X > 12,60) =


12,6
f(x)dx =


12,6
20e
−20(x−12,5)
dx = −e
−20(x−12,5)


12,6
= 0,135335
4.3 Fun¸ c˜ao de distribui¸c˜ao acumulada
A fun¸c˜ao de distribui¸c˜ao acumulada, `as vezes referida apenas como fun¸c˜ao de distribui¸c˜ao, tamb´em
pode ser usada para descrever uma vari´avel aleat´oria cont´ınua.
Defini¸c˜ao 16. A fun¸c˜ao de distribui¸c˜ao cumulativa de uma vari´avel aleat´oria cont´ınua X avaliada
em a ´e definida por:
F(a) = P(X ≤ a) =

a
−∞
f(x)dx para −∞ < x < ∞.
Exemplos:
1. No exemplo 1 da se¸c˜ao anterior em que X era a corrente em miliamp`eres em um fio de cobre, calcule
a fun¸c˜ao de distribui¸c˜ao cumulativa de X.
Solu¸c˜ ao:
Em primeiro lugar se x < 0, f(x) = 0, ent˜ao
F(x) = 0, para x < 0
e
F(a) =

a
0
f(x)dx = 0,05x para 0 ≤ x < 20
finalmente
F(x) =

x
0
f(x)dx = 1 para x ≥ 20
76
4.4. M
´
EDIA E VARI
ˆ
ANCIA cpa/gsa
Assim podemos escrever,
F(x) =

0 se x < 0,
0,05x se 0 ≤ x < 20.
1 se x ≥ 20.
O gr´afico abaixo mostra F(x):
x
F(x)
20
1
0
2. Achar a fun¸c˜ao de distribui¸c˜ao para a vari´avel aleat´oria “diˆametro do furo”no exemplo 2 da se¸c˜ao
anterior.
Solu¸c˜ ao:
Temos inicialmente,
F(x) = 0, para x < 12,5
e
F(a) =

a
12,5
20e
−20(x−12,5)
dx = 1 −e
−20(x−12,5)
para x ≥ 12,5
obtemos ent˜ao
F(x) =

0 se x < 12,5,
1 −e
−20(x−12,5)
se x ≥ 12,5.
O gr´afico de F(x) ´e:
x
F(x)
12,5
1
4.4 M´edia e variˆancia
A m´edia e variˆancia de uma vari´avel aleat´oria cont´ınua s˜ao definidas de modo similar a uma vari´avel
aleat´oria discreta, substituindo-se a soma pela integra¸ c˜ao, assim
77
4.4. M
´
EDIA E VARI
ˆ
ANCIA cpa/gsa
Defini¸c˜ao 17. Suponha que X seja uma vari´avel aleat´oria cont´ınua com fun¸c˜ao de densidade de proba-
bilidade f().
A m´edia ou o valor esperado de X denotado por µ ou E(X), ´e
µ = E(X) =


−∞
xf(x)dx
A variˆancia de X denotada por σ
2
ou V (X), ´e
σ
2
= V (x) =


−∞
(x −µ)
2
f(x)dx =


−∞
x
2
f(x)dx −µ
2
E o desvio-padr˜ao de X ´e σ = [V (X)]
1/2
.
As propriedades da m´edia e variˆancia s˜ao similares `aquelas enunciadas no caso discreto.
Al´em disso definimos outras medidas de posi¸c˜ao para vari´aveis aleat´orias cont´ınuas como:
Mediana: a mediana ´e o valor md que tem a propriedade
P(X ≥ md) = 0,5 e P(X ≤ md) = 0,5
Moda: a moda ´e o valor mo tal que
f(mo) = max
x
f(x)
Primeiro e terceiro quartis: S˜ao respectivamente os valores x
q1
e x
q3
tais que:
P(X ≤ x
q1
) = 0,25 e P(X ≤ x
q3
) = 0,75
quantil x
q
: P(X ≤ x
q
) = q
Exemplos:
1. Qual a m´edia, variˆancia e mediana da v.a. X do exemplo da medida de corrente no fio de cobre?
Solu¸c˜ ao:
µ = E(X) =

20
0
xf(x)dx =
0,05x
2
2

20
0
= 10
σ
2
= V (X) =

20
0
(x −10)
2
f(x)dx =
0,05(x −10)
3
3

20
0
=
50
3
+
50
3
= 33,33

md
0
f(x)dx = 0,5 → 0,05x

md
0
= 0,5 → md =
0,5
0,05
= 10
Neste caso como a fun¸c˜ao de densidade ´e sim´etrica em torno de 10, a m´edia e mediana s˜ao iguais.
78
4.4. M
´
EDIA E VARI
ˆ
ANCIA cpa/gsa
2. Qual a m´edia e a variˆancia da v.a. X do exemplo do diˆametro do furo na placa met´alica?
Solu¸c˜ ao:
µ = E(X) =


12,5
xf(x)dx =


12,5
x20e
−20(x−12,5)
Se fizermos u = x du = dx dv = 20e
−20(x−12,5)
v = −e
−20(x−12,5)
, temos
µ = E(X) = −xe
−20(x−12,5)


12,5
+


12,5
e
−20(x−12,5)
dx
= 12,5 −
e
−20(x−12,5)
20


12,5
= 12,5 + 0,05 = 12,55
V (X) =


12,5
(x −12,55)
2
f(x)dx = 0,0025 (integrando por partes).
Finalmente calculemos a mediana:

md
12,5
f(x)dx = 0,5 → −e
−20(x−12,5)

md
12,5
= 0,5 → 1 −e
−20(md−12,5)
= 0,5
e
−20(md−12,5)
= 0,5 → −20(md −12,5) = ln(0,5) → 20(md −12,5) = ln2
md −12,5 = 0,034657 → md ≈ 12,53
Exemplo a t´ıtulo de exerc´ıcio:
f(x) =

1
40
(
x
10
+ 1) se 0 ≤ x ≤ 20,
0 caso contr´ario.
(a) Verificar se f(x) ´e uma fun¸c˜ao densidade de probabilidade;
(b) Calcular a probabilidade de que X seja menor ou igual a 8;
(c) Calcular a m´edia, mediana e variˆancia de X
Solu¸c˜ oes
O gr´afico da fun¸c˜ao ´e:
x
f(x)
20
1/40
3/40
0 10
79
4.5. DISTRIBUIC¸
˜
AO UNIFORME CONT
´
INUA cpa/gsa
(a) Para checar se ´e fun¸c˜ao de densidade, observemos primeiro que f(x) ≥ 0. Resta checar que

20
0
f(x)dx = 1.

20
0
1
40

x
10
+ 1

dx =
x
2
800
+
x
40

20
0
=
400
800
+
20
40
= 1 (provando que ´e).
(b) A probabilidade pedida ´e:
P(X ≤ 8) =

8
0
1
40

x
10
+ 1

dx =
x
2
800
+
x
40

8
0
=
64
800
+
8
40
= 0,08 + 0,20 = 0,28
(c) Para calcularmos as medidas solicitadas
µ = E(X) =

20
0
xf(x) =

20
0
x
40

x
10
+ 1

dx =
x
3
1200
+
x
2
80

20
0
=
8000
1200
+
400
80
= 6,67+5 = 11,67

md
0
1
40

x
10
+ 1

dx = 0,5 →
x
2
800
+
x
40

md
0
= 0,5 → (md)
2
+20(md) −400 = 0 → md ≈ 12,36
σ
2
= V (X) =

20
0
(x −µ)
2
f(x) = E(X
2
) −[E(X)
2
]
E(X
2
) =

20
0
x
2
f(x) =

20
0
x
2
40

x
10
+ 1

dx =
x
4
1600
+
x
3
120

20
0
=
160000
1600
+
8000
120
= 266,67
V (X) = 266,67 −(11,6667)
2
≈ 30,56 (σ = 5,53)
4.5 Distribui¸c˜ao uniforme cont´ınua
.
A distribui¸c˜ao cont´ınua uniforme ´e a mais simples, e an´aloga `a sua correspondente discreta
Defini¸c˜ao 18. Dizemos que uma vari´avel aleat´oria cont´ınua X tem distribui¸c˜ao uniforme no intervalo
[a,b] se:
f(x) =
1
(b −a)
, a ≤ x ≤ b.
Nota¸c˜ao X ∼ U[a, b].
Podemos deduzir:
µ = E(X) =

b
a
x
b −a
dx =
x
2
2(b −a)

b
a
=
b
2
2(b −a)

a
2
2(b −a)
=
b
2
−a
2
2(b −a)
=
(b −a)(a +b)
2(b −a)
=
a +b
2
e
E(X
2
) =

b
a
x
2
b −a
dx =
x
3
3(b −a)

b
a
=
b
3
−a
3
3(b −a)
=
a
2
+ab +b
2
3
e portanto
V (X) =
a
2
+ab +b
2
3

¸
a +b
2

2
=
4a
2
+ 4ab + 4b
2
−3a
2
−3b
2
−6ab
12
=
a
2
−2ab +b
2
12
=
(b −a)
2
12
80
4.5. DISTRIBUIC¸
˜
AO UNIFORME CONT
´
INUA cpa/gsa
Em resumo temos:
A m´edia e a variˆancia de uma vari´avel aleat´oria cont´ınua uniforme X sobre [a,b] s˜ao:
µ = E(X) =
(a +b)
2
σ
2
= V (X) =
(b −a)
2
12
A figura abaixo mostra um exemplo de uma vari´avel aleat´oria cont´ınua uniforme:
x
f(x)
b
1/(b-a)
a
Para obtermos a fun¸c˜ao de distribui¸c˜ao da v.a. cont´ınua uniforme, vemos que se a < x < b vale:
F(x) =

x
a
1
b −a
dx =
x
(b −a)

x
a
=
x
(b −a)

a
(b −a)
Assim a descri¸c˜ao completa de F ´e:
F(x) =

0 se x < a,
(x −a)/(b −a) se a ≤ x ≤ b,
1 se x > b.
F(x) est´a representada na figura abaixo:
x
F(x)
b
1
a
Exemplo:
Para testar a resistˆencia de tubos de PVC t´ecnicos submetem os mesmos a grandes press˜oes at´e que
apare¸ca o primeiro vazamento. Sabendo que os tubos possuem 6 m de comprimento e que o vazamento
tem probabilidade igual de ocorrer em intervalos de comprimento iguais, qual a probabilidade de que o
vazamento ocorra a no m´aximo 1 metro de uma das extremidades?
Solu¸c˜ao:
Se chamarmos X a vari´avel aleat´oria que indica a distˆancia do vazamento a uma das extremidades
do tubo, vemos que X ∼ U[0,6], e a fun¸c˜ao de densidade de X ´e
f(x) =

1/6 se 0 ≤ x ≤ 6,
0 caso contr´ario.
81
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
A probabilidadde de que o vazamento esteja no m´aximo a um metro das extremidades pode ser escrita
como:
P(0 ≤ x ≤ 1) +P(5 ≤ x ≤ 6) =

1
0
1
6
dx +

6
5
1
6
dx =
x
6

1
0
+
x
6

6
5
=
1
6
−0 +
6
6

5
6
=
1
3
4.6 Distribui¸c˜ao normal
A distribui¸c˜ao normal ´e uma das distribui¸c˜oes mais importantes na estat´ıstica. Esta distribui¸c˜ao
descreve o comportamento de diversas vari´aveis aleat´orias cont´ınuas e tamb´em ´e ´ util para aproximar a
distribui¸c˜ao de diversas vari´aveis aleat´orias discretas.
Diversos histogramas possuem formas similares `a forma da distribui¸c˜ao normal. Toda vez que se
replica um experimento aleat´orio, a vari´avel aleat´oria que for igual ao resultado m´edio (ou total) das
r´eplicas tender´a a ter uma distribui¸c˜ao normal, `a medida que o n´ umero de repeti¸c˜oes for se tornando
grande.
Outro exemplo da importˆancia da distribui¸c˜ao normal ´e visto no seguinte exemplo: o erro no com-
primento de uma pe¸ca usinada ´e uma soma de um grande n´ umero de erros infinitesimais. Efeitos como
varia¸c˜ oes na temperatura e na umidade, vibra¸c˜oes, mudan¸cas no ˆangulo de corte, desgates na ferramenta
de corte e nos mancais do torno, varia¸c˜oes na velocidade de rota¸c˜ao, varia¸ c˜oes na montagem e fixa¸c˜ao,
varia¸c˜ oes em in´ umeras caracter´ısticas da mat´eria prima, diferentes n´ıveis de contamina¸ c˜ao. Se cada com-
ponente produzir um erro de forma independente, em muitos casos pode-se demonstrar que o erro total
tem distribui¸c˜ao normal.
Al´em disso encontramos a distribui¸c˜ao normal no estudo de diversos fenˆomenos f´ısicos b´asicos.
A figura abaixo mostra o histograma da vari´avel altura da tabela estudada em 1.2.2, com uma distri-
bui¸c˜ao normal ajustada aos dados.
82
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
Definimos ent˜ao:
Defini¸c˜ao 19. Uma vari´avel aleat´oria X, com fun¸c˜ao de densidade de probabilidade
f(x) =
1

2πσ
e

(x−µ)
2

2
, −∞ < x < ∞;
´e dita ter distribui¸c˜ao normal, com parˆametros µ e σ
2
. O parˆametro µ ´e qualquer n´ umero real e σ
precisa ser positivo. Nota¸c˜ao: X ∼ N(µ,σ
2
)
O valor µ determina o centro da da fun¸c˜ao de densidade e σ
2
a dispers˜ao em torno da m´edia. Os
parˆametros µ e σ s˜ao conhecidos respectivamente como parˆametros de loca¸c˜ao e escala. Abaixo exemplos
de gr´aficos da densidade de distribui¸c˜oes normais para alguns valores de µ e σ
2
:
7,5 5,0 2,5 0,0 -2,5 -5,0
0,4
0,3
0,2
0,1
0,0
X
D
e
n
s
i
d
a
d
e
1
4
Variância
Normal; Média=0
Função de Densidade de Probabilidade
25 20 15 10 5 0 -5
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
X
D
e
n
s
i
d
a
d
e
5 9
10 16
Média Variância
Normal
Função de Densidade de Probabilidade
Algumas propriedades da Distribui¸c˜ao Normal:
1. Se X tem distribui¸c˜ao normal, ent˜ao E(X) = µ e V (X) = σ
2
.
2. A distribui¸c˜ao normal ´e sim´etrica em torno de µ, e por consequˆencia f(µ +a) = f(µ −a).
3. Se X ∼ N(µ
x
, σ
2
X
) e Y = aX +b, ent˜ao:
Y tem distribui¸c˜ao normal com m´edia µ
Y
= aµ
X
+b e variˆancia σ
2
Y
= a
2
σ
2
X
; isto ´e Y ∼ N(aµ
X
+
b, a
2
σ
2
X
).
4. Como caso particular, seja:
Z =
X −µ
σ
=
1
σ
X + (−
µ
σ
)
.
Usando a propriedade 3 acima, vemos que Z ∼ N(0,1). A vari´avel Z ´e conhecida como normal
padr˜ao e sua fun¸c˜ao densidade, representada por ϕ ´e:
ϕ(z) =
1


e

1
2
z
2
, −∞ < z < ∞
Lembrando a propriedade 2 vemos que ϕ(z) = ϕ(−z)
5. Em geral se uma vari´avel aleat´oria tem fun¸c˜ao de densidade sim´etrica em torno da m´edia, como ´e
o caso da distribui¸c˜ao normal, a mediana ´e igual `a m´edia.
83
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
6. A densidade da distribui¸c˜ao normal tem dois pontos de inflex˜ao: µ −σ e µ +σ.
7. Se X ´e uma vari´avel aleat´oria com distribui¸c˜ao normal,
lim
x→−∞
f(x) = 0 e lim
x→+∞
f(x) = 0
4.6.1 C´alculo de probabilidade
Para calcularmos a probabilidade no caso normal, considere X ∼ N(µ, σ
2
). Para a e b, n´ umeros reias,
calculemos P(a ≤ X ≤ b).
0,30
0,25
0,20
0,15
0,10
0,05
0,00
X
D
e
n
s
i
d
a
d
e
a b
Função de densidade
Desde que σ ´e positivo,
P(a ≤ X ≤ b) = P

a −µ
σ

X −µ
σ

b −µ
σ

= P

a −µ
σ
≤ Z ≤
b −µ
σ

= P

Z ≤
b −µ
σ

−P

Z <
a −µ
σ

Desde que Z ´e cont´ınua, esta ´ ultima probabilidade ´e igual a
P

Z ≤
b −µ
σ

−P

Z ≤
a −µ
σ

= Φ

b −µ
σ

−Φ

a −µ
σ

onde Φ ´e a fun¸c˜ao de distribui¸c˜ao normal padr˜ao e ´e representada na tabela 1 do apˆendice. A tabela
referida foi constru´ıda pelo autor com aux´ılio do software Minitab. Existem outras tabelas para c´alculo
da distribui¸c˜ao normal padr˜ao, e devemos estar atentos a como consultar cada uma delas.
Observa¸ c˜oes:
1. Desde que ϕ(z) = ϕ(−z), pode-se provar que para z > 0,
P(Z ≤ −z) = P(Z ≥ z) = 1 −P(Z ≤ z)
2. Tamb´em podemos provar que:
P(−z ≤ Z ≤ z) = 2P(Z ≤ z) −1
84
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
Exemplo:
Suponha que X ∼ N(100; 1,2). Calcule a P(98,3 ≤ X ≤ 101,4)
Solu¸c˜ao:
P(98,3 ≤ X ≤ 101,4) = P

98,3 −100

1,2

X −µ
σ

101,4 −100

1,2

= P(−1,55 ≤ Z ≤ 1,28)
= P(Z ≤ 1,28) −P(Z ≤ −1,55)
= P(Z ≤ 1,28) −[1 −P(Z ≤ 1,55)]
= 0,899727 −[1 −0,939429] = 0,839156
Alguns resultados ´ uteis, relativos `a distribui¸c˜ao normal, s˜ao sumarizados na figura a seguir:
:−F
:
:+F :−2F :+2F :−3F :+3F
f(x)
x
68%
95%
99,7%
Para qualquer vari´avel aleat´oria normal,
P(µ −σ < X < µ +σ) = 0,6827 P(µ −2σ < X < µ +2σ) = 0,9545 P(µ −3σ < X < µ +3σ) = 0,9973
A seguir apresentamos alguns exerc´ıcios para auxiliar na pr´atica de utiliza¸c˜ao da tabela da Normal
Padr˜ao (X ∼ N(0,1)):
f(x)
x
0 Zc
P(0 ≤ Z ≤ 1) = 0,341345
P(0 ≤ Z ≤ 2,13) = 0,483414
Se P(0 ≤ Z ≤ z
c
) = 0,45
ent˜ao z
c
= 1,64 ou 1,65
Se P(0 ≤ Z ≤ z
c
) = 0,49
ent˜ao z
c
= 2,33
85
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
f(x)
x
0 Zc −Zc
P(−1 ≤ Z ≤ 1) = 2P(0 ≤ Z ≤ 1) = 0,682690
.
Se P(−z
c
≤ Z ≤ z
c
) = 0,70
ent˜ao P(0 ≤ Z ≤ z
c
) = 0,70/2 = 0,35
e z
c
= 1,04
f(x)
x
0 −Z1
−Z2
P(−1 ≤ Z ≤ −0,5)
= P(−1 ≤ Z ≤ 0) −P(−0,5 ≤ Z ≤ 0)
.
= P(0 ≤ Z ≤ 1) −P(0 ≤ Z ≤ 0,5)
= 0,341345 −0191462 = 0,149883
f(x)
x
0
ZC
P(Z > 2) = P(Z > 0) −P(0 < Z < 2)
= 0,5 −0,477250 = 0,02275
P(Z > −2,14) = P(Z > 0) +P(−2,14 < Z < 0)
= 0,5 + 0,483823 = 0,983823
Se P(Z > z
c
) = 0,95
ent˜ao P(Z < z
c
) = 0,05 → z
c
= −1,64
Exemplos de problemas com vari´aveis aleat´orias com distribui¸c˜ao normal:
1. O tempo de vida, em anos, de um certo tipo de bateria tem distribui¸c˜ao normal com m´edia µ = 3
e desvio padr˜ao σ = 0,5. Qual a probabilidade de que uma bateria dure mais de 4 anos?
Solu¸c˜ ao
P(X > 4) = P

X −µ
σ
>
4 −µ
σ

= P

Z >
4 −3
0,5

= P(Z > 2) = 1 −P(Z ≤ 2) = 1 −0,977250 = 0,0228
ou seja, pouco mais de 2% das baterias duram mais de 4 anos.
86
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
2. Se X ∼ N(2,9) calcule
(a) P(X ≤ 4)
Solu¸c˜ao:
P(X ≤ 4) = P

X −µ
σ

4 −2
3

= P(Z ≤ 0,6667) = 0,7486
(b) P(X > 4)
Solu¸c˜ao:
P(X > 4) = 1 −P(Z ≤ 0,6667) = 0,2514
(c) P(X ≤ 0)
Solu¸c˜ao:
P(X ≤ 0) = P

X −µ
σ

0 −2
3

= P(Z ≤ −0,6667)
= 1 −P(Z ≤ 0,6667) = 1 −0,748571 = 0,2514
(d) P(0 < X < 4)
Solu¸c˜ao:
P(0 < X < 4) = P

0 −2
3
< z <
4 −2
3

= P(−0,6667 < Z < 0,6667)
= P(Z ≤ 0,6667) −P(Z < −0,6667)
= P(Z ≤ 0,6667) −P(Z > 0,6667)
= P(Z ≤ 0,6667) −[1 −P(Z ≤ 0,6667)]
= 2P(Z ≤ 0,6667) −1
= 1,497142 −1 = 0,4971
(e) P(3 < X < 4)
Solu¸c˜ao:
P(3 < X < 4) = P

3 −2
3
< Z <
4 −2
3

= P(0,3333 < Z < 0,6667)
= P(Z ≤ 0,6667) −P(Z ≤ 0,3333) =
= 0,748571 −0,629300 = 0,1193
(f) valor de a tal que P(X > a) = 0,05
Solu¸c˜ao:
Pela regra de padroniza¸c˜ao sabemos que P(X > a) = P(Z >
a−µ
σ
2
) = 0,05, assim consultando
a tabela temos:
a −2
3
= 1,64 → a = (1,64 3) + 2 = 6,92
87
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
3. Em uma prova, a nota m´edia foi 74 e o desvio padr˜ao foi 7. Se 12% da turma obteve conceito A, e
as notas possuem distribui¸c˜ao normal, qual o limite entre as faixas A e B?
Solu¸c˜ ao:
Temos que calcular o valor de x tal que P(X > x) = 0,12 que ´e o mesmo que P

Z >
x −74
7

= 0,12
Pela tabela vemos que este valor ´e 1,175, assim resolvemos:
x −74
7
= 1,175 → x = (1,175 7) + 74 = 82,225
Assim o limite entre os conceitos A e B ´e aproximadamente 82,2.
4.6.2 Aproxima¸c˜oes das distribui¸c˜ oes binomial e de Poisson pela normal
Em diversos sistemas f´ısicos aparecem vari´aveis aleat´orias com distribui¸c˜ao binomial com valores de
n muito altos, tornando os c´alculos de probabilidade extremamente dif´ıceis mesmo para calculadoras e
computadores comuns. Nestes casos ´e conveniente utilizar a aproxima¸ c˜ao da distribui¸c˜ao binomial pela
normal. Veja a figura abaixo: a ´area de cada barra ´e igual `a probabilidade binomial de x que pode ser
aproximada pela ´area sob a fun¸c˜ao de densidade normal:
25 20 15 10 5
0,16
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
X
f
(
x
)
Binomial 30 0,5
Distribuição n p
Normal 15 7,5
Distribuição Média Variância
Quanto maior for n, melhor a aproxima¸ c˜ao:
70 60 50 40 30
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
X
f
(
x
)
88
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
Se lembramos que para uma vari´avel X ∼ Bin(n,p) n´os temos
E(x) = np V (X) = np(1 −p)
ent˜ao usaremos para aproximar a distribui¸c˜ao desta vari´avel uma distribui¸c˜ao normal com m´edia
µ = np e variˆancia σ
2
= np(1 −p).
Exemplo:
Em um canal digital de comunica¸c˜ao o n´ umero de bits recebidos com erro ´e uma vari´avel aleat´oria
binomial com probabilidade 110

5. Se 16 milh˜oes de bits forem transmitidos, qual ser´a a probabilidade
de se ter mais de 150 erros?
Solu¸c˜ao:
Como X ∼ Binomial(16.000.000; 1 10

5) temos
P(X > 150) =1 −P(X ≤ 150)
=1 −
150
¸
x=0

16.000.000
x

(10
−5
)
x
(1 −10
−5
)
16.000.000−x
Como este ´e um c´alculo dif´ıcil, usamos a aproxima¸c˜ao por uma normal com
µ = np = 16.000.000 10
−5
= 160 e σ =

160(1 −10
−5
).
Usando a padroniza¸c˜ao podemos calcular:
P(X > 150) =P

X −160

160(1 −10
−5
)
>
150 −160

160(1 −10
−5
)

=P(Z > −0,79) = P(Z < 0,79) = 0,785
Cabe ressaltar que a distribui¸c˜ao binomial s´o ´e sim´etrica para p = 0,5, e portanto a aproxima¸c˜ao pela
normal ser´a uma boa aproxima¸ c˜ao para valores de p pr´oximos a 0,5 com n suficientemente grande.
`
A
medida que n aumenta a aproxima¸c˜ao vai melhorando mesmo para p n˜ao pr´oximos de 0,5
Tamb´em uma vari´avel aleat´oria de Poisson pode ser aproximada pela distribui¸c˜ao normal. Assim:
Se X for uma vari´avel aleat´oria de Poisson com E(X) = λ e V (X) = λ ent˜ao
Z =
X −λ

λ
´e aproximadamente uma vari´avel aleat´oria normal padr˜ao para valores de λ suficientemente grandes.
Exemplo:
O n´ umero de ve´ıculos que entram por minuto no campus da UFMG pela portaria da Av. Antˆonio
Carlos tem distribui¸c˜ao de Poisson com λ = 10. Calcule a probabilidade aproximada de que em uma
89
4.6. DISTRIBUIC¸
˜
AO NORMAL cpa/gsa
hora entrem no m´aximo 650 ve´ıculos.
Solu¸c˜ao:
Seja X : n´ umero de ve´ıculos que entram por aquela portaria em 60 minutos, ent˜ao X ∼ P(600).
P(X ≤ 650) ≈ P

X −600

600

650 −600

600

≈ P

Z ≤
50
24,495

= P(Z ≤ 2,04) = 0,979325
A probabildade exata ´e:
P(X ≤ 650) =
650
¸
x=0
e
−600
600
x
x!
= 0,979346
Alguns autores sugerem no caso binomial usar a aproxima¸ c˜ao normal se np ≥ 5 e no caso da Poisson
quando λ > 15. Essas sugest˜oes foram dadas em ´epocas em que os recursos computacionais eram escassos
ou limitados. Atualmente essas sugest˜oes n˜ao precisam ser seguidas pois , por exemplo, quaiquer pacotes
estat´ısticos assim como planilhas eletrˆonicas calculam probabilidades envolvendo a vari´avel aleat´oria de
Poisson com λ > 15.
A figura abaixo ilustra a aproxima¸c˜ao de uma distribui¸c˜ao de Poisson com λ = 15 por uma normal
(15,

15). Esta aproxima¸c˜ao melhora `a medida que λ aumenta.
30 25 20 15 10 5 0
0,10
0,08
0,06
0,04
0,02
0,00
X
f
(
x
)
Poisson 15
Distribuição Lambda
Normal 15 3,87298
Distribuição Média Desv. Pad.
Exemplo:
Considere que o n´ umero de bact´erias em 1 cm
3
de esgoto recebido por determinada esta¸c˜ao de trata-
mento tenha distribui¸c˜ao Poisson com m´edia de 700. Se analisarmos 1 cm
3
qual a probabilidade de que
menos de 750 bact´erias sejam encontradas?
Solu¸c˜ao:
A probabilidade exata ´e:
P(X ≤ 750) =
750
¸
x=0
e
−700
700
x
x!
90
4.7. DISTRIBUIC¸
˜
AO EXPONENCIAL cpa/gsa
Como os c´alculos s˜ao complicados podemos aproximar por
P(X ≤ 750) = P

Z ≤
750 −700

700

= P(Z ≤ 1,89) = 0,970621
O resultado exato da Poisson obtido pelo Minitab ´e 0,970799.
4.7 Distribui¸c˜ao exponencial
Vimos que a vari´avel aleat´oria discreta de Poisson contava o n´ umero de ocorrˆencias em uma unidade
de medida como tempo, comprimento, ´area, etc.
Voltando `a subse¸c˜ao 3.6.7, vimos que se o n´ umero de ocorrˆencias por unidade de “tempo” tem dis-
tribui¸c˜ao de Poisson com parˆametro λ, ent˜ao o n´ umero de ocorrˆencias em um intervalo de tempo de
comprimento t tem distribui¸c˜ao de Poisson com parˆametro λt.
Consideremos agora a vari´avel aleat´oria Y : tempo at´e a primeira ocorrˆencia deste evento. Encontre-
mos a fun¸c˜ao de distribui¸c˜ao de Y :
Desde que Y ´e n˜ao negativa, para y > 0,
P(Y > y) = P(X
y
= 0) =
e
−λy
(λy)
0
0!
= e
−λy
Observe que Y > y se e somente se o evento n˜ao ocorreu at´e o instante y; ou seja X
y
= 0.
E assim
P(Y ≤ y) = F(y) =

0 se y ≤ 0,
1 −e
−λy
se y > 0.
Uma vari´avel aleat´oria com essa fun¸c˜ao de distribui¸c˜ao ´e dita ter distribui¸c˜ao exponencial com
parˆametro λ. Nota¸c˜ao X ∼ exp(λ). A fun¸c˜ao de densidade ´e dada por:
f(x) = λe
−λx
x > 0
Pode-se provar que o tempo entre duas ocorrˆencias consecutivas tem tamb´em distribui¸c˜ao exponencial
com o mesmo parˆametro λ.
Observa¸ c˜ao: Alguns textos usam a representa¸c˜ao
f(x) =

1
λ
e

1
λ
x
se x > 0,
0 caso contr´ario.
Se a vari´avel aleat´oria X tem distribui¸c˜ao exponencial com parˆametro λ ent˜ao:
E(X) =
1
λ
e V (X) =
1
λ
2
91
4.7. DISTRIBUIC¸
˜
AO EXPONENCIAL cpa/gsa
A figura abaixo mostra a densidade de uma vari´avel exponencial para alguns valores de λ
0
0,1
0,2
0,3
0,4
0,5
x
f
(
x
)
1 2 3 4 5
2
0,5
0,1
0,05
Valoresde λ
Exemplos:
1. Suponha que a dura¸c˜ao de certo equipamento eletrˆonico tenha distribui¸c˜ao exponencial (em horas)
com taxa λ = 0,001. Calcule:
(a) A probabilidade de o equipamento dure pelo menos 2.000 horas.
Solu¸c˜ao:
Se X ∼ Exp(0,001) ent˜ao
P(X ≥ 2000) =


2000
0,001e
−0,001x
dx
= 1 −

2000
0
0,001e
−0,001x
dx
= 1 +e
−0,001x

2000
0
= 1 +e
−2
−1 = e
−2
= 0,1353
(b) A m´edia e mediana do tempo de dura¸c˜ao do equipamento.
Solu¸c˜ao:
E(X) = µ =
1
λ
= 1.000 horas.

md
0
f(x)dx = 0,5 →

md
0
0,001e
−0,001x
dx = 0,5 → −e
−0,001x

md
0
92
4.7. DISTRIBUIC¸
˜
AO EXPONENCIAL cpa/gsa
resolvendo a equa¸c˜ao:
1 −e
−0,001md
= 0,5
e
−0,001md
= 0,5
ln(e
−0,001md
) = ln(0,5)
−0,001md = −ln(2)
md =
−0,69315
−0,001
= 693,15 horas
2. O tempo entre acessos a determinado servidor da web (em segundos) tem distribui¸c˜ao exponencial
com parˆametro 2.
(a) Ache a m´edia e o desvio padr˜ao do tempo entre acessos.
Solu¸c˜ao:
Se X ∼ Exp(2) ent˜ao E(X) = 0,5 e S =

0,25 = 0,5 segundos.
(b) Calcule a probabilidade do tempo entre dois acessos ser menor que 0,5 segundos.
Solu¸c˜ao:
P(X ≤ 0,5) =

0,5
0
2e
−2x
dx = −e
−2x

0,5
0
= 1 −e
−1
= 0,6321
Defini¸c˜ao 20. Propriedade de Falta de Mem´oria
Para uma vari´avel aleat´oria exponencial X, e t
1
e t
2
> 0
P(X > t
1
+t
2
[X > t
1
) =
P(X > t
1
+t
2
, X > t
1
)
P(X > t
1
)
=
P(X > t
1
+t
2
)
P(X > t
1
)
=
e
−λ(t
1
+t
2
)
e
−λt
1
= e
−λt
2
= P(X > t
2
)
Esta propriedade ´e conhecida como falta de mem´oria da distribui¸c˜ao exponencial.
Na pr´atica, se diss´essemos que o tempo at´e a primeira falha de um equipamento tem distribui¸c˜ao
exponencial, seria o mesmo que dizer que a probabilidade de falha num equipamento usado seria a mesma
de um equipamento novo, o que ´e imposs´ıvel. Outras distribui¸c˜oes s˜ao usadas para modelar problemas
de tempo at´e a falha ou confiabilidade de sistemas ou equipamentos. Apresentaremos algumas delas a
seguir.
93
4.8. DISTRIBUIC¸
˜
OES DE ERLANG E GAMMA cpa/gsa
4.8 Distribui¸c˜oes de Erlang e Gamma
4.8.1 Distribui¸c˜ao de Erlang
Como vimos na se¸c˜ao anterior a vari´avel aleat´oria exponencial mede o “tempo” at´e a primeira
ocorrˆencia de um processo de Poisson. Uma generaliza¸c˜ao desta distribui¸c˜ao ´e aquela vari´avel aleat´oria
que mede o “tempo” at´e a r-´esima ocorrˆencia deste evento. Definimos ent˜ao:
Defini¸c˜ao 21. A vari´avel aleat´oria X, que ´e igual ao comprimento do intervalo de tempo at´e que r
ocorrˆencias de um processo de Poisson com m´edia λ > 0 aconte¸cam tem uma distribui¸c˜ao de Erlang
com parˆametros λ e r. A fun¸c˜ao de densidade de probabilidade de X ´e:
f(x) =
λ
r
x
r−1
e
−λx
(r −1)!
, com x > 0 e r = 1, 2, . . .
A dedu¸c˜ ao dessa fun¸c˜ao de densidade escaa ao alcance da disciplina, o leitor interessado pode consul-
tas, por exemplo, [8].
A m´edia e variˆancia de uma vari´avel aleat´oria de Erlang com parˆametros lambda e r s˜ao:
µ = E(X) =
r
λ
σ
2
= V (X) =
r
λ
2
4.8.2 Distribui¸c˜ao Gamma
A distribui¸c˜ao de Erlang ´e um caso especial da distribui¸c˜ao Gama. Se o parˆametro r de uma vari´avel
aleat´oria de Erlang n˜ao for inteiro, ent˜ao a vari´avel aleat´oria ter´a uma distribui¸c˜ao Gama. Como na
densidade de Erlang o parˆametro r aparece como fatorial, temos que generalizar a fun¸c˜ao fatorial, pelo
que chamamos fun¸c˜ao gama definida por:
Γ(r) =

x
0
x
r−1
e
−x
dx, para r > 0
Pode-se demonstrar que a integral na defini¸c˜ao da fun¸c˜ao gama ´e finita e que:
Γ(r) = (r −1)Γ(r −1)
Assim se r for um inteiro positivo como na distribui¸c˜ao de Erlang, temos
Γ(r) = (r −1)!
A fun¸c˜ao de densidade de probabilidade da vari´avel aleat´oria com distribui¸c˜ao Gama ´e:
f(x) =
λ
r
x
r−1
e
−λx
Γ(r)
, com x > 0 e r > 0
A m´edia e variˆancia de uma distribui¸c˜ao Gama tamb´em s˜ao:
µ = E(X) =
r
λ
e σ
2
= V (X) =
r
λ
2
94
4.9. DISTRIBUIC¸
˜
AO DE WEIBULL cpa/gsa
A figura abaixo mostra a fun¸c˜ao de densidade de uma vari´avel aleat´oria Gama para alguns parˆametros
r e λ:
0
0,2
0,4
0,6
0,8
1
0 2 4 6 8 10 12
1 1
8,3 2
7,5 3,75
r λ
Veremos oportunamente um caso especial da distribui¸c˜ao Gama, em que o parˆametro λ = 1/2 e r igual
a um dos valores 1/2, 1, 3/2, 2, . . . .
´
E a distribui¸c˜ao Qui-quadrado, usada com frequˆencia na estima¸c˜ao
por intervalos e testes de hip´oteses, que ser˜ao estudados nos pr´oximos cap´ıtulos.
4.9 Distribui¸c˜ao de Weibull
A distribui¸c˜ao de Weibull ´e usada para modelar o tempo at´e uma falha de muitos sistemas f´ısicos
diferentes. Os parˆametros da distribui¸c˜ao s˜ao flex´ıveis e servem para modelar sistemas em que o n´ umero
de falhas aumenta com o tempo, diminui com o tempo ou permanece constante.
Defini¸c˜ao 22. A vari´avel aleat´oria X com fun¸c˜ao de probabilidade
f(x) =
β
δ

x
δ

β−1
e
−(x/δ)
β
para x > 0
´e dita ter distribui¸c˜ao de Weibull com parˆametros δ > 0 e β > 0 δ ´e chamado parˆametro de escala e
β parˆametro de forma.
Vocˆe pode verificar que quando β = 1 a distribui¸c˜ao de Weibull se reduz `a distribui¸c˜ao exponencial.
A fun¸c˜ao de distribui¸c˜ao cumulativa ´e frequentemente utilizada para calcular as probabilidades. Pode-
se obter o seguinte resultado:
Se X ∼ Weibull(δ, β) ent˜ao teremos:
F(x) =

0 se x ≤ 0,
1 −e
−(
x
δ
)
β
se x > 0.
95
4.10. DISTRIBUIC¸
˜
AO LOGNORMAL cpa/gsa
A flexibilidade da distribui¸c˜ao Weibull pode ser atestada pelos gr´aficos das fun¸c˜oes de densidade
mostrados na figura abaixo.
0
0,2
0,4
0,6
0,8
1
0 2 4 6 8 10 12
x
f
(
x
)
1,0
3,4
4,5
1,0
2,0
6,2
 
11,5 19,0
2
δ β
4.10 Distribui¸c˜ao Lognormal
Outra distribui¸c˜ao que aparece com frequˆencia na an´alise de experimentos de an´alise de falhas, con-
fiabilidade e an´alise de sobrevivˆencia, ´e a distribui¸c˜ao Lognormal.
Registramos a seguir a densidade, m´edia e variˆancia da vari´avel aleat´oria com distribui¸c˜ao Lognormal,
com parˆametros de loca¸c˜ao e escala respectivamente µ e σ
2
, al´em de ilustrarmos com o gr´afico de f(x)
para alguns valores de σ
2
:
f(x) =
1
x

2πσ
2
e

(ln(x)−µ)
2

2
, 0 < x < ∞; E(X) = e
µ+(σ
2
/2)
; V (X) =

e
σ
2
−1

e
2µ+σ
2
.
0
0,1
0,2
0,3
0,4
0,5
0,6
0 2 4 6 8 10 12
x
f
(
x
)
1,0
1,0
1,0
0,500
0,250
0,125
°
°
°
1,0 5,000
m s
2
96
4.11. EXERC
´
ICIOS cpa/gsa
4.11 Exerc´ıcios
1. Uma empresa de constru¸c˜ao disp˜oe de 200 oper´arios para trabalhar nas suas obras. De acordo
com hist´orico da empresa, 1% destes oper´arios faltam ao servi¸co. A empresa enfrentar´a s´erias
dificuldades se mais de 4 oper´arios faltarem ao servi¸co em um determinado dia.
(a) Forne¸ca uma express˜ao para a probabilidade de que em um dia determinado a empresa enfrente
s´erias dificuldades. Aproxime convenientemente esta probabilidade;
(b) Calcule a probabilidade de que em 10 dias, a empresa n˜ao tenha s´erias dificuldades em pelo
menos 8 deles. Que suposi¸c˜ao ´e necess´ario assumir neste item?
2. As notas de uma prova de um concurso nacional se distribuem de acordo a uma normal com m´edia
igual a 120,6 e desvio padr˜ao igual 5,8.
(a) Qual a probabilidade de que a nota de um estudante esteja entre 112,5 e 126,5?
(b) Se 65 candidatos s˜ao escolhidos ao acaso, aproxime a probabilidade de que pelo menos 50 deles
tenham nota entre 112,5 e 126,5;
(c) Qual ser´a a nota m´ınima aprovat´oria se 25% dos candidatos ser˜ao admitidos?.
3. O tempo, em horas, que uma equipe leva para realizar um tipo de tarefa tem distribui¸c˜ao exponencial
com m´edia igual a 200 horas.
(a) Qual a probabilidade de que a pr´oxima tarefa deste tipo seja executada em menos de 150
horas?
(b) Se 10 equipes igualmente eficientes realizam, cada uma, uma destas tarefas, qual a probabili-
dade de que no m´aximo uma equipe leve mais de 150 horas para complet´a-la?
4. O tempo de vida, em anos, de certo tipo de equipamento tem distribui¸c˜ao de Weibull com parˆametro
de forma β = 2,274 e parˆametro de escala δ = 4,391.
(a) Se o tempo de garantia destes aparelhos ´e de 18 meses, qual a probabilidade de que um
aparelho, escolhido ao acaso, atenda `a garantia?
(b) Qual deve ser o tempo de garantia se quisermos que 90% dos aparelhos atendam esta garantia?.
5. O tempo, em minutos, de utiliza¸c˜ao de um caixa eletrˆonico por clientes de um certo banco, foi
modelado por uma vari´avel T com densidade Exponencial(5). Calcule:
(a) P(T < 2);
(b) P(T ≤ 5[T > 3);
(c) Um n´ umero a tal que P(T ≤ a) = 0,8. Qual o valor e a interpreta¸ c˜ao de a?
6. O peso contido em pacotes de arroz tem distribui¸c˜ao normal com m´edia igual a 5.000 gramas e
variˆancia igual a 1600 gramas
2
97
4.11. EXERC
´
ICIOS cpa/gsa
a-) Qual a probabilidade de que um pacote contenha peso entre 4.944 e 5.056 gramas?
b-) Se 15 pacotes s˜ao escolhidos ao acaso, qual a probabilidade de que no m´aximo dois deles
contenham peso fora dos limites dados em (a)?
c-) Se 150 pacotes s˜ao escolhidos ao acaso, aproxime a probabilidade de que no m´ınimo 15 desses
pacotes e no m´aximo 30 contenham peso fora dos limites em (a).
7. O peso de ruptura de certo tipo de barras tem distribui¸c˜ao normal. Mediu-se o peso de ruptura 16
dessas barras, encontrando-se uma m´edia de ¯ x = 289,2 kg e uma variˆancia amostral S = 18,49 kg
2
.
(a) Encontre um intervalo de 90% de confian¸ca para a m´edia do peso de ruptura dessas barras.
(b) Teste, ao n´ıvel α = 0,01, H
0
: µ = 300 contra H
1
: µ = 300.
(c) Teste, ao n´ıvel α = 0,05, H
0
: σ
2
= 15 contra H
1
: σ
2
= 15.
8. Vocˆe fabrica vergalh˜oes de a¸co para constru¸c˜ao cuja resistˆencia `a tra¸c˜ao ´e uma vari´avel aleat´oria
normal com m´edia 5.000 kg/cm
2
e variˆancia 400 kg
2
/cm
4
.
(a) Qual a probabilidade da resistˆencia da barra ficar entre 4.974 e 5.026kg/cm
2
?
(b) Qual o valor (r) da resistˆencia , se 95% das barras produzidas possuem resistˆencia maior que
(r)?
(c) Qual o percentual de barras produzidas com resistˆencia menor ou igual a 5.031 kg/cm
2
?
9. Vocˆe est´a submetendo corpos de prova de concreto, cuja resistˆencia `a compress˜ao ´e uma vari´avel
aleat´oria normal com m´edia 400 kg/cm
2
e variˆancia 25 kg
2
/cm
4
, a testes de ruptura.
(a) Qual a probabilidade da resistˆencia do corpo de prova ficar entre 390 e 405kg/cm
2
?
(b) Qual o valor (r) da resistˆencia , se 95% dos corpos de prova apresentarem resistˆencia maior
que (r)?
(c) Qual o percentual de corpos de prova com resistˆencia menor ou igual a 405,4 kg/cm
2
?
10. O tempo de vida de um certo tipo de ´oleo isolante tem distribui¸c˜ao Exponencial com parˆametro
λ = 0,2 anos.
(a) Se o fabricante desse equipamentos deseja oferecer uma garantia de tal forma que o tempo de
vida de 80% do ´oleo vendido ultrapasse o tempo de garantia, qual deve ser esse tempo?
(b) Se uma partida de ´oleo atendeu o tempo de garantia, qual a probabilidade que ele dure por
mais um ano?
11. Um estudante de p´os-gradua¸c˜ao est´a submetendo sua disserta¸c˜ao para corre¸c˜ao de um revisor que
cobra R$0,50 por cada erro de digita¸c˜ao encontrado. Sabendo-se que o n´ umero de erros por p´agina
´e uma vari´avel de Poisson com parˆametro λ = 0,5; responda:
(a) Se a tese tem 100 p´aginas, indique a probabilidade do custo de revis˜ao ser no m´aximo R$20,00?
(b) Qual ´e aproximadamente a probabilidade de que o custo de revis˜ao seja no m´aximo R$20,00?
98
Cap´ıtulo 5
Inferˆencia
5.1 Inferˆencia estat´ıstica
Nesse ´ ultimo cap´ıtulo abordaremos os conceitos fundamentais de Inferˆencia. No cap´ıtulo 1 descreve-
mos e representamos graficamente amostras obtidas de uma popula¸c˜ao. Nesse cap´ıtulo mostraremos
como usar a informa¸c˜ao obtida a partir da amostra para “inferir” sobre a popula¸c˜ao. Infelizmente, ao
fazer inferˆencia estamos sujeitos a erros. Uma forma de medirmos esses erros ´e usando ferramentas de
probabilidade, algumas das quais vistas no cap´ıtulo 2.
A Inferˆencia Estat´ıstica pode ser dividida em duas partes: estima¸c˜ao de parˆametros, apresentada
na se¸c˜ao 5.3 e testes de hip´oteses, que ser˜ao estudados na se¸c˜ao 5.4.
Imagine que um engenheiro de estruturas esteja analisando a resistˆencia `a compress˜ao do concreto
usado em uma obra. Esta resistˆencia sofre varia¸ c˜oes devidas a diferen¸cas nas mat´erias primas, erros de
dosagem, mudan¸cas na forma de concretagem, etc. e portanto o engenheiro est´a interessado em estabe-
lecer a resistˆencia m´edia. Na pr´atica ele ir´a usar corpos de prova (amostras) para calcular um n´ umero
que seja um valor razo´avel para a m´edia verdadeira. Este n´ umero ´e chamado de estimativa.
Considere agora que dois tipos de cimento c
1
e c
2
possam ser usados para prepara¸c˜ao do concreto. O
engenheiro conjectura que o cimento c
1
resulta em uma mistura com maior resistˆencia do que a obtida
com o cimento c
2
. O teste de hip´oteses estat´ısticas resolve problemas deste tipo. Neste caso a
hip´otese seria que a resistˆencia m´edia do concreto usando o cimento c
1
seria maior que a do concreto
obtido com o cimento c
2
.
5.2 Amostragem aleat´oria
Suponhamos que estamos produzindo parafusos e estes parafusos devem cumprir certas especifica¸c˜oes
para serem aceitos no mercado. Estas exigˆencias implicam em que µ = 10 cm e σ = 0,2 cm, onde µ e
σ s˜ao respectivamente a m´edia e o desvio padr˜ao da vari´avel aleat´oria X = comprimento do parafuso
que estamos produzindo. Se atendermos `as especifica¸c˜oes acreditamos que 95% de nossa produ¸c˜ao ser´a
aceita no mercado. Nossa primeira tarefa ser´a fazer uma produ¸c˜ao piloto, retirar uma amostra de ta-
manho n dela, e calcular
¯
X
n
e S
n
. Se estes valores ficarem perto de 10 e 0,2 respectivamente, temos
ind´ıcio de que podemos come¸car a produzir em grande escala. Uma segunda tarefa ser´a achar duas
fun¸c˜oes L(
¯
X
n

n
) e S(
¯
X
n

n
) tais que P(L(
¯
X
n

n
) ≤ X ≤ S(
¯
X
n

n
)) = 0,95. Dependendo dos valores
de L e S nossa linha de produ¸c˜ao ser´a liberada ou ter´a que ser submetida a algumas calibra¸c˜oes adicionais.
99
5.2. AMOSTRAGEM ALEAT
´
ORIA cpa/gsa
Suponhamos finalmente que, depois de certo tempo de produ¸c˜ao, verificamos que mais de 5% da nossa
produ¸c˜ao n˜ao est´a sendo aceita no mercado. Um primeiro motivo da rejei¸c˜ao de nosso produto poderia
ser o fato de que a m´edia deixou de ser 10. Se um comprador devolveu uma caixa de parafusos, porque
¯
X
encontrada naquela caixa foi menor que 10, ent˜ao poder´ıamos acreditar que precisamos reajustar nossa
linha de produ¸c˜ao para recuperar µ = 10; mas far´ıamos isto depois de verificar mediante um “teste de
hip´oteses”a afirma¸c˜ao do nosso comprador.
Podemos agora definir:
Defini¸c˜ao 23. Seja X uma vari´avel aleat´oria com fun¸c˜ao de densidade (f.d.p.) f
X
(x; θ). Sejam
X
1
,X
2
, . . . ,X
n
observa¸c˜oes independentes de X. Dizemos ent˜ao que X
1
,X
2
, . . . ,X
n
´e uma amostra
aleat´oria de tamanho n da vari´avel X.
Seja X uma vari´avel aleat´oria com fun¸c˜ao de densidade f(). Se X
1
,X
2
, . . . ,X
n
´e uma amostra aleat´oria
de X, estabelecemos, sem prova, que a fun¸c˜ao de densidade conjunta do vetor X = (X
1
,X
2
, . . . ,X
n
)
avaliado no ponto (x
1
,x
2
, . . . ,x
n
) ´e dada por
f(X
1
,X
2
, . . . ,X
n
) = f(x
1
)f(x
2
) . . . f(x
n
)
Se a densidade depende de um parˆametro θ, denotaremos
f(X
1
,X
2
, . . . ,X
n
; θ) = f(x
1
; θ)f(x
2
; θ) . . . f(x
n
; θ)
Exemplo:
Supondo que X ∼ N(µ,σ
2
), isto ´e, X tem distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
e seja
X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de X; ent˜ao a densidade conjunta avaliada no ponto (x
1
,x
2
, . . . ,x
n
)
´e dada por:
f(X
1
,X
2
, . . . ,X
n
; µ,θ) =
1
σ


e

1
2


(x
1
−µ)
2
σ
2


1
σ


e

1
2


(x
2
−µ)
2
σ
2


. . .
1
σ


e

1
2


(x
n
−µ)
2
σ
2


ou
f(X
1
,X
2
, . . . ,X
n
; µ,θ) =

1
σ

n
e

1
2


¸
n
i=1
(x
i
−µ)
2
σ
2


Nesse caso o parˆametro θ ´e bidimensional, θ = (µ,σ
2
).
Chamamos a aten¸c˜ao para a diferen¸ca entre uma amostra (x
1
,x
2
, . . . ,x
n
) como definido no cap´ıtulo
1 e uma amostra aleat´oria X
1
,X
2
, . . . ,X
n
. Para ilustrar esta diferen¸ca, imaginemos que estamos inves-
tigando o comprimento dos parafusos citados no par´agrafo anterior. Ent˜ao X
1
,X
2
, . . . ,X
n
s˜ao vari´aveis
aleat´orias independentes representando o comprimento dos parafusos antes da medi¸c˜ao efetiva. Depois
de fazermos as medi¸c˜oes teremos X
1
= x
1
, X
2
= x
2
, . . . , X
n
= x
n
; resumindo, amostra ´e a realiza¸c˜ao de
uma amostra aleat´oria.
A finalidade principal de se tomar uma amostra aleat´oria ´e obter informa¸c˜oes sobre os parˆametros
desconhecidos da popula¸c˜ao. Para isto usamos estat´ısticas.
100
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Defini¸c˜ao 24. Uma estat´ıstica ´e qualquer fun¸c˜ao das observa¸ c˜oes em uma amostra aleat´oria.
J´a vimos o conceito de estat´ıstica anteriormente. Se X
1
,X
2
, . . . ,X
n
for uma amostra aleat´oria
de tamanho n, ent˜ao a m´edia da amostra
¯
X, a variˆancia da amostra S
2
, a amplitude da amostra
[max(X
1
,X
2
, . . . ,X
n
) −min(X
1
,X
2
, . . . ,X
n
)] s˜ao exemplos de estat´ısticas.
Uma das principais aplica¸c˜oes da estat´ıstica ´e obten¸c˜ao de estimativas para parˆametros da popula¸c˜ao
(tais como m´edia, variˆancia, propor¸c˜ao, etc.). Normalmente usa-se a letra grega θ para representar o
parˆametro que se quer estimar.
Em geral, se X for uma vari´avel aleat´oria com distribui¸c˜ao de probabilidades f(x), caracterizada por
um parˆametro desconhecido θ e se X
1
,X
2
, . . . ,X
n
for uma amostra aleat´oria de tamanho n de X, ent˜ao
a estat´ıstica
ˆ
θ = h(X
1
,X
2
, . . . ,X
n
) ´e chamada de um estimador de θ.
Exemplo:
Suponha que vamos colher uma amostra de tamanho n, denotada por X
1
,X
2
, . . . ,X
n
. Suponha que
desejamos estimar a m´edia populacional µ (ou seja o parˆametro θ que se quer estimar ´e µ).
S˜ao estimadores poss´ıveis para µ:
1.
ˆ
θ =
X
1
+X
2
2
2.
ˆ
θ =
¯
X =
X
1
+X
2
+ +X
n
n
3.
ˆ
θ =
X
max
+X
min
2
4.
ˆ
θ = X
1
Note que
ˆ
θ ´e fun¸c˜ao de vari´aveis aleat´orias, sendo portanto tamb´em uma vari´avel aleat´oria. Depois
de selecionarmos uma amostra aleat´oria, o estimador assume um valor num´erico particular para aquela
amostra, chamado de estimativa. Assim se o estimador escolhido for
ˆ
θ =
X
1
+X
2
2
, uma estimativa
seria
ˆ
θ =
x
1
+x
2
2
.
5.3 Estima¸c˜ao de parˆametros
5.3.1 Estima¸c˜ao pontual
Seja X uma vari´avel aleat´oria com fun¸c˜ao de (densidade de) probabilidade cuja forma funcional ´e
conhecida, mas dependendo de um parˆametro θ que pode assumir valores num conjunto param´etrico Θ
(espa¸co param´etrico). θ pode ser unidimensional ou p-dimensional. Neste caso ent˜ao n˜ao estamos perante
uma fun¸c˜ao de probabilidade, mas perante a uma classe de fun¸c˜oes de probabilidade. A cada valor de
θ ∈ Θ corresponde um elemento da classe.
Como exemplo, pensemos na classe de Distribui¸c˜oes Normais com m´edia µ e variˆancia 1. Para cada
valor de µ ∈ R teremos uma distribui¸c˜ao da classe:
ζ
1
=

f(x; µ,1) =
1


e

1
2
(x−µ)
2
com−∞ < x < ∞

, Θ = (µ : −∞ < µ < ∞)
101
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Se a variˆancia n˜ao fosse conhecida, a classe ζ seria:
ζ
2
=

f(x; µ,σ
2
) =
1

2πσ
e

1
2

x −µ
σ

2
com−∞ < x < ∞

, Θ = ¦(µ, σ
2
) : −∞ < µ < ∞ e σ
2
> 0¦
O parˆametro no primeiro caso ´e θ = µ e no segundo, θ = (µ,σ
2
), e os respectivos espa¸cos param´etricos
descritos acima.
Nosso problema ´e determinar qual elemento da classe ´e a distribui¸c˜ao da vari´avel da qual foi extra´ıda
a amostra x
1
,x
2
, . . . ,x
n
; em outras palavras, qual ´e o valor do parˆametro θ que determina a distribui¸c˜ao
de X. Certamente n˜ao conseguiremos uma resposta absolutamente v´alida, mas ser´a uma resposta que,
dependendo dos crit´erios seguidos para obten¸c˜ao da amostra, dar´a uma boa aproxima¸ c˜ao para θ. Em
termos estat´ısticos estamos estimando θ por um ponto. O estimador ser´a denotado por
ˆ
θ e ser´a uma
fun¸c˜ao das observa¸c˜oes.
Problemas de estima¸c˜ao ocorrem com frequˆencia em engenharia. O quadro abaixo mostra uma rela¸c˜ao
de parˆametros que geralmente necessitamos estimar e algumas estimativas pontuais razo´aveis para cada
um deles:
Parˆametro Estimador
A m´edia µ de uma ´ unica popula¸c˜ao ˆ µ =
¯
X, a m´edia da amostra
A variˆancia σ
2
de uma ´ unica popula¸c˜ao ˆ σ
2
= S
2
, a variˆancia da amostra
A propor¸c˜ao p de itens de uma classe de inte-
resse em uma popula¸c˜ao
ˆ p = x/n, a propor¸c˜ao na amostra, onde x ´e o
n´ umero de itens da classe na amostra
A diferen¸ca das m´edias de duas popula¸c˜oes,
µ
1
−µ
2
ˆ µ
1
−ˆ µ
2
=
¯
X
1

¯
X
2
, a diferen¸ca entre as m´edias
de duas amostras aleat´orias independentes
A diferen¸ca na propor¸c˜ao de duas popula¸c˜oes,
p
1
−p
2
ˆ p
1
−ˆ p
2
, a diferen¸ca entre duas propor¸c˜oes amos-
trais, calculadas a partir de duas amostras
aleat´orias independentes.
5.3.1.1 Propriedades de estimadores
Gostar´ıamos que os estimadores que vamos construir tenham algumas propriedades, que variam de
acordo com o problema em estudo. As principais propriedades s˜ao:
1. N˜ao viciado (n˜ao viesado ou n˜ao tendencioso): Um estimador
ˆ
θ ´e n˜ao viciado para θ se
E(
ˆ
θ) = θ
Se o estimador for tendencioso, ent˜ao a diferen¸ca E(
ˆ
θ) −θ ´e chamada de v´ıcio do estimador.
Exemplo:
Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma distribui¸c˜ao com m´edia µ e variˆancia σ
2
, ambas
finitas. Verifique se a m´edia amostral
ˆ
X e a variˆancia amostral S
2
s˜ao estimadores n˜ao viciados
para µ e σ
2
respectivamente.
102
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Solu¸c˜ ao:
E(
¯
X) = E
¸
1
n
(X
1
+X
2
+ +X
n
)

=
1
n
E(X
1
+X
2
+ +X
n
)
=
1
n
nE(X
1
)
= µ
E(S
2
) = E
¸¸
n
i=1
(X
i

¯
X)
2
n −1

=
1
n −1
E
n
¸
i=1
(X
i

¯
X)
2
=
1
n −1
E
n
¸
i=1
(X
2
i
+
¯
X
2
−2
¯
XX
i
)
=
1
n −1
E
¸
n
¸
i=1
X
2
i
+
n
¸
i=1
¯
X
2
−2
¯
X
n
¸
i=1
X
i
¸
=
1
n −1
E
¸
n
¸
i=1
X
2
i
+n
¯
X
2
−2
¯
Xn
n
¸
i=1
X
i
n
¸
=
1
n −1
E
¸
n
¸
i=1
X
2
i
−n
¯
X
2
¸
=
1
n −1
¸
n
¸
i=1
E(X
2
i
) −nE(
¯
X
2
)
¸
=
1
n −1
¸
n
¸
i=1

2

2
) −n(µ
2

2
/n)
¸
=
1
n −1
(nµ
2
+nσ
2
−nµ
2
−σ
2
)
= σ
2
O pen´ ultimo passo da resolu¸c˜ao acima adv´em de que:
V (X) = E(X
2
) −(E(X)
2
) −→ E(X
2
) = V (X) + (E(X)
2
) = σ
2

2
e V (
¯
X) = E(
¯
X
2
) −(E(
¯
X)
2
) −→ E(
¯
X
2
) = V (
¯
X) + (E
¯
(X)
2
) = σ
2
/n +µ
2
Vemos portanto que
ˆ
X e S
2
s˜ao estimadores n˜ao viciados para µ e σ
2
respectivamente.
2. Consistˆencia: Um estimador
ˆ
θ ´e consistente para θ se:
lim
n→∞
E(
ˆ
θ) = θ e lim
n→∞
V ar(
ˆ
θ) = 0
Isto ´e, `a medida que o tamanho da amostra vai aumentando, a m´edia do estimador converge para
o parˆametro e a variˆancia do estimador converge para zero.
103
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Algumas vezes existem diversos estimadores n˜ao viciados para determinado parˆametro da po-
pula¸c˜ao. Por exemplo, suponha que geramos uma amostra aleat´oria de tamanho n = 10 de uma
popula¸c˜ao normal e obtemos os dados:
x
1
= 12,8; x
2
= 9,4; x
3
= 8,7; x
4
= 11,6; x
5
= 13,1; x
6
= 9,8; x
7
= 14,1; x
8
= 8,5; x
9
=
12,1; x
10
= 10,3.
Podemos a partir da amostra obter:
M´edia: ¯ x =
12,8 + 9,4 + 8,7 + 11,6 + 13,1 + 9,8 + 14,1 + 8,5 + 12,1 + 10,3
10
= 11,04
Mediana: med =
10,3 + 11,6
2
= 10,95
M´edia truncada a 10%: =
8,7 + 9,4 + 9,8 + 10,3 + 11,6 + 12,1 + 12,8 + 13,1
8
= 10,98
Podemos mostrar que a mediana e a m´edia truncada s˜ao estimadores n˜ao viciados de µ. Como
n˜ao existe um ´ unico estimador n˜ao viciado, n˜ao podemos usar apenas o crit´erio de v´ıcio zero para
selecionarmos o melhor estimador. Por isto usamos a propriedade:
3. Eficiˆencia: Dados dois estimadores
ˆ
θ
1
e
ˆ
θ
2
n˜ao viciados para θ, dizemos que
ˆ
θ
1
´e mais eficiente
que
ˆ
θ
2
se
V ar(
ˆ
θ
1
) < V ar(
ˆ
θ
2
)
N˜ ao existe um crit´erio absoluto para definir o melhor estimador. No entanto diremos que
ˆ
θ ´e
o melhor estimador para θ se ele ´e n˜ao viciado e se al´em disso, entre todos os estimadores n˜ao
viciados, ele tiver variˆ ancia m´ınima. Neste caso o denominamos Estimador n˜ao tendencioso de
variˆancia m´ınima (ENTVM).
Exemplo:
Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ e variˆancia 1.
Os estimadores
ˆ
θ
1
=
¯
X e
ˆ
θ
2
= X
1
s˜ao estimadores n˜ao viciados para µ. Determine qual ´e o mais eficiente.
Solu¸c˜ao:
V (
ˆ
θ
1
) = V (
¯
X) = V
¸
X
1
+X
2
+, +X
n
n

=
1
n
2
V (X
1
+X
2
+, +X
n
)
=
1
n
2
nV (X)
=
1
n
e
V (
ˆ
θ
2
) = V (X
1
) = 1
Logo
ˆ
θ
1
=
¯
X ´e um estimador mais eficiente que X
1
.
Obs: Estamos usando, sem prova, que a variˆancia de uma soma de vari´aveis aleat´orias independentes ´e
igual `a soma das variˆancias destas vari´aveis. A prova desta propriedade vai al´em do alcance da disciplina.
O leitor interessado pode ver por exemplo [8] ou [3] ou ainda [2].
104
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
5.3.1.2 Desvio Padr˜ao
Quando calculamos o valor num´erico ou a estimativa pontual de um parˆametro, ´e usualmente desej´avel
darmos uma ideia da precis˜ao da estimativa. A medida de precis˜ao usualmente empregada ´e o erro padr˜ao
do estimador utilizado.
Defini¸c˜ao 25. O desvio padr˜ao de um estimador
ˆ
θ ´e dado por σ
ˆ
θ
=

V (
ˆ
θ). Se o desvio padr˜ao
envolve parˆametros desconhecidos que podem ser estimados, substitu´ımos estes valores em σ
ˆ
θ
e obtemos
um desvio padr˜ao estimado, denotado por ˆ σ
ˆ
θ
.
5.3.1.3 Erro Quadr´atico M´edio
Eventualmente precisamos usar um estimador viciado. Nestes casos ´e importante medirmos o Erro
Quadr´atico M´edio do estimador, definido como a m´edia do quadrado da diferen¸ca entre o estimador e o
valor real do parˆametro.
Defini¸c˜ao 26. O Erro Quadr´atico M´edio de um estimador
ˆ
θ do parˆametro θ ´e definido como
EQM = E(
ˆ
θ −θ)
2
(em inglˆes MSE - Mean Squared Error)
Outra forma de escrevermos o EQM ´e:
EQM = E[
ˆ
θ −E(
ˆ
θ)]
2
+ [θ −E(
ˆ
θ)]
2
= V (
ˆ
θ) + (V´ıcio)
2
Ou seja, o Erro Quadr´atico M´edio do estimador
ˆ
θ ´e igual `a variˆancia do estimador mais o v´ıcio ao qua-
drado. Se
ˆ
θ ´e n˜ao viciado, o Erro Quadr´atico M´edio ´e igual `a variˆancia de
ˆ
θ.
Em certas situa¸c˜oes podemos preferir um estimador viciado do que um n˜ao viciado, pois aquele pode
ter um erro quadr´atico m´edio menor. Isto ´e, pode ser poss´ıvel reduzir consideravelmente a variˆancia do
estimator atrav´es da introdu¸c˜ao de um v´ıcio relativamente pequeno. Desde que a redu¸c˜ao na variˆancia
seja maior do que o quadrado do v´ıcio, um estimador melhor, do ponto de vista do erro quadr´atico m´edio,
ser´a obtido.
5.3.2 M´etodos de estima¸c˜ao
A defini¸c˜ao de n˜ao viciado e as outras propriedades dos estimadores n˜ao fornecem nenhuma indica¸c˜ao
de como podemos obter bons estimadores pontuais. Veremos nesta se¸c˜ao dois m´etodos para isto.
5.3.2.1 M´etodo dos momentos
´
E o m´etodo mais antigo e mais simples de estima¸c˜ao pontual. Foi desenvolvido por Karl Pearson
no fim do s´eculo XIX. A ideia geral por tr´as do m´etodo ´e igualar os momentos populacionais, que s˜ao
definidos em termos de valores esperados, com os momentos amostrais correspondentes.
Suponhamos que a distribui¸c˜ao da vari´avel aleat´oria X dependa de K parˆametros θ
1

2
, . . . ,θ
k
; e
sejam:
M
i
= E(X
i
) i = 1,2, . . . ,k m
i
=
1
n
n
¸
j=1
x
i
j
i = 1,2, . . . ,k
Igualamos agora os M
I
aos valores m
i
, come¸cando com com i = 1 e continuando at´e que existam
equa¸c˜oes suficientes para proporcionar solu¸c˜oes ´ unicas para θ
1

2
, . . . ,θ
k
.
105
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Exemplos:
1. Seja X uma vari´avel aleat´oria com distribui¸c˜ao normal e parˆametros desconhecidos (θ
1
; θ
2
), e seja
x
1
,x
2
, . . . ,x
n
uma amostra obtida desta distribui¸c˜ao. Utilize o m´etodo dos momentos para obter
estimadores para estes parˆametros.
Solu¸c˜ ao:
Calculamos primeiro
M
1
= E(X) = θ
1
M
2
= E(X
2
) = (E(X))
2
+V (X) = θ
2
1

2
m
1
=
¸
n
i=1
x
i
n
m
2
=
¸
n
i=1
x
2
i
n
Igualando os momentos populacionais aos amostrais de mesma ordem temos:
M
1
= θ
1
= m
1
=
¯
X M
2
= θ
2
1

2
= m
2
=
¸
n
i=1
x
2
i
n
Da primeira igualdade obtemos diretamente que
ˆ
θ
1
=
¯
X.
Substituindo θ
1
por
ˆ
θ
1
na segunda igualdade temos
ˆ
θ
2
=
¸
n
i=1
x
2
i
n

¯
X
2
=
1
n
¸
n
i=1
(x
i

¯
X)
2
2. Suponha que X
1
,X
2
, . . . ,X
n
´e uma amostra aleat´oria de uma distribui¸c˜ao exponencial com parˆametro
desconhecido θ. Qual o estimador para θ obtido pelo m´etodo dos momentos?
Solu¸c˜ ao:
Calculamos
M
1
= E(X) =
1
θ
e m
1
=
1
n
n
¸
i=1
x
i
=
¯
X
Igualando os dois momentos obtemos:
ˆ
θ =
1
¯
X
5.3.2.2 M´etodo de M´axima Verossimilhan¸ca
Este ´e um dos melhores m´etodos para obter-se um estimador de um parˆametro. Para estud´a-lo intro-
duzimos:
Defini¸c˜ao 27. Seja x
1
,x
2
, . . . ,x
n
uma amostra de uma vari´avel aleat´oria X com fun¸c˜ao de (densidade)
de probabilidade f(x,θ), θ ∈ Θ. Ent˜ao a fun¸c˜ao de verossimilhan¸ca da amostra ´e definida por:
L(θ[x
1
,x
2
, . . . ,x
n
) = f(x
1
,θ)f(x
2
,θ) . . . f(x
n
,θ)
106
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Quando x
1
,x
2
, . . . ,x
n
s˜ao conhecidos, a fun¸c˜ao de verossimilhan¸ ca ´e fun¸c˜ao somente do parˆametro
desconhecido θ. O estimador de m´axima verossimilhan¸ ca de θ ´e o valor
ˆ
θ que maximiza a fun¸c˜ao de
verossimilhan¸ ca L.
Vejamos intuitivamente o significado deste estimador. Consideremos o caso de uma vari´avel discreta
com distribui¸c˜ao binomial de parˆametros r e p, isto ´e
f(x,p) =

r
x

p
x
(1 −p)
r−x
x = 0,1, . . . ,r
L(p[x
1
,x
2
, . . . ,x
n
) =

r
x
1

p
x
1
(1 −p)
r−x
1

r
x
2

p
x
2
(1 −p)
r−x
2
. . .

r
x
n

p
x
n
(1 −p)
r−x
n
=

r
x
1

r
x
2

. . .

r
x
n

p

i
x
i
(1 −p)
nr−

i
x
i
Dizermos que L(ˆ p[x
1
,x
2
, . . . ,x
n
) ≥ L(p[x
1
,x
2
, . . . ,x
n
) ∀ p : 0 < p < 1, ´e o mesmo que dizer que
ˆ p ´e tal que as observa¸c˜oes x
1
,x
2
, . . . ,x
n
tˆem mais probabilidade de vir de uma distribui¸c˜ao binomial
com parˆametros r e ˆ p do que de uma distribui¸c˜ao binomial com parˆametros r e p, 0 < p < 1. Isto ´e,
X
1
= x
1
, X
2
= x
2
, . . . X
n
= x
n
tem probabilidade m´axima quando p = ˆ p.
Para o caso de vari´aveis aleat´orias cont´ınuas, embora a an´alise seja mais complicada, pode-se chegar
`a mesma conclus˜ao; isto ´e L(
ˆ
θ[x
1
,x
2
, . . . ,x
n
) ≥ L(θ[x
1
,x
2
, . . . ,x
n
) ∀ θ.
Exemplos:
1. Seja x
1
,x
2
, . . . ,x
n
uma amostra de uma distribui¸c˜ao normal com m´edia µ e variˆancia 1. Achar o
estimador de m´axima verossimilhan¸ ca para µ.
Solu¸c˜ ao:
L(µ[x
1
,x
2
, . . . ,x
n
) =
1


e

1
2
(x
1
−µ)
2 1


e

1
2
(x
2
−µ)
2
. . . . . .
1


e

1
2
(x
n
−µ)
2
=
¸
1

n
e

1
2
n

i=1
(x
i
−µ)
2
Note que para uma amostra de tamanho n fixo, a fun¸c˜ao de verossimilhan¸ ca depende apenas de
e

1
2

n
i=1
(x
i
−µ)
2
. Podemos ver ent˜ao que L(µ[x
1
,x
2
, . . . ,x
n
) ser´a m´axima quando
¸
i
(x
i
− µ)
2
for
m´ınima. Assim, para acharmos o m´aximo da fun¸c˜ao de verossimilhan¸ca temos que minimizar
¸
i
(x
i
−µ)
2
. Para calcularmos este m´ınimo fazemos:

∂µ
¸
i
(x
i
−µ)
2
= −2
¸
i
(x
i
−µ)
107
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Igualando a derivada a zero, obtemos:
−2
n
¸
i=1
(x
i
− ˆ µ) = 0
n
¸
i=1
(x
i
− ˆ µ) = 0
n
¸
i=1
x
i
=
n
¸
i=1
ˆ µ
ˆ µ = ¯ x
Portanto ¯ x ´e um candidato para o EMV procurado. Para confirmarmos se ´e ponto de m´aximo ou
de m´ınimo fazemos:

2

2
µ
¸
i
(x
i
−µ)
2
= 2n > 0,
o que significa que ˆ µ = ¯ x ´e um ponto de m´ınimo para
¸
i
(x
i
− µ)
2
e equivalentemente um ponto
de m´aximo para L(µ[x
1
,x
2
, . . . ,x
n
). Em outras palavras, ˆ µ = ¯ x ´e o estimador de m´axima verossi-
milhan¸ca (EMV) para µ.
2. Seja x
1
,x
2
, . . . ,x
n
uma amostra de uma vari´avel aleat´oria com distribui¸c˜ao exponencial com parˆametro
λ. Achar o Estimador de M´axima Verossimilhan¸ca para λ
Solu¸c˜ ao:
L(λ[x
1
,x
2
, . . . ,x
n
) = λ
n
e
−λ

i
x
i
Podemos observar que se
ˆ
λ maximiza L(λ[x
1
,x
2
, . . . ,x
n
),
ˆ
λ tamb´em ir´a maximizar lnL(λ[x
1
,x
2
, . . . ,x
n
).
Chamamos a fun¸c˜ao l(λ[x
1
,x
2
, . . . ,x
n
) = lnL(λ[x
1
,x
2
, . . . ,x
n
) de log-verossimilhan¸ca.
Ent˜ao podemos escrever:
l(λ[x
1
,x
2
, . . . ,x
n
) = lnL(λ[x
1
,x
2
, . . . ,x
n
) = ln[λ
n
e
−λ

i
x
i
] = nlnλ −λ
¸
i
x
i
Derivando a log-verossimilhan¸ ca com respeito a λ temos:
∂l(λ[x
1
,x
2
, . . . ,x
n
)
∂λ
=
n
λ

¸
i
x
i
Igualando a zero temos:
ˆ
λ =
1
¯ x
Confirmamos que o ponto ´e m´aximo porque a derivada segunda ´e −n/λ
2
< 0
108
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
3. Seja f(x; θ) = 1, com θ−1/2 ≤ X ≤ θ+1/2 e seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria da vari´avel
X. Achar o estimador de m´axima verossimilhan¸ca para θ.
Solu¸c˜ ao:
L(θ[x
1
,x
2
, . . . ,x
n
) = 1, θ −
1
2
≤ x
i
≤ θ +
1
2
Sejam X
min
= min x
i
para 1 ≤ i ≤ n e X
max
= max x
i
para 1 ≤ i ≤ n:
θ −
1
2
≤ x
min
e θ +
1
2
≥ x
max
ou de forma equivalente:
θ ≤ x
min
+
1
2
e θ ≥ x
max

1
2
Ent˜ao
L(θ[x
1
,x
2
, . . . ,x
n
) =

1 se x
max

1
2
≤ θ ≤ x
min
+
1
2
,
0 caso contr´ario
Isto significa que L(θ[x
1
,x
2
, . . . ,x
n
) ´e m´aximo para qualquer valor de
ˆ
θ no intervalo [x
max

1
2
,x
min
+
1
2
]. Este exemplo ilustra o fato de que o estimador de m´axima verossimilhan¸ ca para θ pode n˜ao ser
´ unico.
O m´etodo de m´axima verossimilhan¸ ca pode ser usado em situa¸c˜oes onde existem diversos parˆametros
desconhecidos, digamos, θ
1

2
, . . . ,θ
n
para estimarmos. Nestes casos, a fun¸c˜ao de verossimilhan¸ ca ´e uma
fun¸c˜ao dos n parˆametros desconhecidos θ
1

2
, . . . ,θ
n
, e os estimadores de m´axima verossimilhan¸ ca ¦
ˆ
Θ
i
¦
podem ser obtidos igualando-se as n derivadas parciais ∂L(θ
1

2
, . . . ,θ
n
)/∂θ
i
, (para i = 1,2, . . . ,n) a zero,
e resolvendo o sistema de equa¸c˜oes resultante.
Exemplo:
Seja X uma v.a. com distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
, ambas desconhecidas. Ache o
EMV para µ e para σ
2
, a partir da mostra x
1
,x
2
, . . . ,x
n
.
Solu¸c˜ao:
A fun¸c˜ao de m´axima verossimilhan¸ ca para uma amostra de tamanho n ´e
L(µ,σ
2
; x
1
,x
2
, . . . ,x
n
) =
n
¸
i=1
1
σ


e
−(x
i
−µ)
2
/(2σ
2
)
=
1
(2πσ
2
)
n/2
e
−(1/2σ
2
)
n

i=1
(x
i
−µ)
2
Para simplificar usamos a log-verossimilhan¸ca que ´e:
log[L(µ,σ
2
; x
1
,x
2
, . . . ,x
n
)] = l(µ,σ
2
; x
1
,x
2
, . . . ,x
n
) = −
n
2
ln(2πσ
2
) −
1

2
n
¸
i=1
(x
i
−µ)
2
Calculando as derivadas parciais e igualando-as a zero obtemos :
∂l(µ,σ
2
)
∂µ
=
1
σ
2
n
¸
i=1
(x
i
−µ) = 0
109
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
∂l(µ,σ
2
)
∂σ
2
= −
n

2
+
1

4
n
¸
i=1
(x
i
−µ)
2
= 0
As solu¸c˜oes das equa¸c˜oes acima fornecem os estimadores de m´axima verossimilhan¸ca
ˆ µ = ¯ x ˆ σ
2
=
1
n
n
¸
i=1
(x
i
− ¯ x)
2
Repare que s˜ao os mesmos estimadores obtidos pelo m´etodo dos momentos.
Exemplo:
Suponha que a amostra a seguir, obtida aleatoriamente, ´e de uma vari´avel aleat´oria normal com m´edia
µ e variˆancia σ
2
:
x
1
= 1,92; x
2
= 4,04; x
3
= 2,27; x
4
= 3,19; x
5
= 4,28; x
6
= 4,57; x
7
= 2,25; x
8
= 2,74; x
9
= 3,87;
x
10
= 4,56; x
11
= 4,90; x
12
= 3,57; x
13
= 3,52; x
14
= 4,95; x
15
= 3,00.
Qual a estimativa para os parˆametros θ
1
= µ e θ
2
= σ
2
usando os estimadores de m´axima verossimilhan¸ ca?
Solu¸c˜ao:
ˆ
θ
1
=
¯
X =
53,63
15
= 3,58
ˆ
θ
2
=
1
n
n
¸
i=1
(X
i

¯
X)
2
=
13,78
15
= 0,92
5.3.3 Distribui¸c˜oes amostrais
Conforme salientamos na se¸c˜ao 5.1, em inferˆencia estat´ıstica usamos informa¸c˜oes contidas em amostras
aleat´orias para chegarmos a conclus˜oes sobre parˆametros da popula¸c˜ao. Estas informa¸c˜oes ou estat´ısticas,
s˜ao tamb´em vari´aveis aleat´orias que dependem dos resultados obtidos em cada amostra em particular.
´
E portanto de fundamental importˆancia conhecermos a distribui¸c˜ao das estat´ısticas: esta distribui¸c˜ao ´e
chamada distribui¸c˜ao amostral.
Nesta se¸c˜ao apresentaremos diversos resultados que ser˜ao usados nas pr´oximas se¸c˜oes. Alguns destes
resultados ser˜ao provados como ilustra¸c˜ao, mas na maioria deles omitiremos as demonstra¸c˜oes, por fugi-
rem do alcance do nosso curso. As provas podem ser vistas em [2].
5.3.3.1 Distribui¸c˜ao da m´edia amostral - caso normal
Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
. A
m´edia
¯
X
n
tem distribui¸c˜ao normal com m´edia µ e variˆancia
σ
2
n
, ou de forma equivalente Z
n
=
¯
X
n
−µ
σ

n
tem distribui¸c˜ao normal com m´edia 0 e variˆancia 1.
110
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Exemplos:
1. Seja
¯
X
25
a m´edia de uma amostra aleat´oria de tamanho 25 de uma distribui¸c˜ao normal com m´edia
µ = 75 e variˆancia σ
2
= 100. Qual ´e a probabilidade de que
¯
X
25
assuma valores entre 71 e 79?
Solu¸c˜ ao:
Conforme resultado apresentado acima,
¯
X
25
tem distribui¸c˜ao normal com m´edia µ = 75 e variˆancia
igual a
100
25
= 4, ou seja:
P(71 <
¯
X
25
< 79) = P
¸
71 −75
2
<
¯
X −75
2
<
79 −75
2

= P(−2 < Z < 2)
= P(Z < 2) −P(Z < −2)
= P(Z < 2) −P(Z > 2)
= P(Z < 2) −[1 −P(Z < 2)]
= 2P(Z < 2) −1 = 2 0,977250 −1 = 0,9545
2. Suponha que a aceita¸c˜ao de um lote de 1.000 pe¸cas ocorre apenas se o comprimento m´edio de 10
pe¸cas estiver entre 9,2 e 10,8 cm. Se o comprimento das pe¸cas tˆem distribui¸c˜ao normal com m´edia
10 cm e variˆancia 2 cm
2
o que pode ser dito sobre a aceita¸c˜ao do lote?
Solu¸c˜ ao:
P(lote ser aceito)=P(9,2 <
¯
X < 10,8) onde X : comprimento da pe¸ca e X ∼ N(10, 2).
Mas
¯
X ∼ N(10, 2/10) e portanto:
P(9,2 <
¯
X < 10,8) = P
¸
9,2 −10

0,2
≤ Z ≤
10,8 −10

0,2

= P(−1,79 ≤ Z ≤ 1,79)
= P(Z ≤ 1,79) −P(Z ≤ −1,79)
= P(Z ≤ 1,79) −[1 −P(Z ≤ 1,79)
= 2P(Z ≤ 1,79) −1 = 0,9265
5.3.3.2 Distribui¸c˜ao da diferen¸ca de m´edias
Sejam X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ
1
e variˆancia σ
2
1
e Y
1
,Y
2
, . . . ,Y
m
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ
2
e variˆancia σ
2
2
. Se X e
Y s˜ao independentes, ent˜ao a diferen¸ca das m´edias
¯
X
n

¯
Y
m
tem distribui¸c˜ao normal com m´edia µ
1
−µ
2
e variˆancia
σ
2
1
n
+
σ
2
2
m
, ou de forma equivalente:
Z =
¯
X
n

¯
Y
m
−(µ
1
−µ
2
)

σ
2
1
n
+
σ
2
2
m
111
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
tem distribui¸c˜ao normal com m´edia 0 e variˆancia 1. Se σ
2
1
= σ
2
2
= σ
2
, ent˜ao
Z =
¯
X
n

¯
Y
m
−(µ
1
−µ
2
)

σ
2
¸
1
n
+
1
m

Exemplo:
Suponha X
1
,X
2
, . . . ,X
10
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ = 10 e
variˆancia σ
2
= 9 e Y
1
,Y
2
, . . . ,Y
15
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ = 15 e
variˆancia σ
2
= 9, independente da primeira distribui¸c˜ao; e sejam
¯
X
10
e
¯
Y
15
as m´edias amostrais corres-
pondentes. Calcular P(−4 ≤
¯
Y
15

¯
X
10
≤ 4).
Solu¸c˜ao:
P(−4 ≤
¯
Y
15

¯
X
10
≤ 4) = P

−4 −(µ
2
−µ
1
)

σ
2
¸
1
n
+
1
m


¯
Y
15

¯
X
10
−(µ
2
−µ
1
)

σ
2
¸
1
n
+
1
m


4 −(µ
2
−µ
1
)

σ
2
¸
1
n
+
1
m

¸
¸
¸
¸
¸
¸
= P

−4 −5

9
¸
1
10
+
1
15

≤ Z ≤
4 −5

9
¸
1
10
+
1
15

¸
¸
¸
¸
¸
¸
= P(−7,35 ≤ Z ≤ −0,81)
= P(Z ≤ −0,81) −P(Z ≤ −7,35)
= [1 −P(Z ≤ 0,81)] −[1 −P(Z ≤ 7,35)]
= (1 −0,791030) −(1 −1) = 0,2090
5.3.3.3 Distribui¸c˜ao Quiquadrado
1. Seja Z uma vari´avel aleat´oria normal padr˜ao, isto ´e, uma vari´avel com distribui¸c˜ao normal com
m´edia 0 e variˆancia 1; ent˜ao Z
2
tem distribui¸c˜ao quiquadrado com 1 grau de liberdade.
2. Sejam Z
1
,Z
2
, . . . ,Z
n
vari´aveis aleat´orias independentes e normalmente distribu´ıdas com m´edia 0 e
variˆancia 1, ent˜ao a vari´avel A
2
n
= Z
2
1
+ Z
2
2
+ + Z
2
n
tem distribui¸c˜ao quiquadrado com n graus
de liberdade.
Como aplica¸c˜ao da segunda propriedade acima, se X
1
,X
2
, . . . ,X
n
´e uma amostra aleat´oria de uma
distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
, ent˜ao
A
2
=
¸
X
1
−µ
σ

2
+
¸
X
2
−µ
σ

2
+ +
¸
X
n
−µ
σ

2
=
n
¸
i=1
¸
X
i
−µ
σ

2
tem distribui¸c˜ao quiquadrado com n graus de liberdade.
112
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Quando µ ´e substitu´ıdo por
¯
X
n
na express˜ao acima, a soma perde um grau de liberdade e temos que
n
¸
i=1
¸
X
i

¯
X
n
σ

2
tem distribui¸c˜ao quiquadrado com n−1 graus de liberdade. Dizemos que a soma perde um grau de liber-
dade pois
n
¸
i=1
(X
i

¯
X) = 0 (pois
¯
X =
1
n
¸
n
i=1
X
i
); ent˜ao conhecidos X
1
= x
1
, X
2
= x
2
, . . . , X
n−1
= x
n−1
e
¯
X
n
o valor de X
n
ser´a determinado.
Chamamos a aten¸c˜ao do leitor para a diferen¸ca entre as express˜oes
n
¸
i=1
¸
X
i

¯
X
n
σ

2
e
n
¸
i=1
¸
x
i
− ¯ x
n
σ

2
. Observe que a primeira ´e uma vari´avel aleat´oria; a segunda ´e um valor da vari´avel aleat´oria.
Para ilustrar melhor a perda de um grau de liberdade, consideremos um vetor X = (X
1
,X
2
,X
3
) que
pode assumir valores em R
3
, isto ´e, ele tem 3 “graus de liberdade”, ele varia no espa¸co de trˆes dimens˜oes.
Se
¯
X
3
=
X
1
+X
2
+X
3
3
, ´e f´acil ver que X
1

¯
X +X
2

¯
X +X
3

¯
X = 0, equivalente a uma equa¸c˜ao da
forma
aX
1
+bX
2
+cX
3
= 0
que ´e a equa¸c˜ao de um plano em R
3
, isto ´e, o vetor (X
1
,X
2
,X
3
) agora pode variar num espa¸co de 2
dimens˜oes; diz-se que ele perdeu um grau de liberdade.
Observemos agora a express˜ao:
n
¸
i=1
¸
X
i

¯
X
n
σ

2
;
que pode ser escrita como
1
σ
2
(n −1)
n
¸
i=1
¸
(X
i

¯
X
n
)
2
(n −1)

=
(n −1)S
2
n
σ
2
onde S
2
n
´e a variˆancia amostral definida em 1.3.2. Pode-se provar que
(n −1)S
2
n
σ
2
´e independente de
¯
X
n
,
o que nos traz ao seguinte resultado:
3. Seja X
1
,X
2
, . . . ,X
n
uma amostra de uma distribui¸c˜ao normal com variˆancia σ
2
. Se
¯
X
n
´e a m´edia
desta amostra, ent˜ao
(n −1)S
2
n
σ
2
tem distribui¸c˜ao qui-quadrado com n − 1 graus de liberdade e ´e
independente de
¯
X
n
.
Exemplo:
Suponha X
1
,X
2
, . . . ,X
10
uma amostra aleat´oria de uma distribui¸c˜ao normal com variˆancia σ
2
= 10.
Qual a probabilidade que a variˆancia da amostra seja menor que 16,31?
Solu¸c˜ao:
P(S
2
10
< 16,31) = P

S
2
10
(n −1)
σ
2
<
16,31 9
10

= P(A
2
9
< 14,68) = 0,9 (pela tabela 2 do apˆendice)
113
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
5.3.3.4 Distribui¸c˜ao t de Student
Seja Z uma vari´avel aleat´oria com distribui¸c˜ao normal padr˜ao e seja V uma vari´avel aleat´oria com
distribui¸c˜ao quiquadrado com n graus de liberdade. Se V e Z s˜ao independentes, ent˜ao a vari´avel
T =
Z

V/n
tem fun¸c˜ ao de densidade dada por:
f
T
(t) =
Γ
¸
n + 1
2


πn Γ(n/2)

1
¸
1 +
t
2
n

n+1
2
, −∞ < t < ∞
onde Γ(α) =


0
x
α−1
e
−x
dx ´e a fun¸c˜ao gama.
Diz-se que T tem distribui¸c˜ao t de Student com n graus de liberdade. N˜ao ´e importante se decorar
a fun¸c˜ao de densidade, mas sim saber lidar com probabilidades referentes a ela, especialmente usando a
tabela 3 (no apˆendice). Quando n aumenta, f
T
(t) converge para
1


e

1
2
t
2
, que ´e a fun¸c˜ao de densidade
de Z, normal padr˜ao. Isto ´e, quando n aumenta a distribui¸c˜ao t de Student pode ser aproximada por
uma distribui¸c˜ao normal padr˜ao.
Duas aplica¸c˜oes diretas deste resultado s˜ao:
1. Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
,
ent˜ ao:
T
n
=
¸
¯
X
n
−µ
σ


n

(n −1)S
2
n
σ
2
/(n −1)
=

n(
¯
X
n
−µ)
S
n
tem distribui¸c˜ao t de Student com n − 1 graus de liberdade. A prova deste resultado decorre de
5.3.3.1, 5.3.3.3 e de 5.3.3.4.
´
E claro que usaremos esta distribui¸c˜ao quando σ
2
n˜ao ´e conhecida.
2. Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ
1
e variˆancia
σ
2
; e Y
1
,Y
2
, . . . ,Y
m
uma amostra aleat´oria de outra distribui¸c˜ao normal com m´edia µ
2
e variˆancia
σ
2
, com σ
2
desconhecida, independente da primeira. Ent˜ao a vari´avel
T
n+m−2
=
¯
X
n

¯
Y
m
−(µ
1
−µ
2
)

σ
2
¸
1
n
+
1
m

¸
(n −1)S
2
1
σ
2
+
(m−1)S
2
2
σ
2

/(n +m−2)
T
n+m−2
=
¯
X
n

¯
Y
m
−(µ
1
−µ
2
)

(n −1)S
2
1
+ (m−1)S
2
2
n +m−2
¸
1
n
+
1
m

tem uma distribui¸c˜ao t de Student com n +m−2 graus de liberdade.
Chamamos aten¸c˜ao para a diferen¸ca entre a vari´avel T
n+m−2
e a vari´avel Z definida em 5.3.3.2. Pre-
cisamos da vari´avel T
n+m−2
quando n˜ao conhecemos a variˆancia comum σ
2
.
114
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
5.3.3.5 Distribui¸c˜ao F de Fisher
Agora consideremos uma vari´avel aleat´oria U com distribui¸c˜ao quiquadrado com m graus de liberdade
e uma vari´avel aleat´oria V independente da primeira, com distribui¸c˜ao quiquadrado com n graus de
liberdade. a vari´avel
F
(m,n)
=
U/m
V/n
tem uma distribui¸c˜ao chamada F de Fisher com m graus de liberdade no numerador e n graus de liberdade
no denominador, e sua fun¸c˜ao de densidade ´e dada por:
f
F
(x) =
Γ
¸
m+n
2

m
n

m/2
Γ

m
2

Γ

n
2

x
(m/2)−1

1 +
mx
n

(m+n)/2
, 0 < x < ∞
Novamente, n˜ao ´e importante memorizarmos a fun¸c˜ao de densidade; mas sim saber utilizar a tabela 4
(no apˆendice).
Uma aplica¸c˜ao importante desta distribui¸c˜ao ´e a seguinte:
1. Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria da distribui¸c˜ao normal com m´edia µ
1
e variˆancia σ
2
1
e
seja Y
1
,Y
2
, . . . ,Y
m
uma amostra aleat´oria de outra distribui¸c˜ao normal com m´edia µ
2
e variˆancia
σ
2
2
, independente da primeira, ent˜ao
F =
(n−1)S
2
1
σ
2
1
/(n −1)
(m−1)S
2
2
σ
2
2
/(m−1)
=
S
2
1
σ
2
2
S
2
2
σ
2
1
tem distribui¸c˜ao F com n −1 e m−1 graus de liberdade. Esta vari´avel vai nos permitir construir
intervalos de confian¸ca e fazer testes referentes `a raz˜ao de duas variˆancias.
As tabelas 4a a 4g fornecem os valores de f
α(m,n)
tais que:
P(F
(m,n)
> f
α(m,n)
) = α para alguns valores de α
Para calcularmos por exemplo para α = 0,95 usamos o fato de que
f
0,95(m,n)
=
1
f
0,05(n,m)
Esta igualdade pode ser demonstrada por:
P(F
(m,n)
≤ f
α
) = P
¸
U/m
V/n
≤ f
α

= P

1
V/n
U/m
≤ f
α
¸
¸
= P
¸
1
F
(n,m)
≤ f
α

Exemplos:
1. Achar o valor f
0,95(4,5)
Solu¸c˜ ao:
P[F
(4,5)
≥ f
0,95(4,5)
] = 0,95 =⇒ P[F
(4,5)

1
f
0,05(5,4)
] = 0,95
f
0,95(4,5)
=
1
f
0,05(5,4)
=
1
6,26
= 0,16
115
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
2. Considere uma vari´avel aleat´oria com distribui¸c˜ao F com 5 e 10 graus de liberdade. Determinar a
e b tais que P(a < F
(5,10)
< b) = 0,90.
Solu¸c˜ ao:
´
E claro que existe uma infinidade de valores a e b que atendem `a condi¸c˜ao.
f(x)
X
a1a2 b1 b2
Na figura acima (a
1
,b
1
) e (a
2
,b
2
) s˜ao dois pares poss´ıveis. Por conven¸ c˜ao escolhemos a e b tais que:
P(F
(5,10)
< a) = P(F
(5,10)
> b) = 0,05
O c´alculo do valor de b ´e direto da tabela 7 onde encontramos b = 3,33. Para encontrarmos o valor
de a fazemos:
P(F
(5,10)
< a) = 0,05 =⇒ P(F
(5,10)
≥ a) = 0,95
Como f
0,95(5,10)
=
1
f
0,05(10,5)
na tabela achamos que a = 1/4,74 = 0,21
5.3.4 Teorema Central do Limite
As amostras consideradas at´e aqui s˜ao extra´ıdas de popula¸c˜oes normais. Em 5.3.3.1 (Distribui¸c˜ao da
m´edia amostral - caso normal) vimos que

n(
¯
X
n
−µ)
σ
tem distribui¸c˜ao normal padr˜ao, se
¯
X
n
´e a m´edia
de uma amostra aleat´oria de tamanho n de uma distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
. Em
5.3.3.3 (Distribui¸c˜ao Quiquadrado) vimos que
(n −1)S
2
n
σ
2
tem distribui¸c˜ao qui-quadrado com n−1 graus
de liberdade, se S
2
n
´e a variˆancia da mesma amostra. Nestes casos, independentemente do tamanho da
amostra as distribui¸c˜oes para
¯
X
n
e
(n −1)S
2
n
σ
2
s˜ao exatas.
Quando a distribui¸c˜ao de X n˜ao ´e normal, precisamos de amostras grandes para aproximar a distri-
bui¸c˜ao de
¯
X
n
, e esta aproxima¸c˜ao ´e dada pelo teorema estabelecido a seguir:
Teorema 3. Teorema Central do Limite: seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma vari´avel
aleat´oria com m´edia µ e variˆancia σ
2
positiva e finita; ent˜ao a vari´avel Z
n
=

n(
¯
X
n
−µ)
σ
tem uma
distribui¸c˜ ao limite que ´e normal com m´edia zero e variˆancia um.
N˜ao damos prova do teorema, e sim uma id´eia de seu significado. O que significa dizer que Z
n
tem
uma distribui¸c˜ao que no limite ´e a normal padr˜ao? Z
n
tem uma distribui¸c˜ao, por´em n˜ao ´e nosso interesse
116
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
determin´a-la. O teorema diz que, para todo z ∈ R, P(Z
n
≤ z) converge para P(Z ≤ z), `a medida que n
aumenta; sendo Z a normal padr˜ao. Isto vai implicar que P(z
1
≤ Z
n
≤ z
2
) converge para P(z
1
≤ Z ≤ z
2
).
Salientamos que para cada z ∈ R, ¦P(Z
n
≤ z)¦

n=1
define uma sequˆencia de n´ umeros reais e para
cada par (z
1
,z
2
) de n´ umeros reais ¦P(z
1
≤ Z
n
≤ z
2


n=1
define tamb´em uma sequˆencia de n´ umeros reais:
o teorema nos diz que para todo z ∈ R, a primeira sequˆencia converge para P(Z ≤ z) e para cada par
(z
1
,z
2
) de n´ umeros reais a segunda sequˆencia converge para P(z
1
≤ Z
n
≤ z
2
).
Maiores detalhes podem ser encontrados em textos de n´ıvel intermedi´ario, sob o t´ıtulo “Convergˆencia
em Distribui¸c˜ao”
Exemplos:
1. Seja
¯
X a m´edia de uma amostra aleat´oria de tamanho 100 de uma distribui¸c˜ao quiquadrado com
50 graus de liberdade. Aproximar o valor de P(49 <
¯
X < 51).
Solu¸c˜ ao:
P(49 <
¯
X < 51) = P
¸
49 −µ
σ

n <
¯
X −µ
σ

n <
51 −µ
σ

n

Como X ∼ A
2
50
, µ = gl = 50 e σ
2
= 2gl = 100, ent˜ao
P(49 <
¯
X < 51) = P
¸
49 −50
10

100 <
¯
X −50
10

100 <
51 −50
10

100

= P
¸
−1 <
¯
X −50
10

100 < 1

≈ P(−1 < Z < 1) ≈ 0,6826
2. Seja
¯
X a m´edia de uma amostra aleat´oria de tamanho 64 de uma distribui¸c˜ao exponencial com
parˆametro λ =
1
80
. Qual a probabilidade de que
¯
X seja maior que 75?
Solu¸c˜ ao:
A m´edia e variˆancia de X s˜ao respectivamente:
µ =
1
λ
= 80 σ
2
=
1
λ
2
= 6400
Assim podemos calcular:
P(
¯
X > 75) = P
¸
¯
X −80
80

64 >
75 −80
80

64

= P
¸
¯
X −80
10
>
−5
10

≈ P(Z > −0,5) ≈ 0,6915
O Teorema Central do Limite fornece a fun¸c˜ao de distribui¸c˜ao aproximada de

n(
¯
X
n
−µ)
σ
, quando
σ ´e positivo e finito. A partir dele podemos, entre outras coisas, construir intervalos de confian¸ca para µ.
117
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Quando n˜ao conhecemos σ
2
surge um problema, que ´e superado com a utiliza¸c˜ao de S
2
, que como vimos
´e o estimador de σ
2
.
Pode-se provar que S
2
“converge estocasticamente” para σ
2
. A no¸c˜ao de convergˆencia estoc´astica
foge do escopo deste curso, por´em vai nos permitir usar a estat´ıstica:
¯
X −µ
σ

n

S
2
σ
2
=

n(
¯
X −µ)
S
Pelo resultado estabelecido, o denominador da primeira express˜ao converge para 1 e pelo Teorema
Central do Limite o numerador tem distribui¸c˜ao aproximadamente normal padr˜ao, ent˜ao

n(
¯
X −µ)
S
tem tamb´em uma distribui¸c˜ ao aproximadamente normal padr˜ao. Mais uma vez, n˜ao ´e importante o
entendimento dos conceitos, basta que se saiba utilizar o fato de que

n(
¯
X −µ)
S
tem uma distribui¸c˜ao
que se aproxima da normal padr˜ao quando o tamanho da amostra ´e grande.
Para terminar esta se¸c˜ao chamamos a aten¸c˜ao que na se¸c˜ao 5.3.3 definimos a distribui¸c˜ao exata dos
estimadores e nesta se¸c˜ao (5.3.4) tratamos de distribui¸c˜oes aproximadas. Estas aproxima¸c˜oes melhoram
quando aumenta n. Em outras palavras, na se¸c˜ao 5.3.3 os resultados valem mesmo se o tamanho das
amostras seja pequeno, j´a na se¸c˜ao 5.3.4 precisamos de amostras grandes. (Para maiores detalhes ver [3])
5.3.5 Estima¸c˜ao por intervalos
Como vimos nas se¸c˜oes anteriores, a Estima¸c˜ao Pontual fornece como estimativa do parˆametro des-
conhecido um ´ unico valor. Em muitas situa¸c˜oes no entanto esta estimativa pontual de um parˆametro
n˜ao fornece informa¸c˜ao completa necess´aria para o estudo ou problema em quest˜ao. Quando se estima
determinado valor para, por exemplo, a m´edia de uma vari´avel, ´e improv´avel que a m´edia verdadeira µ
seja exatamente igual a este valor. Assim uma quest˜ao importante aparece: qu˜ao pr´oximo est´a
¯
X da
m´edia verdadeira?
Uma das formas de resolver este problema ´e preestabelecer a margem m´axima de erro que queremos
cometer. Define-se ent˜ao Erro de Estima¸c˜ao como a distˆancia entre o parˆametro e valor estimado (por
exemplo [
¯
X −µ[).
Outra abordagem ´e usar um intervalo estimado para o parˆametro populacional que expressasse o grau
de incerteza associado `a estimativa. Damos a este intervalo o nome de Intervalo de Confian¸ca. N´os
n˜ao teremos certeza de que o intervalo cont´em o valor correto do parˆametro populacional desconhecido.
N´os simplesmente usamos uma amostra aleat´oria da popula¸c˜ao para calcular a estimativa pontual e o
intervalo. Entretanto o intervalo de confian¸ca ´e constru´ıdo de tal forma que tenhamos alta confian¸ca que
ele cont´em o parˆametro populacional desconhecido.
Assim dada uma amostra X
1
,X
2
, . . . ,X
n
de uma vari´avel aleat´oria X com fun¸c˜ao de densidade de
probabilidade f(x,θ), com θ ∈ Θ, vamos encontrar I(X
1
,X
2
, . . . ,X
n
) e S(X
1
,X
2
, . . . ,X
n
), fun¸c˜oes de
X
1
,X
2
, . . . ,X
n
tais que:
P[I(X
1
,X
2
, . . . ,X
n
) ≤ u(θ) ≤ S(X
1
,X
2
, . . . ,X
n
)] = 1 −α
onde u(θ) ´e uma fun¸c˜ao do parˆametro θ. Diremos ent˜ao que (I(X
1
,X
2
, . . . ,X
n
), S(X
1
,X
2
, . . . ,X
n
)) ´e um
118
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
intervalo de confian¸ca de 100(1−α)% para u(θ). (1−α) ´e chamado coeficiente de confian¸ca do intervalo.
O m´etodo para resolver o problema ´e simples: consiste em encontrar uma vari´avel aleat´oria que
dependa da fun¸c˜ao u(θ) e cuja distribui¸c˜ao seja conhecida. H´a v´arios casos a considerar, dos quais
discutiremos detalhadamente apenas a Distribui¸c˜ao da m´edia amostral - caso normal. Os demais casos
ter˜ao procedimentos an´alogos.
5.3.5.1 Intervalo de confian¸ca para a m´edia de uma distribui¸c˜ao normal
Caso 1: σ
2
conhecida.
Queremos achar I(X
1
,X
2
, . . . ,X
n
) e S(X
1
,X
2
, . . . ,X
n
) tais que
P[I(X
1
,X
2
, . . . ,X
n
) ≤ µ ≤ S(X
1
,X
2
, . . . ,X
n
)] = 1 −α (neste caso u(θ) = µ).
Sabemos que

n(
¯
X −µ)
σ
tem distribui¸c˜ao normal padr˜ao, ent˜ao na tabela podemos encontrar a e
b que satisfa¸cam `a equa¸c˜ao do intervalo de confian¸ca. Existe uma infinidade de pares de valores a e b
satisfazendo esta condi¸c˜ao. [a
1
,b
1
] e [a
2
,b
2
] na figura abaixo s˜ao dois destes pares.
Z
f(z)
a
1
a
2
b
1
b
2
Mas aproveitamos a simetria da fun¸c˜ao de densidade normal e achamos a tal que
P
¸
−a ≤

n(
¯
X −µ)
σ
≤ a

= 1 −α
Z
f(z)
-a a
Olhando a figura acima, vemos que a = z
(1−
α
2
)
; sendo z
(1−
α
2
)
tal que P(Z ≤ z
(1−
α
2
)
) = 1 −
α
2
.
119
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Ent˜ao, levando na f´ormula temos:
P
¸
−z
(1−
α
2
)


n(
¯
X −µ)
σ
≤ z
(1−
α
2
)

= 1 −α
Manipulando as inequa¸c˜oes acima temos:
−z
(1−
α
2
)


n(
¯
X −µ)
σ
≤ z
(1−
α
2
)
⇐⇒ −z
(1−
α
2
)
σ

n

¯
X −µ ≤ z
(1−
α
2
)
σ

n
⇐⇒
¯
X −z
(1−
α
2
)
σ

n
≤ µ ≤
¯
X +z
(1−
α
2
)
σ

n
Assim podemos escrever:
P
¸
¯
X −z
(1−
α
2
)
σ

n
≤ µ ≤
¯
X +z
(1−
α
2
)
σ

n

= 1 −α
As fun¸c˜oes procuradas s˜ao portanto:
I(X
1
,X
2
, . . . ,X
n
) =
¯
X −z
(1−
α
2
)
σ

n
=
X
1
+ +X
n
n
−z
(1−
α
2
)
σ

n
S(X
1
,X
2
, . . . ,X
n
) =
¯
X +z
(1−
α
2
)
σ

n
=
X
1
+ +X
n
n
+z
(1−
α
2
)
σ

n
Exemplos:
1. Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ e σ
2
= 80. Se
n = 20 e ¯ x = 81,20, encontrar um “intervalo de confian¸ca” de 95% para µ (veja observa¸c˜oes a seguir).
Solu¸c˜ ao:
Temos que 1 −α = 0,95; ent˜ao z
(1−
α
2
)
= z
0,975
= 1,96 e assim:
I(x
1
, . . . ,x
20
) =
¯
X −z
(1−
α
2
)
σ

n
= 81,20 −1,96

80

20
= 81,20 −1,96 2 = 77,28
S(x
1
, . . . ,x
20
) =
¯
X −z
(1−
α
2
)
σ

n
= 81,20 + 1,96 2 = 85,12
Ent˜ao (77,28; 85,12) ´e um intervalo de confian¸ca de 95% para µ.
2. No exemplo 1, considere σ
2
= 20 e encontre um “intervalo de confian¸ca” de 95% para µ.
Solu¸c˜ ao:
Neste caso teremos:
I(x
1
, . . . ,x
20
) = 81,20 −1,96

20

20
= 81,20 −1,96 = 79,24
S(x
1
, . . . ,x
20
) = 81,20 + 1,96 = 83,16
e o intervalo ´e (79,24; 83,16). Observe que diminuindo o valor de σ
2
o comprimento do intervalo ´e
menor.
120
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
3. Sejam os dados:
79,38; 62,55; 65,13; 58,68; 70,25; 84,79; 62,43; 82,55; 72,84; 82,32
que correspondem a 10 observa¸c˜oes de uma distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
= 81.
Construa um “intervalo de confian¸ca” de 90% para µ.
Solu¸c˜ ao:
A partir dos dados, temos ¯ x = 72,09. Como queremos 90% de confian¸ca, 1 − α = 0,9; e assim
z
(1−
α
2
)
= z
0,95
= 1,645. Podemos agora calcular os limites do intervalo:
I(x
1
, . . . ,x
10
) =
¯
X −z
0,95
σ

n
= 72,09 −1,645

81

10
= 72,09 −1,645 2,846 = 67,41
S(x
1
, . . . ,x
10
) = 72,09 + 1,645 2,846 = 76,77 O intervalo ´e portanto (67,41; 76,77)
Observa¸ c˜oes:
1. Observe que I(X
1
,X
2
, . . . ,X
n
) e S(X
1
,X
2
, . . . ,X
n
) s˜ao vari´aveis aleat´orias antes da amostra ser
obtida e portanto tem sentido a express˜ao P[I(X
1
,X
2
, . . . ,X
n
) ≤ µ ≤ S(X
1
,X
2
, . . . ,X
n
)] = 1 − α.
No entanto depois que a amostra ´e obtida, teremos I(X
1
,X
2
, . . . ,X
n
) = i e S(X
1
,X
2
, . . . ,X
n
) = s e
j´a n˜ao tem mais sentido dizer que P[i ≤ µ ≤ s] = 1 −α pois agora, dependendo do valor de µ, esta
probabilidade ser´a 1 ou 0. Mesmo assim, por abuso de linguagem, diremos que (i, s) ´e um intervalo
de confian¸ca de 100(1 −α)% para µ.
2. Assim sendo um intervalo de confian¸ca de 95% para m´edia n˜ao quer dizer que existe uma proba-
bilidade de 0,95 de que µ perten¸ca ao intervalo. A interpreta¸c˜ao correta ´e: Se pud´essemos obter
um n´ umero infinito de amostras aleat´orias de tamanho n e constru´ıssemos intervalos de confian¸ca
de 95% para cada uma das amostras, temos a garantia de que 95% destes intervalos conteriam o
verdadeiro valor de µ.
3. O intervalo de confian¸ca
¸
¯
X −z
(1−
α
2
)
σ

n
,
¯
X +z
(1−
α
2
)
σ

n

tem comprimento igual a 2z
(1−
α
2
)
σ

n
.
Portanto podemos ver que quanto menor o valor de σ, menor o comprimento do intervalo, ou seja,
mais preciso ´e o intervalo.
4. Da mesma forma quanto menor o valor de z
(1−
α
2
)
maior a precis˜ao. Por outro lado, se α
1
< α
2
ent˜ ao z
(1−
α
2
2
)
< z
(1−
α
1
2
)
. Assim se quisermos maior coeficiente de confian¸ca para o intervalo, o seu
comprimento ser´a maior.
5. O comprimento do intervalo diminui `a medida que n aumenta. Na pr´atica, quando quisermos
intervalos mais precisos, podemos aumentar o tamanho da amostra. No entanto n˜ao podemos
esquecer que aumento no tamanho da amostra implica em aumento de custo. Al´em disso temos
sempre que ter em mente que na escolha de n e α ´e tamb´em importante a opini˜ao da pessoa que
realiza a pesquisa. Esta ´ ultima observa¸ c˜ao deve ser levada em conta em todos os casos de intervalo
de confian¸ca a serem discutidos.
Caso 2: σ
2
desconhecida.
Neste caso, n˜ao podemos usar a estat´ıstica

n(
¯
X −µ)
σ
pois o valor de σ n˜ao ´e conhecido. Temos por-
tanto que usar um estimador de σ
2
para resolver o problema. Sabemos de 5.3.3.4 que T
n−1
=

n(
¯
X
n
−µ)
S
tem distribui¸c˜ao t de Student com n −1 graus de liberdade.
121
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Tamb´em foi visto que a fun¸c˜ao de densidade de T
n−1
´e sim´etrica em torno do zero, ent˜ao procuramos
na tabela o valor de T
(n−1,1−
α
2
)
tal que:
P
¸
−t
(n−1,1−
α
2
)

¯
X
n
−µ
S

n ≤ t
(n−1,1−
α
2
)

= 1 −α
e da´ı temos:
P
¸
¯
X
n
−t
(n−1,1−
α
2
)
S

n
≤ µ ≤
¯
X
n
+t
(n−1,1−
α
2
)
S

n

= 1 −α
e nosso intervalo de confian¸ca ´e definido por:
I(X
1
,X
2
, . . . ,X
n
) =
¯
X −t
(n−1,1−
α
2
)
S

n
=
X
1
+ +X
n
n
−t
(n−1,1−
α
2
)
S

n
S(X
1
,X
2
, . . . ,X
n
) =
¯
X +t
(n−1,1−
α
2
)
S

n
=
X
1
+ +X
n
n
+t
(n−1,1−
α
2
)
S

n
Exemplos:
4. No exemplo 1, suponhamos n˜ao conhecer σ
2
, mas um estimador S
2
= 78,45 nos ´e fornecido. De-
termine o intervalo de 95% de confian¸ca.
Solu¸c˜ ao:
I(x
1
, . . . ,x
20
) =
¯
X −t
(19;0,975)
S

n
= 81,20 −2,093

78,45

20
= 81,20 −2,093

3,92
= 81,20 −4,15 = 77,05
S(x
1
, . . . ,x
20
) = 81,20 + 4,15 = 85,35
Portanto o intervalo ´e (77,05; 85,35).
5. No exemplo 3, suponhamos que n˜ao conhecemos a variˆancia. Usando a amostra no entanto achamos
S
2
= 93,89. Calcule um intervalo de confian¸ca de 90%.
Solu¸c˜ ao:
I(x
1
, . . . ,x
10
) =
¯
X −t
(9;0,95)
S

n
= 72,09 −1,833

93,89

10
= 72,09 −1,833

9,389
= 72,09 −5,62 = 66,47
S(x
1
, . . . ,x
10
) = 72,09 + 5,62 = 77,71
Portanto o intervalo ´e (66,47; 77,71).
122
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
5.3.5.2 Intervalo de confian¸ca para o parˆametro p da distribui¸c˜ao binomial
Vamos construir intervalos de confian¸ca para o parˆametro p de distribui¸c˜ao binomial com n conhecido.
Se X ∼ b(n, p), o Teorema Central do Limite afirma que para n grande,
X −np

np(1 −p)
tem distribui¸c˜ao
aproximadamente normal com m´edia zero e variˆancia um. Ent˜ao:
P
¸
−z
(1−
α
2
)

X −np

np(1 −p)
≤ z
(1−
α
2
)
¸
≈ 1 −α
que pode ser reescrito por:
P

−z
(1−
α
2
)

X
n
−p

p(1−p)
n
≤ z
(1−
α
2
)
¸
¸
≈ 1 −α
ou ainda
P
¸
X
n
−z
(1−
α
2
)

p(1 −p)
n
≤ p ≤
X
n
+z
(1−
α
2
)

p(1 −p)
n
¸
≈ 1 −α
Como os limites do intervalo dependem de p, substituimos por seu estimador dado por
X
n
e assim:
I(X) =
X
n
−z
(1−
α
2
)

X
n
(1 −
X
n
)
n
S(X) =
X
n
+z
(1−
α
2
)

X
n
(1 −
X
n
)
n
Observa¸ c˜ao: Aparentemente, neste caso, estamos construindo um intervalo de confian¸ca para p a
partir de uma observa¸ c˜ao da vari´avel X. Mas na verdade pode ser provado que X possui a distribui¸c˜ao
de uma soma de n vari´aveis aleat´orias independentes X
1
,X
2
, . . . ,X
n
, onde cada uma destas vari´aveis tem
distribui¸c˜ ao binomial com parˆametros 1 e p.
Em outras palavras, X e Y = X
1
+ + X
n
onde P(X
i
= 1) = p e P(X
i
= 0) = (1 − p) possuem a
mesma distribui¸c˜ao.
Ent˜ao na verdade:
X
N
=
X
1
+ +X
n
n
=
¯
X
´e a m´edia de uma amostra aleat´oria de tamanho n de uma distribui¸c˜ao binomial com parˆametros 1 e p.
Exemplo:
Seja X uma vari´avel aleat´oria com distribui¸c˜ao binomial de parˆametros 300 e p. Foi tomada uma
observa¸c˜ ao e achou-se X = 75. Encontrar um intervalo de confian¸ca de 90% para p.
123
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Solu¸c˜ao:
I(x) =
x
n
−z
(1−
α
2
)

x
n
(1 −
x
n
)
n
=
75
300
−1,645

75
300
(1 −
75
300
)
300
= 0,25 −0,04 = 0,21
S(x) =
x
n
+z
(1−
α
2
)

x
n
(1 −
x
n
)
n
= 0,25 + 0,04 = 0,29
portanto o intervalo ´e (0,21; 0,29).
5.3.5.3 Intervalo de confian¸ca para diferen¸ca de duas m´edias - Caso normal
Sejam X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de tamanho n de uma vari´avel X com distribui¸c˜ao normal
com m´edia µ
1
e variˆancia σ
2
1
e Y
1
,Y
2
, . . . ,Y
m
uma amostra aleat´oria de tamanho m de uma vari´avel Y
com distribui¸c˜ao normal com m´edia µ
2
e variˆancia σ
2
2
; sendo as duas vari´aveis aleat´orias independentes.
Nesta subse¸c˜ao veremos como encontrar um intervalo de confian¸ca para µ
2
− µ
1
, ou seja, encontrar
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) e S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) tais que:
P[I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) ≤ µ
2
−µ
1
≤ S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
)] = 1 −α
Este problema ocorre frequentemente na vida profissional do engenheiro. Consideremos o seguinte
exemplo: suponhamos que estamos produzindo barras de a¸co e calibramos a linha de produ¸c˜ao de modo
que, se X representa o comprimento das barras, X tem distribui¸c˜ao normal com m´edia µ
1
e variˆancia
σ
2
. Em determinado momento o mercado pede barras com comprimento maior do que o usual. Ent˜ao
faremos nova calibra¸c˜ao na linha de produ¸c˜ao, para aumentarmos os comprimentos, de modo que σ
2
n˜ao
varie. Ap´os a calibra¸c˜ao faremos uma produ¸c˜ao pr´evia e construiremos um intervalo de confian¸ca para
µ
2
−µ
1
, onde µ
2
ser´a a nova m´edia. Se I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) e S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
)
s˜ao ambos positivos, ´e razo´avel pensar que estamos satisfazendo as novas exigˆencias do mercado.
Caso 1: As variˆancias s˜ao conhecidas.
Para construir o intervalo de confian¸ca para µ
2
−µ
1
no caso em que σ
2
1
e σ
2
2
s˜ao conhecidas, usamos
a vari´avel aleat´oria
Z =
¯
Y
n

¯
X
m
−(µ
2
−µ
1
)

σ
2
1
n
+
σ
2
2
m
definida em 5.3.3.2, que tem distribui¸c˜ao normal padr˜ao e os extremos do intervalo s˜ao:
124
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
¯
Y −
¯
X −z
(1−α/2)

σ
2
1
n
+
σ
2
2
m
S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
¯
Y −
¯
X +z
(1−α/2)

σ
2
1
n
+
σ
2
2
m
Exemplo:
Suponha que estamos testando a resistˆencia `a tra¸c˜ao de 10 barras de a¸co produzidas pelo fabricante
1 e 15 barras produzidas pelo fabricante 2. A partir de experiˆencias anteriores sabemos que o fabricante
1 produz barras de a¸co cuja resistˆencia `a tra¸c˜ao tem variˆancia de 900 kgf
2
/cm
4
, enquanto para o fabri-
cante 2 este valor ´e 625 kgf
2
/cm
4
. As amostras nos forneceram resistˆencias m´edias de 5.000 kgf/cm
2
e 4.800 kgf/cm
2
respectivamente para os fabricantes 1 e 2. Construa um intervalo de confian¸ca de 90%
para a diferen¸ca entre as m´edias (µ
2
−µ
1
).
Solu¸c˜ao:
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
¯
X
2

¯
X
1
−z
(1−α/2)

σ
2
1
n
+
σ
2
2
m
= 4.800 −5000 −1,645

900
10
+
625
15
S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =≤
¯
X
2

¯
X
1
+z
(1−α/2)

σ
2
1
n
+
σ
2
2
m
= 4.800 −5000 + 1,645

900
10
+
625
15
E assim o intervalo procurado ´e
−218,88 kgf/cm
2
≤ µ
2
−µ
1
≤ −181,12 kgf/cm
2
Caso 2: As variˆancias s˜ao desconhecidas mas iguais.
Para construir o intervalo de confian¸ca para µ
2
− µ
1
no caso em que σ
2
n˜ao ´e conhecida usamos a
vari´avel aleat´oria T
n+m−2
definida em 5.3.3.4 e os extremos do intervalo s˜ao:
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
¯
Y −
¯
X −t
(n+m−2, 1−
α
2
)
S
p

1
n
+
1
m
S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
¯
Y −
¯
X +t
(n+m−2, 1−
α
2
)
S
p

1
n
+
1
m
onde:
S
p
=

(n −1)S
2
1
+ (m−1)S
2
2
n +m−2
e al´em disso:
t
(n+m−2, 1−
α
2
)
´e tal que P

T
n+m−2
≤ t
(n+m−2, 1−
α
2
)

= 1 −
α
2
e S
2
1
e S
2
2
s˜ ao as variˆancias amostrais correspondentes. Como σ
2
1
= σ
2
2
= σ
2
n˜ao ´e conhecida usamos o
estimador S
2
p
.
125
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Exemplos:
1. No exemplo da produ¸c˜ao de barras de a¸co e da calibragem da m´aquina, suponha que
¯
X = 31,24;
S
1
= 1,57; n = 10;
¯
Y = 26,69; S
2
= 1,42; n = 15. Construa um intervalo de confian¸ca de 95% para
µ
2
−µ
1
.
Solu¸c˜ ao:
S
p

1
n
+
1
m
=

9(1,57)
2
+ 14(1,42)
2
10 + 15 −2
¸
1
10
+
1
15

= 0,604
t
(n+m−2, 1−
α
2
)
= t
23;0,975
= 2,069
ent˜ao:
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) = 26,69 −31,24 −(0,604)(2,069) = −2,80
S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) = 26,69 −31,24 + 1,25 = −0,30
portanto o intervalo procurado ´e (−2,80; −0,30)
2. Uma linha de produ¸c˜ao produz barras de a¸co cujo comprimento X ´e uma vari´avel aleat´oria que
pelas caracter´ısticas do processo de produ¸c˜ao pode-se supor normalmente distribu´ıda com m´edia
µ
1
e variˆancia σ
2
desconhecida. A linha de produ¸c˜ao foi submetida a uma nova calibra¸c˜ao para
aumentar a m´edia, por´em conservando a variˆancia igual a σ
2
. Duas amostras, antes e depois da
calibra¸c˜ao foram obtidas e calculou-se ¯ x = 3,82 m; S
2
1
= 0,08 m
2
; ¯ y = 4,08 m; S
2
2
= 0,10 m
2
. Se
os tamanhos amostrais foram 15 e 20 respectivamente, encontre um intervalo de confian¸ca de 95%
para µ
2
−µ
1
.
Solu¸c˜ ao:
S
p

1
n
+
1
m
=

14(0,08) + 19(0,10)
15 + 20 −2
¸
1
15
+
1
20

= 0,103
t
(n+m−2, 1−
α
2
)
= t
33;0,975
= 2,03
ent˜ao:
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) = 4,08 −3,82 −(0,103)(2,03) = 0,26 −0,21 = 0,05
S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) = 0,26 + 0,21 = 0,47
portanto o intervalo procurado ´e (0,05; 0,47)
126
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Caso 3: As variˆancias s˜ao desconhecidas e diferentes.
Para construir o intervalo de confian¸ca para µ
2
−µ
1
no caso em que σ
2
1
e σ
2
2
s˜ao desconhecidas ainda
usamos a mesma vari´avel aleat´oria T definida em 5.3.3.4, com os graus de liberdade calculados por:
ν =

S
2
1
n
+
S
2
2
m

2

S
2
1
/n

2
n + 1
+

S
2
2
/m

2
m+ 1
−2
Neste caso os extremos do intervalo s˜ao:
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
¯
Y −
¯
X −t
(ν, 1−
α
2
)

S
2
1
n
+
S
2
2
m
S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
¯
Y −
¯
X +t
(ν, 1−
α
2
)

S
2
1
n
+
S
2
2
m
5.3.5.4 Intervalo de confian¸ca para variˆancia de uma distribui¸c˜ao normal
Caso 1: µ desconhecida.
Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
,
com µ e σ
2
desconhecidas. Sabemos de 5.3.3.3 que
(n −1)S
2
σ
2
tem distribui¸c˜ao quiquadrado com n − 1
graus de liberdade. Ent˜ao da tabela teremos que:
P
¸
A
2
(n−1,
α
2
)

(n −1)S
2
σ
2
≤ A
2
(n−1, 1−
α
2
)

onde A
2
(n−1,
α
2
)
e A
2
(n−1, 1−
α
2
)
s˜ao tais que:
P[A
2
n−1
≤ A
2
(n−1,
α
2
)
] =
α
2
e P[A
2
n−1
≤ A
2
(n−1, 1−
α
2
)
] = 1 −
α
2
Da´ı obtemos os extremos do intervalo:
I(X
1
,X
2
, . . . ,X
n
) =
(n −1)S
2
A
2
(n−1, 1−
α
2
)
=
(n −1)
A
2
(n−1, 1−
α
2
)
n
¸
i=1
(x
i
− ¯ x)
2
n −1
127
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
S(X
1
,X
2
, . . . ,X
n
) =
(n −1)S
2
A
2
(n−1,
α
2
)
=
(n −1)
A
2
(n−1,
α
2
)
n
¸
i=1
(x
i
− ¯ x)
2
n −1
Caso 2: µ conhecida.
Quando µ ´e conhecida o procedimento para constru¸c˜ao do intervalo de confian¸ca ´e o mesmo, s´o que
usamos
n
¸
i=1

x
i
−µ
σ

2
que tamb´em tem distribui¸c˜ao quiquadrado, mas com n graus de liberdade.
Exemplo:
Uma amostra aleat´oria de tamanho 15 de uma distribui¸c˜ao normal com m´edia µ e variˆancia σ
2
foi
obtida e calculou-se ¯ x = 3,20; S
2
= 4,24. Determinar um intervalo de confian¸ca de 90% para σ
2
.
Solu¸c˜ao:
I(X
1
, . . . ,X
15
) =
(n −1)S
2
A
2
(n−1, 1−
α
2
)
=
14 4,24
A
2
(14; 0,95)
=
59,36
23,68
= 2,51
S(X
1
, . . . ,X
15
) =
14 4,24
A
2
(14; 0,05)
=
59,36
6,57
= 9,04
portanto o intervalo procurado ´e (2,51; 9,04)
5.3.5.5 Intervalo de confian¸ca para raz˜ao de variˆancias - Caso normal
Sejam X uma vari´avel aleat´oria com distribui¸c˜ao normal com m´edia µ
1
e variˆancia σ
2
1
; Y uma vari´avel
aleat´oria com distribui¸c˜ao normal com m´edia µ
2
e variˆancia σ
2
2
independente de X.
Sejam X
1
,X
2
, . . . ,X
n
e Y
1
,Y
2
, . . . ,Y
m
amostras aleat´orias das respectivas distribui¸c˜oes. Nesta subse¸c˜ao
iremos construir um intervalo de confian¸ca para
σ
2
2
σ
2
1
.
De 5.3.3.5 sabemos que
F =
S
2
1
S
2
2
σ
2
2
σ
2
1
tem distribui¸c˜ao F com n −1 e m−1 graus de liberdade.
128
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
Ent˜ao na tabela encontramos Fα
2
,(n−1, m−1)
e F
1−
α
2
,(n−1, m−1)
tais que
P


2
,(n−1, m−1)
≤ F ≤ F
1−
α
2
,(n−1, m−1)

= 1 −α
Da´ı os extremos do intervalo s˜ao:
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) = Fα
2
,(n−1, m−1)
S
2
2
S
2
1
S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) = F
1−
α
2
,(n−1, m−1)
S
2
2
S
2
1
.
Como foi visto em 5.3.3.5 (Distribui¸c˜ao F de Fisher),

2
,(n−1, m−1)
=
1
F
1−
α
2
,(m−1, n−1)
e assim podemos reescrever:
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
1
F
1−
α
2
,(m−1, n−1)
S
2
2
S
2
1
Os limites do intervalo de confian¸ca para o caso em que as m´edias µ
1
e µ
2
s˜ao conhecidas podem ser
obtidos com as modifica¸c˜oes adequadas usando o mesmo modelo.
Exemplo:
Imagine que tenhamos as duas amostras de uma distribui¸c˜ao normal de tamanhos 10 e 5 e que as
variˆancias amostrais sejam respectivamente s
2
1
= 20,0 e s
2
2
= 35,6. Qual seria o intervalo de confian¸ca
com α = 0,05 para σ
2
2

2
1
?
Solu¸c˜ao:
I(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) =
1
F
0,975(4, 9)
35,6
20,0
=
1
4,72
35,6
20,0
= 0,38
S(X
1
,X
2
, . . . ,X
n
; Y
1
,Y
2
, . . . ,Y
m
) = F
0,975(9, 4)
35,6
20,0
= 8,90
35,6
20,0
= 15,84
Assim o intervalo de 95% para σ
2
2

2
1
´e (0,38; 15,84).
129
5.3. ESTIMAC¸
˜
AO DE PAR
ˆ
AMETROS cpa/gsa
5.3.5.6 Intervalo de confian¸ca para a m´edia - distribui¸c˜ao n˜ao normal
Todos os casos discutidos at´e aqui envolveram distribui¸c˜oes normais. Vamos considerar agora um caso
em que n˜ao temos distribui¸c˜ao normal e no qual usaremos o Teorema Central do Limite.
Seja X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de uma vari´avel X com fun¸c˜ao de densidade de proba-
bilidade f(x,θ), θ ∈ Θ. Se a variˆancia de X ´e positiva e finita, sabemos que Z
n
=

n(X
n
−µ)
σ
tem
distribui¸c˜ao aproximadamente normal com m´edia zero e variˆancia um. Ent˜ao, na tabela da normal padr˜ao
achamos z
(1−
α
2
)
tal que:
P
¸
−z
(1−
α
2
)

X
n
−µ
σ

n ≤ z
(1−
α
2
)

= 1 −α
e obtemos um intervalo (aproximado) com coeficiente de confian¸ca 100(1 −α)%, cujos extremos s˜ao:
I(X
1
,X
2
, . . . ,X
n
) =
¯
X −z
(1−
α
2
)
σ

n
S(X
1
,X
2
, . . . ,X
n
) =
¯
X +z
(1−
α
2
)
σ

n
Podemos observar que estes extremos s˜ao iguais aos extremos achados no caso 5.3.5.1, mas aqui o
intervalo ´e aproximado, enquanto em 5.3.5.1 ele era exato.
Quando σ
2
n˜ao ´e conhecida, usamos a estat´ıstica
z
1
n
=
X
n
−µ
σ

n

(n −1)S
2
(n −1)σ
2
=

n(X
n
−µ)
S
Como j´a vimos na se¸c˜ao 5.3.4, sabemos que a distribui¸c˜ao de z
1
n
ainda ´e aproximadamente normal
padr˜ao e neste caso o nosso intervalo aproximado tem os extremos:
I(X
1
,X
2
, . . . ,X
n
) =
¯
X −z
(1−
α
2
)
S

n
S(X
1
,X
2
, . . . ,X
n
) =
¯
X +z
(1−
α
2
)
S

n
Observe que f(x,θ) neste caso ´e uma fun¸c˜ao de densidade de probabilidade qualquer. A ´ unica exigˆencia
que fazemos, al´em de n ser grande,´e que a variˆancia seja finita e positiva.
130
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Exemplos:
1. Observou-se o tempo de vida de 65 lˆampadas produzidas pela f´abrica A. Se ¯ x = 321 dias e S = 18,4
dias, construa um intervalo de confian¸ca de 95% para µ, a vida m´edia das lˆampadas produzidas
pela f´abrica A.
Solu¸c˜ ao:
Neste caso n˜ao conhecemos a variˆancia, ent˜ao usaremos a estat´ıstica z
1
n
=

n(X
n
−µ)
S
:
I(x
1
, . . . ,x
65
) = ¯ x −z
(1−
α
2
)
S

n
= 321 −z
(0,975)
18,4

65
= 321 −1,96 2,2822
= 321 −4,47 = 316,96
S(x
1
, . . . ,x
65
) = 321 + 4,47
= 325,47
e o intervalo de confian¸ca ´e (316,96; 325,47)
2. Suponha que no exemplo anterior a variˆancia ´e conhecida e igual a 400. Construa o novo intervalo
de confian¸ca de 95% para µ
Solu¸c˜ ao:
I(x
1
, . . . ,x
65
) = 321 −1,96

400

65
= 321 −1,96(2,4807)
= 321 −4,86 = 316,14
S(x
1
, . . . ,x
65
) = 321 + 4,86
= 325,86
Intervalo ´e (316,14; 325,86)
5.4 Teste de Hip´oteses
5.4.1 Introdu¸c˜ao
Na se¸c˜ao anterior aprendemos a construir intervalos de confian¸ca para parˆametros que estimamos a
partir de amostras. Como veremos a seguir esta ´e uma ferramenta fundamental no estudo de um dos
t´opicos mais importantes no dia a dia dos engenheiros: o teste de hip´oteses. Apresentamos a seguir alguns
conceitos b´asicos.
131
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Defini¸c˜ao 28. Hip´otese Estat´ıstica - Uma hip´otese estat´ıstica ´e uma afirma¸c˜ao sobre uma popula¸c˜ao.
A afirma¸c˜ao pode ser referente `a distribui¸c˜ao ou aos parˆametros que caracterizam a distribui¸c˜ao.
Exemplos:
1. X tem distribui¸c˜ao normal.
2. E(X) = µ = 100.
3. V (X) = σ
2
= 200.
Introduzimos os conceitos b´asicos sobre testes de hip´otese atrav´es do seguinte exemplo:
Suponha que uma empresa produza vigotas premoldadas de concreto de comprimento X. De acordo
com o padr˜ao de produ¸c˜ao da empresa, X tem distribui¸c˜ao normal com m´edia µ = 120 cm e desvio
padr˜ao σ = 0,5 cm.
Um cliente dessa empresa formula uma reclama¸c˜ao alegando que as vigotas est˜ao sendo produzidas
com comprimento menor e reinvindica a devolu¸ c˜ao do dinheiro pago pela compra feita no ´ ultimo mˆes.
Neste problema, a hip´otese do fabricante ´e que µ = 120 cm. e a hip´otese do cliente ´e que µ < 120
cm. Assim o fabricante precisa tomar uma decis˜ao com respeito `a reclama¸c˜ao do comprador. O que
normalmente se faz ´e colher uma amostra aleat´oria de tamanho n e observar a m´edia amostral.
´
E muito
natural, neste exemplo, decidir em favor do cliente se a m´edia amostral for pequena e menor que 120.
Ou seja a reclama¸c˜ao do cliente ser´a atendida se
¯
X
n
< 120 −c para alguma constante positiva c.
120
120-c
RegiãoCrítica
Neste problema µ = 120 ´e chamada Hip´otese Nula e ser´a denotada por H
0
(H
0
: µ = 120 cm no
exemplo). J´a µ < 120 ´e chamada de Hip´otese Alternativa e ser´a denotada por H
1
(H
1
: µ < 120 cm
no exemplo).
O procedimento que leva a tomar uma decis˜ao com respeito `a m´edia ´e chamado de Teste de Hip´otese.
¯
X
n
no exemplo ´e chamada de Estat´ıstica do Teste. A regi˜ao destacada na figura anterior, chama-se
Regi˜ao Cr´ıtica. Esta regi˜ao cont´em todos os valores de
¯
X
n
para os quais daremos raz˜ao ao cliente.
Antes de continuarmos precisamos estabelecer uma diferen¸ca entre uma Hip´otese e uma Proposi¸c˜ao.
Uma proposi¸c˜ao ´e aceita universalmente e ela pode ser provada: O Teorema fundamental do c´alculo, o
Teorema de Pit´agoras ou as Leis de Newton s˜ao exemplos de proposi¸c˜oes e elas podem ser provadas. Uma
hip´otese n˜ao pode ser provada. Em algumas situa¸c˜oes, sob determinadas condi¸c˜oes, a hip´otese pode ser
verdadeira e sobre outras condi¸c˜oes pode ser falsa.
Ao tomarmos uma decis˜ao sobre uma hip´otese estamos sujeitos a dois tipos de erro: o primeiro, cha-
mado de erro tipo I ´e rejeitar H
0
sendo ela verdadeira. O segundo, chamado de erro tipo II ´e n˜ao
rejeitar H
0
sendo ela falsa. Na literatura universal costuma ser usada a seguinte tabela:
Decis˜ao H
0
´e verdadeira H
0
´e falsa
Rejeitar H
0
Erro tipo I Decis˜ao correta
N˜ao rejeitar H
0
Decis˜ao correta Erro tipo II
No exemplo de testar H
0
: µ = 120 contra H
1
: µ < 120, dissemos que podemos decidir em favor do
cliente se
¯
X
n
< 120 −c. Resta encontrar o valor da constante c. Para encontrar tal valor precisamos da
132
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Defini¸c˜ao 29. N´ıvel de significˆancia: o n´ıvel de significˆancia de um teste, representado por α, ´e
a probabilidade de cometer erro tipo I. O valor de α ´e fixado de acordo `a seriedade do erro tipo I.
Geralmente α = 0,01; 0,05; 0,1.
Ent˜ao
α = P(cometer erro tipo I) = P(rejeitar H
0
[H
0
´e verdadeira)
No exemplo, α = P(
¯
X
n
< 120 −c[µ = 120). Como sabemos que sob H
0
,
¯
X
n
∼ N(120;
0,5
2
n
) podemos
escrever
P(
¯
X
n
< 120 −c[µ = 120) = P

n
0,5
(
¯
X
n
−120) < [(120 −c) −120]

n
0,5
[µ = 120

= P

Z < [(120 −c) −120]

n
0,5

= P

Z < −c

n
0,5

Da tabela normal padr˜ao obtemos z
α
tal que
P(Z < z
α
) = α. Resolvendo a equa¸c˜ao −c

n
0,5
= z
α
,
obtemos c =
−0,5

n
z
α
.
z
a
0
Figura 5.1: z
α
: P(Z ≤ z
α
) = α
Para ilustra¸c˜ao, se α = 0,05 e n = 25; ent˜ao z
α
= −1,645 e c =
−0,5

25
(−1,645) = 0,1645.
Ou seja, decidimos em favor do cliente se
¯
X < 120 −0,1645 = 119,84 cm.
Resumindo: Se uma amostra aleat´oria de tamanho 25 ´e obtida, ao n´ıvel α = 0,05 rejeitamos
H
0
: µ = 120 e adotamos a hip´otese H
1
: µ < 120 se
¯
X < 119,84. A regi˜ao cr´ıtica neste caso, para
o n´ıvel de significˆancia α = 0,05 ´e C = ¦(X
1
, . . . ,X
n
) :
¯
X < 119,84¦
Agora suponha que ap´os a amostra ter sido retirada encontra-se
¯
X = 119,7. Qual a decis˜ao a ser
tomada? Desde que o valor observado de
¯
X ´e menor que 119,84; rejeitamos H
0
ao n´ıvel de α = 0,05;
ou seja a reclama¸c˜ao do cliente ´e procedente. Dissemos neste caso que ao n´ıvel de α = 0,05 a m´edia ´e
significantemente menor que 120.
Uma outra forma de conduzir o teste ´e calcular o p-valor amostral que no exemplo ´e definido como
a probabilidade de que a m´edia amostral seja menor que aquele valor realmente observado. No exemplo
observa-se
¯
X
25
= 119,7.
p-valor amostral = P(
¯
X
25
< 119,7[µ = 120)
= P[
5
0,5
(
¯
X
25
−120) <
5
0,5
(119,7 −120)[µ = 120]
= P(Z < −3) = 0,001350
133
5.4. TESTE DE HIP
´
OTESES cpa/gsa
A decis˜ao a ser tomada ´e rejeitar H
0
para todo valor de α maior ou igual ao p-valor amostral. Neste
caso rejeitamos H
0
para todo valor de α maior ou igual a 0,001350.
A vantagem de conduzirmos um teste usando o p-valor amostral ´e que este valor informa para n´os
uma forte ou uma fraca evidˆencia contra a hip´otese nula. Quanto menor ´e o p-valor amostral mais forte
ser´a a evidˆencia que temos para rejeitar a hip´otese nula.
Suponha por exemplo que uma segunda amostra foi escolhida e observou-se
¯
X
25
= 119,8. O p-valor
neste ´ ultimo caso ´e:
p-valor amostral = P(
¯
X
25
< 119,8[µ = 120)
= P[
5
0,5
(
¯
X
25
−120) <
5
0,5
(119,8 −120)[µ = 120]
= P(Z < −2) = 0,018309
120
119,84
= 0,05
X X
A B
α
Vˆe-se portanto que em ambas as amostras temos evidˆencias para rejeitar H
0
mas esta evidˆencia ´e
mais forte no caso da primeira amostra.
Veremos a seguir a probabilidade do erro tipo II. A probabilidade desse erro ser´a representada por
β. Lembremos que a probabilidade de erro tipo II ´e a probabilidade de n˜ao rejeitar H
0
quando ela
´e falsa. O espa¸co param´etrico sob a hip´otese alternativa, no exemplo, ´e representado pelo conjunto
Θ = ¦µ ∈ R : µ < 120¦. Precisamos avaliar a probabilidade de erro tipo II para cada valor de µ neste
conjunto.
Se o verdadeiro valor da m´edia ´e igual a µ −δ para algum valor de δ > 0 ent˜ao
β(120 −δ) = P(n˜ao rejeitar h
0
[µ = 120 −δ)
= P(
¯
X
25
≥ 119,84[µ = 120 −δ)
Se o verdadeiro valor da m´edia ´e µ = 120 −δ ent˜ao

n
σ

¯
X
25
−(120 −δ)

=
5
0,5

¯
X
25
−(120 −δ)

tem distribui¸c˜ao normal padr˜ao. Ent˜ao:
β(120 −δ) = P
¸
5
0,5
(
¯
X
25
−(120 −δ)) ≥
5
0,5
(119,84 −(120 −δ))[µ = 120 −δ

= P[Z ≥ 10(−0,16 +δ)]
= P(Z ≥ −1,6 + 10δ)
= 1 −P(Z < −1,6 + 10δ)
134
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Assim, no exemplo, se a m´edia verdadeira fosse 119,75 ent˜ao δ = 120−119,75 = 0,25 e a probabilidade
de erro tipo II seria:
β(120 −δ) = 1 −P(Z < −1,6 + 10δ) −→ β(119,75) = 1 −P(Z < 0,9) = 1 −0,815940 = 0,18406
Define-se o poder de um teste, avaliado em µ = µ
0
− δ como a probabilidade de rejeitar H
0
quando o verdadeiro valor da m´edia ´e igual a µ = µ
0
− δ. Representa-se o poder por K. Isto ´e
K(µ
0
−δ) = 1 −β(µ
0
−δ).
No exemplo, K(120 −δ) = 1 −β(120 −δ).
A seguir apresentamos as probabilidades de erro tipo II e os correspondentes valores do poder do teste
para alguns valores de δ no exemplo:
δ β(δ) K(δ)
0,10 0,725747 0,274253
0,20 0,344578 0,655422
0,30 0,080757 0,919243
0,40 0,008198 0,991802
Um bom exerc´ıcio para o leitor seria calcular os
valores de β(δ) e K(δ) para diversos valores de δ
e fazer um gr´afico, que teria o aspecto da figura
mostrada ao lado, que foi calculada com δ de 0 a
0,45, com varia¸c˜oes de 0,002.
K(d)
b(d)
d
V
a
l
o
r

d
a

f
u
n
ç
ã
o
At´e aqui introduzimos, atrav´es de um exemplo, os conceitos b´asicos de testes de hip´oteses. A partir
de agora generalizaremos estes conceitos para diferentes situa¸c˜oes.
5.4.2 Testes sobre a m´edia de uma popula¸c˜ao com distribui¸c˜ao normal
5.4.2.1 Variˆancia conhecida
Considere X vari´avel aleat´oria normalmente distribu´ıda com m´edia µ desconhecida e variˆancia σ
2
conhecida. Consideremos os seguintes testes:
• Teste 1: H
0
: µ = µ
0
H
1
: µ < µ
0
• Teste 2: H
0
: µ = µ
0
H
1
: µ > µ
0
• Teste 3: H
0
: µ = µ
0
H
1
: µ = µ
0
Os testes 1 e 2 s˜ao chamados testes unilaterais e o teste 3 ´e chamado bilateral. Naturalmente nos
testes ser´a usada
¯
X
n
de uma amostra aleat´oria de tamanho n. Teremos respectivamente:
• Ao n´ıvel α, no teste 1, H
0
ser´a rejeitada se
¯
X
n
< µ
0
−z
α

σ

n

, onde P(Z < z
α
) = 1 −α
135
5.4. TESTE DE HIP
´
OTESES cpa/gsa
• Ao n´ıvel α, no teste 2, H
0
ser´a rejeitada se
¯
X
n
> µ
0
+z
α

σ

n

• Ao n´ıvel α, no teste 3, H
0
ser´a rejeitada se
¯
X
n
< µ
0
−z
α
2

σ

n

ou
¯
X
n
> µ
0
+z
α
2

σ

n

ou de forma equivalente se
[
¯
X
n
−µ
0
[ > z
α
2

σ

n

Exemplos:
1. Uma montadora de ve´ıculos anuncia que seu carro popular de 1.000 c.c. tem uma eficiˆencia
energ´etica m´edia de 16 km/litro de gasolina rodando em estrada asfaltada. O editor do caderno
de ve´ıculos do jornal local afirma que a eficiˆencia energ´etica do carro ´e menor do que a anunciada
pela montadora, e para provar conduz um teste com 25 carros do tipo anunciado. Supondo que a
eficiˆencia energ´etica tem distribui¸c˜ao normal com variˆancia de 11(km/l)
2
:
(a) Formule um teste apropriado para o editor do jornal, e construa a regi˜ao cr´ıtica com n´ıvel de
significˆancia α = 0,05.
(b) Se o valor obtido pelo jornalista no teste foi
¯
X = 15,6 km/l qual seria a sua conclus˜ao? Qual
o p-valor para a m´edia obtida pelo editor? E qual seria se a m´edia obtida fosse 14,8 km/litro?
(c) Se a eficiˆencia energ´etica m´edia real destes carros fosse 15,4 km/l, qual seria a probabilidade
de erro tipo II e qual o poder do teste?
Solu¸c˜ ao:
(a) A hip´otese nula do teste seria H
0
: µ = 16 km/l, e como o editor est´a interessado em confirmar
que a eficiˆencia energ´etica ´e menor, a hip´otese alternativa seria H
1
: µ < 16 km/l. H
0
ser´a
rejeitada se
¯
X < µ
0
−z
α

σ

n

. Como dado pelo programa α = 0,05; achamos na tabela da
normal padr˜ao z
0,05
= 1,645 e portanto a regi˜ao cr´ıtica ser´a:
C =

(X
1
, . . . ,X
25
) :
¯
X < 16 −1,645

11

25
= 16 −1,09 = 14,91
¸
Ou seja, a hip´otese nula ser´a rejeitada para os valores de
¯
X < 14,91.
(b) Como a m´edia observada 15,6 ´e maior que 14,9 n˜ao podemos rejeitar a hip´otese nula (H
0
:
µ = 16 km/l), e portanto n˜ao h´a evidˆencias para apoiar a afirma¸c˜ao do jornalista de que a
eficiˆencia energ´etica ´e menor que 16,0 km/l.
Sabemos que o p-valor amostral pode ser obtido por
p-valor = P(
¯
X
25
< 15,6[µ = 16)
= P(

n
σ
(
¯
X
25
−µ) <

n
σ
(15,6 −µ[µ = 16)
= P(Z <

25

11
(15,6 −16[µ = 16)
= P(Z < −0,6030) = 0,2743
136
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Como este valor ´e maior que o n´ıvel de significˆancia α = 0,05 vemos que
¯
X
25
= 15,6 est´a fora
da regi˜ao cr´ıtica, e confirmando o teste feito em (a) n˜ao rejeitamos H
0
.
J´a se a m´edia amostral fosse
¯
X = 14,8 o p-valor amostral seria obtido por:
p-valor = P(
¯
X
25
< 14,8[µ = 16)
= P(Z <

n
σ
(14,8 −µ[µ = 16)
= P(Z <

25

11
(14,8 −16[µ = 16)
= P(Z < −1,81) = 0,0351
Nesse caso o p-valor ´e menor que o n´ıvel de significˆancia e portanto rejeitar´ıamos H
0
. Se a
m´edia amostral fosse
¯
X = 14,8 poder´ıamos apoiar a afirma¸c˜ao do jornalista de que a eficiˆencia
energ´etica ´e menor que a anunciada pela montadora.
(c) Para calcularmos a probabilidade de cometer erro tipo II se a verdadeira m´edia fosse 15,4
lembremos que:
β(15,40) = P(
¯
X
25
> 14,91[
¯
X
25
= 15,4)
= P[Z >

n
σ
(14,91 −15,4)]
= P[Z >
5

11
(14,91 −15,4)]
= P(Z > −0,7387) = 0,7704
A probabilidade de cometer erro tipo II se a m´edia for 15,4 ´e 0,7704 e portanto o poder do
teste ´e 0,2296.
2. Um engenheiro est´a na fase de concretagem de diversos pilares em uma obra e encomenda concreto
pronto com resistˆencia m´edia de 900kgf/cm
2
. Uma empresa concorrente do fornecedor habitual se
disp˜oe a entregar por um pre¸co mais barato um concreto pronto que alega fornecer uma resistˆencia
maior que o usado atualmente. O engenheiro solicita ent˜ao da E.E.U.F.M.G. um laudo t´ecnico
de teste de compress˜ao em 36 corpos de prova fabricados com o concreto desta segunda empresa,
obtendo uma resistˆencia m´edia de 930kgf/cm
2
. Supondo que a resistˆencia `a compress˜ao do concreto
tem distribui¸c˜ao normal com variˆancia 5.625(kgf/cm
2
)
2
, e utilizando em n´ıvel de significˆancia de
α = 0,01 responda:
(a) O engenheiro deve trocar de fornecedor?
(b) Qual o p-valor amostral do concreto do segundo fornecedor?
(c) Qual o poder do teste se a m´edia real do concreto do segundo fornecedor for 950kgf/cm
2
?
Solu¸c˜ ao:
(a) Para avaliarmos a conveniˆencia da troca de fornecedor estabelecemos o teste H
0
: µ = 900
contra H
1
: µ > 900. A regi˜ao cr´ıtica ser´a:
C =

(X
1
, . . . ,X
36
) :
¯
X > µ
0
+z
α

σ

n

= 900 + 2,33


5.625

36

= 900 + 29,25 = 929,25
¸
Como a m´edia observada 930 ´e maior que 929,25, rejeitamos a hip´otese nula, e portanto h´a
evidˆencias para apoiar a afirma¸c˜ao de que o concreto fornecido pelo concorrente aumenta a
resistˆencia `a compress˜ao e portanto o engenheiro deve trocar de fornecedor.
137
5.4. TESTE DE HIP
´
OTESES cpa/gsa
(b) O p-valor amostral ´e
p-valor = P(
¯
X
36
> 930[µ = 900)
= P
¸ √
n

σ
2
(
¯
X
36
−µ) >

n

σ
2
(930 −µ)[µ = 900

= P
¸
Z >

36

5.625
(930 −900)[µ = 900
¸
= P(Z > 2,4) = 0,0082
Como este valor ´e menor que o n´ıvel de significˆancia α = 0,01 vemos que
¯
X est´a na regi˜ao
cr´ıtica, e confirmando o teste feito em (a) rejeitamos H
0
.
(c) Para calcularmos o poder do teste, vejamos a probabilidade de cometer erro tipo II se a
verdadeira m´edia fosse 950:
β(950) = P(
¯
X
36
< 929,25[µ = 950)
= P
¸ √
n

σ
2
(
¯
X
36
−µ) <

n

σ
2
(929,25 −µ)

= P
¸
6
75
(
¯
X
36
−950) <

36

5.625
(929,25 −950)
¸
= P
¸
Z <
6
75
(929,25 −950)

= P(Z < −1,66) = 0,0485
E portanto o poder do teste ´e K(950) = 1 −0,4085 = 0,9515.
3. Como analista do controle de qualidade de uma f´abrica de lˆampadas vocˆe sabe que o tempo de
vida do produto tem distribui¸c˜ao normal com variˆancia igual a 14.400 horas
2
e que sua linha de
produ¸c˜ao est´a ajustada para que as lˆampadas possuam uma vida m´edia de 1.600 horas.
(a) Construa um teste de hip´otese bilateral para a dura¸c˜ao m´edia da lˆampada, construindo a
regi˜ao cr´ıtica para α = 0,10.
(b) Qual sua conclus˜ao se um lote de 100 lˆampadas da produ¸c˜ao de um dia forneceu
¯
X
100
= 1.615
horas como dura¸c˜ao m´edia da lˆampada? Qual o p-valor amostral para esta amostra?
(c) Se a m´edia real fosse 1.620 horas qual seria o poder do teste?
Solu¸c˜ ao:
(a) A hip´otese nula ´e H
0
= 1.600 e a hip´otese alternativa ´e H
1
= 1.600. Rejeitamos a hip´otese
nula se:
¯
X
n
< µ
0
−z
α
2

σ

n

ou
¯
X
n
> µ
0
+z
α
2

σ

n

Como o valor de α = 0,10, ent˜ao z
α
2
= 1,645 e assim a regi˜ao cr´ıtica ´e
C =

(X
1
, . . . ,X
100
) :
¯
X < 1.600 −1,645

120
10

ou
¯
X > 1.600 + 1,645

120
10

C =
¸
(X
1
, . . . ,X
100
) :
¯
X < 1.580,26 ou
¯
X > 1.619,74
¸
138
5.4. TESTE DE HIP
´
OTESES cpa/gsa
(b) Como a m´edia amostral
¯
X
100
= 1.615 n˜ao est´a na regi˜ao cr´ıtica n˜ao rejeitamos H
0
, ou seja
n˜ao h´a evidˆencias amostrais para rejeitarmos a afirma¸c˜ao de que a linha de produ¸c˜ao produz
lˆampadas com dura¸c˜ao m´edia de 1.600 horas.
No teste bilateral H
0
: µ = µ
0
versus H
1
: µ = µ
0
o p-valor amostral ´e calculado da seguinte
forma:
i. Se ¯ x
obs
< µ
0
, p-valor = 2P(
¯
X < ¯ x
obs
[µ = µ
0
)
ii. Se ¯ x
obs
> µ
0
, p-valor = 2P(
¯
X > ¯ x
obs
[µ = µ
0
)
Assim sendo o p-valor amostral ´e calculado por:
p-valor = 2P(
¯
X
100
> 1.615[µ = 1.600)
= 2P
¸ √
n

σ
2
(
¯
X
100
−µ) >

n

σ
2
(1.615 −1.600)[µ = 1.600)

= 2P

Z >

100

14.400
15

= P(Z > 1,25) = 0,2113
O p-valor ´e maior que α = 0,10 confirmando ent˜ao que n˜ao rejeitamos a hip´otese nula.
(c) Para calcularmos o poder do teste, temos que calcular a probabilidade de cometer erro tipo II
se a verdadeira m´edia fosse 1.620. Lembremos que a probabilidade de cometer erro tipo II ´e a
probabilidade de n˜ao rejeitarmos H
0
quando ela ´e falsa. Para n˜ao rejeitarmos H
0
,
¯
X dever´a
cair na regi˜ao de aceita¸c˜ao, ou seja:
β(1.620) = P(N˜ao rejeitar H
0
[µ = 1.620)
= P(1.580,26 <
¯
X
100
< 1.619,74[µ = 1.620)
= P
¸ √
n

σ
2
(1.580,26 −µ) <

n

σ
2
(
¯
X
100
−µ) <

n

σ
2
(1.619,74 −µ)[µ = 1.620

= P
¸

100

14.400
(1.580,26 −1.620) < Z <

100

14.400
(1.619,74 −1.620)
¸
= P(−3,31 < Z < −0,02)
= P(Z < −0,02) −P(Z < −3,31) = 0,492022 −0,000466 = 0,491556
Logo o poder do teste ´e K = 1 −0,491556 = 0,508444
5.4.2.2 Variˆancia desconhecida
No caso da variˆancia ser desconhecida, usamos seu estimador usual ou seja
S
2
=
1
(n −1)
n
¸
i=1
(X
i

¯
X)
2
Na sub-se¸c˜ ao 5.3.5.1 (caso 2) estabelecemos, sem prova, que a estat´ıstica T
n
=

n(
¯
X
n
−µ)
S
tem distri-
bui¸c˜ao t de Student com n −1 graus de liberdade. Baseados nesta distribui¸c˜ao:
• Teste 1, H
0
: µ = µ
0
H
1
: µ < µ
0
, rejeitamos H
0
, ao n´ıvel α, se
¯
X
n
< µ
0
−t
(n−1;α)

S

n

139
5.4. TESTE DE HIP
´
OTESES cpa/gsa
• Teste 2: H
0
: µ = µ
0
H
1
: µ > µ
0
, rejeitamos H
0
, ao n´ıvel α, se
¯
X
n
> µ
0
+t
(n−1;α)

S

n

• Teste 3: H
0
: µ = µ
0
H
1
: µ = µ
0
, rejeitamos H
0
, ao n´ıvel α, se
[
¯
X
n
−µ
0
[ > t
(n−1;
α
2
)

S

n

Para recordar, t
(n−1;α)
´e tal que P(T
n−1
> t
(n−1;α)
) = α. E t
(n−1;
α
2
)
´e definido analogamente.
Exemplo
1. Num teste de resistˆencia de cordas (7 cm. de diˆametro) para uma amostra de tamanho n = 16,
foram obtidos os seguintes resultados para a tens˜ao de ruptura:
¯
X
16
= 4.482kg e S
16
= 115kg.
Suponha que a tens˜ao de ruptura ´e uma vari´avel com distribui¸c˜ao normal. Se o fabricante alega
que a resistˆencia m´edia ´e µ = 4.500 e vocˆe ´e respons´avel pela seguran¸ca de quem ir´a utilizar a
corda:
(a) Defina um teste apropriado e construa a regi˜ao cr´ıtica com α = 0,01.
(b) Qual a conclus˜ao para os valores amostrais apresentados? Qual o p-valor amostral?
(c) Qual a probabilidade de se cometer erro tipo II se a m´edia real fosse 4.475kg?
Solu¸c˜ ao
(a) A hip´otese nula ´e H
0
: µ = 4.500 e a hip´otese alternativa ´e H
1
: µ < 4.500. Rejeitamos a
hip´otese nula se:
¯
X
n
< µ
0
−t
(n−1;α)

S

n

A regi˜ao cr´ıtica ´e:
C =

(X
1
, . . . ,X
16
) :
¯
X
16
< 4.500 −t
(15; 0,01)

115
4

C =
¸
(X
1
, . . . ,X
16
) :
¯
X
16
< 4.500 −2,602 28,75 = 4.425,19
¸
(b) Como a m´edia amostral ´e
¯
X
16
= 4.482kg > 4.425,19kg, n˜ao rejeitamos a hip´otese nula ou seja
n˜ao h´a evidˆencias contr´arias a que a resistˆencia m´edia da corda seja µ = 4.500 kg O p-valor
amostral ´e calculado por:
p-valor = P(
¯
X
16
< 4.482[µ = 4.500)
= P
¸√
n
S
(
¯
X
16
−µ) <

n
S
(4.482 −4.500)[µ = 4.500)

= P

T
15
<

16
115
(−18)

= P(T
15
< −0,63) ≈ 0,27
Como esperado pelo resultado de (a) o p-valor amostral ´e maior que o n´ıvel de significˆancia
dado α = 0,01, confirmando que n˜ao rejeitamos H
0
.
140
5.4. TESTE DE HIP
´
OTESES cpa/gsa
(c) Para calcularmos a probabilidade de erro tipo II
β(4.475) = P(N˜ao rejeitar H
0
[µ = 4.475)
= P(
¯
X
16
> 4.425,19[µ = 4.475)
= P
¸√
n
S
(
¯
X
16
−µ) >

n
S
(4.425,19 −µ)

= P
¸
T
15
<

16
115
(4.425,19 −4.475)
¸
= P(T
15
< −1,732)
= P(T
15
> 1,732) ≈ 0,052
5.4.3 Testes sobre a m´edia, caso n˜ao normal
Se X
1
,X
2
, . . . ,X
n
´e uma amostra aleat´oria de tamanho n de uma vari´avel aleat´oria X com m´edia µ
e variˆancia σ
2
e n ´e grande, a vari´avel Z
n
=

n(
¯
X
n
−µ)
σ
tem distribui¸c˜ao aproximadamente normal
padr˜ao. Se σ n˜ao ´e conhecida, usa-se o estimador S. Como estamos assumindo tamanhos amostrais
grandes, a distribui¸c˜ao de Z

n
=

n(
¯
X
n
−µ)
S
ainda tem distribui¸c˜ao aproximadamente normal padr˜ao.
• No teste 1: H
0
: µ = µ
0
H
1
: µ < µ
0
; ao n´ıvel de significˆancia α, a regi˜ao cr´ıtica aproximada ´e
C =

(X
1
, . . . X
n
) :
¯
X
n
< µ
0
−z
α

σ

n

se σ ´e conhecido ou
C =

(X
1
, . . . X
n
) :
¯
X
n
< µ
0
−z
α

S

n

se σ ´e desconhecido.
Observe que a regi˜ao cr´ıtica usa o quantil da distribui¸c˜ao normal padr˜ao, ou seja, a regi˜ao cr´ıtica
´e similar `a regi˜ao cr´ıtica no caso normal com variˆancia conhecida. A diferen¸ca est´a que neste caso
a regi˜ao cr´ıtica ´e aproximada. Para usar esta aproxima¸c˜ao precisamos de amostras grandes. Qu˜ao
grande precisa ser esta amostra, depende da distribui¸c˜ao dos dados. Um histograma pode nos au-
xiliar na avalia¸ c˜ao do tamanho amostral. Se o histograma ´e sim´etrico em torno de algum ponto,
precisamos de amostras relativamente pequenas (n = 30 pode ser suficiente), mas se o histograma
´e assim´etrico precisamos de tamanhos amostrais maiores.
• Teste 2: H
0
: µ = µ
0
H
1
: µ > µ
0
• Teste 3: H
0
: µ = µ
0
H
1
: µ = µ
0
As regi˜oes cr´ıticas para os testes 2 e 3 s˜ao obtidas de forma an´aloga ao teste 1, sendo importante
refor¸car que as regi˜oes s˜ao aproximadas.
5.4.3.1 Um caso particular: testes sobre propor¸c˜oes
Imaginemos uma elei¸c˜ao para presidente em que o candidato A deseja fazer inferˆencia sobre a pro-
por¸c˜ao de eleitores que apoiam sua candidatura. Assuma que existem dezenas de milh˜oes de eleitores e
que o candidato A escolhe uma amostra aleat´oria de tamanho 3.500 e conta entre eles o n´ umero de eleito-
res que apoiam sua candidatura. Podemos considerar o n´ umero 3.500 muito pequeno quando comparado
141
5.4. TESTE DE HIP
´
OTESES cpa/gsa
`as dezenas de milh˜oes de eleitores que apoiam o candidato A. Sendo assim, se definirmos:
X
i
=

1 se o eleitor i apoia o candidato A,
0 caso contr´ario.
pode-se assumir que X
1
, X
2
, . . . , X
3500
s˜ao independentes e identicamente distribu´ıdas com distri-
bui¸c˜ao de Bernoulli com parˆametro p, sendo p a propor¸c˜ao de eleitores na popula¸c˜ao que apoia o candi-
dato A.
Neste caso µ = E(X) = p e σ
2
= V (X) = p(1 −p).
Ent˜ao, de acordo com o Teorema Central do Limite, a vari´avel
Z
n
=

n(
¯
X
n
−µ)
σ
=

n(ˆ p −p)

p(1 −p)
onde ˆ p =
¯
X
n
=
1
n
¸
n
i=1
X
i
define a propor¸c˜ao estimada a partir da amostra, tem distribui¸c˜ao aproxima-
damente normal padr˜ao.
No teste de H
0
: p = p
0
H
1
: p < p
0
, H
0
ser´a rejeitada, ao n´ıvel de α, se
ˆ p < p
0
−z
α

p
0
(1 −p
0
)
n
Exemplos:
1. (continua¸ c˜ao) O candidato A afirma que p
0
= 0,30. Se dos 3.500 eleitores entrevistados, 738 apoiam
sua candidatura, teste a hip´otese nula com α = 0,05.
Solu¸c˜ ao:
A hip´otese nula neste caso ´e H
0
: p = 0,30 e a hip´otese alternativa H
1
: p < 0,30. Ao n´ıvel de
α = 0,05, H
0
ser´a rejeitada se
ˆ p < p
0
−z
α

p
0
(1 −p
0
)
n
= 0,30 −z
0,05

0,30(0,70)
3.500
= 0,30 −1,642(0,007746) = 0,2873
Como o valor observado ˆ p = 738/3500 = 0,2109 ´e menor que 0,2873, rejeitamos a hip´otese nula; isto
´e, h´a evidˆencias para rejeitar a afirma¸c˜ao de que a propor¸c˜ao de eleitores que apoiam o candidato
A seja 0,30.
2. Uma linha de produ¸c˜ao em grande escala produz 8% de itens defeituosos. A empresa dona da linha,
visando reduzir a propor¸c˜ao de defeituosos faz investimentos de grande porte na linha de produ¸c˜ao
e antes de relig´a-la definitivamente produz para teste 800 itens dos quais 52 resultaram defeituosos.
Para avaliar o efeito dos investimentos, formule um teste apropriado e obtenha conclus˜oes ao n´ıvel
α = 0,05.
142
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Solu¸c˜ ao:
A hip´otese nula neste caso ´e H
0
: p = 0,08. Espera-se que, para justificar os investimentos, a
propor¸c˜ao de itens defeituosos tenha diminu´ıdo, isto ´e H
1
: p < 0,08. Ao n´ıvel de α = 0,05, H
0
ser´a
rejeitada se
ˆ p < p
0
−z
α

p
0
(1 −p
0
)
n
= 0,08 −z
0,05

0,08(0,92)
800
= 0,08 −1,642(0,009592) = 0,06422
Como o valor observado ˆ p = 52/800 = 0,065 n˜ao rejeitamos a hip´otese nula, isto ´e, n˜ao h´a evidˆencias
para rejeitar a afirma¸c˜ao de que a propor¸c˜ao de defeituosos na linha ap´os os investimentos seja igual
a 0,08. Assim sendo os investimentos n˜ao surtiram efeito.
5.4.4 Teste sobre variˆancia de uma popula¸c˜ao com distribui¸c˜ao normal
Considere uma amostra aleat´oria X
1
,X
2
, . . . ,X
n
de uma vari´avel aleat´oria X com distribui¸c˜ao normal
com variˆancia σ
2
. Abordamos nesta se¸c˜ao o problema de testes sobre variˆancia:
• Teste 1: H
0
: σ
2
= σ
2
0
H
1
: σ
2
< σ
2
0
• Teste 2: H
0
: σ
2
= σ
2
0
H
1
: σ
2
> σ
2
0
• Teste 3: H
0
: σ
2
= σ
2
0
H
1
: σ
2
= σ
2
0
Lembremos que a vari´avel
(n −1)S
2
σ
2
tem distribui¸c˜ao qui-quadrado com n −1 graus de liberdade.
No teste 1, H
0
ser´a rejeitada se a variˆancia amostral for menor que um valor c, ou seja a regi˜ao cr´ıtica
do teste ´e da forma ¦(x
1
,x
2
, . . . ,x
n
) : S
2
< c¦. O valor de c ´e encontrado a partir do valor de α:
α = P(S
2
< c[σ
2
= σ
2
0
) = P
¸
(n −1)S
2
σ
2
0
<
(n −1)c
σ
2
0

2
= σ
2
0

assim α = P
¸
A
2
n−1
<
(n −1)c
σ
2
0

ou de forma equivalente 1 −α = P
¸
A
2
n−1
>
(n −1)c
σ
2
0

x
Da tabela da distribui¸c˜ao qui-quadrado encontramos o valor A
2
(1−α;n−1)
tal que
P(A
2
n−1
> A
2
(1−α;n−1)
) = 1 −α y
De x e y tem-se que
(n −1)c
σ
2
0
= A
2
(1−α;n−1)
e portanto c =
σ
2
0
n −1
A
2
(1−α;n−1)
.
Conclu´ımos ent˜ao que no teste 1, ao n´ıvel α rejeita-se H
0
se
S
2
<
σ
2
0
n −1
A
2
(1−α;n−1)
143
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Exemplo:
As notas de uma disciplina ajustam uma distribui¸c˜ao normal. Historicamente a variˆancia ´e igual a 36.
Um novo m´etodo de ensino est´a sendo proposto para tornar a turma mais homogˆenea no aprendizado.
20 alunos s˜ao matriculados em uma disciplina em que ´e usado o novo m´etodo e observou-se que o valor
amostral de S
2
foi igual a 32. Formule um teste apropriado e avalie se o novo m´etodo atingiu o objetivo
(use α = 0,10).
Solu¸c˜ao:
A hip´otese nula ´e H
0
: σ
2
= 36. Como espera-se que o m´etodo tenha surtido resultado temos a
hip´otese alternativa H
1
: σ
2
< 36. H
0
ser´a rejeitada se
S
2
<
σ
2
0
n −1
A
2
(1−α;n−1)
=
36
19
A
2
(0,9;19)
= 1,8947 11,65 = 22,07
N˜ao podemos portanto rejeitar H
0
, o que sugere que o novo m´etodo n˜ao surtiu efeito.
Procedendo analogamente como feito no teste 1, conclui-se que no teste 2 H
0
ser´a rejeitada, ao n´ıvel
α se
S
2
>
σ
2
0
n −1
A
2
(α;n−1)
E no teste 3 H
0
ser´a rejeitada, ao n´ıvel α se
S
2
<
σ
2
0
n −1
A
2
(1−
α
2
;n−1)
ou S
2
>
σ
2
0
n −1
A
2
(
α
2
;n−1)
Exemplo:
Para melhorar o processo de fabrica¸c˜ao de detergente de sua empresa, o dono adquiriu uma nova
m´aquina de enchimento de garrafas pl´asticas. O fabricante desta m´aquina garantia que com sua uti-
liza¸c˜ao, a variˆancia do volume de detergente em cada garrafa seria 8,75 ml
2
. Ap´os sua intala¸ c˜ao, o
empres´ario retirou uma amostra aleat´oria de 20 garrafas. O volume de cada garrafa nesta amostra resul-
tou em uma variˆancia de 13,4 ml
2
. Se o volume de enchimento tem distribui¸c˜ao normal, h´a evidˆencias de
que a m´aquina de enchimento est´a atendendo `a performance de variabilidade informada pelo fabricante,
com α = 0,05?
Solu¸c˜ao:
As hip´oteses a serem testadas s˜ao H
0
: σ
2
= 8,75 ml
2
contra H
1
: σ
2
= 8,75 ml
2
e a regi˜ao cr´ıtica
ser´a:
C :

(X
1
, . . . , X
20
) : S
2
<
σ
2
0
n −1
A
2
(1−
α
2
;n−1)
ou S
2
>
σ
2
0
n −1
A
2
(
α
2
;n−1)

Na tabela da quiquadrado temos:
A
2
(1−
α
2
;n−1)
= A
2
(0,975;19)
= 8,91
A
2
(
α
2
;n−1)
= A
2
(0,025;19)
= 32,85
e a regi˜ao cr´ıtica fica:
C :

(X
1
, . . . , X
20
) : S
2
<
8,75
19
8,91 ou S
2
>
8,75
19
32,85

=
¸
(X
1
, . . . , X
20
) : S
2
< 4,10 ou S
2
> 15,12
¸
144
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Como a variˆancia amostral (S
2
= 13,4) est´a fora da regi˜ao cr´ıtica n˜ao rejeitamos H
0
, ou seja, n˜ao h´a
evidˆencias significativas de que a variˆancia seja diferente de 8,75 ml
2
.
5.4.5 Testes sobre diferen¸ca de m´edias
5.4.5.1 Variˆancias conhecidas
Sejam X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de tamanho n de uma vari´avel aleat´oria X com distri-
bui¸c˜ao normal com m´edia µ
1
e variˆancia σ
2
1
e Y
1
,Y
2
, . . . ,Y
m
uma amostra aleat´oria de tamanho m de uma
vari´avel aleat´oria Y com distribui¸c˜ao normal com m´edia µ
2
e variˆancia σ
2
2
; X e Y independentes.
Como j´a vimos a estat´ıstica:
Z =
¯
X
n

¯
Y
m
−(µ
1
−µ
2
)

σ
2
1
n
+
σ
2
2
m
tem distribui¸c˜ao normal padr˜ao (m´edia= 0 e variˆancia= 1).
Portanto para testarmos:
• Teste 1: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
< 0
• Teste 2: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
> 0
• Teste 3: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
= 0
usamos a estat´ıstica Z e:
• No teste 1: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y < −z
α

σ
2
1
n
+
σ
2
2
m

• No teste 2: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y > z
α

σ
2
1
n
+
σ
2
2
m

• No teste 3: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y < −z
α
2

σ
2
1
n
+
σ
2
2
m

ou
¯
X −
¯
Y > z
α
2

σ
2
1
n
+
σ
2
2
m

Exemplo:
Um empresa produz postes de ferro para padr˜ao de energia el´etrica, pintados com tinta prateada
especial. Um fabricante de produtos qu´ımicos est´a anunciando um catalisador especial que, misturado `a
tinta usada pelo fabricante dos padr˜oes reduz o tempo de secagem. Sabe-se que o tempo de secagem ´e
uma vari´ avel aleat´oria com distribui¸c˜ao normal com desvio padr˜ao de 8 minutos e que este desvio padr˜ao
n˜ao deve se alterar pela adi¸c˜ao do novo produto qu´ımico. Dez postes s˜ao pintados com a tinta usual e
145
5.4. TESTE DE HIP
´
OTESES cpa/gsa
dez com a tinta misturada ao novo produto, simultaneamente. Os tempos m´edios de secagem das duas
amostras foram
¯
X = 121 minutos e
¯
Y = 112 minutos. Quais as conclus˜oes que o fabricante de postes pode
tirar sobre a eficiˆencia do catalisador, com um n´ıvel de significˆancia de α = 0,05? Qual o p-valor amostral?
Solu¸c˜ao:
As hip´oteses a serem testadas s˜ao H
0
: µ
X
− µ
Y
= 0 e H
0
: µ
X
− µ
Y
> 0, e a regi˜ao cr´ıtica
correspondente ´e:
C :

(X
1
, . . . , X
10
; Y
1
, . . . , Y
10
) :
¯
X −
¯
Y > z
α

σ
2
1
n
+
σ
2
2
m
¸
como z
0,05
= 1,645 fica
C :

(X
1
, . . . , X
10
; Y
1
, . . . , Y
10
) :
¯
X −
¯
Y > 1,645

8
2
10
+
8
2
10

= 5,89
¸
Como
¯
X−
¯
Y = 121 −112 = 9 > 5,89, n´os rejeitamos H
0
e portanto a um n´ıvel de significˆancia de 5%
podemos afirmar que h´a evidˆencias para apoiar a afirma¸c˜ao do fabricante de produtos qu´ımicos de que o
novo ingrediente reduz o tempo de secagem.
Para o c´alculo do p-valor fazemos:
p-valor =P

¯
X −
¯
Y > 9[µ
X
−µ
Y
= 0

p-valor =P

¸
¸
¸
¯
X −
¯
Y −(µ
X
−µ
Y
)

σ
2
1
n
+
σ
2
2
m
>
9 −(µ
X
−µ
Y
)

σ
2
1
n
+
σ
2
2
m

X
−µ
Y
= 0
¸

p-valor =P

¸
¸
¸
Z >
9

8
2
10
+
8
2
10
¸

= P(Z > 2,52) = 0,005868
5.4.5.2 Variˆancias desconhecidas mas iguais
Tomemos agora X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de tamanho n de uma vari´avel aleat´oria X com
distribui¸c˜ao normal com m´edia µ
1
e variˆancia σ
2
e Y
1
,Y
2
, . . . ,Y
m
uma amostra aleat´oria de tamanho m
de uma vari´avel aleat´oria Y com distribui¸c˜ao normal com m´edia µ
2
e variˆancia σ
2
; X e Y independentes
e variˆancias desconhecidas, mas iguais.
Nesse caso temos a estat´ıstica:
T =
¯
X
n

¯
Y
m
−(µ
1
−µ
2
)
S
p

1
n
+
1
m
que tem distribui¸c˜ao t de Student com (n +m−2) graus de liberdade.
Onde
S
p
=

(n −1)S
2
1
+ (m−1)S
2
2
n +m−2
146
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Portanto para testarmos:
• Teste 1: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
< 0
• Teste 2: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
> 0
• Teste 3: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
= 0
usamos a estat´ıstica T e:
• No teste 1: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y < −t
(n+m−2;α)
S
p

1
n
+
1
m

• No teste 2: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y > t
(n+m−2;α)
S
p

1
n
+
1
m

• No teste 3: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y < −t
(m+n−2;
α
2
)
S
p

1
n
+
1
m

ou
¯
X −
¯
Y > t
(m+n−2;
α
2
)
S
p

1
n
+
1
m

Exemplo:
Suponha que vocˆe tenha duas amostras de popula¸c˜oes normais independentes (X e Y ) sabidamente
de mesma variˆancia que produziram as seguintes estat´ısticas:
• Amostra 1 : Tamanho n = 15 M´edia
¯
X = 24,2 Variˆancia S
2
X
= 10
• Amostra 2 : Tamanho m = 10 M´edia
¯
Y = 23,9 Variˆancia S
2
Y
= 20
Teste H
0
: µ
X
= µ
Y
contra H
1
: µ
X
= µ
Y
e calcule o p-valor amostral, com α = 0,10.
Solu¸c˜ao:
Calculemos inicialmente o desvio padr˜ao amostral ponderado:
S
p
=

(n −1)S
2
X
+ (m−1)S
2
Y
n +m−2
=

14 10 + 9 20
15 + 10 −2
= 3,73
e da tabela t obtemos:
t
(m+n−2;
α
2
)
= t
(23;0,05)
= 1,714
A regi˜ao cr´ıtica ent˜ao ´e:
¯
X −
¯
Y < −t
(m+n−2;
α
2
)

1
n
+
1
m

= −1,714 3,73

1
15
+
1
10

= −2,61
ou
¯
X −
¯
Y > t
(m+n−2;
α
2
)

1
n
+
1
m

= 1,714 3,73 0,408 = 2,61
147
5.4. TESTE DE HIP
´
OTESES cpa/gsa
Como
¯
X−
¯
Y = 24,2 −23,9 = 0,3 est´a fora da regi˜ao cr´ıtica, n˜ao rejeitamos H
0
, ou seja, h´a evidˆencias
para apoiar a afirma¸c˜ao de que as popula¸c˜oes possuem a mesma m´edia.
Para calcularmos o p-valor amostral fazemos:
p-valor =P(
¯
X −
¯
Y > 0,3[µ
X
−µ
Y
= 0)
p-valor =P

¸
t
23
>
0,3 −0
S
p

1
n
+
1
m
¸

p-valor =P

t
23
>
0,3
1,5228

≈ 0,42
5.4.5.3 Variˆancias desconhecidas e diferentes
Se tivermos X
1
,X
2
, . . . ,X
n
uma amostra aleat´oria de tamanho n de uma vari´avel aleat´oria X com
distribui¸c˜ao normal com m´edia µ
1
e variˆancia σ
2
X
e Y
1
,Y
2
, . . . ,Y
m
uma amostra aleat´oria de tamanho m
de uma vari´avel aleat´oria Y com distribui¸c˜ao normal com m´edia µ
2
e variˆancia σ
2
Y
; X e Y independentes
e variˆancias desconhecidas e diferentes, para testarmos:
• Teste 1: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
< 0
• Teste 2: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
> 0
• Teste 3: H
0
: µ
1
−µ
2
= 0 H
1
: µ
1
−µ
2
= 0
teremos agora:
• Teste 1: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y < −t
(ν;α)

S
2
X
n
+
S
2
Y
m

• Teste 2: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y > t
(ν;α)

S
2
X
n
+
S
2
Y
m

• Teste 3: Ao n´ıvel α, rejeita-se H
0
se
¯
X −
¯
Y < −t
(ν;
α
2
)

S
2
X
n
+
S
2
Y
m

ou
¯
X −
¯
Y > t
(ν;
α
2
)

S
2
X
n
+
S
2
Y
m

onde ν, o n´ umero de graus de liberdade da estat´ıstica T nesse caso ´e calculado por:
ν =

S
2
X
n
+
S
2
Y
m

2

S
2
X
/n

2
n + 1
+

S
2
Y
/m

2
m+ 1
−2
148
5.4. TESTE DE HIP
´
OTESES cpa/gsa
5.4.6 Teste sobre raz˜ao de variˆancias
Suponha que X
1
,X
2
, . . . ,X
n
seja uma amostra aleat´oria de tamanho n de uma popula¸c˜ao com dis-
tribui¸c˜ao normal com m´edia µ
X
e variˆancia σ
2
X
e Y
1
,Y
2
, . . . ,Y
m
uma amostra aleat´oria de tamanho m
de uma popula¸c˜ao com distribui¸c˜ao normal com m´edia µ
Y
e variˆancia σ
2
Y
. Se as duas popula¸c˜oes s˜ao
independentes e quisermos comparar as variˆancias das duas popula¸c˜oes com os testes:
• Teste 1: H
0
: σ
2
X
= σ
2
Y

σ
2
X
σ
2
Y
= 1

contra H
1
: σ
2
X
< σ
2
Y

σ
2
X
σ
2
Y
< 1

• Teste 2: H
0
: σ
2
X
= σ
2
Y

σ
2
X
σ
2
Y
= 1

contra H
1
: σ
2
X
> σ
2
Y

σ
2
X
σ
2
Y
> 1

• Teste 3: H
0
: σ
2
X
= σ
2
Y

σ
2
X
σ
2
Y
= 1

contra H
1
: σ
2
X
= σ
2
Y

σ
2
X
σ
2
Y
= 1

Lembremos que a estat´ıstica
S
2
1
σ
2
2
S
2
2
σ
2
1
tem distribui¸c˜ao F de Fisher com n −1 e m−1 graus de liberdade. Assim podemos escrever que as
regi˜oes cr´ıticas de cada um dos trˆes testes, a um n´ıvel de significˆancia α s˜ao:
• Teste 1:
C :

(X
1
, . . . , X
n
; Y
1
, . . . , Y
m
) :
S
2
X
S
2
Y
< f
(n−1;m−1;1−α)

ou de forma equivalente, como vimos:
C :

(X
1
, . . . , X
n
; Y
1
, . . . , Y
m
) :
S
2
X
S
2
Y
<
1
f
(m−1;n−1;α)

• Teste 2:
C :

(X
1
, . . . , X
n
; Y
1
, . . . , Y
m
) :
S
2
X
S
2
Y
> f
(n−1;m−1;α)

• Teste 3:
C :

(X
1
, . . . , X
n
; Y
1
, . . . , Y
m
) :
S
2
X
S
2
Y
<
1
f
(m−1;n−1;
α
2
)
¸
ou
C :

(X
1
, . . . , X
n
; Y
1
, . . . , Y
m
) :
S
2
X
S
2
Y
> f
(n−1;m−1;
α
2
)

Exemplo:
Duas ind´ ustrias qu´ımicas produzem uma mat´eria prima cuja concentra¸ c˜ao de um elemento em par-
ticular ´e muito importante. A m´edia da concentra¸c˜ao deste elemento nos produtos dos dois fabricantes
´e a mesma, mas suspeita-se que a variabilidade possa diferir entre os dois produtos. S˜ao colhidas duas
amostras, uma de cada fabricante, com o seguinte resultado:
1. Amostra do fabricante X: n = 10 e S
X
= 4,7 gr/l
2. Amostra do fabricante Y : n = 16 e S
X
= 5,8 gr/l
149
5.5. EXERC
´
ICIOS cpa/gsa
H´a evidˆencias para concluirmos que a variˆancia da concentra¸c˜ao do elemento em estudo seja diferente
para os dois fabricantes (use α = 0,05)?
Solu¸c˜ao:
Temos que testar H
0
:
σ
2
X
σ
2
Y
= 1 contra H
1
:
σ
2
X
σ
2
Y
= 1. Neste caso sabemos que a regi˜ao cr´ıtica ser´a:
C :

(X
1
, . . . , X
10
; Y
1
, . . . , Y
16
) :
S
2
X
S
2
Y
<
1
f
(m−1;n−1;
α
2
)
ou
S
2
X
S
2
Y
> f
(n−1;m−1;
α
2
)
¸
Na tabela F de Fisher achamos:
f
(m−1;n−1;
α
2
)
= f
(15;9;0,0025)
= 3,77 e f
(n−1;m−1;
α
2
)
= f
(9;15;0,0025)
= 3,12
e assim a regi˜ ao cr´ıtica fica
C :

(X
1
, . . . , X
10
; Y
1
, . . . , Y
16
) :
S
2
X
S
2
Y
<
1
3,77
= 0,265 ou
S
2
X
S
2
Y
> 3,12

Como
S
2
X
S
2
Y
=
4,7
2
5,8
2
=
22,09
33,64
= 0,6564
est´a fora da regi˜ao cr´ıtica, n˜ao rejeitamos H
0
ou seja, n˜ao h´a evidˆencias para rejeitar a afirma¸c˜ao que a
variˆancia das duas popula¸c˜oes sejam iguais.
Observa¸ c˜ao Final: Vimos no item 5.4.5 que existem trˆes op¸c˜oes diferentes para testarmos diferen¸ca
de m´edias de duas amostras de popula¸c˜oes normais:
• σ
2
X
e σ
2
Y
conhecidas;
• σ
2
X
e σ
2
Y
desconhecidas mas iguais
• σ
2
X
e σ
2
Y
conhecidas e diferentes.
Se n˜ao tivermos nenhuma informa¸c˜ao sobre as variˆancias, devemos inicialmete testar a igualdade das
mesmas, conforme visto no item 5.4.6 e a´ı sim, ap´os rejeitarmos ou n˜ao a hip´otese H
0
: σ
2
X
= σ
2
Y
,
escolhemos adequadamente o teste para diferen¸ca de m´edias.
5.5 Exerc´ıcios
1. O peso de ruptura de certo tipo de barras tem distribui¸c˜ao normal. Este peso foi medido para
18 destas barras. A m´edia obtida foi 137,1 kg e a variˆancia amostral S
2
igual a 4,62kg
2
(desvio
padr˜ao= 2,15 kg). Encontre um intervalo de 95% de confian¸ca para a m´edia de ruptura destas
barras.
2. Uma vari´avel aleat´oria tem distribui¸c˜ao normal com m´edia desconhecida e variˆancia= 9. Deseja-se
testar, ao n´ıvel α = 0,05, a hip´otese H
0
: µ = 80 contra a alternativa H
1
: µ = 80 . Defina a regi˜ao
cr´ıtica deste teste, a partir de uma amostra aleat´oria de tamanho 16. Se o valor observado de foi
¯ x
16
= 82,6, qual a decis˜ao que vocˆe tomaria?
150
5.5. EXERC
´
ICIOS cpa/gsa
3. Uma empresa produz barras de a¸co de 120 cm. O padr˜ao de qualidade exige que as barras produzidas
tenham distribui¸c˜ao normal com desvio padr˜ao σ = 0,5 cm (Variˆancia=0,25 cm
2
). A se¸c˜ao de
controle de qualidade da empresa testa, a partir de amostra retirada aleatoriamente da procu¸c˜ao
no in´ıcio de cada semana, esta hip´otese. No in´ıcio da primeira semana de julho obteve os dados
registrados a seguir:
121,2 119,6 120,9 119,8 121,6 120,0 120,2 118,9 119,9 119,7
120,0 120,4 121,0 119,4 120,3 119,7 120,4 120,6 120,4
Supondo que a hip´otese de normalidade n˜ao seja rejeitada, teste ao n´ıvel de significˆancia α = 0,05,
a hip´otese especificada pelo padr˜ao de qualidade, ou seja:
(a) Testar H
0
: µ = 120 contra H
1
: µ > 120;
(b) testar H
0
: µ = 120 contra H
1
:= 120;
(c) assuma que a variˆancia populacional ´e σ
2
= 0,25 e encontre o p-valor amostral no teste do
item (b).
4. Uma vari´avel aleat´oria tem distribui¸c˜ao normal com m´edia desconhecida e variˆancia=9. Deseja-se
testar, ao n´ıvel α = 0,01, H
0
: µ = 100 contra H
1
: µ = 100.
(a) Defina a regi˜ao cr´ıtica para este teste a partir de uma amostra aleat´oria de tamanho 20;
(b) Se o valor observado de foi ¯ x
20
= 104,6; qual a decis˜ao que vocˆe tomaria? Calcule o p-valor
amostral;
(c) Calcule o poder do teste se o verdadeiro valor da media ´e 103.
5. Uma empresa produz barras de a¸co que de acordo a especifica¸c˜oes do mercado precisam ter m´edia
igual a 100 e desvio padr˜ao igual a 1. Foi medido o comprimento de 15 barras e obteve-se:
99,9 101,2 99,4 101,2 102,1 101,2 99,8 99,5 102,0 103,5 100,1 103,8 101,6 100,7 99,3
Feito o teste de normalidade, esta hip´otese n˜ao foi rejeitada.
(a) Teste a hip´otese H
0
: µ = 100 contra H
1
: µ = 120 ao n´ıvel α = 0,10;
(b) Teste a hip´oteseH
0
: σ
2
= 1 contra σ
2
= 1 ao n´ıvel α = 0,10;
(c) Calcule o p-valor amostral do teste descrito em (a) e calcule o poder do teste se o verdadeiro
valor da m´edia for igual a 101.
(d) Construa um intervalo de confian¸ca de 90% para a m´edia.
6. Vocˆe ´e propriet´ario de uma empresa que produz vergalh˜oes de a¸co para constru¸c˜ao civil. Utililiza o
a¸co grau AO01 cuja resistˆencia nominal `a tra¸c˜ao tem distribui¸c˜ao normal com m´edia 50 kgf/mm
2
e desvio padr˜ao 2,5 kgf/mm
2
. Um cliente tradicional de sua empresa alega que seu a¸co est´a forne-
cendo uma resistˆencia `a tra¸c˜ao inferior `a nominal. Suponha que vocˆe tem que julgar a reclama¸c˜ao
de seu cliente.
(a) Formule um teste apropriado e defina a regi˜ao cr´ıtica ao n´ıvel de α = 0,01; usando uma amostra
de tamanho 25.
151
5.5. EXERC
´
ICIOS cpa/gsa
(b) Se o valor observado de ¯ x
25
= 47,5 kgf/mm
2
, qual a sua decis˜ao?
(c) Calcule o poder do teste se o verdadeiro valor da m´edia ´e igual a 48 kgf/mm
2
.
7. Lˆampadas para ve´ıculos eram tradicionalmente produzidas por um ´ unico fabricante. Uma nova
f´abrica aparece no mercado, alegando que as lˆampadas por ela produzidas tˆem tempo de vida
maior. Duas lˆampadas, uma de cada fabrica, s˜ao colocadas nos far´ois de 15 ve´ıculos e os tempos de
vida, em milhares de horas, das correspondentes lˆampadas observados. Os resultados obtidos est˜ao
contidos na tabela abaixo:
Ve´ıculo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Fab. A 3,6 2,5 2,2 3,4 3,3 2,6 2,0 3,9 3,9 3,4 4,4 3,7 2,9 5,9 4,2
Fab. B 4,4 3,3 2,8 4,4 3,6 3,7 2,1 4,6 5,1 4,6 3,6 4,6 2,7 5,6 3,9
(a) Formule um teste para avaliar a alega¸c˜ao da nova fabrica.
(b) Vocˆe compraria a nova lˆampada, sendo que ela ´e mais cara que a antiga? (use um n´ıvel de
significˆancia de 0,05).
8. Vocˆe ´e respons´avel pelo envazamento de latas de refrigerante de uma f´abrica e semanalmente ins-
peciona a linha de produ¸c˜ao para saber se ela est´a bem ajustada. A amostra da ´ ultima semana
forneceu os seguintes volumes ( em ml.):
299 309 302 298 302 291 296 302 306 303 301 303
(a) Teste ao n´ıvel α = 0,10; H
0
: µ = 300 vs H
1
: µ = 300.
(b) Teste ao n´ıvel α = 0,10; H
0
: σ
2
= 12 vs H
1
: σ
2
= 12.
9. O diˆametro de rodas ferrovi´arias produzidas por duas forjas est´a sendo investigado. Amostras
aleat´orias de tamanhos n = 9 e m = 16 respectivamente das forjas X e Y , foram obtidas e apurou-
se o seguinte resultado
Forja X =

¯ x = 670mm
S
2
X
= 49mm
2
Forja Y =

¯ y = 665mm
S
2
Y
= 36mm
2
(a) Existe alguma evidˆencia para apoiar a afirma¸c˜ao de que as rodas da forja Y possuem diˆametro
menor que as rodas da forja X? Suponha que as variˆancias s˜ao iguais e use α = 0,10.
(b) Encontre o p-valor para a estat´ıstica calculada em a.
10. Um pesquisador do departamento de estat´ıstica da UFMG estudou modelos de degrada¸c˜ao para
analisar o tempo de vida de pneus automotivos. Para uma amostra de 51 pneus ele encontrou uma
distˆancia m´edia percorrida at´e o desgaste limite de 49.500 km, com desvio padr˜ao igual a 1.600 km.
Suponha que a distˆancia percorrida at´e o desgaste limite tenha distribui¸c˜ao normal.
(a) Encontre a regi˜ao cr´ıtica para testar H
0
: µ = 50.000 km contra H
1
: µ < 50.000 km,
considerando um n´ıvel de significˆancia de 5%. A que conclus˜ao vocˆe chega com o resultado
obtido pelo pesquisador?
152
5.5. EXERC
´
ICIOS cpa/gsa
(b) Qual o p-valor amostral da experiˆencia relatada?
(c) Calcule o poder do teste feito em a, se o verdadeiro valor da m´edia ´e igual a 49.815 km.
11. O peso de 9 alunos sorteados aleatoriamente na turma A1 de Estat´ıstica e Probabilidade resultou
em:
68 80 80 70 82 87 73 80 65
Supondo que o peso ´e uma vari´avel aleat´oria com distribui¸c˜ao normal:
(a) Construa um intervalo de confian¸ca de 95% para a m´edia.
(b) Teste a hip´otese H
0
: µ = 73 contra H
1
: µ = 73 ao n´ıvel α = 0,10 (Construa a regi˜ao cr´ıtica e
explique o resultado).
(c) Teste a hip´otese H
0
: σ
2
= 120 contra H
1
: σ
2
= 120 ao n´ıvel α = 0,05 (Construa a regi˜ao
cr´ıtica e explique o resultado).
12. A chapa que tenta reconstruir o DA do Icex afirma contar com apoio de 80% dos estudantes do
Instituto. Um enquete ´e realizada com 100 estudantes escolhidos aleatoriamente, e 72 afirmaram
apoiar a chapa. Se p ´e a propor¸c˜ao dos alunos que apoiam a chapa:
(a) Defina; ao n´ıvel de significˆancia α = 0,01; a regi˜ao cr´ıtica para testar H
0
: p = 0,8 contra
H
1
: p < 0,8.
(b) Construa um intervalo de confian¸ca de 95% de confian¸ca para a real propor¸c˜ao de pessoas que
apoiam a chapa com base na amostra da enquete.
153
Cap´ıtulo 6
Bibliografia
154
Referˆencias Bibliogr´aficas
[1] Atuncar, G. S. e Amorim, F. G. Estima¸c˜ao do n´ umero ´otimo de classes em um histograma. Relat´orios
de Projetos em Estat´ıstica, Depto de Estat´ıstica UFMG, Belo Horizonte. 2003
[2] Casella, George & Berger, Roger L Statistical Inference, 2nd Edition Duxbury, Thompson Learning.
2002.
[3] Hogg, R & Craig, A Introduction to Mathematical Statistics, 5
th
Edition. Prentice Hall. 1994.
[4] Karlin, S & Taylor, H A first course in stochastic process, Academic Press. 1975.
[5] Kolmogorov, A. N., Foundations of the theory of probability, Grundbegriffe der Wahrscheinlichkeits-
rechnung. 1933.
[6] Magalhaes Marcos Nascimento, No¸c˜oes de Probabilidade e Estat´ıstica, Marcos Nascimento Maga-
lhaes, Antˆonio Carlos Pedros de Lima. 6a ed. Editora Universidade de S˜ao Paulo. 2008.
[7] Montgomery D. C. e Runger G. C., Estat´ıstica aplicada e probabilidade para engenheiros; tradu¸c˜ao
Verˆonica Calado. LTC Livros T´ecnicos e Cient´ıficos Editora S.A. 2008.
[8] Ross, Sheldon, A First course in probability, 5
th
Edition. Prentice Hall, Inc. 1998.
155
Cap´ıtulo 7
Apˆendice
156
cpa/gsa
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,500000 0,503989 0,507978 0,511966 0,515953 0,519939 0,523922 0,527903 0,531881 0,535856
0,1 0,539828 0,543795 0,547758 0,551717 0,555670 0,559618 0,563559 0,567495 0,571424 0,575345
0,2 0,579260 0,583166 0,587064 0,590954 0,594835 0,598706 0,602568 0,606420 0,610261 0,614092
0,3 0,617911 0,621720 0,625516 0,629300 0,633072 0,636831 0,640576 0,644309 0,648027 0,651732
0,4 0,655422 0,659097 0,662757 0,666402 0,670031 0,673645 0,677242 0,680822 0,684386 0,687933
0,5 0,691462 0,694974 0,698468 0,701944 0,705401 0,708840 0,712260 0,715661 0,719043 0,722405
0,6 0,725747 0,729069 0,732371 0,735653 0,738914 0,742154 0,745373 0,748571 0,751748 0,754903
0,7 0,758036 0,761148 0,764238 0,767305 0,770350 0,773373 0,776373 0,779350 0,782305 0,785236
0,8 0,788145 0,791030 0,793892 0,796731 0,799546 0,802337 0,805105 0,807850 0,810570 0,813267
0,9 0,815940 0,818589 0,821214 0,823814 0,826391 0,828944 0,831472 0,833977 0,836457 0,838913
1,0 0,841345 0,843752 0,846136 0,848495 0,850830 0,853141 0,855428 0,857690 0,859929 0,862143
1,1 0,864334 0,866500 0,868643 0,870762 0,872857 0,874928 0,876976 0,879000 0,881000 0,882977
1,2 0,884930 0,886861 0,888768 0,890651 0,892512 0,894350 0,896165 0,897958 0,899727 0,901475
1,3 0,903200 0,904902 0,906582 0,908241 0,909877 0,911492 0,913085 0,914657 0,916207 0,917736
1,4 0,919243 0,920730 0,922196 0,923641 0,925066 0,926471 0,927855 0,929219 0,930563 0,931888
1,5 0,933193 0,934478 0,935745 0,936992 0,938220 0,939429 0,940620 0,941792 0,942947 0,944083
1,6 0,945201 0,946301 0,947384 0,948449 0,949497 0,950529 0,951543 0,952540 0,953521 0,954486
1,7 0,955435 0,956367 0,957284 0,958185 0,959070 0,959941 0,960796 0,961636 0,962462 0,963273
1,8 0,964070 0,964852 0,965620 0,966375 0,967116 0,967843 0,968557 0,969258 0,969946 0,970621
1,9 0,971283 0,971933 0,972571 0,973197 0,973810 0,974412 0,975002 0,975581 0,976148 0,976705
2,0 0,977250 0,977784 0,978308 0,978822 0,979325 0,979818 0,980301 0,980774 0,981237 0,981691
2,1 0,982136 0,982571 0,982997 0,983414 0,983823 0,984222 0,984614 0,984997 0,985371 0,985738
2,2 0,986097 0,986447 0,986791 0,987126 0,987455 0,987776 0,988089 0,988396 0,988696 0,988989
2,3 0,989276 0,989556 0,989830 0,990097 0,990358 0,990613 0,990863 0,991106 0,991344 0,991576
2,4 0,991802 0,992024 0,992240 0,992451 0,992656 0,992857 0,993053 0,993244 0,993431 0,993613
2,5 0,993790 0,993963 0,994132 0,994297 0,994457 0,994614 0,994766 0,994915 0,995060 0,995201
2,6 0,995339 0,995473 0,995604 0,995731 0,995855 0,995975 0,996093 0,996207 0,996319 0,996427
2,7 0,996533 0,996636 0,996736 0,996833 0,996928 0,997020 0,997110 0,997197 0,997282 0,997365
2,8 0,997445 0,997523 0,997599 0,997673 0,997744 0,997814 0,997882 0,997948 0,998012 0,998074
2,9 0,998134 0,998193 0,998250 0,998305 0,998359 0,998411 0,998462 0,998511 0,998559 0,998605
3,0 0,998650 0,998694 0,998736 0,998777 0,998817 0,998856 0,998893 0,998930 0,998965 0,998999
3,1 0,999032 0,999065 0,999096 0,999126 0,999155 0,999184 0,999211 0,999238 0,999264 0,999289
3,2 0,999313 0,999336 0,999359 0,999381 0,999402 0,999423 0,999443 0,999462 0,999481 0,999499
3,3 0,999517 0,999534 0,999550 0,999566 0,999581 0,999596 0,999610 0,999624 0,999638 0,999651
3,4 0,999663 0,999675 0,999687 0,999698 0,999709 0,999720 0,999730 0,999740 0,999749 0,999758
3,5 0,999767 0,999776 0,999784 0,999792 0,999800 0,999807 0,999815 0,999822 0,999828 0,999835
3,6 0,999841 0,999847 0,999853 0,999858 0,999864 0,999869 0,999874 0,999879 0,999883 0,999888
3,7 0,999892 0,999896 0,999900 0,999904 0,999908 0,999912 0,999915 0,999918 0,999922 0,999925
3,8 0,999928 0,999931 0,999933 0,999936 0,999938 0,999941 0,999943 0,999946 0,999948 0,999950
3,9 0,999952 0,999954 0,999956 0,999958 0,999959 0,999961 0,999963 0,999964 0,999966 0,999967
TABELA Tabela1: NORMAL
157
cpa/gsa
0
,
9
9
5
0
,
9
9
0
0
,
9
7
5
0
,
9
7
0
0
,
9
5
0
0
,
9
0
0
0
,
8
0
0
0
,
7
0
0
0
,
6
0
0
0
,
5
0
0
0
,
4
0
0
0
,
3
0
0
0
,
2
5
0
0
,
2
0
0
0
,
1
5
0
0
,
1
0
0
0
,
0
5
0
0
,
0
2
5
0
,
0
1
0
0
,
0
0
5
1
0
,
0
0
0
,
0
0
0
,
0
0
0
,
0
0
0
,
0
0
0
,
0
2
0
,
0
6
0
,
1
5
0
,
2
7
0
,
4
5
0
,
7
1
1
,
0
7
1
,
3
2
1
,
6
4
2
,
0
7
2
,
7
1
3
,
8
4
5
,
0
2
6
,
6
3
7
,
8
8
2
0
,
0
1
0
,
0
2
0
,
0
5
0
,
0
6
0
,
1
0
0
,
2
1
0
,
4
5
0
,
7
1
1
,
0
2
1
,
3
9
1
,
8
3
2
,
4
1
2
,
7
7
3
,
2
2
3
,
7
9
4
,
6
1
5
,
9
9
7
,
3
8
9
,
2
1
1
0
,
6
0
3
0
,
0
7
0
,
1
1
0
,
2
2
0
,
2
5
0
,
3
5
0
,
5
8
1
,
0
1
1
,
4
2
1
,
8
7
2
,
3
7
2
,
9
5
3
,
6
6
4
,
1
1
4
,
6
4
5
,
3
2
6
,
2
5
7
,
8
1
9
,
3
5
1
1
,
3
4
1
2
,
8
4
4
0
,
2
1
0
,
3
0
0
,
4
8
0
,
5
4
0
,
7
1
1
,
0
6
1
,
6
5
2
,
1
9
2
,
7
5
3
,
3
6
4
,
0
4
4
,
8
8
5
,
3
9
5
,
9
9
6
,
7
4
7
,
7
8
9
,
4
9
1
1
,
1
4
1
3
,
2
8
1
4
,
8
6
5
0
,
4
1
0
,
5
5
0
,
8
3
0
,
9
0
1
,
1
5
1
,
6
1
2
,
3
4
3
,
0
0
3
,
6
6
4
,
3
5
5
,
1
3
6
,
0
6
6
,
6
3
7
,
2
9
8
,
1
2
9
,
2
4
1
1
,
0
7
1
2
,
8
3
1
5
,
0
9
1
6
,
7
5
6
0
,
6
8
0
,
8
7
1
,
2
4
1
,
3
3
1
,
6
4
2
,
2
0
3
,
0
7
3
,
8
3
4
,
5
7
5
,
3
5
6
,
2
1
7
,
2
3
7
,
8
4
8
,
5
6
9
,
4
5
1
0
,
6
4
1
2
,
5
9
1
4
,
4
5
1
6
,
8
1
1
8
,
5
5
7
0
,
9
9
1
,
2
4
1
,
6
9
1
,
8
0
2
,
1
7
2
,
8
3
3
,
8
2
4
,
6
7
5
,
4
9
6
,
3
5
7
,
2
8
8
,
3
8
9
,
0
4
9
,
8
0
1
0
,
7
5
1
2
,
0
2
1
4
,
0
7
1
6
,
0
1
1
8
,
4
8
2
0
,
2
8
8
1
,
3
4
1
,
6
5
2
,
1
8
2
,
3
1
2
,
7
3
3
,
4
9
4
,
5
9
5
,
5
3
6
,
4
2
7
,
3
4
8
,
3
5
9
,
5
2
1
0
,
2
2
1
1
,
0
3
1
2
,
0
3
1
3
,
3
6
1
5
,
5
1
1
7
,
5
3
2
0
,
0
9
2
1
,
9
5
9
1
,
7
3
2
,
0
9
2
,
7
0
2
,
8
5
3
,
3
3
4
,
1
7
5
,
3
8
6
,
3
9
7
,
3
6
8
,
3
4
9
,
4
1
1
0
,
6
6
1
1
,
3
9
1
2
,
2
4
1
3
,
2
9
1
4
,
6
8
1
6
,
9
2
1
9
,
0
2
2
1
,
6
7
2
3
,
5
9
1
0
2
,
1
6
2
,
5
6
3
,
2
5
3
,
4
1
3
,
9
4
4
,
8
7
6
,
1
8
7
,
2
7
8
,
3
0
9
,
3
4
1
0
,
4
7
1
1
,
7
8
1
2
,
5
5
1
3
,
4
4
1
4
,
5
3
1
5
,
9
9
1
8
,
3
1
2
0
,
4
8
2
3
,
2
1
2
5
,
1
9
1
1
2
,
6
0
3
,
0
5
3
,
8
2
4
,
0
0
4
,
5
7
5
,
5
8
6
,
9
9
8
,
1
5
9
,
2
4
1
0
,
3
4
1
1
,
5
3
1
2
,
9
0
1
3
,
7
0
1
4
,
6
3
1
5
,
7
7
1
7
,
2
8
1
9
,
6
8
2
1
,
9
2
2
4
,
7
3
2
6
,
7
6
1
2
3
,
0
7
3
,
5
7
4
,
4
0
4
,
6
0
5
,
2
3
6
,
3
0
7
,
8
1
9
,
0
3
1
0
,
1
8
1
1
,
3
4
1
2
,
5
8
1
4
,
0
1
1
4
,
8
5
1
5
,
8
1
1
6
,
9
9
1
8
,
5
5
2
1
,
0
3
2
3
,
3
4
2
6
,
2
2
2
8
,
3
0
1
3
3
,
5
7
4
,
1
1
5
,
0
1
5
,
2
2
5
,
8
9
7
,
0
4
8
,
6
3
9
,
9
3
1
1
,
1
3
1
2
,
3
4
1
3
,
6
4
1
5
,
1
2
1
5
,
9
8
1
6
,
9
8
1
8
,
2
0
1
9
,
8
1
2
2
,
3
6
2
4
,
7
4
2
7
,
6
9
2
9
,
8
2
1
4
4
,
0
7
4
,
6
6
5
,
6
3
5
,
8
6
6
,
5
7
7
,
7
9
9
,
4
7
1
0
,
8
2
1
2
,
0
8
1
3
,
3
4
1
4
,
6
9
1
6
,
2
2
1
7
,
1
2
1
8
,
1
5
1
9
,
4
1
2
1
,
0
6
2
3
,
6
8
2
6
,
1
2
2
9
,
1
4
3
1
,
3
2
1
5
4
,
6
0
5
,
2
3
6
,
2
6
6
,
5
0
7
,
2
6
8
,
5
5
1
0
,
3
1
1
1
,
7
2
1
3
,
0
3
1
4
,
3
4
1
5
,
7
3
1
7
,
3
2
1
8
,
2
5
1
9
,
3
1
2
0
,
6
0
2
2
,
3
1
2
5
,
0
0
2
7
,
4
9
3
0
,
5
8
3
2
,
8
0
1
6
5
,
1
4
5
,
8
1
6
,
9
1
7
,
1
6
7
,
9
6
9
,
3
1
1
1
,
1
5
1
2
,
6
2
1
3
,
9
8
1
5
,
3
4
1
6
,
7
8
1
8
,
4
2
1
9
,
3
7
2
0
,
4
7
2
1
,
7
9
2
3
,
5
4
2
6
,
3
0
2
8
,
8
5
3
2
,
0
0
3
4
,
2
7
1
7
5
,
7
0
6
,
4
1
7
,
5
6
7
,
8
3
8
,
6
7
1
0
,
0
9
1
2
,
0
0
1
3
,
5
3
1
4
,
9
4
1
6
,
3
4
1
7
,
8
2
1
9
,
5
1
2
0
,
4
9
2
1
,
6
1
2
2
,
9
8
2
4
,
7
7
2
7
,
5
9
3
0
,
1
9
3
3
,
4
1
3
5
,
7
2
1
8
6
,
2
6
7
,
0
1
8
,
2
3
8
,
5
1
9
,
3
9
1
0
,
8
6
1
2
,
8
6
1
4
,
4
4
1
5
,
8
9
1
7
,
3
4
1
8
,
8
7
2
0
,
6
0
2
1
,
6
0
2
2
,
7
6
2
4
,
1
6
2
5
,
9
9
2
8
,
8
7
3
1
,
5
3
3
4
,
8
1
3
7
,
1
6
1
9
6
,
8
4
7
,
6
3
8
,
9
1
9
,
2
0
1
0
,
1
2
1
1
,
6
5
1
3
,
7
2
1
5
,
3
5
1
6
,
8
5
1
8
,
3
4
1
9
,
9
1
2
1
,
6
9
2
2
,
7
2
2
3
,
9
0
2
5
,
3
3
2
7
,
2
0
3
0
,
1
4
3
2
,
8
5
3
6
,
1
9
3
8
,
5
8
2
0
7
,
4
3
8
,
2
6
9
,
5
9
9
,
9
0
1
0
,
8
5
1
2
,
4
4
1
4
,
5
8
1
6
,
2
7
1
7
,
8
1
1
9
,
3
4
2
0
,
9
5
2
2
,
7
7
2
3
,
8
3
2
5
,
0
4
2
6
,
5
0
2
8
,
4
1
3
1
,
4
1
3
4
,
1
7
3
7
,
5
7
4
0
,
0
0
2
1
8
,
0
3
8
,
9
0
1
0
,
2
8
1
0
,
6
0
1
1
,
5
9
1
3
,
2
4
1
5
,
4
4
1
7
,
1
8
1
8
,
7
7
2
0
,
3
4
2
1
,
9
9
2
3
,
8
6
2
4
,
9
3
2
6
,
1
7
2
7
,
6
6
2
9
,
6
2
3
2
,
6
7
3
5
,
4
8
3
8
,
9
3
4
1
,
4
0
2
2
8
,
6
4
9
,
5
4
1
0
,
9
8
1
1
,
3
1
1
2
,
3
4
1
4
,
0
4
1
6
,
3
1
1
8
,
1
0
1
9
,
7
3
2
1
,
3
4
2
3
,
0
3
2
4
,
9
4
2
6
,
0
4
2
7
,
3
0
2
8
,
8
2
3
0
,
8
1
3
3
,
9
2
3
6
,
7
8
4
0
,
2
9
4
2
,
8
0
2
3
9
,
2
6
1
0
,
2
0
1
1
,
6
9
1
2
,
0
3
1
3
,
0
9
1
4
,
8
5
1
7
,
1
9
1
9
,
0
2
2
0
,
6
9
2
2
,
3
4
2
4
,
0
7
2
6
,
0
2
2
7
,
1
4
2
8
,
4
3
2
9
,
9
8
3
2
,
0
1
3
5
,
1
7
3
8
,
0
8
4
1
,
6
4
4
4
,
1
8
2
4
9
,
8
9
1
0
,
8
6
1
2
,
4
0
1
2
,
7
5
1
3
,
8
5
1
5
,
6
6
1
8
,
0
6
1
9
,
9
4
2
1
,
6
5
2
3
,
3
4
2
5
,
1
1
2
7
,
1
0
2
8
,
2
4
2
9
,
5
5
3
1
,
1
3
3
3
,
2
0
3
6
,
4
2
3
9
,
3
6
4
2
,
9
8
4
5
,
5
6
2
5
1
0
,
5
2
1
1
,
5
2
1
3
,
1
2
1
3
,
4
8
1
4
,
6
1
1
6
,
4
7
1
8
,
9
4
2
0
,
8
7
2
2
,
6
2
2
4
,
3
4
2
6
,
1
4
2
8
,
1
7
2
9
,
3
4
3
0
,
6
8
3
2
,
2
8
3
4
,
3
8
3
7
,
6
5
4
0
,
6
5
4
4
,
3
1
4
6
,
9
3
2
6
1
1
,
1
6
1
2
,
2
0
1
3
,
8
4
1
4
,
2
2
1
5
,
3
8
1
7
,
2
9
1
9
,
8
2
2
1
,
7
9
2
3
,
5
8
2
5
,
3
4
2
7
,
1
8
2
9
,
2
5
3
0
,
4
3
3
1
,
7
9
3
3
,
4
3
3
5
,
5
6
3
8
,
8
9
4
1
,
9
2
4
5
,
6
4
4
8
,
2
9
2
7
1
1
,
8
1
1
2
,
8
8
1
4
,
5
7
1
4
,
9
6
1
6
,
1
5
1
8
,
1
1
2
0
,
7
0
2
2
,
7
2
2
4
,
5
4
2
6
,
3
4
2
8
,
2
1
3
0
,
3
2
3
1
,
5
3
3
2
,
9
1
3
4
,
5
7
3
6
,
7
4
4
0
,
1
1
4
3
,
1
9
4
6
,
9
6
4
9
,
6
5
2
8
1
2
,
4
6
1
3
,
5
6
1
5
,
3
1
1
5
,
7
0
1
6
,
9
3
1
8
,
9
4
2
1
,
5
9
2
3
,
6
5
2
5
,
5
1
2
7
,
3
4
2
9
,
2
5
3
1
,
3
9
3
2
,
6
2
3
4
,
0
3
3
5
,
7
1
3
7
,
9
2
4
1
,
3
4
4
4
,
4
6
4
8
,
2
8
5
0
,
9
9
2
9
1
3
,
1
2
1
4
,
2
6
1
6
,
0
5
1
6
,
4
5
1
7
,
7
1
1
9
,
7
7
2
2
,
4
8
2
4
,
5
8
2
6
,
4
8
2
8
,
3
4
3
0
,
2
8
3
2
,
4
6
3
3
,
7
1
3
5
,
1
4
3
6
,
8
5
3
9
,
0
9
4
2
,
5
6
4
5
,
7
2
4
9
,
5
9
5
2
,
3
4
3
0
1
3
,
7
9
1
4
,
9
5
1
6
,
7
9
1
7
,
2
1
1
8
,
4
9
2
0
,
6
0
2
3
,
3
6
2
5
,
5
1
2
7
,
4
4
2
9
,
3
4
3
1
,
3
2
3
3
,
5
3
3
4
,
8
0
3
6
,
2
5
3
7
,
9
9
4
0
,
2
6
4
3
,
7
7
4
6
,
9
8
5
0
,
8
9
5
3
,
6
7
4
0
2
0
,
7
1
2
2
,
1
6
2
4
,
4
3
2
4
,
9
4
2
6
,
5
1
2
9
,
0
5
3
2
,
3
4
3
4
,
8
7
3
7
,
1
3
3
9
,
3
4
4
1
,
6
2
4
4
,
1
6
4
5
,
6
2
4
7
,
2
7
4
9
,
2
4
5
1
,
8
1
5
5
,
7
6
5
9
,
3
4
6
3
,
6
9
6
6
,
7
7
5
0
2
7
,
9
9
2
9
,
7
1
3
2
,
3
6
3
2
,
9
5
3
4
,
7
6
3
7
,
6
9
4
1
,
4
5
4
4
,
3
1
4
6
,
8
6
4
9
,
3
3
5
1
,
8
9
5
4
,
7
2
5
6
,
3
3
5
8
,
1
6
6
0
,
3
5
6
3
,
1
7
6
7
,
5
0
7
1
,
4
2
7
6
,
1
5
7
9
,
4
9
6
0
3
5
,
5
3
3
7
,
4
8
4
0
,
4
8
4
1
,
1
5
4
3
,
1
9
4
6
,
4
6
5
0
,
6
4
5
3
,
8
1
5
6
,
6
2
5
9
,
3
3
6
2
,
1
3
6
5
,
2
3
6
6
,
9
8
6
8
,
9
7
7
1
,
3
4
7
4
,
4
0
7
9
,
0
8
8
3
,
3
0
8
8
,
3
8
9
1
,
9
5
7
0
4
3
,
2
8
4
5
,
4
4
4
8
,
7
6
4
9
,
5
0
5
1
,
7
4
5
5
,
3
3
5
9
,
9
0
6
3
,
3
5
6
6
,
4
0
6
9
,
3
3
7
2
,
3
6
7
5
,
6
9
7
7
,
5
8
7
9
,
7
1
8
2
,
2
6
8
5
,
5
3
9
0
,
5
3
9
5
,
0
2
1
0
0
,
4
3
1
0
4
,
2
1
8
0
5
1
,
1
7
5
3
,
5
4
5
7
,
1
5
5
7
,
9
6
6
0
,
3
9
6
4
,
2
8
6
9
,
2
1
7
2
,
9
2
7
6
,
1
9
7
9
,
3
3
8
2
,
5
7
8
6
,
1
2
8
8
,
1
3
9
0
,
4
1
9
3
,
1
1
9
6
,
5
8
1
0
1
,
8
8
1
0
6
,
6
3
1
1
2
,
3
3
1
1
6
,
3
2
a
G
L
T
a
b
e
l
a

2
Q
u
i
-
q
u
a
d
r
a
d
o
158
cpa/gsa
0
,
4
8
0
,
4
5
0
,
4
0
0
,
3
5
0
,
3
0
0
,
2
5
0
,
2
0
0
,
1
5
0
,
1
0
0
,
0
8
0
,
0
6
0
,
0
5
0
,
0
4
0
,
0
3
0
,
0
2
5
0
,
0
1
0
,
0
0
5
0
,
0
0
2
5
0
,
0
0
1
0
,
0
0
0
5
1
0
,
0
6
3
0
,
1
5
8
0
,
3
2
5
0
,
5
1
0
0
,
7
2
7
1
,
0
0
0
1
,
3
7
6
1
,
9
6
3
3
,
0
7
8
3
,
8
9
5
5
,
2
4
2
6
,
3
1
4
7
,
9
1
6
1
0
,
5
7
9
1
2
,
7
0
6
3
1
,
8
2
1
6
3
,
6
5
6
1
2
7
,
3
2
3
1
8
,
2
9
6
3
6
,
5
8
2
0
,
0
5
7
0
,
1
4
2
0
,
2
8
9
0
,
4
4
5
0
,
6
1
7
0
,
8
1
6
1
,
0
6
1
1
,
3
8
6
1
,
8
8
6
2
,
1
8
9
2
,
6
2
0
2
,
9
2
0
3
,
3
2
0
3
,
8
9
6
4
,
3
0
3
6
,
9
6
5
9
,
9
2
5
1
4
,
0
8
9
2
2
,
3
2
8
3
1
,
6
0
0
3
0
,
0
5
4
0
,
1
3
7
0
,
2
7
7
0
,
4
2
4
0
,
5
8
4
0
,
7
6
5
0
,
9
7
8
1
,
2
5
0
1
,
6
3
8
1
,
8
5
9
2
,
1
5
6
2
,
3
5
3
2
,
6
0
5
2
,
9
5
1
3
,
1
8
2
4
,
5
4
1
5
,
8
4
1
7
,
4
5
3
1
0
,
2
1
4
1
2
,
9
2
4
4
0
,
0
5
3
0
,
1
3
4
0
,
2
7
1
0
,
4
1
4
0
,
5
6
9
0
,
7
4
1
0
,
9
4
1
1
,
1
9
0
1
,
5
3
3
1
,
7
2
3
1
,
9
7
1
2
,
1
3
2
2
,
3
3
3
2
,
6
0
1
2
,
7
7
6
3
,
7
4
7
4
,
6
0
4
5
,
5
9
8
7
,
1
7
3
8
,
6
1
0
5
0
,
0
5
3
0
,
1
3
2
0
,
2
6
7
0
,
4
0
8
0
,
5
5
9
0
,
7
2
7
0
,
9
2
0
1
,
1
5
6
1
,
4
7
6
1
,
6
4
9
1
,
8
7
3
2
,
0
1
5
2
,
1
9
1
2
,
4
2
2
2
,
5
7
1
3
,
3
6
5
4
,
0
3
2
4
,
7
7
3
5
,
8
9
4
6
,
8
6
9
6
0
,
0
5
2
0
,
1
3
1
0
,
2
6
5
0
,
4
0
4
0
,
5
5
3
0
,
7
1
8
0
,
9
0
6
1
,
1
3
4
1
,
4
4
0
1
,
6
0
3
1
,
8
1
2
1
,
9
4
3
2
,
1
0
4
2
,
3
1
3
2
,
4
4
7
3
,
1
4
3
3
,
7
0
7
4
,
3
1
7
5
,
2
0
8
5
,
9
5
9
7
0
,
0
5
2
0
,
1
3
0
0
,
2
6
3
0
,
4
0
2
0
,
5
4
9
0
,
7
1
1
0
,
8
9
6
1
,
1
1
9
1
,
4
1
5
1
,
5
7
2
1
,
7
7
0
1
,
8
9
5
2
,
0
4
6
2
,
2
4
1
2
,
3
6
5
2
,
9
9
8
3
,
4
9
9
4
,
0
2
9
4
,
7
8
5
5
,
4
0
8
8
0
,
0
5
2
0
,
1
3
0
0
,
2
6
2
0
,
3
9
9
0
,
5
4
6
0
,
7
0
6
0
,
8
8
9
1
,
1
0
8
1
,
3
9
7
1
,
5
4
9
1
,
7
4
0
1
,
8
6
0
2
,
0
0
4
2
,
1
8
9
2
,
3
0
6
2
,
8
9
6
3
,
3
5
5
3
,
8
3
3
4
,
5
0
1
5
,
0
4
1
9
0
,
0
5
2
0
,
1
2
9
0
,
2
6
1
0
,
3
9
8
0
,
5
4
3
0
,
7
0
3
0
,
8
8
3
1
,
1
0
0
1
,
3
8
3
1
,
5
3
2
1
,
7
1
8
1
,
8
3
3
1
,
9
7
3
2
,
1
5
0
2
,
2
6
2
2
,
8
2
1
3
,
2
5
0
3
,
6
9
0
4
,
2
9
7
4
,
7
8
1
1
0
0
,
0
5
1
0
,
1
2
9
0
,
2
6
0
0
,
3
9
7
0
,
5
4
2
0
,
7
0
0
0
,
8
7
9
1
,
0
9
3
1
,
3
7
2
1
,
5
1
8
1
,
7
0
0
1
,
8
1
2
1
,
9
4
8
2
,
1
2
0
2
,
2
2
8
2
,
7
6
4
3
,
1
6
9
3
,
5
8
1
4
,
1
4
4
4
,
5
8
7
1
1
0
,
0
5
1
0
,
1
2
9
0
,
2
6
0
0
,
3
9
6
0
,
5
4
0
0
,
6
9
7
0
,
8
7
6
1
,
0
8
8
1
,
3
6
3
1
,
5
0
7
1
,
6
8
6
1
,
7
9
6
1
,
9
2
8
2
,
0
9
6
2
,
2
0
1
2
,
7
1
8
3
,
1
0
6
3
,
4
9
7
4
,
0
2
5
4
,
4
3
7
1
2
0
,
0
5
1
0
,
1
2
8
0
,
2
5
9
0
,
3
9
5
0
,
5
3
9
0
,
6
9
5
0
,
8
7
3
1
,
0
8
3
1
,
3
5
6
1
,
4
9
8
1
,
6
7
4
1
,
7
8
2
1
,
9
1
2
2
,
0
7
6
2
,
1
7
9
2
,
6
8
1
3
,
0
5
5
3
,
4
2
8
3
,
9
3
0
4
,
3
1
8
1
3
0
,
0
5
1
0
,
1
2
8
0
,
2
5
9
0
,
3
9
4
0
,
5
3
8
0
,
6
9
4
0
,
8
7
0
1
,
0
7
9
1
,
3
5
0
1
,
4
9
0
1
,
6
6
4
1
,
7
7
1
1
,
8
9
9
2
,
0
6
0
2
,
1
6
0
2
,
6
5
0
3
,
0
1
2
3
,
3
7
2
3
,
8
5
2
4
,
2
2
1
1
4
0
,
0
5
1
0
,
1
2
8
0
,
2
5
8
0
,
3
9
3
0
,
5
3
7
0
,
6
9
2
0
,
8
6
8
1
,
0
7
6
1
,
3
4
5
1
,
4
8
4
1
,
6
5
6
1
,
7
6
1
1
,
8
8
7
2
,
0
4
6
2
,
1
4
5
2
,
6
2
4
2
,
9
7
7
3
,
3
2
6
3
,
7
8
7
4
,
1
4
0
1
5
0
,
0
5
1
0
,
1
2
8
0
,
2
5
8
0
,
3
9
3
0
,
5
3
6
0
,
6
9
1
0
,
8
6
6
1
,
0
7
4
1
,
3
4
1
1
,
4
7
8
1
,
6
4
9
1
,
7
5
3
1
,
8
7
8
2
,
0
3
4
2
,
1
3
1
2
,
6
0
2
2
,
9
4
7
3
,
2
8
6
3
,
7
3
3
4
,
0
7
3
1
6
0
,
0
5
1
0
,
1
2
8
0
,
2
5
8
0
,
3
9
2
0
,
5
3
5
0
,
6
9
0
0
,
8
6
5
1
,
0
7
1
1
,
3
3
7
1
,
4
7
4
1
,
6
4
2
1
,
7
4
6
1
,
8
6
9
2
,
0
2
4
2
,
1
2
0
2
,
5
8
3
2
,
9
2
1
3
,
2
5
2
3
,
6
8
6
4
,
0
1
5
1
7
0
,
0
5
1
0
,
1
2
8
0
,
2
5
7
0
,
3
9
2
0
,
5
3
4
0
,
6
8
9
0
,
8
6
3
1
,
0
6
9
1
,
3
3
3
1
,
4
6
9
1
,
6
3
7
1
,
7
4
0
1
,
8
6
2
2
,
0
1
5
2
,
1
1
0
2
,
5
6
7
2
,
8
9
8
3
,
2
2
2
3
,
6
4
6
3
,
9
6
5
1
8
0
,
0
5
1
0
,
1
2
7
0
,
2
5
7
0
,
3
9
2
0
,
5
3
4
0
,
6
8
8
0
,
8
6
2
1
,
0
6
7
1
,
3
3
0
1
,
4
6
6
1
,
6
3
2
1
,
7
3
4
1
,
8
5
5
2
,
0
0
7
2
,
1
0
1
2
,
5
5
2
2
,
8
7
8
3
,
1
9
7
3
,
6
1
0
3
,
9
2
2
1
9
0
,
0
5
1
0
,
1
2
7
0
,
2
5
7
0
,
3
9
1
0
,
5
3
3
0
,
6
8
8
0
,
8
6
1
1
,
0
6
6
1
,
3
2
8
1
,
4
6
2
1
,
6
2
8
1
,
7
2
9
1
,
8
5
0
2
,
0
0
0
2
,
0
9
3
2
,
5
3
9
2
,
8
6
1
3
,
1
7
4
3
,
5
7
9
3
,
8
8
3
2
0
0
,
0
5
1
0
,
1
2
7
0
,
2
5
7
0
,
3
9
1
0
,
5
3
3
0
,
6
8
7
0
,
8
6
0
1
,
0
6
4
1
,
3
2
5
1
,
4
5
9
1
,
6
2
4
1
,
7
2
5
1
,
8
4
4
1
,
9
9
4
2
,
0
8
6
2
,
5
2
8
2
,
8
4
5
3
,
1
5
3
3
,
5
5
2
3
,
8
5
0
2
1
0
,
0
5
1
0
,
1
2
7
0
,
2
5
7
0
,
3
9
1
0
,
5
3
2
0
,
6
8
6
0
,
8
5
9
1
,
0
6
3
1
,
3
2
3
1
,
4
5
7
1
,
6
2
1
1
,
7
2
1
1
,
8
4
0
1
,
9
8
8
2
,
0
8
0
2
,
5
1
8
2
,
8
3
1
3
,
1
3
5
3
,
5
2
7
3
,
8
1
9
2
2
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
9
0
0
,
5
3
2
0
,
6
8
6
0
,
8
5
8
1
,
0
6
1
1
,
3
2
1
1
,
4
5
4
1
,
6
1
8
1
,
7
1
7
1
,
8
3
5
1
,
9
8
3
2
,
0
7
4
2
,
5
0
8
2
,
8
1
9
3
,
1
1
9
3
,
5
0
5
3
,
7
9
2
2
3
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
9
0
0
,
5
3
2
0
,
6
8
5
0
,
8
5
8
1
,
0
6
0
1
,
3
1
9
1
,
4
5
2
1
,
6
1
5
1
,
7
1
4
1
,
8
3
2
1
,
9
7
8
2
,
0
6
9
2
,
5
0
0
2
,
8
0
7
3
,
1
0
4
3
,
4
8
5
3
,
7
6
8
2
4
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
9
0
0
,
5
3
1
0
,
6
8
5
0
,
8
5
7
1
,
0
5
9
1
,
3
1
8
1
,
4
5
0
1
,
6
1
2
1
,
7
1
1
1
,
8
2
8
1
,
9
7
4
2
,
0
6
4
2
,
4
9
2
2
,
7
9
7
3
,
0
9
1
3
,
4
6
7
3
,
7
4
5
2
5
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
9
0
0
,
5
3
1
0
,
6
8
4
0
,
8
5
6
1
,
0
5
8
1
,
3
1
6
1
,
4
4
8
1
,
6
1
0
1
,
7
0
8
1
,
8
2
5
1
,
9
7
0
2
,
0
6
0
2
,
4
8
5
2
,
7
8
7
3
,
0
7
8
3
,
4
5
0
3
,
7
2
5
2
6
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
9
0
0
,
5
3
1
0
,
6
8
4
0
,
8
5
6
1
,
0
5
8
1
,
3
1
5
1
,
4
4
6
1
,
6
0
8
1
,
7
0
6
1
,
8
2
2
1
,
9
6
7
2
,
0
5
6
2
,
4
7
9
2
,
7
7
9
3
,
0
6
7
3
,
4
3
5
3
,
7
0
7
2
7
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
8
9
0
,
5
3
1
0
,
6
8
4
0
,
8
5
5
1
,
0
5
7
1
,
3
1
4
1
,
4
4
5
1
,
6
0
6
1
,
7
0
3
1
,
8
1
9
1
,
9
6
3
2
,
0
5
2
2
,
4
7
3
2
,
7
7
1
3
,
0
5
7
3
,
4
2
1
3
,
6
8
9
2
8
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
8
9
0
,
5
3
0
0
,
6
8
3
0
,
8
5
5
1
,
0
5
6
1
,
3
1
3
1
,
4
4
3
1
,
6
0
4
1
,
7
0
1
1
,
8
1
7
1
,
9
6
0
2
,
0
4
8
2
,
4
6
7
2
,
7
6
3
3
,
0
4
7
3
,
4
0
8
3
,
6
7
4
2
9
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
8
9
0
,
5
3
0
0
,
6
8
3
0
,
8
5
4
1
,
0
5
5
1
,
3
1
1
1
,
4
4
2
1
,
6
0
2
1
,
6
9
9
1
,
8
1
4
1
,
9
5
7
2
,
0
4
5
2
,
4
6
2
2
,
7
5
6
3
,
0
3
8
3
,
3
9
6
3
,
6
6
0
3
0
0
,
0
5
1
0
,
1
2
7
0
,
2
5
6
0
,
3
8
9
0
,
5
3
0
0
,
6
8
3
0
,
8
5
4
1
,
0
5
5
1
,
3
1
0
1
,
4
4
1
1
,
6
0
0
1
,
6
9
7
1
,
8
1
2
1
,
9
5
5
2
,
0
4
2
2
,
4
5
7
2
,
7
5
0
3
,
0
3
0
3
,
3
8
5
3
,
6
4
6
4
0
0
,
0
5
0
0
,
1
2
6
0
,
2
5
5
0
,
3
8
8
0
,
5
2
9
0
,
6
8
1
0
,
8
5
1
1
,
0
5
0
1
,
3
0
3
1
,
4
3
2
1
,
5
8
9
1
,
6
8
4
1
,
7
9
6
1
,
9
3
6
2
,
0
2
1
2
,
4
2
3
2
,
7
0
4
2
,
9
7
1
3
,
3
0
7
3
,
5
5
1
5
0
0
,
0
5
0
0
,
1
2
6
0
,
2
5
5
0
,
3
8
8
0
,
5
2
8
0
,
6
7
9
0
,
8
4
9
1
,
0
4
7
1
,
2
9
9
1
,
4
2
6
1
,
5
8
2
1
,
6
7
6
1
,
7
8
7
1
,
9
2
4
2
,
0
0
9
2
,
4
0
3
2
,
6
7
8
2
,
9
3
7
3
,
2
6
1
3
,
4
9
6
6
0
0
,
0
5
0
0
,
1
2
6
0
,
2
5
4
0
,
3
8
7
0
,
5
2
7
0
,
6
7
9
0
,
8
4
8
1
,
0
4
5
1
,
2
9
6
1
,
4
2
3
1
,
5
7
7
1
,
6
7
1
1
,
7
8
1
1
,
9
1
7
2
,
0
0
0
2
,
3
9
0
2
,
6
6
0
2
,
9
1
5
3
,
2
3
2
3
,
4
6
0
1
2
0
0
,
0
5
0
0
,
1
2
6
0
,
2
5
4
0
,
3
8
6
0
,
5
2
6
0
,
6
7
7
0
,
8
4
5
1
,
0
4
1
1
,
2
8
9
1
,
4
1
4
1
,
5
6
6
1
,
6
5
8
1
,
7
6
6
1
,
8
9
9
1
,
9
8
0
2
,
3
5
8
2
,
6
1
7
2
,
8
6
0
3
,
1
6
0
3
,
3
7
3
1
0
0
0
0
0
0
,
0
5
0
0
,
1
2
6
0
,
2
5
3
0
,
3
8
5
0
,
5
2
4
0
,
6
7
4
0
,
8
4
2
1
,
0
3
6
1
,
2
8
2
1
,
4
0
5
1
,
5
5
5
1
,
6
4
5
1
,
7
5
1
1
,
8
8
1
1
,
9
6
0
2
,
3
2
6
2
,
5
7
6
2
,
8
0
7
3
,
0
9
0
3
,
2
9
1

a
G
L
T
a
b
e
l
a

3
T

d
e

S
t
u
d
e
n
t
159
cpa/gsa
1
2
3
4
5
6
7
8
9
1
0
1
2
1
4
1
5
1
6
1
8
2
0
3
0
4
0
6
0
1
2
0
1
0
0
0
0
0
0
1
4
0
5
2
4
9
9
9
5
4
0
4
5
6
2
4
5
7
6
4
5
8
5
9
5
9
2
8
5
9
8
1
6
0
2
2
6
0
5
6
6
1
0
7
6
1
4
3
6
1
5
7
6
1
7
0
6
1
9
1
6
2
0
9
6
2
6
0
6
2
8
6
6
3
1
3
6
3
4
0
6
3
6
6
2
9
8
,
5
0
9
9
,
0
0
9
9
,
1
6
9
9
,
2
5
9
9
,
3
0
9
9
,
3
3
9
9
,
3
6
9
9
,
3
8
9
9
,
3
9
9
9
,
4
0
9
9
,
4
2
9
9
,
4
3
9
9
,
4
3
9
9
,
4
4
9
9
,
4
4
9
9
,
4
5
9
9
,
4
7
9
9
,
4
8
9
9
,
4
8
9
9
,
4
9
9
9
,
5
0
3
3
4
,
1
2
3
0
,
8
2
2
9
,
4
6
2
8
,
7
1
2
8
,
2
4
2
7
,
9
1
2
7
,
6
7
2
7
,
4
9
2
7
,
3
4
2
7
,
2
3
2
7
,
0
5
2
6
,
9
2
2
6
,
8
7
2
6
,
8
3
2
6
,
7
5
2
6
,
6
9
2
6
,
5
0
2
6
,
4
1
2
6
,
3
2
2
6
,
2
2
2
6
,
1
3
4
2
1
,
2
0
1
8
,
0
0
1
6
,
6
9
1
5
,
9
8
1
5
,
5
2
1
5
,
2
1
1
4
,
9
8
1
4
,
8
0
1
4
,
6
6
1
4
,
5
5
1
4
,
3
7
1
4
,
2
5
1
4
,
2
0
1
4
,
1
5
1
4
,
0
8
1
4
,
0
2
1
3
,
8
4
1
3
,
7
5
1
3
,
6
5
1
3
,
5
6
1
3
,
4
6
5
1
6
,
2
6
1
3
,
2
7
1
2
,
0
6
1
1
,
3
9
1
0
,
9
7
1
0
,
6
7
1
0
,
4
6
1
0
,
2
9
1
0
,
1
6
1
0
,
0
5
9
,
8
9
9
,
7
7
9
,
7
2
9
,
6
8
9
,
6
1
9
,
5
5
9
,
3
8
9
,
2
9
9
,
2
0
9
,
1
1
9
,
0
2
6
1
3
,
7
5
1
0
,
9
2
9
,
7
8
9
,
1
5
8
,
7
5
8
,
4
7
8
,
2
6
8
,
1
0
7
,
9
8
7
,
8
7
7
,
7
2
7
,
6
0
7
,
5
6
7
,
5
2
7
,
4
5
7
,
4
0
7
,
2
3
7
,
1
4
7
,
0
6
6
,
9
7
6
,
8
8
7
1
2
,
2
5
9
,
5
5
8
,
4
5
7
,
8
5
7
,
4
6
7
,
1
9
6
,
9
9
6
,
8
4
6
,
7
2
6
,
6
2
6
,
4
7
6
,
3
6
6
,
3
1
6
,
2
8
6
,
2
1
6
,
1
6
5
,
9
9
5
,
9
1
5
,
8
2
5
,
7
4
5
,
6
5
8
1
1
,
2
6
8
,
6
5
7
,
5
9
7
,
0
1
6
,
6
3
6
,
3
7
6
,
1
8
6
,
0
3
5
,
9
1
5
,
8
1
5
,
6
7
5
,
5
6
5
,
5
2
5
,
4
8
5
,
4
1
5
,
3
6
5
,
2
0
5
,
1
2
5
,
0
3
4
,
9
5
4
,
8
6
9
1
0
,
5
6
8
,
0
2
6
,
9
9
6
,
4
2
6
,
0
6
5
,
8
0
5
,
6
1
5
,
4
7
5
,
3
5
5
,
2
6
5
,
1
1
5
,
0
1
4
,
9
6
4
,
9
2
4
,
8
6
4
,
8
1
4
,
6
5
4
,
5
7
4
,
4
8
4
,
4
0
4
,
3
1
1
0
1
0
,
0
4
7
,
5
6
6
,
5
5
5
,
9
9
5
,
6
4
5
,
3
9
5
,
2
0
5
,
0
6
4
,
9
4
4
,
8
5
4
,
7
1
4
,
6
0
4
,
5
6
4
,
5
2
4
,
4
6
4
,
4
1
4
,
2
5
4
,
1
7
4
,
0
8
4
,
0
0
3
,
9
1
1
1
9
,
6
5
7
,
2
1
6
,
2
2
5
,
6
7
5
,
3
2
5
,
0
7
4
,
8
9
4
,
7
4
4
,
6
3
4
,
5
4
4
,
4
0
4
,
2
9
4
,
2
5
4
,
2
1
4
,
1
5
4
,
1
0
3
,
9
4
3
,
8
6
3
,
7
8
3
,
6
9
3
,
6
0
1
2
9
,
3
3
6
,
9
3
5
,
9
5
5
,
4
1
5
,
0
6
4
,
8
2
4
,
6
4
4
,
5
0
4
,
3
9
4
,
3
0
4
,
1
6
4
,
0
5
4
,
0
1
3
,
9
7
3
,
9
1
3
,
8
6
3
,
7
0
3
,
6
2
3
,
5
4
3
,
4
5
3
,
3
6
1
3
9
,
0
7
6
,
7
0
5
,
7
4
5
,
2
1
4
,
8
6
4
,
6
2
4
,
4
4
4
,
3
0
4
,
1
9
4
,
1
0
3
,
9
6
3
,
8
6
3
,
8
2
3
,
7
8
3
,
7
2
3
,
6
6
3
,
5
1
3
,
4
3
3
,
3
4
3
,
2
5
3
,
1
7
1
4
8
,
8
6
6
,
5
1
5
,
5
6
5
,
0
4
4
,
6
9
4
,
4
6
4
,
2
8
4
,
1
4
4
,
0
3
3
,
9
4
3
,
8
0
3
,
7
0
3
,
6
6
3
,
6
2
3
,
5
6
3
,
5
1
3
,
3
5
3
,
2
7
3
,
1
8
3
,
0
9
3
,
0
0
1
5
8
,
6
8
6
,
3
6
5
,
4
2
4
,
8
9
4
,
5
6
4
,
3
2
4
,
1
4
4
,
0
0
3
,
8
9
3
,
8
0
3
,
6
7
3
,
5
6
3
,
5
2
3
,
4
9
3
,
4
2
3
,
3
7
3
,
2
1
3
,
1
3
3
,
0
5
2
,
9
6
2
,
8
7
1
6
8
,
5
3
6
,
2
3
5
,
2
9
4
,
7
7
4
,
4
4
4
,
2
0
4
,
0
3
3
,
8
9
3
,
7
8
3
,
6
9
3
,
5
5
3
,
4
5
3
,
4
1
3
,
3
7
3
,
3
1
3
,
2
6
3
,
1
0
3
,
0
2
2
,
9
3
2
,
8
4
2
,
7
5
1
7
8
,
4
0
6
,
1
1
5
,
1
9
4
,
6
7
4
,
3
4
4
,
1
0
3
,
9
3
3
,
7
9
3
,
6
8
3
,
5
9
3
,
4
6
3
,
3
5
3
,
3
1
3
,
2
7
3
,
2
1
3
,
1
6
3
,
0
0
2
,
9
2
2
,
8
3
2
,
7
5
2
,
6
5
1
8
8
,
2
9
6
,
0
1
5
,
0
9
4
,
5
8
4
,
2
5
4
,
0
1
3
,
8
4
3
,
7
1
3
,
6
0
3
,
5
1
3
,
3
7
3
,
2
7
3
,
2
3
3
,
1
9
3
,
1
3
3
,
0
8
2
,
9
2
2
,
8
4
2
,
7
5
2
,
6
6
2
,
5
7
1
9
8
,
1
8
5
,
9
3
5
,
0
1
4
,
5
0
4
,
1
7
3
,
9
4
3
,
7
7
3
,
6
3
3
,
5
2
3
,
4
3
3
,
3
0
3
,
1
9
3
,
1
5
3
,
1
2
3
,
0
5
3
,
0
0
2
,
8
4
2
,
7
6
2
,
6
7
2
,
5
8
2
,
4
9
2
0
8
,
1
0
5
,
8
5
4
,
9
4
4
,
4
3
4
,
1
0
3
,
8
7
3
,
7
0
3
,
5
6
3
,
4
6
3
,
3
7
3
,
2
3
3
,
1
3
3
,
0
9
3
,
0
5
2
,
9
9
2
,
9
4
2
,
7
8
2
,
6
9
2
,
6
1
2
,
5
2
2
,
4
2
2
1
8
,
0
2
5
,
7
8
4
,
8
7
4
,
3
7
4
,
0
4
3
,
8
1
3
,
6
4
3
,
5
1
3
,
4
0
3
,
3
1
3
,
1
7
3
,
0
7
3
,
0
3
2
,
9
9
2
,
9
3
2
,
8
8
2
,
7
2
2
,
6
4
2
,
5
5
2
,
4
6
2
,
3
6
2
2
7
,
9
5
5
,
7
2
4
,
8
2
4
,
3
1
3
,
9
9
3
,
7
6
3
,
5
9
3
,
4
5
3
,
3
5
3
,
2
6
3
,
1
2
3
,
0
2
2
,
9
8
2
,
9
4
2
,
8
8
2
,
8
3
2
,
6
7
2
,
5
8
2
,
5
0
2
,
4
0
2
,
3
1
2
3
7
,
8
8
5
,
6
6
4
,
7
6
4
,
2
6
3
,
9
4
3
,
7
1
3
,
5
4
3
,
4
1
3
,
3
0
3
,
2
1
3
,
0
7
2
,
9
7
2
,
9
3
2
,
8
9
2
,
8
3
2
,
7
8
2
,
6
2
2
,
5
4
2
,
4
5
2
,
3
5
2
,
2
6
2
4
7
,
8
2
5
,
6
1
4
,
7
2
4
,
2
2
3
,
9
0
3
,
6
7
3
,
5
0
3
,
3
6
3
,
2
6
3
,
1
7
3
,
0
3
2
,
9
3
2
,
8
9
2
,
8
5
2
,
7
9
2
,
7
4
2
,
5
8
2
,
4
9
2
,
4
0
2
,
3
1
2
,
2
1
2
5
7
,
7
7
5
,
5
7
4
,
6
8
4
,
1
8
3
,
8
5
3
,
6
3
3
,
4
6
3
,
3
2
3
,
2
2
3
,
1
3
2
,
9
9
2
,
8
9
2
,
8
5
2
,
8
1
2
,
7
5
2
,
7
0
2
,
5
4
2
,
4
5
2
,
3
6
2
,
2
7
2
,
1
7
2
6
7
,
7
2
5
,
5
3
4
,
6
4
4
,
1
4
3
,
8
2
3
,
5
9
3
,
4
2
3
,
2
9
3
,
1
8
3
,
0
9
2
,
9
6
2
,
8
6
2
,
8
1
2
,
7
8
2
,
7
2
2
,
6
6
2
,
5
0
2
,
4
2
2
,
3
3
2
,
2
3
2
,
1
3
2
7
7
,
6
8
5
,
4
9
4
,
6
0
4
,
1
1
3
,
7
8
3
,
5
6
3
,
3
9
3
,
2
6
3
,
1
5
3
,
0
6
2
,
9
3
2
,
8
2
2
,
7
8
2
,
7
5
2
,
6
8
2
,
6
3
2
,
4
7
2
,
3
8
2
,
2
9
2
,
2
0
2
,
1
0
2
8
7
,
6
4
5
,
4
5
4
,
5
7
4
,
0
7
3
,
7
5
3
,
5
3
3
,
3
6
3
,
2
3
3
,
1
2
3
,
0
3
2
,
9
0
2
,
7
9
2
,
7
5
2
,
7
2
2
,
6
5
2
,
6
0
2
,
4
4
2
,
3
5
2
,
2
6
2
,
1
7
2
,
0
6
2
9
7
,
6
0
5
,
4
2
4
,
5
4
4
,
0
4
3
,
7
3
3
,
5
0
3
,
3
3
3
,
2
0
3
,
0
9
3
,
0
0
2
,
8
7
2
,
7
7
2
,
7
3
2
,
6
9
2
,
6
3
2
,
5
7
2
,
4
1
2
,
3
3
2
,
2
3
2
,
1
4
2
,
0
3
3
0
7
,
5
6
5
,
3
9
4
,
5
1
4
,
0
2
3
,
7
0
3
,
4
7
3
,
3
0
3
,
1
7
3
,
0
7
2
,
9
8
2
,
8
4
2
,
7
4
2
,
7
0
2
,
6
6
2
,
6
0
2
,
5
5
2
,
3
9
2
,
3
0
2
,
2
1
2
,
1
1
2
,
0
1
4
0
7
,
3
1
5
,
1
8
4
,
3
1
3
,
8
3
3
,
5
1
3
,
2
9
3
,
1
2
2
,
9
9
2
,
8
9
2
,
8
0
2
,
6
6
2
,
5
6
2
,
5
2
2
,
4
8
2
,
4
2
2
,
3
7
2
,
2
0
2
,
1
1
2
,
0
2
1
,
9
2
1
,
8
0
5
0
7
,
1
7
5
,
0
6
4
,
2
0
3
,
7
2
3
,
4
1
3
,
1
9
3
,
0
2
2
,
8
9
2
,
7
8
2
,
7
0
2
,
5
6
2
,
4
6
2
,
4
2
2
,
3
8
2
,
3
2
2
,
2
7
2
,
1
0
2
,
0
1
1
,
9
1
1
,
8
0
1
,
6
8
6
0
7
,
0
8
4
,
9
8
4
,
1
3
3
,
6
5
3
,
3
4
3
,
1
2
2
,
9
5
2
,
8
2
2
,
7
2
2
,
6
3
2
,
5
0
2
,
3
9
2
,
3
5
2
,
3
1
2
,
2
5
2
,
2
0
2
,
0
3
1
,
9
4
1
,
8
4
1
,
7
3
1
,
6
0
1
2
0
6
,
8
5
4
,
7
9
3
,
9
5
3
,
4
8
3
,
1
7
2
,
9
6
2
,
7
9
2
,
6
6
2
,
5
6
2
,
4
7
2
,
3
4
2
,
2
3
2
,
1
9
2
,
1
5
2
,
0
9
2
,
0
3
1
,
8
6
1
,
7
6
1
,
6
6
1
,
5
3
1
,
3
8
1
0
0
0
0
0
6
,
6
4
4
,
6
1
3
,
7
8
3
,
3
2
3
,
0
2
2
,
8
0
2
,
6
4
2
,
5
1
2
,
4
1
2
,
3
2
2
,
1
8
2
,
0
8
2
,
0
4
2
,
0
0
1
,
9
3
1
,
8
8
1
,
7
0
1
,
5
9
1
,
4
7
1
,
3
2
1
,
0
1

G
L
1
G
L
2
T
a
b
e
l
a

4
a
F

d
e

F
i
s
h
e
r
a
=

0
,
0
1
160
cpa/gsa
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
5
2
0
2
4
3
0
4
0
6
0
1
2
0
1
0
0
0
0
0
0
1
6
4
7
,
7
9
7
9
9
,
4
8
8
6
4
,
1
5
8
9
9
,
6
0
9
2
1
,
8
3
9
3
7
,
1
1
9
4
8
,
2
0
9
5
6
,
6
4
9
6
3
,
2
8
9
6
8
,
6
3
9
7
3
,
0
3
9
7
6
,
7
2
9
7
9
,
8
4
9
8
4
,
8
7
9
9
3
,
0
8
9
9
7
,
2
7
1
0
0
1
,
4
0
1
0
0
5
,
6
0
1
0
0
9
,
7
9
1
0
1
4
,
0
4
1
0
1
8
,
2
6
2
3
8
,
5
1
3
9
,
0
0
3
9
,
1
7
3
9
,
2
5
3
9
,
3
0
3
9
,
3
3
3
9
,
3
6
3
9
,
3
7
3
9
,
3
9
3
9
,
4
0
3
9
,
4
1
3
9
,
4
1
3
9
,
4
2
3
9
,
4
3
3
9
,
4
5
3
9
,
4
6
3
9
,
4
6
3
9
,
4
7
3
9
,
4
8
3
9
,
4
9
3
9
,
5
0
3
1
7
,
4
4
1
6
,
0
4
1
5
,
4
4
1
5
,
1
0
1
4
,
8
8
1
4
,
7
3
1
4
,
6
2
1
4
,
5
4
1
4
,
4
7
1
4
,
4
2
1
4
,
3
7
1
4
,
3
4
1
4
,
3
0
1
4
,
2
5
1
4
,
1
7
1
4
,
1
2
1
4
,
0
8
1
4
,
0
4
1
3
,
9
9
1
3
,
9
5
1
3
,
9
0
4
1
2
,
2
2
1
0
,
6
5
9
,
9
8
9
,
6
0
9
,
3
6
9
,
2
0
9
,
0
7
8
,
9
8
8
,
9
0
8
,
8
4
8
,
7
9
8
,
7
5
8
,
7
2
8
,
6
6
8
,
5
6
8
,
5
1
8
,
4
6
8
,
4
1
8
,
3
6
8
,
3
1
8
,
2
6
5
1
0
,
0
1
8
,
4
3
7
,
7
6
7
,
3
9
7
,
1
5
6
,
9
8
6
,
8
5
6
,
7
6
6
,
6
8
6
,
6
2
6
,
5
7
6
,
5
2
6
,
4
9
6
,
4
3
6
,
3
3
6
,
2
8
6
,
2
3
6
,
1
8
6
,
1
2
6
,
0
7
6
,
0
2
6
8
,
8
1
7
,
2
6
6
,
6
0
6
,
2
3
5
,
9
9
5
,
8
2
5
,
7
0
5
,
6
0
5
,
5
2
5
,
4
6
5
,
4
1
5
,
3
7
5
,
3
3
5
,
2
7
5
,
1
7
5
,
1
2
5
,
0
7
5
,
0
1
4
,
9
6
4
,
9
0
4
,
8
5
7
8
,
0
7
6
,
5
4
5
,
8
9
5
,
5
2
5
,
2
9
5
,
1
2
4
,
9
9
4
,
9
0
4
,
8
2
4
,
7
6
4
,
7
1
4
,
6
7
4
,
6
3
4
,
5
7
4
,
4
7
4
,
4
1
4
,
3
6
4
,
3
1
4
,
2
5
4
,
2
0
4
,
1
4
8
7
,
5
7
6
,
0
6
5
,
4
2
5
,
0
5
4
,
8
2
4
,
6
5
4
,
5
3
4
,
4
3
4
,
3
6
4
,
3
0
4
,
2
4
4
,
2
0
4
,
1
6
4
,
1
0
4
,
0
0
3
,
9
5
3
,
8
9
3
,
8
4
3
,
7
8
3
,
7
3
3
,
6
7
9
7
,
2
1
5
,
7
1
5
,
0
8
4
,
7
2
4
,
4
8
4
,
3
2
4
,
2
0
4
,
1
0
4
,
0
3
3
,
9
6
3
,
9
1
3
,
8
7
3
,
8
3
3
,
7
7
3
,
6
7
3
,
6
1
3
,
5
6
3
,
5
1
3
,
4
5
3
,
3
9
3
,
3
3
1
0
6
,
9
4
5
,
4
6
4
,
8
3
4
,
4
7
4
,
2
4
4
,
0
7
3
,
9
5
3
,
8
5
3
,
7
8
3
,
7
2
3
,
6
6
3
,
6
2
3
,
5
8
3
,
5
2
3
,
4
2
3
,
3
7
3
,
3
1
3
,
2
6
3
,
2
0
3
,
1
4
3
,
0
8
1
1
6
,
7
2
5
,
2
6
4
,
6
3
4
,
2
8
4
,
0
4
3
,
8
8
3
,
7
6
3
,
6
6
3
,
5
9
3
,
5
3
3
,
4
7
3
,
4
3
3
,
3
9
3
,
3
3
3
,
2
3
3
,
1
7
3
,
1
2
3
,
0
6
3
,
0
0
2
,
9
4
2
,
8
8
1
2
6
,
5
5
5
,
1
0
4
,
4
7
4
,
1
2
3
,
8
9
3
,
7
3
3
,
6
1
3
,
5
1
3
,
4
4
3
,
3
7
3
,
3
2
3
,
2
8
3
,
2
4
3
,
1
8
3
,
0
7
3
,
0
2
2
,
9
6
2
,
9
1
2
,
8
5
2
,
7
9
2
,
7
2
1
3
6
,
4
1
4
,
9
7
4
,
3
5
4
,
0
0
3
,
7
7
3
,
6
0
3
,
4
8
3
,
3
9
3
,
3
1
3
,
2
5
3
,
2
0
3
,
1
5
3
,
1
2
3
,
0
5
2
,
9
5
2
,
8
9
2
,
8
4
2
,
7
8
2
,
7
2
2
,
6
6
2
,
6
0
1
4
6
,
3
0
4
,
8
6
4
,
2
4
3
,
8
9
3
,
6
6
3
,
5
0
3
,
3
8
3
,
2
9
3
,
2
1
3
,
1
5
3
,
0
9
3
,
0
5
3
,
0
1
2
,
9
5
2
,
8
4
2
,
7
9
2
,
7
3
2
,
6
7
2
,
6
1
2
,
5
5
2
,
4
9
1
5
6
,
2
0
4
,
7
7
4
,
1
5
3
,
8
0
3
,
5
8
3
,
4
1
3
,
2
9
3
,
2
0
3
,
1
2
3
,
0
6
3
,
0
1
2
,
9
6
2
,
9
2
2
,
8
6
2
,
7
6
2
,
7
0
2
,
6
4
2
,
5
9
2
,
5
2
2
,
4
6
2
,
4
0
1
6
6
,
1
2
4
,
6
9
4
,
0
8
3
,
7
3
3
,
5
0
3
,
3
4
3
,
2
2
3
,
1
2
3
,
0
5
2
,
9
9
2
,
9
3
2
,
8
9
2
,
8
5
2
,
7
9
2
,
6
8
2
,
6
3
2
,
5
7
2
,
5
1
2
,
4
5
2
,
3
8
2
,
3
2
1
7
6
,
0
4
4
,
6
2
4
,
0
1
3
,
6
6
3
,
4
4
3
,
2
8
3
,
1
6
3
,
0
6
2
,
9
8
2
,
9
2
2
,
8
7
2
,
8
2
2
,
7
9
2
,
7
2
2
,
6
2
2
,
5
6
2
,
5
0
2
,
4
4
2
,
3
8
2
,
3
2
2
,
2
5
1
8
5
,
9
8
4
,
5
6
3
,
9
5
3
,
6
1
3
,
3
8
3
,
2
2
3
,
1
0
3
,
0
1
2
,
9
3
2
,
8
7
2
,
8
1
2
,
7
7
2
,
7
3
2
,
6
7
2
,
5
6
2
,
5
0
2
,
4
4
2
,
3
8
2
,
3
2
2
,
2
6
2
,
1
9
1
9
5
,
9
2
4
,
5
1
3
,
9
0
3
,
5
6
3
,
3
3
3
,
1
7
3
,
0
5
2
,
9
6
2
,
8
8
2
,
8
2
2
,
7
6
2
,
7
2
2
,
6
8
2
,
6
2
2
,
5
1
2
,
4
5
2
,
3
9
2
,
3
3
2
,
2
7
2
,
2
0
2
,
1
3
2
0
5
,
8
7
4
,
4
6
3
,
8
6
3
,
5
1
3
,
2
9
3
,
1
3
3
,
0
1
2
,
9
1
2
,
8
4
2
,
7
7
2
,
7
2
2
,
6
8
2
,
6
4
2
,
5
7
2
,
4
6
2
,
4
1
2
,
3
5
2
,
2
9
2
,
2
2
2
,
1
6
2
,
0
9
2
1
5
,
8
3
4
,
4
2
3
,
8
2
3
,
4
8
3
,
2
5
3
,
0
9
2
,
9
7
2
,
8
7
2
,
8
0
2
,
7
3
2
,
6
8
2
,
6
4
2
,
6
0
2
,
5
3
2
,
4
2
2
,
3
7
2
,
3
1
2
,
2
5
2
,
1
8
2
,
1
1
2
,
0
4
2
2
5
,
7
9
4
,
3
8
3
,
7
8
3
,
4
4
3
,
2
2
3
,
0
5
2
,
9
3
2
,
8
4
2
,
7
6
2
,
7
0
2
,
6
5
2
,
6
0
2
,
5
6
2
,
5
0
2
,
3
9
2
,
3
3
2
,
2
7
2
,
2
1
2
,
1
4
2
,
0
8
2
,
0
0
2
3
5
,
7
5
4
,
3
5
3
,
7
5
3
,
4
1
3
,
1
8
3
,
0
2
2
,
9
0
2
,
8
1
2
,
7
3
2
,
6
7
2
,
6
2
2
,
5
7
2
,
5
3
2
,
4
7
2
,
3
6
2
,
3
0
2
,
2
4
2
,
1
8
2
,
1
1
2
,
0
4
1
,
9
7
2
4
5
,
7
2
4
,
3
2
3
,
7
2
3
,
3
8
3
,
1
5
2
,
9
9
2
,
8
7
2
,
7
8
2
,
7
0
2
,
6
4
2
,
5
9
2
,
5
4
2
,
5
0
2
,
4
4
2
,
3
3
2
,
2
7
2
,
2
1
2
,
1
5
2
,
0
8
2
,
0
1
1
,
9
4
2
5
5
,
6
9
4
,
2
9
3
,
6
9
3
,
3
5
3
,
1
3
2
,
9
7
2
,
8
5
2
,
7
5
2
,
6
8
2
,
6
1
2
,
5
6
2
,
5
1
2
,
4
8
2
,
4
1
2
,
3
0
2
,
2
4
2
,
1
8
2
,
1
2
2
,
0
5
1
,
9
8
1
,
9
1
2
6
5
,
6
6
4
,
2
7
3
,
6
7
3
,
3
3
3
,
1
0
2
,
9
4
2
,
8
2
2
,
7
3
2
,
6
5
2
,
5
9
2
,
5
4
2
,
4
9
2
,
4
5
2
,
3
9
2
,
2
8
2
,
2
2
2
,
1
6
2
,
0
9
2
,
0
3
1
,
9
5
1
,
8
8
2
7
5
,
6
3
4
,
2
4
3
,
6
5
3
,
3
1
3
,
0
8
2
,
9
2
2
,
8
0
2
,
7
1
2
,
6
3
2
,
5
7
2
,
5
1
2
,
4
7
2
,
4
3
2
,
3
6
2
,
2
5
2
,
1
9
2
,
1
3
2
,
0
7
2
,
0
0
1
,
9
3
1
,
8
5
2
8
5
,
6
1
4
,
2
2
3
,
6
3
3
,
2
9
3
,
0
6
2
,
9
0
2
,
7
8
2
,
6
9
2
,
6
1
2
,
5
5
2
,
4
9
2
,
4
5
2
,
4
1
2
,
3
4
2
,
2
3
2
,
1
7
2
,
1
1
2
,
0
5
1
,
9
8
1
,
9
1
1
,
8
3
2
9
5
,
5
9
4
,
2
0
3
,
6
1
3
,
2
7
3
,
0
4
2
,
8
8
2
,
7
6
2
,
6
7
2
,
5
9
2
,
5
3
2
,
4
8
2
,
4
3
2
,
3
9
2
,
3
2
2
,
2
1
2
,
1
5
2
,
0
9
2
,
0
3
1
,
9
6
1
,
8
9
1
,
8
1
3
0
5
,
5
7
4
,
1
8
3
,
5
9
3
,
2
5
3
,
0
3
2
,
8
7
2
,
7
5
2
,
6
5
2
,
5
7
2
,
5
1
2
,
4
6
2
,
4
1
2
,
3
7
2
,
3
1
2
,
2
0
2
,
1
4
2
,
0
7
2
,
0
1
1
,
9
4
1
,
8
7
1
,
7
9
4
0
5
,
4
2
4
,
0
5
3
,
4
6
3
,
1
3
2
,
9
0
2
,
7
4
2
,
6
2
2
,
5
3
2
,
4
5
2
,
3
9
2
,
3
3
2
,
2
9
2
,
2
5
2
,
1
8
2
,
0
7
2
,
0
1
1
,
9
4
1
,
8
8
1
,
8
0
1
,
7
2
1
,
6
4
5
0
5
,
3
4
3
,
9
7
3
,
3
9
3
,
0
5
2
,
8
3
2
,
6
7
2
,
5
5
2
,
4
6
2
,
3
8
2
,
3
2
2
,
2
6
2
,
2
2
2
,
1
8
2
,
1
1
1
,
9
9
1
,
9
3
1
,
8
7
1
,
8
0
1
,
7
2
1
,
6
4
1
,
5
5
6
0
5
,
2
9
3
,
9
3
3
,
3
4
3
,
0
1
2
,
7
9
2
,
6
3
2
,
5
1
2
,
4
1
2
,
3
3
2
,
2
7
2
,
2
2
2
,
1
7
2
,
1
3
2
,
0
6
1
,
9
4
1
,
8
8
1
,
8
2
1
,
7
4
1
,
6
7
1
,
5
8
1
,
4
8
1
2
0
5
,
1
5
3
,
8
0
3
,
2
3
2
,
8
9
2
,
6
7
2
,
5
2
2
,
3
9
2
,
3
0
2
,
2
2
2
,
1
6
2
,
1
0
2
,
0
5
2
,
0
1
1
,
9
4
1
,
8
2
1
,
7
6
1
,
6
9
1
,
6
1
1
,
5
3
1
,
4
3
1
,
3
1
1
0
0
0
0
0
5
,
0
2
3
,
6
9
3
,
1
2
2
,
7
9
2
,
5
7
2
,
4
1
2
,
2
9
2
,
1
9
2
,
1
1
2
,
0
5
1
,
9
9
1
,
9
4
1
,
9
0
1
,
8
3
1
,
7
1
1
,
6
4
1
,
5
7
1
,
4
8
1
,
3
9
1
,
2
7
1
,
0
1

G
L
1
G
L
2
a
=

0
,
0
2
5
T
a
b
e
l
a

4
b
F

d
e

F
i
s
h
e
r
161
cpa/gsa
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
5
2
0
2
4
3
0
4
0
6
0
1
2
0
1
0
0
0
0
0
0
1
1
6
1
,
4
5
1
9
9
,
5
0
2
1
5
,
7
1
2
2
4
,
5
8
2
3
0
,
1
6
2
3
3
,
9
9
2
3
6
,
7
7
2
3
8
,
8
8
2
4
0
,
5
4
2
4
1
,
8
8
2
4
2
,
9
8
2
4
3
,
9
0
2
4
4
,
6
9
2
4
5
,
9
5
2
4
8
,
0
2
2
4
9
,
0
5
2
5
0
,
1
0
2
5
1
,
1
4
2
5
2
,
2
0
2
5
3
,
2
5
2
5
4
,
3
2
2
1
8
,
5
1
1
9
,
0
0
1
9
,
1
6
1
9
,
2
5
1
9
,
3
0
1
9
,
3
3
1
9
,
3
5
1
9
,
3
7
1
9
,
3
8
1
9
,
4
0
1
9
,
4
0
1
9
,
4
1
1
9
,
4
2
1
9
,
4
3
1
9
,
4
5
1
9
,
4
5
1
9
,
4
6
1
9
,
4
7
1
9
,
4
8
1
9
,
4
9
1
9
,
5
0
3
1
0
,
1
3
9
,
5
5
9
,
2
8
9
,
1
2
9
,
0
1
8
,
9
4
8
,
8
9
8
,
8
5
8
,
8
1
8
,
7
9
8
,
7
6
8
,
7
4
8
,
7
3
8
,
7
0
8
,
6
6
8
,
6
4
8
,
6
2
8
,
5
9
8
,
5
7
8
,
5
5
8
,
5
3
4
7
,
7
1
6
,
9
4
6
,
5
9
6
,
3
9
6
,
2
6
6
,
1
6
6
,
0
9
6
,
0
4
6
,
0
0
5
,
9
6
5
,
9
4
5
,
9
1
5
,
8
9
5
,
8
6
5
,
8
0
5
,
7
7
5
,
7
5
5
,
7
2
5
,
6
9
5
,
6
6
5
,
6
3
5
6
,
6
1
5
,
7
9
5
,
4
1
5
,
1
9
5
,
0
5
4
,
9
5
4
,
8
8
4
,
8
2
4
,
7
7
4
,
7
4
4
,
7
0
4
,
6
8
4
,
6
6
4
,
6
2
4
,
5
6
4
,
5
3
4
,
5
0
4
,
4
6
4
,
4
3
4
,
4
0
4
,
3
7
6
5
,
9
9
5
,
1
4
4
,
7
6
4
,
5
3
4
,
3
9
4
,
2
8
4
,
2
1
4
,
1
5
4
,
1
0
4
,
0
6
4
,
0
3
4
,
0
0
3
,
9
8
3
,
9
4
3
,
8
7
3
,
8
4
3
,
8
1
3
,
7
7
3
,
7
4
3
,
7
0
3
,
6
7
7
5
,
5
9
4
,
7
4
4
,
3
5
4
,
1
2
3
,
9
7
3
,
8
7
3
,
7
9
3
,
7
3
3
,
6
8
3
,
6
4
3
,
6
0
3
,
5
7
3
,
5
5
3
,
5
1
3
,
4
4
3
,
4
1
3
,
3
8
3
,
3
4
3
,
3
0
3
,
2
7
3
,
2
3
8
5
,
3
2
4
,
4
6
4
,
0
7
3
,
8
4
3
,
6
9
3
,
5
8
3
,
5
0
3
,
4
4
3
,
3
9
3
,
3
5
3
,
3
1
3
,
2
8
3
,
2
6
3
,
2
2
3
,
1
5
3
,
1
2
3
,
0
8
3
,
0
4
3
,
0
1
2
,
9
7
2
,
9
3
9
5
,
1
2
4
,
2
6
3
,
8
6
3
,
6
3
3
,
4
8
3
,
3
7
3
,
2
9
3
,
2
3
3
,
1
8
3
,
1
4
3
,
1
0
3
,
0
7
3
,
0
5
3
,
0
1
2
,
9
4
2
,
9
0
2
,
8
6
2
,
8
3
2
,
7
9
2
,
7
5
2
,
7
1
1
0
4
,
9
6
4
,
1
0
3
,
7
1
3
,
4
8
3
,
3
3
3
,
2
2
3
,
1
4
3
,
0
7
3
,
0
2
2
,
9
8
2
,
9
4
2
,
9
1
2
,
8
9
2
,
8
5
2
,
7
7
2
,
7
4
2
,
7
0
2
,
6
6
2
,
6
2
2
,
5
8
2
,
5
4
1
1
4
,
8
4
3
,
9
8
3
,
5
9
3
,
3
6
3
,
2
0
3
,
0
9
3
,
0
1
2
,
9
5
2
,
9
0
2
,
8
5
2
,
8
2
2
,
7
9
2
,
7
6
2
,
7
2
2
,
6
5
2
,
6
1
2
,
5
7
2
,
5
3
2
,
4
9
2
,
4
5
2
,
4
0
1
2
4
,
7
5
3
,
8
9
3
,
4
9
3
,
2
6
3
,
1
1
3
,
0
0
2
,
9
1
2
,
8
5
2
,
8
0
2
,
7
5
2
,
7
2
2
,
6
9
2
,
6
6
2
,
6
2
2
,
5
4
2
,
5
1
2
,
4
7
2
,
4
3
2
,
3
8
2
,
3
4
2
,
3
0
1
3
4
,
6
7
3
,
8
1
3
,
4
1
3
,
1
8
3
,
0
3
2
,
9
2
2
,
8
3
2
,
7
7
2
,
7
1
2
,
6
7
2
,
6
3
2
,
6
0
2
,
5
8
2
,
5
3
2
,
4
6
2
,
4
2
2
,
3
8
2
,
3
4
2
,
3
0
2
,
2
5
2
,
2
1
1
4
4
,
6
0
3
,
7
4
3
,
3
4
3
,
1
1
2
,
9
6
2
,
8
5
2
,
7
6
2
,
7
0
2
,
6
5
2
,
6
0
2
,
5
7
2
,
5
3
2
,
5
1
2
,
4
6
2
,
3
9
2
,
3
5
2
,
3
1
2
,
2
7
2
,
2
2
2
,
1
8
2
,
1
3
1
5
4
,
5
4
3
,
6
8
3
,
2
9
3
,
0
6
2
,
9
0
2
,
7
9
2
,
7
1
2
,
6
4
2
,
5
9
2
,
5
4
2
,
5
1
2
,
4
8
2
,
4
5
2
,
4
0
2
,
3
3
2
,
2
9
2
,
2
5
2
,
2
0
2
,
1
6
2
,
1
1
2
,
0
7
1
6
4
,
4
9
3
,
6
3
3
,
2
4
3
,
0
1
2
,
8
5
2
,
7
4
2
,
6
6
2
,
5
9
2
,
5
4
2
,
4
9
2
,
4
6
2
,
4
2
2
,
4
0
2
,
3
5
2
,
2
8
2
,
2
4
2
,
1
9
2
,
1
5
2
,
1
1
2
,
0
6
2
,
0
1
1
7
4
,
4
5
3
,
5
9
3
,
2
0
2
,
9
6
2
,
8
1
2
,
7
0
2
,
6
1
2
,
5
5
2
,
4
9
2
,
4
5
2
,
4
1
2
,
3
8
2
,
3
5
2
,
3
1
2
,
2
3
2
,
1
9
2
,
1
5
2
,
1
0
2
,
0
6
2
,
0
1
1
,
9
6
1
8
4
,
4
1
3
,
5
5
3
,
1
6
2
,
9
3
2
,
7
7
2
,
6
6
2
,
5
8
2
,
5
1
2
,
4
6
2
,
4
1
2
,
3
7
2
,
3
4
2
,
3
1
2
,
2
7
2
,
1
9
2
,
1
5
2
,
1
1
2
,
0
6
2
,
0
2
1
,
9
7
1
,
9
2
1
9
4
,
3
8
3
,
5
2
3
,
1
3
2
,
9
0
2
,
7
4
2
,
6
3
2
,
5
4
2
,
4
8
2
,
4
2
2
,
3
8
2
,
3
4
2
,
3
1
2
,
2
8
2
,
2
3
2
,
1
6
2
,
1
1
2
,
0
7
2
,
0
3
1
,
9
8
1
,
9
3
1
,
8
8
2
0
4
,
3
5
3
,
4
9
3
,
1
0
2
,
8
7
2
,
7
1
2
,
6
0
2
,
5
1
2
,
4
5
2
,
3
9
2
,
3
5
2
,
3
1
2
,
2
8
2
,
2
5
2
,
2
0
2
,
1
2
2
,
0
8
2
,
0
4
1
,
9
9
1
,
9
5
1
,
9
0
1
,
8
4
2
1
4
,
3
2
3
,
4
7
3
,
0
7
2
,
8
4
2
,
6
8
2
,
5
7
2
,
4
9
2
,
4
2
2
,
3
7
2
,
3
2
2
,
2
8
2
,
2
5
2
,
2
2
2
,
1
8
2
,
1
0
2
,
0
5
2
,
0
1
1
,
9
6
1
,
9
2
1
,
8
7
1
,
8
1
2
2
4
,
3
0
3
,
4
4
3
,
0
5
2
,
8
2
2
,
6
6
2
,
5
5
2
,
4
6
2
,
4
0
2
,
3
4
2
,
3
0
2
,
2
6
2
,
2
3
2
,
2
0
2
,
1
5
2
,
0
7
2
,
0
3
1
,
9
8
1
,
9
4
1
,
8
9
1
,
8
4
1
,
7
8
2
3
4
,
2
8
3
,
4
2
3
,
0
3
2
,
8
0
2
,
6
4
2
,
5
3
2
,
4
4
2
,
3
7
2
,
3
2
2
,
2
7
2
,
2
4
2
,
2
0
2
,
1
8
2
,
1
3
2
,
0
5
2
,
0
1
1
,
9
6
1
,
9
1
1
,
8
6
1
,
8
1
1
,
7
6
2
4
4
,
2
5
9
6
8
3
,
4
0
2
8
3
3
,
0
0
8
7
9
2
,
7
7
6
2
9
2
,
6
2
0
6
5
2
,
5
0
8
1
9
2
,
4
2
2
6
3
2
,
3
5
5
0
8
2
,
3
0
0
2
4
2
,
2
5
4
7
4
2
,
2
1
6
3
1
2
,
1
8
3
3
8
2
,
1
5
4
8
2
2
,
1
0
7
6
8
2
,
0
2
6
6
6
1
,
9
8
3
7
6
1
,
9
3
8
9
6
1
,
8
9
1
9
6
1
,
8
4
2
3
6
1
,
7
8
9
6
4
1
,
7
3
3
0
6
2
5
4
,
2
4
3
,
3
9
2
,
9
9
2
,
7
6
2
,
6
0
2
,
4
9
2
,
4
0
2
,
3
4
2
,
2
8
2
,
2
4
2
,
2
0
2
,
1
6
2
,
1
4
2
,
0
9
2
,
0
1
1
,
9
6
1
,
9
2
1
,
8
7
1
,
8
2
1
,
7
7
1
,
7
1
2
6
4
,
2
3
3
,
3
7
2
,
9
8
2
,
7
4
2
,
5
9
2
,
4
7
2
,
3
9
2
,
3
2
2
,
2
7
2
,
2
2
2
,
1
8
2
,
1
5
2
,
1
2
2
,
0
7
1
,
9
9
1
,
9
5
1
,
9
0
1
,
8
5
1
,
8
0
1
,
7
5
1
,
6
9
2
7
4
,
2
1
3
,
3
5
2
,
9
6
2
,
7
3
2
,
5
7
2
,
4
6
2
,
3
7
2
,
3
1
2
,
2
5
2
,
2
0
2
,
1
7
2
,
1
3
2
,
1
0
2
,
0
6
1
,
9
7
1
,
9
3
1
,
8
8
1
,
8
4
1
,
7
9
1
,
7
3
1
,
6
7
2
8
4
,
2
0
3
,
3
4
2
,
9
5
2
,
7
1
2
,
5
6
2
,
4
5
2
,
3
6
2
,
2
9
2
,
2
4
2
,
1
9
2
,
1
5
2
,
1
2
2
,
0
9
2
,
0
4
1
,
9
6
1
,
9
1
1
,
8
7
1
,
8
2
1
,
7
7
1
,
7
1
1
,
6
5
2
9
4
,
1
8
3
,
3
3
2
,
9
3
2
,
7
0
2
,
5
5
2
,
4
3
2
,
3
5
2
,
2
8
2
,
2
2
2
,
1
8
2
,
1
4
2
,
1
0
2
,
0
8
2
,
0
3
1
,
9
4
1
,
9
0
1
,
8
5
1
,
8
1
1
,
7
5
1
,
7
0
1
,
6
4
3
0
4
,
1
7
3
,
3
2
2
,
9
2
2
,
6
9
2
,
5
3
2
,
4
2
2
,
3
3
2
,
2
7
2
,
2
1
2
,
1
6
2
,
1
3
2
,
0
9
2
,
0
6
2
,
0
1
1
,
9
3
1
,
8
9
1
,
8
4
1
,
7
9
1
,
7
4
1
,
6
8
1
,
6
2
4
0
4
,
0
8
3
,
2
3
2
,
8
4
2
,
6
1
2
,
4
5
2
,
3
4
2
,
2
5
2
,
1
8
2
,
1
2
2
,
0
8
2
,
0
4
2
,
0
0
1
,
9
7
1
,
9
2
1
,
8
4
1
,
7
9
1
,
7
4
1
,
6
9
1
,
6
4
1
,
5
8
1
,
5
1
5
0
4
,
0
3
3
,
1
8
2
,
7
9
2
,
5
6
2
,
4
0
2
,
2
9
2
,
2
0
2
,
1
3
2
,
0
7
2
,
0
3
1
,
9
9
1
,
9
5
1
,
9
2
1
,
8
7
1
,
7
8
1
,
7
4
1
,
6
9
1
,
6
3
1
,
5
8
1
,
5
1
1
,
4
4
6
0
4
,
0
0
3
,
1
5
2
,
7
6
2
,
5
3
2
,
3
7
2
,
2
5
2
,
1
7
2
,
1
0
2
,
0
4
1
,
9
9
1
,
9
5
1
,
9
2
1
,
8
9
1
,
8
4
1
,
7
5
1
,
7
0
1
,
6
5
1
,
5
9
1
,
5
3
1
,
4
7
1
,
3
9
1
2
0
3
,
9
2
3
,
0
7
2
,
6
8
2
,
4
5
2
,
2
9
2
,
1
8
2
,
0
9
2
,
0
2
1
,
9
6
1
,
9
1
1
,
8
7
1
,
8
3
1
,
8
0
1
,
7
5
1
,
6
6
1
,
6
1
1
,
5
5
1
,
5
0
1
,
4
3
1
,
3
5
1
,
2
5
1
0
0
0
0
0
3
,
8
4
3
,
0
0
2
,
6
0
2
,
3
7
2
,
2
1
2
,
1
0
2
,
0
1
1
,
9
4
1
,
8
8
1
,
8
3
1
,
7
9
1
,
7
5
1
,
7
2
1
,
6
7
1
,
5
7
1
,
5
2
1
,
4
6
1
,
3
9
1
,
3
2
1
,
2
2
1
,
0
1

G
L
1
G
L
2
a
=

0
,
0
5
T
a
b
e
l
a

4
c
F

d
e

F
i
s
h
e
r
162
cpa/gsa
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
5
2
0
2
4
3
0
4
0
6
0
1
2
0
1
0
0
0
0
0
0
1
3
9
,
8
6
4
9
,
5
0
5
3
,
5
9
5
5
,
8
3
5
7
,
2
4
5
8
,
2
0
5
8
,
9
1
5
9
,
4
4
5
9
,
8
6
6
0
,
1
9
6
0
,
4
7
6
0
,
7
1
6
0
,
9
0
6
1
,
2
2
6
1
,
7
4
6
2
,
0
0
6
2
,
2
6
6
2
,
5
3
6
2
,
7
9
6
3
,
0
6
6
3
,
3
3
2
8
,
5
3
9
,
0
0
9
,
1
6
9
,
2
4
9
,
2
9
9
,
3
3
9
,
3
5
9
,
3
7
9
,
3
8
9
,
3
9
9
,
4
0
9
,
4
1
9
,
4
1
9
,
4
2
9
,
4
4
9
,
4
5
9
,
4
6
9
,
4
7
9
,
4
7
9
,
4
8
9
,
4
9
3
5
,
5
4
5
,
4
6
5
,
3
9
5
,
3
4
5
,
3
1
5
,
2
8
5
,
2
7
5
,
2
5
5
,
2
4
5
,
2
3
5
,
2
2
5
,
2
2
5
,
2
1
5
,
2
0
5
,
1
8
5
,
1
8
5
,
1
7
5
,
1
6
5
,
1
5
5
,
1
4
5
,
1
3
4
4
,
5
4
4
,
3
2
4
,
1
9
4
,
1
1
4
,
0
5
4
,
0
1
3
,
9
8
3
,
9
5
3
,
9
4
3
,
9
2
3
,
9
1
3
,
9
0
3
,
8
9
3
,
8
7
3
,
8
4
3
,
8
3
3
,
8
2
3
,
8
0
3
,
7
9
3
,
7
8
3
,
7
6
5
4
,
0
6
3
,
7
8
3
,
6
2
3
,
5
2
3
,
4
5
3
,
4
0
3
,
3
7
3
,
3
4
3
,
3
2
3
,
3
0
3
,
2
8
3
,
2
7
3
,
2
6
3
,
2
4
3
,
2
1
3
,
1
9
3
,
1
7
3
,
1
6
3
,
1
4
3
,
1
2
3
,
1
1
6
3
,
7
8
3
,
4
6
3
,
2
9
3
,
1
8
3
,
1
1
3
,
0
5
3
,
0
1
2
,
9
8
2
,
9
6
2
,
9
4
2
,
9
2
2
,
9
0
2
,
8
9
2
,
8
7
2
,
8
4
2
,
8
2
2
,
8
0
2
,
7
8
2
,
7
6
2
,
7
4
2
,
7
2
7
3
,
5
9
3
,
2
6
3
,
0
7
2
,
9
6
2
,
8
8
2
,
8
3
2
,
7
8
2
,
7
5
2
,
7
2
2
,
7
0
2
,
6
8
2
,
6
7
2
,
6
5
2
,
6
3
2
,
5
9
2
,
5
8
2
,
5
6
2
,
5
4
2
,
5
1
2
,
4
9
2
,
4
7
8
3
,
4
6
3
,
1
1
2
,
9
2
2
,
8
1
2
,
7
3
2
,
6
7
2
,
6
2
2
,
5
9
2
,
5
6
2
,
5
4
2
,
5
2
2
,
5
0
2
,
4
9
2
,
4
6
2
,
4
2
2
,
4
0
2
,
3
8
2
,
3
6
2
,
3
4
2
,
3
2
2
,
2
9
9
3
,
3
6
3
,
0
1
2
,
8
1
2
,
6
9
2
,
6
1
2
,
5
5
2
,
5
1
2
,
4
7
2
,
4
4
2
,
4
2
2
,
4
0
2
,
3
8
2
,
3
6
2
,
3
4
2
,
3
0
2
,
2
8
2
,
2
5
2
,
2
3
2
,
2
1
2
,
1
8
2
,
1
6
1
0
3
,
2
9
2
,
9
2
2
,
7
3
2
,
6
1
2
,
5
2
2
,
4
6
2
,
4
1
2
,
3
8
2
,
3
5
2
,
3
2
2
,
3
0
2
,
2
8
2
,
2
7
2
,
2
4
2
,
2
0
2
,
1
8
2
,
1
6
2
,
1
3
2
,
1
1
2
,
0
8
2
,
0
6
1
1
3
,
2
3
2
,
8
6
2
,
6
6
2
,
5
4
2
,
4
5
2
,
3
9
2
,
3
4
2
,
3
0
2
,
2
7
2
,
2
5
2
,
2
3
2
,
2
1
2
,
1
9
2
,
1
7
2
,
1
2
2
,
1
0
2
,
0
8
2
,
0
5
2
,
0
3
2
,
0
0
1
,
9
7
1
2
3
,
1
8
2
,
8
1
2
,
6
1
2
,
4
8
2
,
3
9
2
,
3
3
2
,
2
8
2
,
2
4
2
,
2
1
2
,
1
9
2
,
1
7
2
,
1
5
2
,
1
3
2
,
1
0
2
,
0
6
2
,
0
4
2
,
0
1
1
,
9
9
1
,
9
6
1
,
9
3
1
,
9
0
1
3
3
,
1
4
2
,
7
6
2
,
5
6
2
,
4
3
2
,
3
5
2
,
2
8
2
,
2
3
2
,
2
0
2
,
1
6
2
,
1
4
2
,
1
2
2
,
1
0
2
,
0
8
2
,
0
5
2
,
0
1
1
,
9
8
1
,
9
6
1
,
9
3
1
,
9
0
1
,
8
8
1
,
8
5
1
4
3
,
1
0
2
,
7
3
2
,
5
2
2
,
3
9
2
,
3
1
2
,
2
4
2
,
1
9
2
,
1
5
2
,
1
2
2
,
1
0
2
,
0
7
2
,
0
5
2
,
0
4
2
,
0
1
1
,
9
6
1
,
9
4
1
,
9
1
1
,
8
9
1
,
8
6
1
,
8
3
1
,
8
0
1
5
3
,
0
7
2
,
7
0
2
,
4
9
2
,
3
6
2
,
2
7
2
,
2
1
2
,
1
6
2
,
1
2
2
,
0
9
2
,
0
6
2
,
0
4
2
,
0
2
2
,
0
0
1
,
9
7
1
,
9
2
1
,
9
0
1
,
8
7
1
,
8
5
1
,
8
2
1
,
7
9
1
,
7
6
1
6
3
,
0
5
2
,
6
7
2
,
4
6
2
,
3
3
2
,
2
4
2
,
1
8
2
,
1
3
2
,
0
9
2
,
0
6
2
,
0
3
2
,
0
1
1
,
9
9
1
,
9
7
1
,
9
4
1
,
8
9
1
,
8
7
1
,
8
4
1
,
8
1
1
,
7
8
1
,
7
5
1
,
7
2
1
7
3
,
0
3
2
,
6
4
2
,
4
4
2
,
3
1
2
,
2
2
2
,
1
5
2
,
1
0
2
,
0
6
2
,
0
3
2
,
0
0
1
,
9
8
1
,
9
6
1
,
9
4
1
,
9
1
1
,
8
6
1
,
8
4
1
,
8
1
1
,
7
8
1
,
7
5
1
,
7
2
1
,
6
9
1
8
3
,
0
1
2
,
6
2
2
,
4
2
2
,
2
9
2
,
2
0
2
,
1
3
2
,
0
8
2
,
0
4
2
,
0
0
1
,
9
8
1
,
9
5
1
,
9
3
1
,
9
2
1
,
8
9
1
,
8
4
1
,
8
1
1
,
7
8
1
,
7
5
1
,
7
2
1
,
6
9
1
,
6
6
1
9
2
,
9
9
2
,
6
1
2
,
4
0
2
,
2
7
2
,
1
8
2
,
1
1
2
,
0
6
2
,
0
2
1
,
9
8
1
,
9
6
1
,
9
3
1
,
9
1
1
,
8
9
1
,
8
6
1
,
8
1
1
,
7
9
1
,
7
6
1
,
7
3
1
,
7
0
1
,
6
7
1
,
6
3
2
0
2
,
9
7
2
,
5
9
2
,
3
8
2
,
2
5
2
,
1
6
2
,
0
9
2
,
0
4
2
,
0
0
1
,
9
6
1
,
9
4
1
,
9
1
1
,
8
9
1
,
8
7
1
,
8
4
1
,
7
9
1
,
7
7
1
,
7
4
1
,
7
1
1
,
6
8
1
,
6
4
1
,
6
1
2
1
2
,
9
6
2
,
5
7
2
,
3
6
2
,
2
3
2
,
1
4
2
,
0
8
2
,
0
2
1
,
9
8
1
,
9
5
1
,
9
2
1
,
9
0
1
,
8
7
1
,
8
6
1
,
8
3
1
,
7
8
1
,
7
5
1
,
7
2
1
,
6
9
1
,
6
6
1
,
6
2
1
,
5
9
2
2
2
,
9
5
2
,
5
6
2
,
3
5
2
,
2
2
2
,
1
3
2
,
0
6
2
,
0
1
1
,
9
7
1
,
9
3
1
,
9
0
1
,
8
8
1
,
8
6
1
,
8
4
1
,
8
1
1
,
7
6
1
,
7
3
1
,
7
0
1
,
6
7
1
,
6
4
1
,
6
0
1
,
5
7
2
3
2
,
9
4
2
,
5
5
2
,
3
4
2
,
2
1
2
,
1
1
2
,
0
5
1
,
9
9
1
,
9
5
1
,
9
2
1
,
8
9
1
,
8
7
1
,
8
4
1
,
8
3
1
,
8
0
1
,
7
4
1
,
7
2
1
,
6
9
1
,
6
6
1
,
6
2
1
,
5
9
1
,
5
5
2
4
2
,
9
3
2
,
5
4
2
,
3
3
2
,
1
9
2
,
1
0
2
,
0
4
1
,
9
8
1
,
9
4
1
,
9
1
1
,
8
8
1
,
8
5
1
,
8
3
1
,
8
1
1
,
7
8
1
,
7
3
1
,
7
0
1
,
6
7
1
,
6
4
1
,
6
1
1
,
5
7
1
,
5
3
2
5
2
,
9
2
2
,
5
3
2
,
3
2
2
,
1
8
2
,
0
9
2
,
0
2
1
,
9
7
1
,
9
3
1
,
8
9
1
,
8
7
1
,
8
4
1
,
8
2
1
,
8
0
1
,
7
7
1
,
7
2
1
,
6
9
1
,
6
6
1
,
6
3
1
,
5
9
1
,
5
6
1
,
5
2
2
6
2
,
9
1
2
,
5
2
2
,
3
1
2
,
1
7
2
,
0
8
2
,
0
1
1
,
9
6
1
,
9
2
1
,
8
8
1
,
8
6
1
,
8
3
1
,
8
1
1
,
7
9
1
,
7
6
1
,
7
1
1
,
6
8
1
,
6
5
1
,
6
1
1
,
5
8
1
,
5
4
1
,
5
0
2
7
2
,
9
0
2
,
5
1
2
,
3
0
2
,
1
7
2
,
0
7
2
,
0
0
1
,
9
5
1
,
9
1
1
,
8
7
1
,
8
5
1
,
8
2
1
,
8
0
1
,
7
8
1
,
7
5
1
,
7
0
1
,
6
7
1
,
6
4
1
,
6
0
1
,
5
7
1
,
5
3
1
,
4
9
2
8
2
,
8
9
2
,
5
0
2
,
2
9
2
,
1
6
2
,
0
6
2
,
0
0
1
,
9
4
1
,
9
0
1
,
8
7
1
,
8
4
1
,
8
1
1
,
7
9
1
,
7
7
1
,
7
4
1
,
6
9
1
,
6
6
1
,
6
3
1
,
5
9
1
,
5
6
1
,
5
2
1
,
4
8
2
9
2
,
8
9
2
,
5
0
2
,
2
8
2
,
1
5
2
,
0
6
1
,
9
9
1
,
9
3
1
,
8
9
1
,
8
6
1
,
8
3
1
,
8
0
1
,
7
8
1
,
7
6
1
,
7
3
1
,
6
8
1
,
6
5
1
,
6
2
1
,
5
8
1
,
5
5
1
,
5
1
1
,
4
7
3
0
2
,
8
8
2
,
4
9
2
,
2
8
2
,
1
4
2
,
0
5
1
,
9
8
1
,
9
3
1
,
8
8
1
,
8
5
1
,
8
2
1
,
7
9
1
,
7
7
1
,
7
5
1
,
7
2
1
,
6
7
1
,
6
4
1
,
6
1
1
,
5
7
1
,
5
4
1
,
5
0
1
,
4
6
4
0
2
,
8
4
2
,
4
4
2
,
2
3
2
,
0
9
2
,
0
0
1
,
9
3
1
,
8
7
1
,
8
3
1
,
7
9
1
,
7
6
1
,
7
4
1
,
7
1
1
,
7
0
1
,
6
6
1
,
6
1
1
,
5
7
1
,
5
4
1
,
5
1
1
,
4
7
1
,
4
2
1
,
3
8
5
0
2
,
8
1
2
,
4
1
2
,
2
0
2
,
0
6
1
,
9
7
1
,
9
0
1
,
8
4
1
,
8
0
1
,
7
6
1
,
7
3
1
,
7
0
1
,
6
8
1
,
6
6
1
,
6
3
1
,
5
7
1
,
5
4
1
,
5
0
1
,
4
6
1
,
4
2
1
,
3
8
1
,
3
3
6
0
2
,
7
9
2
,
3
9
2
,
1
8
2
,
0
4
1
,
9
5
1
,
8
7
1
,
8
2
1
,
7
7
1
,
7
4
1
,
7
1
1
,
6
8
1
,
6
6
1
,
6
4
1
,
6
0
1
,
5
4
1
,
5
1
1
,
4
8
1
,
4
4
1
,
4
0
1
,
3
5
1
,
2
9
1
2
0
2
,
7
5
2
,
3
5
2
,
1
3
1
,
9
9
1
,
9
0
1
,
8
2
1
,
7
7
1
,
7
2
1
,
6
8
1
,
6
5
1
,
6
3
1
,
6
0
1
,
5
8
1
,
5
5
1
,
4
8
1
,
4
5
1
,
4
1
1
,
3
7
1
,
3
2
1
,
2
6
1
,
1
9
1
0
0
0
0
0
2
,
7
1
2
,
3
0
2
,
0
8
1
,
9
4
1
,
8
5
1
,
7
7
1
,
7
2
1
,
6
7
1
,
6
3
1
,
6
0
1
,
5
7
1
,
5
5
1
,
5
2
1
,
4
9
1
,
4
2
1
,
3
8
1
,
3
4
1
,
3
0
1
,
2
4
1
,
1
7
1
,
0
1

G
L
1
G
L
2
a
=

0
,
1
0
T
a
b
e
l
a

4
d
F

d
e

F
i
s
h
e
r
163

cpa/gsa

Introdu¸˜o ca
A id´ia para este trabalho surgiu da vontade de se reunir em uma unica fonte, e em portuguˆs, material e ´ e que atendesse `s ementas dos cursos b´sicos de estat´ a a ıstica e probabilidade ministrados pelo Departamento de Estat´ ıstica do Instituto de Ciˆncias Exatas (ICEX) da UFMG para os ciclos b´sicos dos diversos cursos e a de engenharia. Esperamos que sirva para despertar nos alunos que o utilizarem a consciˆncia da importˆncia destas e a ciˆncias (Estat´ e ıstica e Probabilidade) como ferramentas valiosas para todas as ´reas do conhecimento a humano, especialmente para as ciˆncias exatas. e As tabelas constantes do apˆndice foram elaboradas pelos autores. e

Cl´dio Almeida e Greg´rio Atuncar o o Belo Horizonte, agosto de 2010

2

Sum´rio a
1 Introdu¸˜o ` An´lise de Dados ca a a 1.1 Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Organiza¸˜o de dados . . . . . . . . . . . . . . . . . . . . . . . ca 1.2.1 Tipos de dados . . . . . . . . . . . . . . . . . . . . . . . 1.2.2 Constru¸˜o de tabelas . . . . . . . . . . . . . . . . . . . ca 1.2.3 Representa¸˜o gr´fica . . . . . . . . . . . . . . . . . . . ca a 1.3 Medidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 Medidas de posi¸˜o . . . . . . . . . . . . . . . . . . . . . ca 1.3.2 Medidas de variabilidade . . . . . . . . . . . . . . . . . 1.3.3 Propriedades da m´dia, mediana e variˆncias amostrais e a 1.4 Exerc´ ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Probabilidade 2.1 Experimentos aleat´rios, espa¸o amostral e eventos o c 2.1.1 Opera¸˜es com eventos . . . . . . . . . . . co 2.1.2 Opera¸˜es com mais de dois eventos . . . . co 2.2 Defini¸˜o de probabilidade . . . . . . . . . . . . . . ca 2.2.1 Defini¸˜o frequentista de probabilidade . . ca 2.2.2 Axiomas de probabilidade . . . . . . . . . . 2.2.3 Regras de adi¸˜o . . . . . . . . . . . . . . . ca 2.2.4 Defini¸˜o cl´ssica de probabilidade . . . . . ca a 2.3 Probabilidade Condicional . . . . . . . . . . . . . . 2.4 Regras da multiplica¸˜o e probabilidade total . . . ca 2.4.1 Regra da multiplica¸˜o . . . . . . . . . . . . ca 2.4.2 Regra da probabilidade total . . . . . . . . 2.5 Teorema de Bayes . . . . . . . . . . . . . . . . . . 2.5.1 Independˆncia . . . . . . . . . . . . . . . . e 2.5.2 Teorema de Bayes . . . . . . . . . . . . . . 2.6 Exerc´ ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6 8 8 8 13 16 16 20 23 23 26 26 27 29 32 32 33 34 34 35 37 37 37 39 39 41 43 47 47 48 48 50 51 54 54 56 56

3 Vari´veis Aleat´rias Discretas a o 3.1 Introdu¸˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . ca 3.2 Vari´veis aleat´rias discretas . . . . . . . . . . . . . . . . a o 3.3 Distribui¸˜es de probabilidades e fun¸˜es de probabilidade co co 3.4 Fun¸˜es de distribui¸˜o acumuladas . . . . . . . . . . . . co ca 3.5 M´dia e variˆncia de uma vari´vel aleat´ria discreta . . . e a a o 3.6 Distribui¸˜es discretas mais comuns . . . . . . . . . . . . co 3.6.1 Distribui¸˜o uniforme discreta . . . . . . . . . . . ca 3.6.2 Distribui¸˜o de Bernoulli . . . . . . . . . . . . . . ca 3.6.3 Distribui¸˜o binomial . . . . . . . . . . . . . . . . ca

3

. . . . . . . . . .1. . . . . . . .2 Distribui¸˜o da diferen¸a de m´dias . . . . . . . 5. . . . . . . . . . . . . . . . . . . . . . .3 Distribui¸˜es amostrais . .Caso normal c c e 5. .4 Distribui¸˜o t de Student . . . .3. . . . . . . . . .8. . . . . . . . . . . . . . . . ca 4. . . . . . . . . . . . . . .6. . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . .2 M´todo de M´xima Verossimilhan¸a . . . .11 Exerc´ ıcios . . . . . . . . . . . . .1 Variˆncia conhecida . . . . . . . . . . . . .3. . . . . . .5. .4 Teste de Hip´teses .6 Distribui¸˜o normal .3. . . . . . . . . . . .4 M´dia e variˆncia . . . . . . . . . . . . . . . . . . ca Exerc´ ıcios . . . . .1 Intervalo de confian¸a para a m´dia de uma distribui¸˜o normal . . . . . . . . . .8 Distribui¸˜es de Erlang e Gamma . . . .5 Intervalo de confian¸a para raz˜o de variˆncias . . . . . . . . . ca e 5. ca a 5. . . .5 Estima¸˜o por intervalos . . . . . . . . . .1 Introdu¸˜o . . . . . c e ca a 5. .1 Distribui¸˜o da m´dia amostral . .1 Introdu¸˜o . . . . . . . . . . . . . . . .2 Desvio Padr˜o . . . . . . . . . . . .10 Distribui¸˜o Lognormal . .2.2 Probabilidade: distribui¸˜es e fun¸˜o de densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . ca 5. . . . . . . . . . . . .6 Distribui¸˜o hipergeom´trica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Caso normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Teste sobre m´dia . . . . . . ca e 3. . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . .3. . . . . . . . . . . .6. . . ca c e 5.1 Distribui¸˜o de Erlang . . . . . . . . . . co 5. . . . . . . . . . . . . . . . ca 4. . . ca 4. . . . . . . . .3 Intervalo de confian¸a para diferen¸a de duas m´dias .6. . . . . . . . . . . . . . . . . . . . . . . . . .6. . . . . . . . . . . . .1 M´todo dos momentos . . . . . . . . . . . . . . . . . .´ SUMARIO cpa/gsa 3. . . . . . . . .caso normal . c a a 5. . . a 5. . . . . . . . . . . . . .5. . . c e ca 5. . .4. .4 Distribui¸˜o geom´trica . . . . e 5. . . . .2 Amostragem aleat´ria . . . . . . . .4. .2 Intervalo de confian¸a para o parˆmetro p da distribui¸˜o binomial . . . a 4 . . . . . . . . . .3. . . . ca 4. . .3. . . 4. .3 Distribui¸˜o Quiquadrado . . . .4 Intervalo de confian¸a para variˆncia de uma distribui¸˜o normal . . . . . . . . . . . . . . . . . . .7 Distribui¸˜o exponencial . . . . . . . . . . . . . . . . . .3. . .5. . . . . 5 Inferˆncia e 5. . . . . . . . co ca 4. . . . . . . . .7 3. . . . . . . . . . . . . . . .5 Distribui¸˜o F de Fisher . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . c a ca 5. . . . . . . a 4. . . . . . . . . .3. . . . . . . . . . e 5. . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e ca 5. . .6. . . .1. . . . . . . . . . . . ca 4. . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . ca e 3. . . . . . . ca 5. . . . . . . . . . .caso normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . .3. . . . . .2 M´todos de estima¸˜o . . . .3. . . . . . . . . . . . .5 Distribui¸˜es binomial negativa co 3. . . . . . a e 5.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . ca 4. . . . . 5. . . . . . . ca 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Inferˆncia estat´ e ıstica .3.6. . . .3 Fun¸˜o de distribui¸˜o acumulada . . .3 Erro Quadr´tico M´dio . . . . . . . . . . . . . . . . . . . . . . . .4 Teorema Central do Limite . . . . . . . . . . . .5 Distribui¸˜o uniforme cont´ ca ınua . . . .distribui¸˜o n˜o normal . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1 Estima¸˜o pontual . . . .7 Distribui¸˜o de Poisson . . . . . . . . . . . . . . . o 5. . . . . .6 Intervalo de confian¸a para a m´dia . .1 Propriedades de estimadores . . . . . . . e a c 5. . . . . . . . .2 Aproxima¸˜es das distribui¸˜es binomial e de Poisson pela normal co co 4. .3. . . . . . . . .9 Distribui¸˜o de Weibull . . . . . . . . . 60 63 65 68 70 73 73 73 76 77 80 82 84 88 91 94 94 94 95 96 97 99 99 99 101 101 102 105 105 105 105 106 110 110 111 112 114 115 116 118 119 123 124 127 128 130 131 131 135 135 4 Vari´veis Aleat´rias Cont´ a o ınuas 4. . .5. . . . . ca 5. . .3. . . . . . . . . . .3. . . . . . . . . . .5. . . . . . .5. . . . . . . . . . . . . . . . . .3. . . . ca ca 4. . . . .3. . . . . . . . . . . o 5. . . . . . . . . .3. . .3. . . . . . . . . . . . . . . ca 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ca 5. . . . . . . . . . . . . . .3 Estima¸˜o de parˆmetros . . ca 5. . e a 4. . . . . . . .1 C´lculo de probabilidade . . c a ca 5. .2 Distribui¸˜o Gamma . co 4. . . . . . . . . .8. . . .3. . . . . . . . .

. . . . . . . . . co 5. . . . . . . .3 . . . . .2. .1 Um caso particular: testes sobre propor¸˜es . . . . . . . . . . . . . .5. . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . a 5.4. e a 5. . . . . . . . .5. . . . . . . . . . . . . . .4. . . . . . . . 139 141 141 143 145 145 146 148 149 150 154 156 6 Bibliografia 7 Apˆndice e 5 . .6 Teste sobre raz˜o de variˆncias . . . .4. .2 Variˆncias desconhecidas mas iguais . . . . . . a a Exerc´ ıcios .3 Variˆncias desconhecidas e diferentes . . . . . . . . . . .2 Variˆncia desconhecida . . . . . . . . . . . . . . . .4. . caso n˜o normal . . . a 5. . . . . a 5.4. . . . . . . . . . . . . . . . .5. . . . . . . . . . . . . . . .4. .4. . . . . .4 Teste sobre variˆncia de uma popula¸˜o com distribui¸˜o normal a ca ca 5. . . 5. a Testes sobre a m´dia. . . . . . .1 Variˆncias conhecidas . . . . . . . . . . . . . . .5 5. . . . . . . .´ SUMARIO cpa/gsa 5. . . . .4. . . .5 Testes sobre diferen¸a de m´dias . . . .3. . . . . . . . . . . . c e 5. . . . . . . . . .

Constru´ e o o ımos modelos probabil´ ısticos para descrever o comportamento de objetos aleat´rios. planejaa ca mento de produtos e processos. E uma ferramenta poderosa para tomada de decis˜o.1 Conceitos Estat´ ıstica: ´ uma ciˆncia que desenvolve metodologias para coletar. com in´meras aplica¸˜es. Inferˆncia Estat´ e ıstica: T´cnicas que permitem extrapolar para a popula¸˜o. Utilizamos as seguintes t´cnicas (para resumir os dados): e • gr´ficos a • tabelas • medidas 2. a popula¸˜o brasileira. 6 . As principais t´cnicas usadas s˜o ca e a • Estima¸˜o pontual ca • Intervalos de confian¸a c • Testes de hip´teses o Popula¸ao: E o conjunto de todos os elementos a serem estudados. descrever. Probabilidade: T´cnicas que permitem “medir” incertezas sobre fenˆmenos aleat´rios. a totalidade dos carros produzidos no Brasil. S˜o exemplos: c˜ ´ a 1. e 4. analisar e e e ´ interpretar dados. Estat´ ıstica Descritiva: ´ utilizada na etapa inicial da an´lise para que possamos nos familiarizar e a com os dados. o 3. resolu¸˜o de problemas. 3. Daremos aqui um maior enfoque `s aplica¸˜es u co a co na engenharia. conclus˜es obtidas de e ca o subconjuntos ou amostras desta popula¸˜o. ca 2. e tirarmos conclus˜es informais e diretas sobre a popula¸˜o com base nos dados o ca observados. Nessas notas abordaremos as seguintes ´reas: a 1. uma jazida de min´rio de ferro de determinada mina. organizar.Cap´ ıtulo 1 Introdu¸˜o ` An´lise de Dados ca a a 1. o sangue no corpo de uma pessoa.

ca a 2. um testemunho ou por¸˜o retirada da mina. elas apresentar˜o sempre o mesmo resultado. a popula¸˜o do Paran´. Por o o o a exemplo o resultado de uma partida de futebol. Por exemplo o tempo e co a de queda livre de um mesmo corpo de uma altura fixa. Parˆmetro: Resumo de uma caracter´ a ıstica obtido a partir de todos os elementos de uma popula¸˜o. 4. ca 1. Veja abaixo um “croquis” representando simbolicamente os conceitos apresentados at´ aqui: e parâmetro: característica populacional População Amostra (técnicas de amostragem) Estatística descritiva Modelos Probabilísticos Técnicas de Inferência Figura 1. j´ que se repetirmos a exa periˆncia. carros produzidos pela Fiat.1. ca Estat´ ıstica: Resumo da caracter´ ıstica de interesse levando-se em conta apenas os elementos da amostra.1. uma ampola de sangue colhida para um exame. sob as mesmas condi¸˜es.1: Estat´ ıstica simbolicamente 7 . Em contraposi¸˜o temos os fenˆmenos determin´ ca o ısticos que s˜o regidos pelas leis da f´ a ısica e que n˜o possuem interesse estat´ a ıstico. Fenˆmeno aleat´rio: Qualquer fenˆmeno cujo resultado n˜o pode ser previamente antecipado. ca 3. CONCEITOS cpa/gsa ´ Amostra: E um subconjunto desta popula¸˜o.

1.2 Constru¸˜o de tabelas ca O conjunto de informa¸˜es dispon´ co ıveis ap´s tabula¸˜o de question´rio ou pesquisa de campo ´ denomio ca a e nado tabela de dados brutos. Ex: Classe Social. 1. Quantitativos: representam uma “quantidade”numericamente mensur´vel dos elementos da popula¸˜o. e u altura [0. Escolaridade do chefe da fam´ ılia. a ca Podem ser: • Discretos: em geral s˜o fruto de uma contagem.2.}. normalmente n˜o mensur´veis ca a a numericamente.5} etc. e a Ex: N´mero de filhos na fam´ {0. Ex: Sexo.2.4. ∞) idade [0.}.1).1. etc. ca 8 . Ex: peso [0. Ra¸a. Podem ser: • Nominais: o conjunto das poss´ ıveis respostas n˜o possui uma ordena¸˜o natural.. a • Ordinais: ´ poss´ ordenar o conjunto das poss´ e ıvel ıveis respostas. ca ca 1. ∞).3. n´mero de pessoas chegando em uma fila {0.2.2 Organiza¸˜o de dados ca Veremos nesta se¸˜o como podemos classificar dados e alguns recursos para simplificar sua apreca senta¸˜o e organiza¸˜o.. ORGANIZACAO DE DADOS ¸˜ cpa/gsa 1. ∞)... u ılia u n´mero de caras obtidas em 5 lan¸amentos de uma moeda {0.2.1. Nela s˜o listados individualmente cada elemento da popula¸˜o ou amostra. etc. classifique cada vari´vel desta tabela por tipo e subtipo.2. a ca com os valores de todas as vari´veis estudadas.1 Tipos de dados Qualitativos: representam uma “qualidade”dos elementos da popula¸˜o.2. u c • Cont´ ınuos: O conjunto de poss´ ıveis respostas ´ um intervalo de n´meros reais.2..1. etc. O conjunto de poss´ a ıveis respostas ´ enumer´vel.. a conforme visto na subse¸˜o 1. Faixa de renda familiar. a ca c Religi˜o. a Veja no exemplo da pr´xima p´gina uma pesquisa realizada com alunos de duas turmas de determinada o a escola e publicada em [6] (a t´ ıtulo de exerc´ ıcio.

(M) m´dia.Toler: tolerˆncia ao cigarro (I) ndiferente.65 16 A F 19 1.70 47 B F 19 1. Assim.0 1 NÃO 50.70 14 A M 19 1.65 34 B F 17 1.85 4 A M 25 1. ORGANIZACAO DE DADOS ¸˜ cpa/gsa Id Turma Sexo Idade Altura 1 A F 17 1.76 7 A F 20 1.0 1 NÃO 87.5 1 SIM 63.66 13 A F 21 1.82 18 A M 18 1.0 2 NÃO 52.71 33 B F 17 1.2 1 SIM 48.0 1 NÃO 72.70 42 B F 23 1.8 3 NÃO 58.0 3 NÃO 58.5 2 NÃO 55. a tabela de dados brutos n˜o ´ pr´tica para respondermos rapica a e a damente a quest˜es de interesse.57 24 A F 20 1.57 30 B F 25 1.0 1 NÃO 85.8 2 NÃO 80.0 1 NÃO Toler P M P P M M P I M M I M M I I P P P P M P M I I P I M P P M P P M M M P P I P M I M I P M M M P P P Exer 0 0 5 5 2 2 3 2 3 2 10 0 6 5 4 0 3 3 3 7 8 0 5 0 8 6 8 1 3 1 2 1 2 4 7 5 10 6 5 4 5 2 7 5 0 0 4 2 7 7 Cine OpCine 1 B 1 B 2 M 2 B 2 B 1 B 1 B 2 M 3 M 2 M 2 B 2 B 1 M 1 M 1 B 1 B 1 B 4 B 2 B 2 B 2 B 3 B 4 B 1 M 5 M 2 B 2 M 1 M 1 B 2 M 2 M 1 B 1 B 2 B 1 B 1 M 2 M 4 B 2 B 1 B 4 B 2 B 0 M 1 B 1 M 1 B 3 B 1 B 0 M 0 M TV 16 7 15 20 5 2 7 10 12 10 8 0 30 2 10 18 10 10 5 14 5 5 10 28 4 5 5 10 12 2 6 20 14 10 25 14 12 10 12 2 10 25 14 8 10 8 3 5 14 20 OpTV R R R R R R R R R R N R R N R R N R R M R R R R N R R R R R N R R R B R N R R R B R N R R R R R R B Detalhes sobre campos da tabela Filh: no filhos na fam´ ılia .0 2 NÃO 70.85 39 B F 18 1.80 19 A F 20 1.0 2 NÃO 58.70 38 B M 21 1.73 36 B F 18 1.0 3 NÃO 58.69 26 A F 19 1.68 45 B F 18 1.0 1 NÃO 49.64 9 A F 18 1.60 2 A F 18 1.5 3 NÃO 60.OpCine: opini˜o sobre qualidade das salas (B) regular a boa e (M) muito boa .69 3 A M 18 1.0 1 NÃO 73.Cine: n´ mero de vezes que vai ao cinema por semana u .45 43 B M 24 1.0 1 NÃO 47. a partir da tabela de dados brutos normalmente constru´ o ımos uma nova tabela denominada tabela de frequˆncia.64 11 A F 18 1.0 2 NÃO 55.67 35 B M 18 1.60 49 B M 17 1.0 1 NÃO 47.0 1 NÃO 56.0 1 NÃO 49.0 1 NÃO 44.55 46 B F 19 1.65 23 A F 18 1.2.73 41 B F 17 1.70 40 B M 18 1.0 7 NÃO 54.78 15 A F 18 1.0 2 NÃO 75.0 1 NÃO 95.54 27 B F 23 1.0 1 NÃO 84.58 6 A M 19 1.0 2 NÃO 59.55 48 B F 18 1.0 1 NÃO 60.60 37 B M 17 1.6 2 NÃO 57.61 32 B M 17 1. (P) incomoda a pouco e (M) incomoda muito . u e e 9 .0 1 SIM 60.60 8 A F 18 1.62 29 B F 18 1.0 1 NÃO 73.0 2 NÃO 63.0 1 NÃO 86.85 5 A F 19 1.80 50 B M 18 1.Exerc: horas de atividade f´ ısica por semana .0 3 NÃO 58.76 44 B F 18 1.0 1 SIM 51.5 1 NÃO 52.2 2 NÃO 54.5 1 NÃO 47. a c˜ e a Apesar de conter muita informa¸˜o.4 3 NÃO 66.0 4 NÃO 52.55 25 A F 20 1.62 28 B F 18 1.68 21 A F 21 1.5 2 NÃO 50.TV: horas assistindo TV por semana .65 31 B F 18 1.63 17 A F 17 1.62 10 A F 17 1.2 1 NÃO 49. e A tabela de frequˆncia mais simples ´ aquela que lista os valores observados para determinada vari´vel.60 20 A F 18 1.83 Peso Filh Fuma 60. e e a e o n´mero de ocorrˆncias (ou frequˆncia absoluta) de cada um destes valores.0 1 SIM 54.9 2 NÃO 55.70 22 A F 18 1.0 2 NÃO 68.72 12 A F 18 1.0 1 NÃO 55. (B) boa e (N) n˜o sabe.0 1 SIM 57.OpTV: a opini˜o sobre qualidade programa¸ao na TV: (R) ruim.1.0 1 NÃO 71.

nr n Denota-se por ni o n´mero de vezes que a resposta Xi apareceu na amostra de tamanho N (frequˆncia u e absoluta).1.04 0. u e Para tanto siga o seguinte “roteiro”: a ınimo observado. Al´m disso pode ser interessante a inclus˜o da frequˆncia e a e acumulada: para dados ordenados a frequˆncia acumulada at´ a classe Xi ´ a soma de todas as frequˆncias e e e e observadas at´ ela inclusive. 9 31 38 42 45 45 47 48 50 freq. . Calcule a amplitude total fazendo AT = max − min...76 0.44 0. a e a mesmo com o arredondamento de uma casa decimal apresentado na tabela.. ter´ ıamos quase o mesmo n´mero de itens da tabela de dados brutos. a frequˆncia relativa acumulada at´ a classe Xi ´ a soma e e e e de todas as frequˆncias relativas at´ a da classe i. obs 13 37 50 Para compara¸˜o com outros grupos ou conjuntos de dados ´ conveniente acrescentarmos uma coluna ca e ni de frequˆncia relativa definida por fi = e (frequˆncia observada dividida pelo total de observa¸˜es). Ordene os valores do menor para o maior e identifique o m´ximo e o m´ 2. Da mesma forma..1: Frequˆncia da vari´vel idade e a Idade 17 18 19 20 21 22 23 24 25 Total freq.84 0. relat. ficaria invi´vel criarmos tabelas de frequˆncia como as anteriores.90 0. obs 26 24 50 Sexo M F Total freq.18 0.96 1 Para representarmos vari´veis cont´ a ınuas. acum. . Utilizando os dados da pesquisa apresentada na tabela da p´gina anterior. e co n Temos assim os percentuais em cada classe.. A tabela completa para a vari´vel idade da pesquisa ´ e e a e apresentada a seguir: Tabela 1.. ORGANIZACAO DE DADOS ¸˜ cpa/gsa Ela possui a forma: X X1 X2 .06 0 0. 1.2. 0. rel.14 0. obs 9 22 7 4 3 0 2 1 2 50 freq.. Se tomarmos a vari´vel peso.90 0.04 1 fr. temos por exemplo para a as vari´veis Turma e Sexo: a Turma A B Total freq. 0.18 0. acum. como elas podem assumir qualquer valor real em um certo intervalo.08 0. Assim a alternativa ´ criarmos classes ou faixas de valores.02 0.62 0. Xr Total freq. obs n1 n2 . 10 .94 0..

mas esse ´ apenas um valor referencial.02 1 Fi 0. . Para construir o diagrama de ramo e folhas.8 87. O n´mero de observa¸˜es ´ n = 50.98 1.3×log(50) = 6. ca e Outra representa¸˜o interessante ´ o chamado Diagrama de ramo e folhas.1 Total ni 10 19 7 7 1 5 1 50 f aci 10 29 36 43 44 49 100 fi 0.3 51.02 0. Normalmente s˜o usadas entre 5 e 8 classes.58 0. indicado para vari´veis ca e a que possuam valores com pelo menos dois d´ ıgitos. AT = 95 − 44 = 51kg 3. Calcule ent˜o: a ni n (b) frequˆncias acumuladas .20 0. .5 80.14 0. dividimos 11 . O leitor interessado nesse assunto pode consultar. ORGANIZACAO DE DADOS ¸˜ cpa/gsa AT 3.14 0.20 0.86 0.fi = e i j=1 nj i j=1 (c) frequˆncias relativas acumuladas . Calcule as frequˆncias absolutas contando o n´mero de observa¸˜es em cada classe. . u co e o 51 Usaremos ent˜o 7 classes. 4.2: Distribui¸˜o de frequˆncia vari´vel peso ca e a Peso 44 51.3.6 58. o valor de h ser´ dado por h = a a = 7. O valor h ser´ chamado de amplitude de e a classe. k = 1+3.61.3log n).2 73.28.1.2.. Usaremos 7 h = 7. usando a conven¸˜o de classes abertas ` esquerda e fechadas ` direita: Tabela 1.9 73. Com k = 7. 5.f aci = e (a) frequˆncias relativas . u por exemplo [1] e referˆncias contidas naquele trabalho.00 Eventualmente mesmo dados discretos podem ser agrupados para serem representados em tabelas de distribui¸˜o de frequˆncia.88 0.10 0.2 80.6 65.72 0. Escolha o n´mero k de classes e defina h = u . k.Fi = e Exemplo: fj Represente atrav´s de uma tabela de frequˆncia a vari´vel peso da pesquisa apresentada na tabela da e e a p´gina 9. i = 1.3 58. chame este e u co valor de ni . De acordo com a f´rmula de Sturges.9 65.38 0. a k A literatura universal usa o valor k como o inteiro mais pr´xuimo do valor dado pela f´rmula de o o Sturges (k = 1 + 3. N˜o entraremos em mais e a detalhes sobre a escolha do n´mero de classes. Ap´s ordena¸˜o vemos max = 95 kg e min = 44 kg. a Solu¸˜o: ca 1. ca a a 4.5 87.. Montamos a tabela. o ca 2.8 95..

3 e 4 e 16A (Alto) com as folhas 5. ORGANIZACAO DE DADOS ¸˜ cpa/gsa cada valor da vari´vel em estudo em duas partes: um ramo. com os d´ ıgitos restantes.1. Ficaria ent˜o: a Tabela 1. 6. No exemplo acima podemos dividir cada um dos ramos em 2 outros com as indica¸˜es por exemplo co de 16B (Baixo) com as folhas 0. consistindo em um ou mais d´ a ıgitos iniciais.mais ramos a Ramo 14A 15B 15A 16B 16A 17B 17A 18B 18A Folha 5 4 8757 0042 9658 2001 686 2003 555 Frequˆncia e 1 1 6 12 10 10 3 4 3 5 4 5 3 5 3022100 95578 00300 12 .3: Diagrama Ramo e Folhas vari´vel altura a Ramo 14 15 16 17 18 Folha 5 8754 0904 6208 5520 Frequˆncia e 1 7 22 13 7 7 2 0 5 5 4 1 0 5 6530859225157080 3003060 3 Eventualmente pode ser interessante aumentar o n´mero de ramos para facilitar a visualiza¸˜o dos u ca dados. 1. e uma folha.2. 2. 8 e 9. O exemplo de um diagrama de ramo e folhas para as alturas dos alunos da pesquisa: Tabela 1.4: Ramo e Folhas vari´vel altura . 7.

disco ou pizza . Este tipo de gr´fico se adapta melhor a e a a `s vari´veis quantitativas discretas ou qualitativas ordinais.Tipo de gr´fico muito utilizado para representa¸˜o de vari´veis a ca a qualitativas. A representa¸˜o das idades dos alunos da a ca pesquisa seria: 25 20 Frequência 15 10 5 0 17 18 19 20 21 Idade 22 23 24 25 Figura 1.3 Representa¸˜o gr´fica ca a A representa¸˜o dos dados em forma gr´fica ´ importante ferramenta de an´lise e apresenta¸˜o de reca a e a ca sultados em qualquer an´lise estat´ a ıstica.Utiliza o plano cartesiano com os valores da vari´vel no eixo das abcissas e as a a frequˆncias ou porcentagens no eixo das ordenadas.1. ORGANIZACAO DE DADOS ¸˜ cpa/gsa 1.3: Gr´fico de barras da vari´vel idade a a 13 . Para cada valor da vari´vel desenha-se uma barra e a com altura correspondendo ` sua frequˆncia ou porcentagem. a Diagrama circular. Apresentamos a seguir alguns tipos principais de representa¸˜o ca gr´fica.2.2.2: Gr´fico de disco da vari´vel OpTV a a Gr´fico de barras . Como exemplo veja a vari´vel OpTV da tabela da p´gina 9: a a M 2% B 6% N 14% R 78% Figura 1.

1 Peso Figura 1.Peso e 14 .2 80.3 58. ca e ca mas esta perda ´ plenamente compensada pelos ganhos de concis˜o e facilidade de interpreta¸˜o.6 65. perde-se alguma informa¸˜o sobre nossos dados. e a ca Pol´ ıgono de frequˆncia . 20 Frequência 15 10 5 44 51.3 58. ORGANIZACAO DE DADOS ¸˜ cpa/gsa Histograma . Represente no eixo das abcissas a escala de medidas.5: Pol´ ıgono de frequˆncia .5 87. onde LI1 ´ o limite inferior da primeira classe.8 95.A representa¸˜o gr´fica das tabelas de distribui¸˜o de frequˆncia ´ chamada Histoca a ca e e grama.9 73. Os pontos m´dios da parte superior das barras da e primeira e ultima classes devem ser ligados respectivamentes ao pontos de coordenadas (LI1 − h/2. LSk o limite superior da ultima classe e e ´ h a amplitude da classe.1.4: Histograma da vari´vel peso a Durante a passagem dos dados da tabela de dados brutos ou do diagrama de ramos e folhas para a tabela distribui¸˜o de frequˆncia ou para histogramas.2 (peso) e ´: e 20 15 Frequência 10 5 0 44 51.2. desenhando os limites das classes. No eixo vertical represente a frequˆncia absoluta (ou relativa) de cada classe.5 87. 0). O histograma da tabela 1.Este gr´fico ´ obtido unindo-se com segmentos de reta os pontos m´dios e a e e da parte superior de cada barra no histograma.6 65.8 95.9 Peso 73.2 80.1 Figura 1. 0) e ´ (LSk + h/2.

5 87. O gr´fico de frequˆncia acumulada para mesma vari´vel (peso) da pesquisa fica a e a ent˜o: a 50 Frequência acumulada 40 30 20 10 0 44 51.1 Peso Figura 1.8 95.2 80.peso a 15 . Neste gr´fico a altura de cada barra ´ o n´mero total de observa¸˜es que ´ menor que o limite a e u co e superior de cada classe.9 73. ORGANIZACAO DE DADOS ¸˜ cpa/gsa Gr´fico de frequˆncia acumulada . chamado de ogiva.7: Gr´fico de ogiva .3 58.6: Distribui¸˜o de frequˆncia acumulada para vari´vel peso ca e a Ogiva .9 73.2. conforme pode-se a e e verificar na figura abaixo: 50 Frequência acumulada 40 30 20 10 0 44 51.Uma varia¸˜o do Histograma ´ o gr´fico de frequˆncia acua e ca e a e mulada.6 65. e definido pela poligonal formada por segmentos de reta unindo o ponto inicial inferior da primeira barra e os pontos finais de cada classe.1.8 95. O nome dessse gr´fico adv´m da sua aparˆncia.6 65.Um outro gr´fico. ´ constru´ a partir do gr´fico de frequˆncia acumua e ıdo a e lada.1 Peso Figura 1.2 80.5 87.3 58.

9. a Associa¸˜o: medem rela¸˜es entre vari´veis. digamos 1 kg. Fa¸amos um Diagrama de pontos. .. ca e a ca ca Ex: m´dia.. Ex: amplitude total.. n . 4}. MEDIDAS cpa/gsa 1. absoluta n1 n2 .. m´dia e mediana) . . variˆncia. 5.1. o triˆngulo representando a m´dia equilibraria exatamente estes a e pesos. 4. Para tanto simplesmente plotamos um ponto para cada valor da ca amostra sobre um segmento de R que contenha todos os valores. Note que a m´dia pode ser pensada como um centro de massa porque se cada ponto e tivesse a mesma massa. 1. Xr fazemos: freq. e Variabilidade: medem o espalhamento ou variabilidade dos dados. Podem a a ca ´ u ser classificadas em: Posi¸˜o (ou tendˆncia central): s˜o medidas de localiza¸˜o do meio ou do centro de uma distribui¸˜o.curtose.3 Medidas Medidas s˜o resumos ou sum´rios da informa¸˜o trazida pela amostra em um unico n´mero. mediana. que ´ um gr´fico util para c e a ´ visualiza¸˜o de pequenas amostras. Média = 5.. 6.assimetria ou o seu co e e achatamento . E calculado por: ¯ X= n i=1 Xi n = X1 + X2 + · · · + Xn n (dados brutos). moda. atrav´s das co ca e rela¸˜es entre suas medidas de tendˆncia central (moda. imagine uma amostra com a e os seguintes valores {8.. Se houver repeti¸˜es plotamos um co ponto sobre o outro. ca M´dia: ´ um valor que representa o centro de massa ou ponto de equil´ e e ıbrio da distribui¸˜o (histoca ´ grama). ca e Vari´vel a X1 X2 . nr r i=1 n1 X1 + n2 X2 + · · · + nr Xr ¯ X= = n 16 ni Xi . Ex: coeficiente de correla¸˜o.1 Medidas de posi¸˜o ca Tendem a representar os elementos comuns da popula¸˜o. Para melhor compreens˜o do conceito de m´dia como centro de massa.. 3. ca co a ca Assimetria e curtose: medidas relacionadas com altera¸˜es na forma da distribui¸˜o.3. a desvio padr˜o.3..5 2 4 6 8 10 Se os dados estiverem agrupados em tabela de distribui¸˜o de frequˆncia como no exemplo abaixo. 5.

14+76. e e Tabela 1.95×0.95 × 19 + 62.2 ¯ X= = = 60.85×0.65×0. A partir disto calculamos a m´dia usando a e e frequˆncia absoluta ou a frequˆncia relativa com uma das seguintes express˜es: e e o ¯ X= n i=1 P Mi ni n n ¯ X= i=1 P Mi fi Vamos calcular o peso m´dio dos alunos de nosso exemplo a partir da tabela de distribui¸˜o de e ca frequˆncias (tabela 1.10 0.2 (pelos dados brutos) 10 10 1×3+2×4+3×2+5×1 ¯ = 2.98 1.1.85 84.2 (pela frequˆncia relativa) e Dados agrupados em classe: Para calcularmos a m´dia nestes casos devemos inicialmente calcular e o ponto m´dio de cada classe. 0.1 Total Assim: 47.3. MEDIDAS cpa/gsa Se conhecemos a frequˆncia relativa.5 80.15 × 5 + 91.inclus˜o ponto m´dio da classe a e Peso 44.1 r fi Xi .15×0.20 0.45 × 1 3032.14 0.38+62.20 0.02+84.5 87.55 76.9 65.25×0.88 0.2 80.4 + 3 × 0.25 69.38 0. rel.15 91.55 × 7 + 76.95 62.0 51.65 54.14+69.45 freq.3 51.6 65.9 73.3 + 2 × 0. 10 19 7 7 1 5 1 50 freq. acum. relativa 0.10+91. o c´lculo da m´dia passa a ser: e a e n1 n2 nr ¯ X= X1 + X2 + · · · + Xr = f r1 X1 + f r2 X2 + · · · + f rr Xr = n n n Exemplo: Para calcularmos a m´dia dos dados abaixo: e X 1 2 3 5 freq. incluindo o ponto m´dio de cada classe.2 73.45×0.85 × 1 + 84.20+54.55×0. absoluta 3 4 2 1 freq.65 × 10 + 54.2). denotando-o por P Mi .2 + 5 × 0.3 0.00 .8 95.5: Peso .86 0.02 0.72 0.02 = 60.8 87.14 0.64 17 P Mi 47. abs.2 (pela frequˆncia absoluta) e X= 10 ¯ X = 1 × 0. i=1 1+1+1+2+2+2+2+3+3+5 22 ¯ X= = = 2.25 × 7 + 69.6 58.4 0.02 1 freq.1 = 2.2 0. 0.64 50 50 ou: ¯ X = 47.3 58.58 0.

5. e e e Se pensarmos em calcular o valor m´dio de uma vari´vel para toda a popula¸˜o. Calcule a diferen¸a 0.limite inferior da classe mediana e 2. e sempre que houver um n´mero par de observa¸˜es a u co mediana ser´ o ponto m´dio entre as duas observa¸˜es centrais. 2. Esta diferen¸a ´ a frequˆncia relativa da classe (l c c e e md) 50% md l L 5.5 − famd . A mediana tamb´m caracteriza o elemento comum da amostra. Localize a classe mediana. Observe: L . 3. Veja no exemplo inicial em que a co e e m´dia dos dados ´ 2. 3. O valor da mediana ´ obtido resolvendo-se a seguinte equa¸˜o: e ca L−l md − l = 0. Determine a frequˆncia relativa acumulada at´ a classe anterior ` classe mediana. Primeiro passo ´ ordenar os dados: e 1 1 1 2 2 | 3 3 3 3 5 Os dois candidatos a md s˜o o 2 e o 3. normalmente designada pela letra grega µ (mi). se retirarmos o valor 5 a m´dia cai para 1. Nota¸˜o: a a a ca md ou M d. 3. teremos a m´dia e a ca e populacional. a e co Dados agrupados em classe: Nesse caso os dados j´ est˜o ordenados e os procedimentos s˜o: a a a a e 1. e Exemplo: {1. 3. Chame-a de fmd 3. ou famd e e a 4. 1. md = 3 Observa¸˜o: Sempre que houver um n´mero ´ ca u ımpar de observa¸˜es a mediana ser´ a observa¸˜o cenco a ca tral na amostra ordenada da menor para a maior.5 − famd fmd −→ md = l + (L − l) 0.1. 2}. Calcule a frequˆncia relativa da classe mediana.5. 2 Se tiv´ssemos: e 1 1 1 3 3 4 4 5 5 Nesse caso.3. 5. que ser´ a primeira classe com frequˆncia relativa acumulada maior ou igual a 0. ent˜o tomamos o ponto m´dio entre eles como a mediana: a a e md = 2+3 = 2.89. Mediana: ´ o valor que divide o conjunto de dados ao meio. de tal forma que pelo menos 50% dos vae lores observados s˜o menores ou iguais ` mediana e pelo menos 50% s˜o maiores ou iguais a ela. MEDIDAS cpa/gsa Observa¸˜es: a m´dia ´ uma medida afetada por valores extremos. 1.2.5 − famd fmd 18 .limite superior da classe mediana l .

3 + 7. e a e e a 3.3 2. a a Observa¸˜es: co 1. 0. 4.3) 30 (0.3.20 4.3 Observa¸˜o: a mediana n˜o ´ afetada por valores extremos. 50 e 75 s˜o chamados respectivamente de Quartil 1. MEDIDAS cpa/gsa Assim para calcularmos a mediana dos pesos na tabela 1. Fazendo a regra de trˆs: e Lα − lα Pα − lα −→ fPα −→ α − faPα α − faPα f Pα Pα = lα + (Lα − lα ) 19 .06 kg 0.5 − 0. Denote-a por faPα .20) = 51. Localizar a classe a qual pertence o percentil Pα . Encontrar a frequˆncia relativa da classe onde est´ Pα .38 3.30 5. para obtermos o percentil Pα a partir de uma tabela de a frequˆncia. Quartil 2 e Quartil 3 (ou primeiro. fmd = 0. Encontrar a frequˆncia acumulada at´ a classe anterior ` classe do percentil Pα . seguimos o passo a passo: 1.1. Denote-a por fPα . e a 2. 25% 75% Q1 50% 50% Q2 75% 25% Q3 25% 25% 25% 25% Q1 Q2 Q3 De forma similar ao c´lculo da mediana. md = 51. Classe mediana: 51. c 5. Os percentis de ordem 25.5.38 38 58. segundo e terceiro quartis).3 + (58.5 − famd = 0. seguimos os passos descritos abaixo: e 1. 2.6 −→ L = 58.6 − 51. famd = 0. Calcular a diferen¸a α − faPα .3 × = 57.6 l = 51. A mediana ´ o percentil de ordem 50. ca a e Percentil: O percentil de ordem α de um conjunto de dados ´ um valor Pα% tal que pelo menos α% e dos valores s˜o inferiores ou iguais a ele e pelo menos (100 − α)% dos valores s˜o maiores ou iguais a ele.

3 × 0. A moda representa tamb´m o ca e valor mais comum. 2}. a Ponto m´dio: O valor que est´ a meio caminho entre o menor e o maior valor de uma amostra: e a ponto m´dio = e M´ximo + M´ a ınimo 2 Esta medida ´ menos usada. faPα = 0.9 73. e 1. 3.2 Medidas de variabilidade Medem o espalhamento ou dispers˜o dos dados. Classe 65. a moda ´ mo = 3. 5. 3.2 2.9 + 7. 5}. mas serve para ilustrar mais uma das diversas maneiras de se representar a e tendˆncia central de uma amostra. mo1 = 1 e mo2 = 3.46 kg 0. 3. 1. Neste caso se diz que o conjunto ´ bimodal.45 = 0. e Amplitude total: A amplitude total de uma amostra ´ definida como a diferen¸a entre o maior e o e c menor valor da amostra.40 m a e (40 cm). 1. 20 . 3. α − faPα = 0.5.75 − 0. Por outro lado se nenhum valor e se repete o conjunto n˜o tem moda. Nota¸˜o: mo ou M o. a partir da tabela 1. e Se houver mais de duas modas diz-se que o conjunto ´ multimodal. 1. 1.72 4. AT = M ax − M in Exemplo: a amplitude total da vari´vel altura da amostra dos alunos ´ AT = 1.03 = 67. 3.3.14 3. Exemplo: No conjunto de observa¸˜es {1. Q3 = P75 = 65.14 ´ Moda: E o valor mais frequente na amostra. 3. co e Em um conjunto de dados pode haver mais de uma moda: Exemplo: Para o conjunto {1. 3.03 5. Complementam importantes informa¸˜es escondidas a co pelas medidas de tendˆncia central. fPα = 0. MEDIDAS cpa/gsa Exemplo: Calcule o terceiro quartil da vari´vel peso da pesquisa. 3.72 = 0.3. a Solu¸˜o: ca 1.1.85 − 1.

4. Para evitar-se este desconforto estabeleceu-se o desvio padr˜o a definido por: n ¯ 2 √ i=1 (Xi − X) .. c˜ a e ¯ Considere as observa¸˜es: X1 . Avaliaremos as vantagens ca a e desvantagens de cada denominador quando falarmos de Inferˆncia (cap´ e ıtulo 5). . 5. ¯ (Xn − X)2 ¯ (Xi − X) = i=1 i=1 Xi − i=1 ¯ X= i=1 ¯ X i − nX = i=1 Xi − n n i=1 Xi n n n = i=1 Xi − i=1 Xi = 0 Assim define-se a variˆncia amostral como: a S2 = n i=1 (Xi ¯ − X)2 (n − 1) Exemplo: Tome dois conjuntos a seguir.. X3 .3.. ambos com x = 5 (Note tamb´m que ambos possuem a ¯ e mesma amplitude total e a mesma mediana): conj. . etc. . Ela mede a dispers˜o em torno da m´dia amostral x. Xn : co Observa¸˜o ca X1 X2 ..667 (n − 1) 3 Observa¸˜o: Se tiv´ssemos calculando a variˆncia de uma popula¸˜o de tamanho N teri´mos: ca e a ca a Variˆncia populacional = σ 2 = a N i=1 (Xi − µ)2 N . X2 . . 5. ¯ |Xn − X| (desvios)2 ¯ (X1 − X)2 ¯ (X2 − X)2 . .. 7} conj.. 7} 2 S1 = (3 − 5)2 + (4 − 5)2 + (5 − 5)2 + (6 − 5)2 + (7 − 5)2 4+1+0+1+4 = = 2. MEDIDAS cpa/gsa Variˆncia amostral (S 2 ): A variˆncia ´ uma medida de dispers˜o que leva em conta todas as oba a e a serva¸oes feitas. a 21 . Alguns autores usam o denominador n na defini¸˜o da variˆncia amostral.1. 1 = {3.. kg 2 para peso. 5.... 6.. .). ¯ (Xn − X) |desvios| ¯ |X1 − X| ¯ |X2 − X| . Xn Temos: n n n n n desvios ¯ (X1 − X) ¯ (X2 − X) . S = S2 = (n − 1) que mostra a variabilidade medida na unidade original da vari´vel analisada... 2 = {3.. . Inconvenientes da Variˆncia: a 1... . As unidades de medida da variˆncia amostral s˜o o quadrado da unidade original da vari´vel (m2 a a a para altura.5 (n − 1) 4 2 S2 = (3 − 5)2 + (5 − 5)2 + (5 − 5)2 + (7 − 5)2 4+0+0+4 = = 2.

25 kg 2 √ 2.740 (54.303 0.15 − 60. Aqui a solu¸˜o foi a cria¸˜o e ca ca de uma medida chamada coeficiente de varia¸ao que n˜o sofre influˆncia nem da m´dia nem da c˜ a e e unidade de medida.64)2 = 552. varia¸˜o populacional= desvio padr˜o dividido pela m´dia populacional) ca a e Exemplo: Em qual grupo h´ mais varia¸˜o em torno da m´dia: a ca e Vari´vel a altura peso √ m´dia e 1.0025 CVa = = 2.25 = 2.55 76.255 55.64 X 22 .64 kg): a e Tabela 1.64)2 = 949.55 − 60.70 m 60 kg variˆncia a 0.38 0.748 12. denotado por P Mi e fa¸a. A variˆncia n˜o permite comparar a variabilidade de dados medidos em diferentes unidades de a a medida ou medidos na mesma unidade mas com m´dias diferentes.85 84.64)2 = 002.45 Total freq. O coeficiente de varia¸˜o ´ definido como ca e S CV amostral = ¯ X CV populacional = (coef.6: Peso .5% 60 0. e c S2 = k i=1 (P Mi ¯ − X)2 ni . lembrando que j´ calculamos o peso m´dio (60.65 − 60.25 69.388 (76. MEDIDAS cpa/gsa 2.10 0.95 − 60.C´lculo da variˆncia a a P Mi 47.14 0.256 ¯ (P Mi − X)2 fi 33.720 (91.985 137. varia¸˜o amostral= desvio padr˜o amostral dividido pela m´dia amostral) ca a e σ µ (coef.041 = 11.363 11.95 62.14 0.85 − 60.0025 m2 2.02 ¯ (P Mi − X)2 2 (47.376 (62.114 5. e e e u Se conhecemos apenas as frequˆncias relativas das classe.3.15 91.64)2 = 079.706 kg.592 (69.9% CVp = 1.1.64) = 168.45 − 60. considere a o ponto m´dio de cada classe.706 E o coeficiente de varia¸˜o ´ CV = ¯ = ca e = 19.041 √ √ Assim vemos que S 2 = 137.30 %.272 18. a variˆncia amostral poderia ser aproximada e a por: k ni ¯ S2 = (P Mi − X)2 fi fi = ´ a frequˆncia relativa da classe i .64)2 = 032. a a Dados agrupados em classes Para calcular a variˆncia de dados agrupados em classes.041 kg 2 e por conseguinte S = s2 = 137.64)2 = 262.65 54. e e n i=1 Exemplo: Determine a variabilidade em torno da m´dia para o peso dos alunos da tabela da p´gina e a 9.20 0.764 (84. rel.25 − 60. (n − 1) onde ni ´ a frequˆncia observada para a i-´sima classe e k o n´mero de classes. 60.02 0. 0. S 11.70 A vari´vel altura apresenta variabilidade maior que a vari´vel peso.

X2 . ca 5.3. (Calcule o n´mero de classes pela f´rmula de Sturges). a responda as quest˜es a seguir: o a 1.3 Propriedades da m´dia. com dados de 49 alunos de uma turma de engenharia civil do ICEX. . Nas se¸˜es anteriores. a Suponha agora que tenhamos de utilizar alguma rela¸˜o linear das observa¸˜es dessa amostra. imagine que X seja o comprimento de parafusos em mil´ ımetros e que o peso em gramas desses parafusos possa ser calculado por Y = aX + b. e 1. variˆncia amostral e mediana amostral. SX e medx representam co respectivamente a m´dia amostral. Pode-se provar a que: ¯ ¯ Y = aX + b medy = a medx + b 2 2 SY = a2 SX 1.4 Exerc´ ıcios Usando a tabela da p´gina 25. Construa uma tabela com a frequˆncia observada. EXERC´ ICIOS cpa/gsa Observa¸˜o: A variˆncia tamb´m ´ afetada por valores extremos. 23 . Defina o tipo e subtipo de cada uma das 8 vari´veis da tabela. Xn . e definimos a f´rmula de e a o c´lculo de cada uma dessas medidas. a u o a 4. . onde a e b s˜o duas constantes qualquer.4. Como ca co exemplo. vimos que X. frequˆncia relativa e frequˆncia relativa acumue e e lada para a vari´vel idade. a c a a ıcio 6. frequˆncia relativa e frequˆncia relativa acumue e e lada para a vari´vel peso.1. a 3. . . Construa uma tabela com a frequˆncia observada. a DM = i=1 ¯ (P Mi − X)fi para dados agrupados em tabela de frequˆncia. mediana e variˆncias amostrais e a ¯ 2 Considere a amostra X1 . Construa um diagrama de Ramo e Folhas para a vari´vel altura. Esboce um diagrama circular (ou pizza) para a vari´vel provedor. para melhor visualiza¸˜o. ca a e e Desvio m´dio: Medida de variabilidade em torno da m´dia assim definida: e e DM = n n i=1 ¯ |Xi − X| n para dados n˜o agrupados. construa outro diagrama a partir do primeiro com 10 ramos. 2. Utilize inicialmente 5 ramos e depois. Fa¸a um gr´fico de barras com a vari´vel ano de in´ do curso.

73 1.122 0. e a 9.082 5 0.041 0 1. Usando o histograma abaixo. a Histograma da altura 30 25 20 15 10 0. ıda ıcio a a Frequência 24 . a 12.61 1.55 1. 8. esboce um histograma com a frequˆncia relativa da vari´vel ılio ıcio e a peso.67 1. Usando a tabela constru´ no exerc´ 3 encontre a m´dia da vari´vel peso. Calcule usando os dados brutos a m´dia da vari´vel idade. EXERC´ ICIOS cpa/gsa 7.082 0.85 1.306 0.79 Altura 1.265 11.4.97 0. ıda ıcio a a 13.1. Com aux´ da tabela do exerc´ 3.102 0.91 1. Ache a(s) moda(s) da vari´vel bairro. ıda ıcio e a 10. Usando a tabela constru´ no exerc´ 3 encontre a variˆncia da vari´vel peso. Usando a tabela constru´ no exerc´ 2 ache o desvio padr˜o da vari´vel idade. ache a mediana e o terceiro quartil (percentil 75%) da vari´vel altura.

com.71 1.com hotmail.70 1.75 1.com yahoo.com yahoo.com hotmail.com hotmail.br yahoo.com.69 1.com yahoo.85 1.br hotmail.70 1.85 1.com hotmail.com hotmail.72 1.com gmail.75 1.72 1.76 1.com.70 1.com hotmail.com hotmail.com.com gmail.75 1.75 1.73 1.85 1.com hotmail.com hotmail.81 1.com yahoo.com.com gmail.83 1.com yahii.74 1.91 1.79 1.60 1.com hotmail.4.com hotmail.69 1.com hotmail.com hotmail.br hotmail.com ig.com hotmail.71 1.com hotmail.70 1.75 1.br gmail.com hotmail.com hotmail.com yahoo.1.59 1.95 1.80 1.com.com hotmail.com hotmail.com.85 1.com yahoo.br hotmail.65 1. EXERC´ ICIOS cpa/gsa No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 Ano início Idade curso (Anos) 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2007 2007 2007 2008 2008 2008 2006 2008 2008 2008 2006 2007 2007 2008 2007 2008 2006 2008 2008 2008 2007 2007 2006 2009 2006 2006 2007 19 19 19 19 20 20 20 20 20 20 20 20 20 20 20 20 21 21 21 21 21 21 21 21 21 21 21 21 22 22 22 22 23 23 23 23 23 24 24 25 25 25 25 25 25 26 26 27 29 Peso 70 73 75 85 43 51 59 61 65 71 71 73 76 77 90 99 58 59 64 64 64 68 70 73 75 77 77 82 63 68 75 100 64 65 72 80 80 57 75 57 70 70 75 80 87 48 95 65 67 Altura 1.64 1.73 1.br hotmail.58 1.65 1.com hotmail.64 1.71 1.br hotmail.78 1.com hotmail.83 1.com yahoo.com hotmail.76 1.com.72 1.com gmail.62 1.com hotmail.com hotmail.br 25 .com.57 Naturalidade Belo Horizonte Belo Horizonte Belo Horizonte Belo Horizonte Belo Horizonte Ipatinga Belo Horizonte Belo Horizonte Varginha Belo Horizonte Belo Horizonte Bom Despacho Viçosa Belo Horizonte Belo Horizonte Patrocínio Belo Horizonte Belo Horizonte Belo Horizonte Belo Horizonte Belo Horizonte Salvador Belo Horizonte Belo Horizonte Belo Horizonte Belo Horizonte Formiga Belo Horizonte Itaúna Belo Horizonte Belo Horizonte Belo Horizonte Belo Horizonte Jaguaraçu Montes Claros Belo Horizonte Santa Bárbara Sete Lagoas Itabira Belo Horizonte Belo Horizonte Sete Lagoas Belo Horizonte Belo Horizonte Belo Horizonte Belo Horizonte Santa Maria Belo Horizonte Timóteo Estado MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG BA MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG MG RS MG MG Bairro Funcionários Prado Anchieta Nova Cachoeirinha Betânia Funcionários Serra Ouro Preto Liberdade Santa Tereza Coração Eucarístico Prado Sion Santo Antônio Nova Floresta Ouro Preto Dona Clara Floresta Barreiro Serra Jardim América Ouro Preto Savassi Buritis Fernão Dias Belvedere Lourdes Carlos Prates Lourdes Padre Eustáquio Luxemburgo Caiçara Planalto Nova Floresta Floresta São João Batista Santa Inês Liberdade Santo Antônio Dona Clara Coração Eucarístico Ouro Preto Estoril Padre Eustáquio Cento Santo André Sobradinho Santa Cruz Castelo Provedor de internet hotmail.72 1.br gmail.com hotmail.br hotmail.com.77 1.74 1.71 1.com.83 1.72 1.br yahoo.

Imagio e o e nemos dois times disputando a final de um campeonato de futebol. u 26 . Perante esses fatos. espera-se que a ca uma propor¸˜o muito pequena de itens apresentem defeito (1 em cada 100 ou em cada 1.Cap´ ıtulo 2 Probabilidade 2. e no caso da linha de produ¸˜o. Persistindo o empate. Exemplos: o ca ε1 : lan¸ar uma moeda. sabemos que um item observado resultar´ defeituoso (D) ou n˜o ca a a defeituoso (N). pode-se decidir o o e campeonato lan¸ando uma moeda. ca Os dois exemplos precedentes fornecem a id´ia de um experimento aleat´rio. Se a linha de produ¸˜o estiver calibrada. N˜o daremos uma defini¸˜o formal de experimento aleat´rio. ε5 observar o tempo de vida de um equipamento. espera-se que os e u n´meros de caras e coroas sejam pr´ximos. ε6 contar o n´mero de alunos presentes na sala de aula. etc. antes ca de realizar o experimento. espera-se que a propor¸˜o u o a ca de defeituosos seja pequena. e o assumindo que ela seja honesta. surge a pergunta: ´ justo definir o campe˜o dessa c e a forma? Milhares e at´ milh˜es de torcedores aceitam. Porque? e o Pensemos em outro exemplo de experimento aleat´rio. disputa de pˆnaltes. pode-se decidir o campe˜o de ca a acordo com o hist´rico de cada time. Mas em ambos os casos. e no caso do empate persistir. podemos ter certeza que no caso da moeda acontecer´ cara(C) ou coroa ca a (K). Suponha que um engenheiro observa a qualio dade de um item (defeituoso ou n˜o defeituoso).1 Experimentos aleat´rios. por exemplo). usaremos a nota¸˜o ε. n˜o sabemos qual ser´ o resultado. No caso da moeda. pode-se jogar uma prorroga¸˜o (tempo adicional). Al´m do mais se realizarmos um n´mero n grande de cada experimento.A id´ia do que seja um experimento aleat´rio ´ bastante intuitiva. mas os dois exemplos precedentes s˜o a ca o a ilustrativos.000. Ao nos referirmos a experimento aleat´rio. natuca ralmente acreditamos que a propor¸˜o de defeituosos seja muito pequena. espa¸o amostral e eventos o c Experimento Aleat´rio . J´ no caso dos itens observados. Embora n˜o saibamos qual ser´ o resultado a a a a na realiza¸˜o de um experimento. c ε2 : observar a qualidade de um item de uma linha de produ¸˜o ca ε3 : observar a taxa de infla¸˜o no mˆs de mar¸o de 2010. ca e c ε4 medir a altura de um aluno. Se o jogo termina empatado. No caso dos itens produzidos por uma linha de produ¸˜o. n˜o temos argumento para acreditar que um dos resultados (cara ou a coroa) tenha maior chance de acontecer.

1: Espa¸o amostral Ω e eventos A e B c Figura 2.1. 2. Imagine co co que o espa¸o amostral seja representado pelos pontos no retˆngulo Ω abaixo e que os eventos A e c a B s˜o os subconjuntos nos pontos das regi˜es indicadas a o A B A B W Figura 2. B. c a No experimento ε2 temos certeza que o item observado ser´ defeituoso (D) ou n˜o defeituoso (N). Ω5 = {t ∈ R : t > 0}. EXPERIMENTOS ALEATORIOS.1 Opera¸oes com eventos c˜ Uni˜o de eventos (A∪B) ´ o evento que ocorre se A ou B ou ambos eventos ocorrerem. .2: A ∪ B W Com aux´ dos operadores l´gicos (∨ ≡ ou e ∧ ≡ e) podemos descrever a opera¸˜o uni˜o de ılio o ca a eventos ilustrada na figura 2.1. a c analogamente temos. Quer dizer ent˜o que Ω representa o Conjunto Universo que conhecemos da Teoria o a Elementar de Conjuntos. . ao lan¸armos uma moeda.2 como: A ∪ B = {ω ∈ Ω : ω ∈ A ∨ ω ∈ B} 27 . ESPACO AMOSTRAL E EVENTOS ¸ cpa/gsa No experimento ε1 . Se o tempo ´ em anos. a c Ω2 = {D. Usaremos as primeiras letras do alfabeto em mai´sculas para representar eventos: A. Dentro desse conjunto podemos definir subconjuntos e a cada desses subconjuntos chamaremos de evento. No experimento ε5 . a u O espa¸o amostral (Ω) foi definido como o conjunto de todos os resultados poss´ c ıveis de um experimento aleat´rio. 1. . Neste caso N ser´ o n´mero de alunos matriculados ou que frequentam as aulas.´ 2. Chamamos a e o esse conjunto de espa¸o amostral e denotaremos por Ω. C. podemos estar interessados no evento em que t seja maior do e que 1. N }. . . podemos estar interessados em que o tempo de vida do equipamento atenda ao tempo de garantia. Ω6 = {0. isto ´. u A = {t ∈ R : t > 1} representa o evento de que o equipamento atende ao tempo de garantia no experimento ε5 2. c Ω1 = {C. N} ser´ o espa¸o amostral associado ao experimento ε2 . O diagrama de a e Venn utilizado para rela¸˜es entre conjuntos pode ser utilizado para rela¸˜es entre eventos. . a a e em cada caso sabemos qual ´ o conjunto de todos os resultados do experimento aleat´rio. K} ser´ o espa¸o amostral associado ao experimento ε1 . Ω4 = {X ∈ R : X > 0}. temos certeza que acontecer´ cara (C) ou coroa (K). . Ω3 = {r : r > 0}.

5: AC e A s˜o complementares a A e AC s˜o eventos complementares se e somente se AC ∩ A = ∅ e AC ∪ A = Ω a 28 . 6} Interse¸˜o de eventos (A ∩ B) ´ o evento que ocorre se A e B ocorrem simultaneamente. ca e A B W Figura 2. 2. A ∩ B = {2} Observa¸˜o 1: Se A ∩ B = ∅. A ∪ B = {1. c Evento A → ocorre face par. ca a A B W Figura 2. 4. ESPACO AMOSTRAL E EVENTOS ¸ cpa/gsa Exemplo: Experimento: lan¸amento de um dado. EXPERIMENTOS ALEATORIOS.´ 2. E formado ca a C por todos os pontos de Ω que n˜o est˜o em A.1.4: A e B disjuntos Observa¸˜o 2: As opera¸˜es uni˜o e interse¸˜o de eventos s˜o comutativas. Isto ´: ca co a ca a e A∪B =B∪A e A∩B =B∩A ´ Eventos complementares (Nota¸˜o AC ) O evento AC ocorre se o evento A n˜o ocorre. 3. Evento B → ocorre face inferior a 4.3: A ∩ B Podemos escrever: A ∩ B = {ω ∈ Ω : ω ∈ A ∧ ω ∈ B} No mesmo exemplo anterior temos: Evento A → ocorre face par. Assim A = {ω ∈ Ω : ω ∈ A} a a / A AC W Figura 2. Evento B → ocorre face inferior a 4. dizemos que A e B s˜o disjuntos ou mutuamente exclusivos.

1. Escrevemos: c e a A − B = {ω ∈ Ω : ω ∈ A ∧ ω ∈ B} / A B W Figura 2.´ 2.8: A ∩ (B ∪ C) Figura 2. se A → ocorrer face par. mas n˜o ambos simultaneamente.9: A ∪ (B ∩ C) 29 . ent˜o B → ocorrer face ´ c a ımpar.B Note que A − B = A ∩ B C .2 Opera¸oes com mais de dois eventos c˜ Propriedades Distributivas PD1: A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) PD2: A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) As figuras abaixo ilustram as propriedades distributivas: B A C B W A C W Figura 2.1.6: A . ´ e evento complementar de A. EXPERIMENTOS ALEATORIOS. Diferen¸a de eventos (A − B) ´ o evento em que A ocorre e B n˜o ocorre. ´ Diferen¸a sim´trica E aquele evento em que A ou B ocorrem.7: A B 2. ESPACO AMOSTRAL E EVENTOS ¸ cpa/gsa Exemplo: no lan¸amento de um dado. Rec e a presentamos por: A B = (A − B) ∪ (B − A) A B W Figura 2. Deixamos a prova como exerc´ ıcio.

a Podemos provar a PD1 usando a propriedade distributiva dos operadores l´gicos. ca Antes da prova. recordaremos as propriedades dos operadores l´gicos relacionando proposi¸˜es. co No exemplo do aluno.´ 2. Defina p : ω ∈ A. a q: o aluno vai para a biblioteca ` tarde. Seja ent˜o ω ∈ A ∩ (B ∪ C).10: (A ∪ B)C Figura 2. Ent˜o: a a ω ∈ A ∩ (B ∪ C) ⇐⇒ (ω ∈ A) ∧ (ω ∈ (B ∪ C)) ⇐⇒ (ω ∈ A) ∧ (ω ∈ B ∨ ω ∈ C) ≡ p ∧ (q ∨ r) ⇐⇒ (p ∧ q) ∨ (p ∧ r) ⇐⇒ (ω ∈ A ∧ ω ∈ B) ∨ (ω ∈ A ∧ ω ∈ C) ⇐⇒ (ω ∈ A ∩ B) ∨ (ω ∈ A ∩ C) ≡ {ω ∈ (A ∩ B) ∪ (A ∩ C)} 30 . q : ω ∈ B e r : ω ∈ C. o co Pensemos no exemplo seguinte: pela manh˜ o aluno vai para a escola e ` tarde vai para a biblioteca a a ou para o cinema. EXPERIMENTOS ALEATORIOS. Denotemos por p ∧ q e p ∨ q as proposi¸˜es (p e q) e e co co (p ou q) respectivamente. Pode-se provar que: p ∧ (q ∨ r) ≡ (p ∧ q) ∨ (p ∧ r) Omitimos a prova dessa propriedade. Essa proposi¸˜o composta ´ equivalente ` seguinte: Pela manh˜ o aluno vai para a ca e a a escola e ` tarde vai para a biblioteca ou pela manh˜ o aluno vai para a escola e ` tarde vai ao cinema. que pode ser feita atrav´s da constru¸˜o da tabela de valores e ca de verdade das duas proposi¸˜es compostas p ∧ (q ∨ r) e (p ∧ q) ∨ (p ∧ r). a a a Temos.1. a r: o aluno vai ao cinema ` tarde. ESPACO AMOSTRAL E EVENTOS ¸ cpa/gsa Leis de Morgan: LM1: (A ∪ B)C = AC ∩ B C LM2: (A ∩ B)C = AC ∪ B C A B A B W Figura 2. um exemplo da propriedade distributiva dos operadores l´gicos. sejam p. Uma forma de o provar igualdade de dois conjuntos ´ escolher um elemento arbit´rio de um deles e provar que pertence e a ao outro. as proposi¸˜es seriam: co p: O aluno vai para a escola pela manh˜. no par´grafo precedente. q e r trˆs proposi¸˜es simples.11: (A ∩ B)C W Provaremos PD1 e LM1 para ilustra¸˜o e deixaremos a prova dos outros dois resultados para o leitor. De a o forma geral.

B2 . . Sejam B1 . . .1. se N p representa a nega¸˜o co ca e a ca e ca de p. ent˜o: a N (p ∧ q) = (N p) ∨ (N q) Aplicando essa propriedade e fazendo p : ω ∈ A e q : ω ∈ A podemos escrever: ω ∈ (A ∩ B)C ⇐⇒ ω ∈ (A ∩ B) / ⇐⇒ (ω ∈ A) ∨ (ω ∈ B) / / ⇐⇒ (ω ∈ AC ) ∨ (ω ∈ B C ) ⇐⇒ {ω ∈ AC ∪ B C } As propriedades distributivas e as leis de Morgan podem se estender para a uni˜o ou interse¸˜o de a ca mais de dois eventos. ESPACO AMOSTRAL E EVENTOS ¸ cpa/gsa Para provar LM1. apresentaremos outra propriedade dos operadores l´gicos. Isto ´.´ 2. . A nega¸˜o de p ∧ q ´ equivalente ` nega¸˜o de uma delas. Sejam p e q duas o proposi¸˜es. Bn uma cole¸˜o de eventos e seja A um outro evento: ca PD1’: A ∩ PD2’: A ∪ n i=1 n i=1 n i=1 Bi Bi C = = n i=1 n i=1 n i=1 (A ∩ Bi ) (A ∪ Bi ) LM1’: Bi C = C Bi LM2’: n i=1 Bi = n i=1 C Bi B1 A Figura 2.12: A ∩ B2 B3 3 i=1 W Bi 31 . EXPERIMENTOS ALEATORIOS.

06. Seja A um ca co o evento qualquer (A ∈ Ω). Suponha que temos uma linha de produ¸˜o em grande escala. a probabilidade de ocorrˆncia da face i ´ dada por c e e Pn ({i}) = n{i} # ocorrˆncia da face i e = . Pn ({i}) se estabiliza e vocˆ toma esse valor como u c e e a probabilidade de ocorrˆncia da face i.06 29/500 = 0.2. o o ca e e Da´ surgiu: ı Defini¸˜o 1. ca 32 .2. Defina Pn (A) = e defina P(A) = lim Pn (A) n→∞ nA n (onde nA ´ o n´mero de vezes em que ocorre o evento A) e u P(A) assim definida ´ chamada de probabilidade frequencial de A e Exemplos: 1.2. P50 (A) = 0.051 249/5000 = 0. Retiramos n itens desta linha de produ¸˜o. P100 (A) = 0. e a cada retirada contamos o n´mero de itens defeituosos (A= item defeituoso) ca u n 10 50 100 500 1000 5000 No defeituosos 0 2 6 29 51 249 Pn (A) 0/10 = 0 2/50 = 0.050 Observando a tabela acima vemos que P10 (A) = 0.04 6/100 = 0.058 51/1000 = 0. do dado c n Quando o n´mero de lan¸amentos ´ muito grande. # total de l¸. Consideremos n repeti¸˜es “independentes”de um experimento aleat´rio ε.04.05. A medida que aumentamos o valor de n. DEFINICAO DE PROBABILIDADE ¸˜ cpa/gsa 2. e assim por ` diante.2 Defini¸˜o de probabilidade ca 2.1 Defini¸˜o frequentista de probabilidade ca Como atribuirmos probabilidades a elementos do espa¸o amostral? A primeira id´ia foi baseada em c e caracter´ ısticas te´ricas do fenˆmeno ou experimento e na observa¸˜o das frequˆncias de sua ocorrˆncia. Pela defini¸˜o frequentista de probabilidade vemos que a probabilidade de um item ca defeituoso nesta linha de produ¸˜o converge para 0. e ca 2. espera-se que Pn (A) se aproxime da propor¸˜o ca de defeituosos. Num lan¸amento de um dado.

ca P(∅) = 0 Proposi¸˜o 3.2 Axiomas de probabilidade A partir da defini¸˜o frequentista de probabilidade. Os eventos A e (AC ∩ B) s˜o disjuntos. P(A) + P(AC ) = 1.j = 1. Assim pelo terceiro axioma P(Ω) = P(Ω) + P(∅).2. ent˜o 0 ≤ Pn (A) ≤ 1 a a 3. (O leitor interessado em aprofundar estudos pode consultar. (A2) e (A3) s˜o chamdados Axiomas de probabilidade. ent˜o Pn (A ∪ B) = Pn (A) + Pn (B) Se em (1). DEFINICAO DE PROBABILIDADE ¸˜ cpa/gsa 2. Mas pelo primeiro axioma P(Ω) = 1. A2 ca a 1. e Ω = Ω ∪ ∅. Podemos escrever B como B = A ∪ (AC ∩ B). apresentada na subse¸˜o anterior. . Baseada nesses axiomas ´ constru´ a e ıda toda a Teoria de Probabilidade. n Proposi¸˜o 2. logo P(∅) = 0. pelo axioma 2. Se A1 . 4. (2) e (3) tomarmos o limite quando n −→ ∞. ca Se A ⊂ B. Ent˜o pelo axioma 3. ca P n i=1 n i=1 Ai = P(Ai ). . P(AC ∩ B) ≥ 0 logo P(B) ≥ P(A). ent˜o pelo a a axioma 3 podemos escrever P(B) = P(A) + P(AC ∩ B).2. ´ imediato ca ca e observar que: nΩ 1. A seguir apresentaremos alguns resultados b´sicos que ser˜o usados no decorrer da disciplina: a a Proposi¸˜o 1. por exemplo. ca P(AC ) = 1 − P(A) Proposi¸˜o 4.2. [5] ou [8]). Desde que 0 ≤ na ≤ n para todo n. se Ai ∩ Aj = ∅ para i = j : i. Como. logo P(AC ) = 1 − P(A). . 3. 33 . Faremos a prova para n = 3. Como AC e A s˜o complementares temos A ∪ AC = Ω e A ∩ AC = ∅. ent˜o P(A) ≤ P(B) a Provas: ıpio da Indu¸˜o Matem´tica. a a P(A) + P(AC ) = P(Ω) e pelo axioma 1. teremos: A1) P(Ω) = 1 A2) 0 ≤ P(A) ≤ 1 A3) P(A ∪ B) = P(A) + P(B) se A ∩ B = ∅ (A1). Pn (Ω) = =1 n 2. O caso geral decorre do Princ´ e A3 s˜o tais que A1 ∩ A2 = A1 ∩ A3 = A2 ∩ A3 = ∅ ent˜o a a P(A1 ∪ A2 ∪ A3 ) = P(A1 ∪ (A2 ∪ A3 )) = P(A1 ) + P(A2 ∪ A3 ) = P(A1 ) + P(A2 ) + P(A3 ) Observe que A1 ∩ (A2 ∪ A3 ) = (A1 ∩ A2 ) ∪ (A1 ∩ A3 ) = ∅ a 2. ∅ e Ω s˜o mutuamente exclusivos. Se A ∩ B = ∅. .

34 .2.25 + P(A ∩ B ∩ C) = 1 → P(A ∩ B ∩ C) = 0. o 55% praticam voleibol e 50% praticam peteca. . Podemos escrever: e P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C) = 1 e da´ ı 0. B = o s´cio pratica voleibol e C = o s´cio o o o pratica peteca.2. B = (B ∩ A) ∪ (B ∩ AC ) x W Figura 2. Sabe-se que 60% deles praticam futebol. a probabilidade solicitada ´ P(A ∩ B ∩ C). .30 − 0.60 + 0. n. 2. podemos desenvolver f´rmulas e para uni˜o de quantos eventos quisermos. ıcio ca ca Exemplo: Todos os s´cios de um clube praticam pelo menos 1 esporte. Se vocˆ escolher aleatoriamente um s´cio deste clube.4 Defini¸˜o cl´ssica de probabilidade ca a Defini¸˜o 2.30 − 0. Vamos registrar apenas para 3 eventos: o P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C) Deixamos como exerc´ a prova dessa proposi¸˜o (aplique duas vezes a proposi¸˜o 5). qual a probabilidade e o de que ele pratique os trˆs esportes? e Solu¸˜o: ca Se chamarmos os eventos A = o s´cio pratica futebol.2. . . Mas quanto maior o n´mero de eventos mais complexas ficam a u estas f´rmulas.55 + 0. ω2 . define-se e P(ωi ) = 1 n i = 1.ωn }. ca o Trˆs ou mais eventos: Expandindo o resultado da proposi¸˜o 5. 30% futebol e e volei e 25% futebol e peteca. Al´m disso 30% praticam volei e peteca. DEFINICAO DE PROBABILIDADE ¸˜ cpa/gsa 2.50 − 0. Se temos ca o c evidˆncias de que todos os resultados tem a mesma chance de acontecer. ca P(A ∪ B) = P(A) + P(B) − P(A ∩ B) Podemos provar de maneira simples: A ∪ B = A ∪ (B ∩ AC ) A B P(A ∪ B) = P(A) + P(B ∩ AC ) mas.2. . .13: A ∩ B ∩ C assim P(B) = P(B ∩ A) + P(B ∩ AC ) ou P(B ∩ AC ) = P(B) − P(B ∩ A) y levando y em x temos P(A∪B) = P(A)+P(B)−P(A∩B). . Seja um experimento aleat´rio com espa¸o amostral finito Ω = {ω1 .3 Regras de adi¸˜o ca Uni˜o de dois eventos n˜o disjuntos: A probabilidade da uni˜o de dois eventos n˜o disjuntos ´ a a a a e dada por: Proposi¸˜o 5. .2 2.

define-se P(A) = #A n onde #A = cardinal de A = n´mero de elementos de A. Qual ´ a probabilidade de e e (a) Se ´ mulher. denotada por P(A|B) ´ e P(A|B) = P(A ∩ B) P(B) A probabilidade condicional de A dado B revela a incerteza que se tem sobre o evento A supondo a ocorrˆncia do evento B.2. Podemos interpret´-la como a chance relativa de A restrita ao fato de que B e a ocorreu. PROBABILIDADE CONDICIONAL cpa/gsa Para A ⊂ Ω. u Neste caso dizemos que os resultados ωi s˜o equiprov´veis.3. a a 2. (c) Ser mulher e ter sido aprovado. a probabilidade condicional de um evento A dado ca e o evento B.64 (c) P(A ∩ M ) = 14/32 = 0. temos (a) P(A|M ) = (b) P(M |A) = P(A∩M ) P(M ) P(M ∩A) P(A) 14/32 20/32 14/32 22/32 = = = 0. Exemplos: 1.7 = 0. Uma classe de estat´ ıstica teve a seguinte distribui¸˜o das notas finais: ca Homens 4 8 Mulheres 6 14 Reprovados Aprovados Um aluno ´ sorteado na sala. Se B ´ um evento tal que P(B) > 0. ter sido aprovada.4375 35 . e (b) Ser mulher dado que foi aprovado. Solu¸oes: c˜ Defina os eventos A : ser aprovado e M : ser mulher.3 Probabilidade Condicional Defini¸˜o 3.

502 3.0075 0.067 + 0.989 = 0.067 = 0.1119 = 0.989 3.3.0647 (c) P(A ∩ B) = (e) P(B|A) = (f) P(A|B) = 393 51.2.482 64 48.394 1.989 Um aluno ´ sorteado ao acaso.1159 36 . As informa¸˜es abaixo referem-se aos candidatos que prestaram vestibular na UFMG em 2004: co Classe Social A B C D E Total Candidato foi aprovado N˜o a Sim 2.040 8.725 17.989 (d) P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0.487 Total 3. Qual ´ a probabilidade de: e e (a) ter sido aprovado (b) ser da classe A (c) ser da classe A e ter sido aprovado (d) ser da classe A ou ter sido aprovado (e) ser da classe A uma vez que foi aprovado (f) ter sido aprovado. a temos (a) P(A) = (b) P(B) = 3.618 1.0647 − 0.487 51.658 8.1242 P(A∩B) P(A) P(B∩A) P(B) = 0.0075 0.0075 = = 0. uma vez que ´ da classe A e Solu¸oes: c˜ Chamando os eventos A : o candidato ter sido aprovado e B : o candidato pertencer ` classe A.367 19.974 393 17.367 51.0647 = 0.034 265 2.299 2.119 18.067 0.546 51.0075 ≈ 0. PROBABILIDADE CONDICIONAL cpa/gsa 2.

05.4 Regras da multiplica¸˜o e probabilidade total ca 2.2. Escolhendo-se aleat´riamente um parafuso de um lote da produ¸˜o o ca de uma hora das duas linhas. mas com uma taxa de defeitos 0.4. temos: e ca (a) P(A ∩ B) = P(B|A)P(A) = 0. 1 e 2.2 Regra da probabilidade total A regra da multiplica¸˜o ´ util para determinarmos a probabilidade de um evento que dependa de ca e ´ outros eventos.76 2. Escolhendo-se o e a e e uma pessoa ao acaso da popula¸˜o de BH.000 parafusos por hora com uma taxa de defeitos de 0. qual a probabilidade de que ela: ca (a) . qual a probabilidade que ele seja defeituoso? Claramente a resposta depende de qual linha saiu aquele parafuso.Seja do grupo dos n˜o al´rgicos e n˜o tenha alergia ao ingerir o antibi´tico? a e a o Solu¸˜o: ca Se fizermos A : ser do grupo dos al´rgicos e B : ter rea¸˜o.008 × 1/3 = 0. REGRAS DA MULTIPLICACAO E PROBABILIDADE TOTAL ¸˜ cpa/gsa 2.4. a e ca Exemplo: Acredita-se que na popula¸˜o de Belo Horizonte 20% de seus habitantes sofrem algum tipo de alergia. Para os n˜o al´rgicos esta probabilidade ´ de apenas 0.02 × 2/3 + 0.Seja do grupo dos al´rgicos e tenha alergia ao ingerir o antibi´tico? e o (b) .95 × 0. Sendo al´rgico.5. ca sendo classificados como al´rgicos para fins de sa´de p´blica.1 (b) P(AC ∩ B C ) = P(B C |AC )P(AC ) = 0.02 e a segunda produza 500 parafusos por hora.8 = 0.5 × 0. Se chamarmos A → parafuso saiu da linha 1. a probabilidade de ter rea¸˜o e u u e ca a certo antibi´tico ´ de 0. B → parafuso saiu da linha 2 e C → parafuso ´ defeituoso e podemos afirmar que C = (C ∩ A) ∪ (C ∩ B) e como (C ∩ A) e (C ∩ B) s˜o disjuntos podemos escrever que a P(C) = P(C ∩ A) + P(C ∩ B) = P(C|A)P(A) + P(C|B)P(B) = 0. Suponha que vocˆ tenha duas linhas de produ¸˜o de parafusos.1 Regra da multiplica¸˜o ca P(B ∩ A) P(A) Da mesma forma como foi definida P(A|B). e que a primeira linha produza e ca 1. se P(A) > 0 podemos definir P(B|A) = Temos ent˜o que: a P(A ∩ B) = P(A|B)P(B) = P(B|A)P(A) Esta express˜o ´ conhecida como regra da multiplica¸˜o.016 37 .008.4.2 = 0.

. n Figura 2. Dizemos que os eventos A1 . 38 . . REGRAS DA MULTIPLICACAO E PROBABILIDADE TOTAL ¸˜ cpa/gsa De modo mais geral.An formam uma parti¸˜o do espa¸o amostral Ω se ca ca c 1.A2 . definimos: Defini¸˜o 4.An } uma parti¸˜o do espa¸o amostral Ω e seja B um evento qualquer. . Seja {A1 . .15: Teorema da probabilidade total A1 A2 A4 B A3 A5 A6 A7 W Prova: Desde que os eventos A1 . n P(B ∩ Ai ). .An formam uma parti¸˜o de Ω. . . . Ai ∩ Aj = ∅ i = j 2. para quaisquer 2 eventos A e B podemos escrever: P(B) = P(B ∩ A) + P(B ∩ AC ) = P(B|A)P(A) + P(B|AC )P(AC ) Para generalizarmos o conceito da probabilidade total. n i=1 Ai = Ω 3.2.A2 . .14: Exemplo de uma parti¸˜o do espa¸o amostral Ω ca c A1 A5 A2 A4 A6 A3 A7 W Podemos assim enunciar o Teorema da Probabilidade Total: Teorema 1. . . . podemos escrever: ca B = B ∩ (∪Ai ) = ∪n (B ∩ Ai ) i=1 Ent˜o pelo axioma 3: a P(B) = i=1 com [(B ∩ Ai ) ∩ (B ∩ Aj )] = ∅ para i = j. . ca c ent˜o a n P(B) = i=1 P(Ai )P(B|Ai ) Figura 2. . . 2. .A2 . P(Ai ) > 0 i = 1.4.

20% de dado componente do fabricante A.004 + 0.5 Teorema de Bayes 2.2.2 × 0. e 39 . P(B|A) = P(B) 3. ent˜o P (A|B) = e a P(B) Convidamos o leitor para demonstrar as outras equivalˆncias. Ent˜o P(A∩B) = P(B)P(A|B) = P(B)P(A).7%.1 Independˆncia e Em alguns casos. Reciprocamente e a P(A ∩ B) = P(A). a probabilidade condicional. B e C respectivamente o evento que o componente inspecionado foi fabricado respectivamente pelo fornecedor A. 0. Assim podemos ca e a a e definir: Defini¸˜o 5. se (3) ´ verdadeira. 30% do fabricante B e 50% do fabricante C.0010 = 0.0012 + 0. B ou C. P(A ∩ B) = P(A)P(B) ´ E muito simples mostrar a equivalˆncia destas trˆs condi¸˜es.2% respectivamente. Mostremos por exemplo a equivalˆncia e e co e de (1) e (3): Suponha que (1) ´ verdadeira. Cada ve´ ıculo ´ equipado com um componente escoe lhido aleatoriamente entre os recebidos na v´spera.4% e 0. Inspe¸˜es anteriores nas co f´bricas destes fornecedores mostraram que estes componentes produzidos por eles apresentavam taxas a de defeitos de 0.002 = 0. e A. TEOREMA DE BAYES cpa/gsa Se aplicarmos a regra do produto a cada termo da soma. pode ser igual a P(B).0014 + 0. P(B|A). Dois eventos A e B s˜o independentes se qualquer uma das seguintes afirma¸˜es for ca a co verdadeira: 1. a informa¸˜o da ocorrˆncia ou n˜o de A n˜o altera a probabilidade da ocorrˆncia de B.0036 2. Qual a probabilidade dele apresentar defeito? a Solu¸˜o: ca Se chamarmos X o evento de que o componente inspecionado apresenta defeito. temos: n P(B) = i=1 P(Ai )P(B|Ai ). Durante a vistoria final. o inspetor de qualidade da e montadora est´ inspecionando este componente.007 + 0. podemos escrever: P(X) = P(A)P(X|A) + P(B)P(X|B) + P(C)P(X|C) = 0.3 × 0. Neste caso especial. Exemplo: Uma montadora de ve´ ıculos recebe diariamente em contrato de fornecimento “just in time”.5.5 × 0.5. P(A|B) = P(A) 2.

.A2 . .9 4 0. ent˜o a a a. An eventos independentes e seja B um evento formado por opera¸˜es entre os eventos Ai1 . . . TEOREMA DE BAYES cpa/gsa Exemplos: 1.10 = 0. a probabilidade c˜ a a a a de que a produ¸˜o seja cumprida ´.2.995. .005 = 0. . . Estas m´quinas podem apresentar desajustes c a a com probabilidades respectivamente 0. . Ent˜o B e C s˜o eventos independentes. A2 .067 P(A|B) = 0. . Suponha que as m´quinas trabalhem de forma a independente. ca e C C C C P(O1 ou O2 ) = 1 − P[(O1 ou O2 )C ] = 1 − P(O1 e O2 ) = 1 − P(O1 ∩ O2 ) Mas pela independˆncia e C C C C P(O1 ∩ O2 ) = P(O1 )P(O2 ) = 0. Os eventos A1 . . .005 E assim a probabilidade que a produ¸˜o do dia seja cumprida ´ 1 − 0. a e Exemplo: Sejam A1 . Usando os dados do vestibular de 2004 conclui-se que os eventos o “candidato ´ aprovado”e “o e candidato ´ da classe A”n˜o s˜o independentes pois: e a a P(A) = 0.9 A 2 0. No in´ ıcio do dia um teste ´ realizado e caso a m´quina esteja fora do ajuste a e a m´quina para de operar e vai para manuten¸˜o. podemos estender a defini¸˜o de independˆncia: e ca e a Defini¸˜o 6. Para que se cumpra o n´ m´ a ca ıvel ınimo de produ¸˜o ca di´ria ´ necess´rio que pelo menos uma m´quina esteja funcionando. . Essa ´ a chamada propriedade a a e heredit´ria da independˆncia.An s˜o independentes.5.99 B 40 . ca e Quando consideramos trˆs ou mais eventos.95 6 0. . .10. Qual a probabilidade de que a e a a a empresa cumpra a produ¸˜o do dia? ca Solu¸ao: Se fizermos O1 : m´quina 1 est´ operando e O2 : m´quina 2 est´ operando.05 e 0.95 5 0. . Ai2 . Aik P(Ai1 ∩ Ai2 ∩ · · · ∩ Aik ) = P(Ai1 ) × P(Ai2 ) × · · · × P(Aik ) Uma propriedade importante: Sejam A1 . . . . se e somente se para qualquer subconjunto ca destes eventos Ai1 . .1159 2.05 × 0. a Exemplo: O sistema mostrado a seguir s´ funciona se houver um caminho de componentes (numerados o de 1 a 6) funcionando do ponto A para o ponto B: 1 0.A1 ∪ A2 ∪ A3 e (A4 ∩ A5 ) ∪ (A6 ∩ A7 ) s˜o independentes. 7 b. A2 . A10 eventos independentes. Air e C um outro evento formado por opera¸˜o entre co ca alguns dos eventos restantes.A1 ∪ (A5 ∩ A8 ) e A3 ∪ (A4 ∩ AC ) s˜o independentes. Uma empresa produz pe¸as em duas m´quinas (1 e 2).9 3 0. .

9975 × 0. Solu¸˜o: ca Defina: Ai : componente i funciona.9975 Retornando a x e usando a independˆncia podemos escrever: e P(A) = P(B1 ) × P(B2 ) × P(B3 ) = 0.81 − 0. A : sistema funciona. obtemos a o Teorema de Bayes. calcule a probabilidade que o sistema opere. . B3 : subsistema formado pelo componente 6 funciona.5.9 + 0.9 + 0. .9 − 0. B1 : subsistema formado pelos componentes 1.2.95 − 0. matem´tico inglˆs a e da primeira metade do s´culo XV I: e 41 . i = 1.81 − 0. . e escrevendo o denominador usando a regra da probabilidade total.999 × 0. Assim podemos escrever: A = B1 ∩ B2 ∩ B3 x = (A1 ∪ A2 ∪ A3 ) ∩ (A4 ∪ A5 ) ∩ (A6 ) Sabemos que P(A1 ∪ A2 ∪ A3 ) ´ dada por: e [P(A1 ) + P(A2 ) + P(A3 ) − P(A1 ∩ A2 ) − P(A1 ∩ A3 ) − P(A2 ∩ A3 ) + P(A1 ∩ A2 ∩ A3 )] e que como os componentes funcionam de forma independente ´ o mesmo que e [P(A1 ) + P(A2 ) + P(A3 ) − P(A1 )P(A2 ) − P(A1 )P(A3 ) − P(A2 )P(A3 ) + P(A1 )P(A2 )P(A3 )] assim: P(B1 ) = 0. Assumindo que cada componente a funciona de forma independente.2 Teorema de Bayes Partindo da defini¸˜o de probabilidade condicional e usando a comutatividade da interse¸˜o podemos ca ca escrever: P(A ∩ B) = P(A|B)P(B) = P(B ∩ A) = P(B|A)P(A) e agora. .81 + 0. B2 : subsistema formado pelos componentes 4 e 5 funciona.99 ≈ 0. que tem este nome em homenagem ao Reverendo Thomas Bayes. usando o segundo e quarto termos da igualdade vem um resultado util que nos permite escrever ´ a probabilidade de A dado B em termos da probabilidade de B dado A: P(A|B) = P(B|A)P(A) P(B) Partindo desta express˜o.9025 = 0. 6.95 + 0.5. 2 e 3 funciona. TEOREMA DE BAYES cpa/gsa A probabilidade de que cada componente funcione est´ indicada.729 = 0.987 2.999 De forma equivalente: P(A4 ∪ A5 ) = P(B2 ) = [P(A4 ) + P(A5 ) − P(A4 )P(A5 )] = 0.

Pergunta-se: e (a) Qual a probabilidade de uma paciente escolhida ao acaso ter tido um dist´rbio hormonal no u ultimo ano? ´ (b) Se a paciente escolhida tiver tido um dist´rbio. Calcule: a e u (a) a probabilidade de que o gal˜o esteja adulterado a (b) a probabilidade do gal˜o estando adulterado ter vindo da fazenda F 1 a Solu¸ao: c˜ (a) Seja A → o leite est´ adulterado e Fi → o leite veio da fazenda Fi a P(B|A1 )P(A1 ) P(B|A1 )P(A1 ) + P(B|A2 )P(A2 ) + · · · + P(B|An )P(An ) A F1 F2 F3 A = (A ∩ F1 ) ∪ (A ∩ F2 ) ∪ (A ∩ F3 ) P(A) = P[(A ∩ F1 ) ∪ (A ∩ F2 ) ∪ (A ∩ F3 )] P(A) = P(A ∩ F1 ) + P(A ∩ F2 ) + P(A ∩ F3 ) P(A) = P(A|F1 )P(F1 )+P(A|F2 )P(F2 )+P(A|F3 )P(F3 ) Figura 2. 60% s˜o ou foram casadas e a 2.065 (b) Pelo teorema de Bayes temos P(F1 |A) = P(A|F1 )P(F1 ) 0.An for uma parti¸˜o de Ω e B qualquer evento. .2 × 0. o mesmo ocorrendo com 5% e 2% dos gal˜es respectivamente produzidos nas fazendas F 2 a o e F 3. A vigilˆncia sanit´ria inspecionou as fazendas de surpresa a a e observou que 20% dos gal˜es de leite produzidos na fazenda F 1 estavam adulterados por adi¸˜o o ca de ´gua.3 + 0.2 × 0.6154 P(A|F1 )P(F1 ) + P(A|F2 )P(F2 ) + P(A|F3 )P(F3 ) 0. ent˜o ca a P(A1 |B) = Exemplos: 1.2 + 0.02 × 0. 30% da fazenda F 2 e o restante da F 3.A2 . qual a probabilidade de pelo menos uma ter o dist´rbio? u 42 . a probabilidade de ter tido um dist´rbio hormonal no ultimo ano a u ´ ´ de 10%. . Das pacientes da Cl´ 40% s˜o solteiras. Um gal˜o ´ sorteado ao acaso na ind´stria.16: 3 Fornecedores Assim: P(A) = 0.2. Na ind´stria de sorvete os gal˜es de leite s˜o armazenados sem identifica¸˜o das fazendas u o a ca produtoras. Sendo solteira.5 = 0.5.065 ınica de Ginecologia com idade acima de 40 anos. enquanto para as demais esta probabilidade aumenta para 30%. TEOREMA DE BAYES cpa/gsa Teorema 2 (Teorema de Bayes). Suponha que um fabricante de sorvetes recebe 20% de todo o leite que consome da fazenda F 1. . Se A1 . qual a probabilidade dela ser solteira? u ca (c) Se escolhemos duas pacientes ao acaso e com reposi¸˜o. .05 × 0.2 = = 0.

2.22 (b) P(S|H) = P(H|S)P(S) P(H) = 0.17: Diagrama de Venn exerc´ 2 ıcio Reproduza a figura e sombreie a regi˜o que corresponde a cada um dos seguintes eventos: a (a) Ac (b) (A ∩ B) ∪ (A ∩ B c ) (c) (A ∩ B) ∪ C (d) (B ∪ C)c (e) (A ∩ B)c ∪ C 43 . Da´ e u ı: P(H1 ∪ H2 ) =P(H1 ) + P(H2 ) − P(H1 ∩ H2 ) =P(H1 ) + P(H2 ) − P(H2 |H1 )P(H1 ) =0. e u ´ (a) P(H) = P(H|S)P(S) + P(H|S C )P(S C ) = 0.4 0.40 + 0. EXERC´ ICIOS cpa/gsa Solu¸ao: c˜ Sejam os eventos S → paciente ´ solteira e H → paciente teve dist´rbio hormonal no ultimo ano.3 × 0.10 × 0. Prove que A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).1878 (c) Seja Hi o evento de que a i-´sima paciente tenha tido dist´rbio hormonal. Trˆs eventos s˜o mostrados no diagrama de Venn na Figura 2.3916 2.6 Exerc´ ıcios 1.6.22 + 0.10×0.17 a seguir: e a A B C W Figura 2.6 = 0.222 = 0.22 = 0.22 − 0.2.

60% mediamente afiadas e 15% forem gastas. o c c e Considere os eventos P : resultado ´ par.1 determine: (a) P(AC ) (b) P(A ∪ B) (c) P(AC ∩ B) (d) P(A ∩ B C ) (e) P[(A ∪ B)c ] (f) P(AC ∪ B) 5. Calcule: e e (a) P(P ) (b) P(Q) (c) P(P C ) (d) P(P ∪ Q) (e) P(P ∩ Q) 4.2. Discos de policarbonato pl´stico provenientes de um fornecedor s˜o analisados com rela¸˜o ` rea a ca a sistˆncia a arranh˜es e a choques. Uma empresa de embalagens trabalha com m´quinas de corte de papel˜o. Se P(A) = 0. e Q : resultado ´ maior ou igual a 4. P(B) = 0. 2. 3. Esse percentual aumenta a para 3% se as lˆminas estiverem com meia-vida e para 5% no caso de lˆminas gastas. 4. Determine as seguintes probabilidades: e a (a) P (A) (b) P (B) (c) P (A|B) (d) P (B|A) 6.2 e P (A ∩ B) = 0. Os resultados da an´lise de 100 discos est˜o resumidos a seguir: e o a a resistˆncia a e choque alta baixa 80 9 6 5 resistˆncia a e arranh˜o a alta baixa Fa¸a A denotar o evento em que um disco tenha alta resistˆncia a choque e B denotar o evento em c e que um disco tenha alta resistˆncia a arranh˜o. Imagine o experimento aleat´rio do lan¸amento de um dado honesto. A aspereza nas bordas das a a embalagens aumenta ` medida que as lˆminas da ferramenta de corte v˜o sendo gastas. Se 25% das a a lˆminas forem novas. 6}. EXERC´ ICIOS cpa/gsa 3. 5.3 . que propor¸˜o de embalagens a ca produzidas pela empresa apresentar˜o aspereza nas bordas? a 44 . Somente a a a 1% das embalagens fabricadas com lˆminas novas exibem rugosidade. O espa¸o amostral ´ {1.6.

Considere o circuito dado na Figura 2.2. para verifica¸˜o do a ca ca torque. Assuma que os equipamentos falhem independentemente. Qual ´ a probabilidade de a e que o circuito opere? Figura 2. Considere que os equipamentos falhem independentemente. sendo a probabilidade de falha de cada equipamento mostrada na Figura 2.01. Quando o processo ´ operado a alta velocidade.18: Circuito do Exerc´ 8 ıcio 9.19. Em uma opera¸˜o de enchimento autom´tico. sendo que a probabilidade de falha de cada equipamento est´ indicada.18. (a) Qual ´ a probabilidade de que todos os quatros parafusos selecionados estejam apertados at´ e e o limite apropriado? (b) Qual ´ a probabilidade de que no m´ e ınimo um dos parafusos selecionados n˜o tenha sido a apertado at´ o limite apropriado? e 8.001. a probabilidade de enchimento incorreto quando o ca a processo ´ operado a baixa velocidade ´ 0. a e e e probabilidade de enchimento incorreto ´ 0. Quatro parafusos s˜o selecionados ao acaso. Considere que cinco parafusos n˜o estejam apertados at´ o c e a e limite apropriado. qual ´ a probabilidade de que ele o e tenha sido enchido durante a opera¸˜o em alta velocidade? ca 10. Uma placa de a¸o cont´m 20 parafusos.6. EXERC´ ICIOS cpa/gsa 7. O circuito a seguir opera se. Suponha que 30% dos reservat´rios sejam enchidos e o quando o processo ´ operado a alta velocidade e o restante sejam enchidos a baixa velocidade. e somente se. e (a) Qual ´ a probabilidade de um reservat´rio incorretamente enchido? e o (b) Se um reservat´rio incorretamente enchido for encontrado. Qual ´ a probabilidade de que e o circuito opere? Figura 2. sem reposi¸˜o. houver um caminho de equipamentos funcionais da esquerda para a direita.19: Circuito do Exerc´ 10 ıcio 45 .

? e a 46 . 5% (fabricante B) e 7% (fabricante C).18 2 0. recebe giz de trˆs fabricantes diferentes.01 (a) Calcule a fun¸˜o de probabilidade acumulada F (X). 8% e 10% dos parafusos produzidos pelas empresas A. descreva-a detalhadamente e esboce seu ca gr´fico.14 5 0. X f(x) 0 0. s˜o a defeituosos. com as correspondentes a o probabilidades. A ultima pesquisa de amostra de domic´ ´ ılios realizada em um bairro da periferia de Belo Horizonte constatou que 80% das residˆncias possuiam televis˜o.28 4 0. 40% da empresa B e o restante da empresa C. (a) Da compra realizada em um mˆs.04 1 0. Uma empresa de montagens compra 40% dos parafusos que utiliza da empresa A.04 6 0.G. Testes anteriores demonstram que o percentual de quebra desses fabricantes ´ de 2% (fabricante A). A vari´vel aleat´ria X assume os valores relacionados na tabela a seguir. 60% possuiam r´dio e 35% computador. Responda: (a) Qual a probabilidade do giz retirado estar quebrado? (b) Se o giz estiver quebrado.6. Um professor retira e aleatoriamente de uma caixa um giz. Qual a probabilidade de que e e ele seja defeituosa? (b) Se o parafuso inspecionado apresentar defeito. a (b) Calcule a P(X ≤ 3) e P(2 ≤ X < 5).F. EXERC´ ICIOS cpa/gsa 11. digamos A. 15% computador e r´dio.31 3 0. r´dio e computador). qual a probabilidade de que tenha sido produzido pela empresa B? 12. A U. B e C. qual a probabilidade de ter sido fabricado pelo fornecedor C? 14.M. qual a probabilidade dele ter sido fabricado pelo fornecedor B? (c) Se o giz estiver inteiro. um parafuso ´ inspecionado. 30% e 10%. B e C respectivamente. Sabe-se que 6%. numa propor¸˜o respece ca tivamente de 60%.2. e a 10% possuiam os trˆs itens da pesquisa (TV.A. Qual o percentual de domic´ e a ılios com TV e r´dio? a 13. (c) Qual a m´dia e a variˆncia dessa V. e a a Al´m disso 20% dos domic´ e ılios pesquisados possuiam TV e computador.

x2 = 1 e x3 = 2.1 Introdu¸˜o ca Nem todo espa¸o amostral ´ constitu´ por n´meros. O espa¸o ca c amostral desta experiˆncia ´ Ω = {DD. a Desde que X ´ uma fun¸ao. DN. No exemplo anterior os valores que a var´ ıavel aleat´ria “n´mero de itens defeituosos o u observados”pode assumir s˜o x1 = 0. a Uma vari´vel aleat´ria cont´ a o ınua ´ aquela cujo contradom´ e ınio ´ um intervalo ou um subconjunto dos e n´meros reais. a o u D D D N N D U Uma vari´vel aleat´ria ´ denotada por um letra mai´scula (por exemplo X) e os valores que ela pode a o e u assumir como xi . O objetivo de uma vari´vel aleat´ria ´ quanc e ıdo u a o e tificar cada elemento do espa¸o amostral. o conjunto dos valores poss´ e c˜ ıveis de uma vari´vel aleat´ria X ´ referido a o e como contradom´ ınio de X e ser´ denotado por RX . Uma vari´vel aleat´ria discreta ´ uma vari´vel aleat´ria com contradom´ ca infinito enumer´vel. N N } onde D representa item defeituoso e N item n˜o e e a defeituoso. com RX ⊆ R. Assim definimos: c Defini¸˜o 7. N D. u 47 0 1 N N 2 .Cap´ ıtulo 3 Vari´veis Aleat´rias Discretas a o 3. Uma vari´vel aleat´ria ´ uma fun¸˜o que associa um n´mero real a cada resultado do ca a o e ca u espa¸o amostral de um experimento aleat´rio c o Suponha o experimento simples de inspecionar dois itens em uma linha de produ¸˜o. Uma vari´vel aleat´ria pode ser “n´mero de itens defeituosos observados”. A partir deste conceito divimos as a vari´veis aleat´rias em: a o a o e a o ınio finito ou Defini¸˜o 8.

O estabelecimento de pol´ ıticas de abastecimento do Centro Comunit´rio Sa´de Pedi´trica de dea u a terminado bairro ´ estabelecido conforme o n´mero de crian¸as da regi˜o. e a tempo. . . . altura. Se definirmos a vari´vel aleat´ria Y = n´mero de part´ a o u ıculas contaminantes em uma pastilha. . . A cada 5 metros o operador registra se houve altera¸˜o no ritmo de perfura¸˜o previamente ca ca estabelecido. . Os valores poss´ u ıveis de X = {0. a fun¸˜o de probabilidade de X est´ ca e ca a representada na tabela abaixo: X pi x1 0 0. corrente el´trica. 2. No processo de fabrica¸˜o de semicondutores. . . 48}. x3 .2 Vari´veis aleat´rias discretas a o Alguns exemplos de vari´veis aleat´rias discretas: a o 1. Na constru¸˜o de um pr´dio as funda¸˜es de estacas cravadas devem atingir 15 metros de profundica e co dade. a u 3. se X ´ uma vari´vel aleat´ria ca ca e a o assumindo os valores x1 . Definimos a vari´vel N = n´mero de filhos. . 30% possuem 1 filho. ca 3. temperatura. Assim. . VARIAVEIS ALEATORIAS DISCRETAS cpa/gsa Exemplos de vari´veis aleat´rias cont´ a o ınuas: peso.8836 x2 1 0.3 Distribui¸˜es de probabilidades e fun¸˜es de probabilidade co co Frequentemente estamos interessados na probabilidade com que uma vari´vel aleat´ria assume um a o valor em particular. A cada intervalo ca de tempo o sistema ´ supervisionado e registra-se o n´mero de linhas em uso. 2. } 3. pessoas doentes em uma amostra da popula¸˜o. . 2. Cada altera¸˜o registrada representa um custo adicional de 50 UPCs (unidade padr˜o ca a de constru¸˜o) no custo total da funda¸˜o. 2. press˜o. o fabricante deve se preocupar com o n´mero de ca u part´ ıculas contaminantes. 1. Como se comporta a vari´vel Z = custo da funda¸˜o? ca ca a ca 4. Fun¸˜o de probabilidade Um modelo probabil´ ca ıstico consiste em atribuir a cada valor da v. . os valores poss´ ıveis de Y = {0. A fun¸˜o que atribui a cada valor xi de X a sua probabilidade ´ e ca e chamada de fun¸˜o de probabilidade ou fun¸˜o de massa. Um sistema de comunica¸˜o por voz de uma empresa possui 48 linhas externas.a. . 35% possuem 2 filhos e as demais se a e dividem igualmente entre 3. Se fizermos X = e u n´mero de linhas em uso.1128 x3 2 0. supondo que a linha de a o u c produ¸˜o ´ em grande escala e produz 6% de itens defeituosos. N No exemplo da vari´vel aleat´ria n´mero de pe¸as com defeito observadas. Exemplos de vari´veis aleat´rias discretas: n´mero de pe¸as defeituosas em um lote. 4 ou 5 filhos. . . xN a fun¸˜o de probabilidade fX (·) associada a X ´: ca e fX (xi ) = P(X = xi ) i = 1. O ultimo censo indicou e u c a ´ que 20% das fam´ ılias n˜o tˆm filhos. 3. X a sua probabilidade de ocorrˆncia.2. x2 . bits transmitia o u c dos que foram recebidos com erros.´ ´ 3.0036 48 . 1.

05 0 1 2 3 4 5 n 49 . 3. 2}) e n˜o no espa¸o amostral a c Ω = {DD.30 − 0. 4. resumimos o experimento nos valores poss´ ıveis de X ({0. fX (x) =  0. Exemplo: Com os dados do ultimo censo a assistente social do centro de sa´de constatou que na regi˜o 20% das ´ u a fam´ ılias n˜o tˆm filhos.35 = = 0. N D. 0. 1.3. 1. DISTRIBUICOES DE PROBABILIDADES E FUNCOES DE PROBABILIDADE ¸˜ ¸˜ cpa/gsa Podemos escrever tamb´m: e   0.05 3 3 fN(n) 0. 5}.8836 se x = 0.35 0. 2.1128 se x = 1.a.20 0. (a) Construa a fun¸˜o de probabilidade para N e (b) Desenhe o seu gr´fico ca a Solu¸˜o: ca Se N ´ o n´mero de filhos na fam´ temos que os valores poss´ e u ılia ıveis de N s˜o: {0. N N }.a. Suponha que uma fam´ seja escolhida aleatoriamente e defina a v.20 fN (3) = fN (4) = fN (5) = (b) Gr´fico: a fN (1) = P(N = 1) = 0.0036 se x = 2. Assim sendo no exemplo da inspe¸˜o dos o ca ca dois itens. Supondo a que todas as fam´ ılias tˆm chances iguais de serem sorteadas: e (a) Fun¸˜o de probabilidade ca fN (0) = P(N = 0) = 0. 30% possuem 1 filho. S˜o propriedades da fun¸˜o de probabilidade: a ca n fX (xi ) ≥ 0 ∀ xi e i=1 fX (xi ) = 1 Vari´veis aleat´rias s˜o t˜o importantes que algumas vezes ignoramos o espa¸o amostral original e a o a a c s´ trabalhamos com a distribui¸˜o de probabilidades da v.30 fN (2) = P(N = 2) = 0. N como o ılia n´mero de filhos desta fam´ u ılia. 4 ou 5 filhos.35 1 − [fN (0) + fN (1) + fN (2)] 1 − 0. DN. 35% possuem 2 filhos e as demais se dividem igualmente a e entre 3.30 0.3.20 − 0.

50 0. a fun¸˜o de distribui¸˜o a o o ca ca cumulativa poder´ ser definida em valores n˜o inteiros.35 = 0.3.20 0 1 2 3 4 5 n Note que. No exemplo anterior poder´ ıamos estar interessados na probabilidade da fam´ sorteada ter 2 ou menos filhos. A fun¸˜o de distribui¸˜o acumulada de uma vari´vel aleat´ria discreta X avaliada em ca ca ca a o x.85 Propriedades da fun¸˜o de distribui¸˜o cumulativa: ca ca 1. mesmo se a vari´vel aleat´ria s´ pode assumir valores inteiros.85 0.20 + 0.4 Fun¸oes de distribui¸˜o acumuladas c˜ ca ` As vezes necessitamos de expressar probabilidades acumuladas. ´ e F (x) = P(X ≤ x) = f (xi ) xi ≤x O gr´fico abaixo representa a fun¸˜o de distribui¸˜o cumulativa da vari´vel aleat´ria N do exemplo a ca ca a o anterior: FN (n) 1. FUNCOES DE DISTRIBUICAO ACUMULADAS ¸˜ ¸˜ cpa/gsa 3. ılia Este valor seria: P(N ≤ 2) = P(N = 0) + P(N = 1) + P(N = 2) = 0. Se x < y −→ F (x) ≤ F (y) 2. Assim definimos: a o Defini¸˜o 9.5) = P(N ≤ 2.4.85 Vemos assim que o uso de probabilidades cumulativas ´ um m´todo alternativo de descrever uma e e vari´vel aleat´ria. denotada por F (x).5) = P(N ≤ 2) = 0. lim+ F (x) = F (a) x→a (F ´ n˜o decrescente) e a (F ´ cont´ e ınua ` direita) a x→∞ 3.00 0. a a Na figura anterior: F (2.30 + 0. x→−∞ lim F (x) = 0 e lim F (x) = 1 50 .

7 − 0. MEDIA E VARIANCIA DE UMA VARIAVEL ALEATORIA DISCRETA cpa/gsa A prova de (1) ´ simples: e F (x) = P(X ≤ x). 0. 0 ≤ x < 2. determinar a fun¸˜o de probabilidade de uma v. .2. Detalhes podem ser encontrados em [8]. a partir da fun¸˜o de distribui¸˜o.2 − 0 = 0. A prova das propriedades (2) e (3) fogem do escopo deste curso. podemos escrever: f (xk ) = F (xk ) − F (xk−1 ) 3. 0. A u a ca a o m´dia ´ a medida do centro ou meio da distribui¸˜o de probabilidade e a variˆncia ´ a medida da e e ca a e dispers˜o ou variabilidade da distribui¸˜o.7 = 0. 2} com probabilidades respectivamente 0. . 0 e 2 e assim: a f (−2) = 0.70 0. Em geral se a vari´vel aleat´ria pode assumir os valores x1 < x2 < x3 < . 0.5 M´dia e variˆncia de uma vari´vel aleat´ria discreta e a a o Dois n´meros s˜o frequentemente usados para resumir a distribui¸˜o de uma vari´vel aleat´ria. a ´ 51 .a. . − 2 ≤ x < 0.5 e 0. X assume os valores {−2.20 -2 0 2 x Pelo gr´fico de F (x) podemos ver que os unicos pontos que recebem probabilidade diferente de zero a ´ s˜o −2. 2 ≤ x.1) . Estas medidas n˜o s˜o caracter´ a ca a a ısticas exclusivas de uma distribui¸ao.´ ˆ ´ ´ 3.2 = 0. mas mesmo assim s˜o importantes e uteis.3.2 F (x) = 0.5. X e seu respectivo gr´fico sejam: ca ca a FX(x) 1. Se x < y =⇒ [X ≤ y] = [X ≤ x] ∪ [x < X ≤ y]. Podemos.a.a. e se conhecemos F (xk ) a o para cada xk ∈ RX . a v.7    1 se se se se x < −2.00   0   0. j´ que podemos ter duas distribui¸˜es diferentes com mesma m´dia e mesma variˆncia (veja c˜ a co e a figura 3.2 f (0) = 0. como ca ca ca vemos no exemplo a seguir: Exemplo: Suponha que a fun¸˜o de distribui¸˜o acumulada da v.3 Ou seja.5 f (2) = 1 − 0.

a De forma similar a variˆncia usa f (x) como peso para multiplicar cada desvio quadrado (x − µ)2 .´ ˆ ´ ´ 3.1: Distribui¸˜es diferentes com mesma m´dia e variˆncia co e a Vimos no cap´ ıtulo 1 que para uma amostra de dados a m´dia e variˆncia amostrais eram e a 1 x= ¯ n n xi i=1 e 1 S = (n − 1) 2 n (xi − x)2 . ¯ i=1 Para uma vari´vel aleat´ria discreta temos: a o Defini¸˜o 10.a. onde os pesos s˜o as probabilidades. a A igualdade das f´rmulas da variˆncia apresentadas acima pode ser demonstrada usando propriedades o a dos somat´rios e a defini¸˜o de µ: o ca V (X) = x (x − µ)2 f (x) = x x2 f (x) − 2µ x xf (x) + µ2 x f (x) = x x2 f (x) − 2µ2 + µ2 = x x2 f (x) − µ2 Quando mais de uma vari´vel aleat´ria estiverem envolvidas em um estudo.a. Y a e 52 . nas m´dias e nas variˆncias a o e a usaremos um subscrito para diferenci´-las. ou seja: a µX : ser´ a m´dia da v. Y a e 2 σY : ser´ a m´dia da v. ´ e a o e µ = E(X) = k xk f (xk ) A variˆncia de X. MEDIA E VARIANCIA DE UMA VARIAVEL ALEATORIA DISCRETA cpa/gsa 0 2 4 6 8 10 0 2 4 6 8 10 Figura 3. ca A m´dia ou valor esperado de uma vari´vel aleat´ria discreta X.a. X a e 2 σX : ser´ a variˆncia da v. ´ a e σ 2 = V (X) = E(X − µ)2 = k (xk − µ)2 f (xk ) = k x2 f (xk ) − µ2 k O desvio padr˜o de X ´ a e σ= √ σ2 Vemos portanto que a m´dia de uma vari´vel aleat´ria discreta ´ a m´dia ponderada dos valores e a o e e poss´ ıveis de X.5. denotada por σ 2 ou V (X). X a a µY : ser´ a m´dia da v.a. denotada(o) como µ ou E(X).

2916 P(2) = 0.´ ˆ ´ ´ 3. aleat´ria discreta com fun¸˜o de probabilidade f (·) e h uma fun¸˜o de X.36 2. Suponha que a tenhamos as seguintes probabilidades: P(0) = 0.56 6. Seja X o n´mero de bits recebidos u com erro nos quatro pr´ximos bits transmitidos.4)2 0.6 2.4)2 0. E(X + Y ) = E(X) + E(Y ) 5. Se X ´ uma v. e a Solu¸˜o: ca µ = E(X) = 0f (0) + 1f (1) + 2f (2) + 3f (3) + 4f (4) = 0(0.6 3.2916) + 2(0.16 0.024336 0. n˜o negativa ent˜o E(X) ≥ 0 e a a Prova: E(X) = x xi pi como xi ≥ 0 e pi ≥ 0 logo E(X) ≥ 0 2.76 12. Se X = c ent˜o V (X) = 0 a 7.0486) + 3(0.0001 f (x)(x − 0.6561) + 1(0.36 Algumas propriedades da m´dia e da variˆncia: e a 1. X. E(aX + b) = aE(X) + b Prova: Podemos facilmente ver que P(aX + b = ax1 + b) = P(X = x1 ) = P1 logo E(aX + b) = n n n n n i=1 (axi + b)pi = i=1 (axi )pi + i=1 bpi = a i=1 xi pi + b i=1 pi = aE(X) + b 4. MEDIA E VARIANCIA DE UMA VARIAVEL ALEATORIA DISCRETA cpa/gsa Exemplo: Um canal digital transmite dados com certa probabilidade de erro.6 1.4}.4 0.a. Se X = c ent˜o E(X) = c a Prova: Como X = c → P(X = c) = 1 e da´ E(X) = cP(X = c) = c ı 3.4 Para calcularmos a variˆncia ´ conveniente montarmos a tabela: a e x 0 1 2 3 4 Assim: V (X) = σ 2 = i=1 x − 0.0036) + 4(0.a.2.4)2 = 0.0486 P(3) = 0.0036 P(4) = 0.6 (x − 0.0001 Calcule a m´dia e a variˆncia da v. Para qualquer vari´vel aleat´ria X temos V (X) ≥ 0 a o 6.0036 0.001296 f (xi )(xi − 0.3.2916 0.1.104976 0.96 5 f (x) 0. ent˜o e o ca ca a E[h(X)] = k h(xk )f (xk ) 53 .0486 0.6561 P(1) = 0. Os valores poss´ o ıveis de X s˜o {0.5.124416 0.6561 0.104976 0.0001) = 0. V (aX + b) = a2 V (X) 8. Se X ´ uma v.4 −0.

0001 = 0. xN } temos ca N N E(X) = i=1 xi pi = i=1 N i=1 xi 1 = N xi 2 N i=1 xi N N N i=1 V (X) = E(X ) − [E(X)] = 2 2 x2 i N − N i=1 N = x2 − [ i N2 N i=1 xi ]2 Suponha agora que o contradom´ ınio de X seja constitu´ pelos inteiros consecutivos a. N Suponha que X tem distribui¸˜o uniforme e que assuma os valores {x1 .3. . cada qual com e u a mesma probabilidade.6 Distribui¸˜es discretas mais comuns co Estudaremos nesta se¸˜o a distribui¸˜o de probabilidade de algumas vari´veis aleat´rias. xN tiver igual probabilidade. o 3. que recebem denomina¸˜es que co remetem a estas caracter´ ısticas especiais. . que podem ser modelados a partir do conhecimento das caracter´ ısticas destas vari´veis a aleat´rias. Vemos que a v. isto ´ x1 . . . . de modo geral.1 Distribui¸˜o uniforme discreta ca A v. x2 .a. . discreta mais simples ´ aquela que assume apenas um n´mero finito de valores.2916 + 22 × 0. . cada um com probabilidade (b − a + 1) podemos calcular: b µ= k=a k 1 (b − a + 1) = = 1 (b − a + 1) 1 (b − a + 1) b k= k=a 1 (b − a + 1) b a−1 k− k=1 k=1 k b(b + 1) − (a − 1)a 2 = b+a 2 54 . Definimos Defini¸˜o 11.42 = 0. . b. a + ıdo 1 .16. . Estas vari´veis aparecem constantemente em aplica¸˜es e a co experimentos reais. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Exemplo: Com os dados do exemplo anterior onde X ´ o n´mero de bits com erro nos pr´ximos 4 transmitidos.0036 + 42 × 0. . .52.0486 + 32 × 0. . Uma vari´vel aleat´ria X tem uma distribui¸˜o uniforme discreta se cada um dos n ca a o ca valores de seu contradom´ ınio. x2 . Assim 2. . igual a E(X)2 ).6. .a. assume (b − a + 1) valores.6561 + 12 × 0. a + 1. A E(X 2 ) n˜o ´. e a e 3. que por ca ca a o possu´ ırem caracter´ ısticas especiais comuns s˜o agrupadas em “fam´ a ılias”. . Assim e f (xi ) = 1/N i = 1. (Note que este valor ´ diferente de E(X)2 = 0. e u o qual o valor esperado do quadrado do n´mero de erros? u Solu¸˜o: ca h(x) = X 2 e portanto E[h(X)] = E(X 2 ) = 02 × 0. .6.

3.6. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜

cpa/gsa

Observa¸ao: Temos usado que: c˜ 1. A soma dos inteiros 1, 2, . . . , r ´ igual a e r(r + 1) . 2 r(r + 1)(2r + 1) . 6

2. A soma dos quadrados 12 , 22 , . . . , r2 ´ igual a e

Essas s˜o propriedades que valem para todo n´mero natural e o leitor pode provar usando o Princ´ a u ıpio de Indu¸˜o Matem´tica. ca a
b

V (X) = E(x ) − [E(X)] =
k=a

2

2

k2

1 (b − a + 1)
b


a−1

b+a 2 k2 −

2

= = =

1 (b − a + 1)

k2 −
k=1 k=1

b+a 2

2

1 b(b + 1)(2b + 1) (a − 1)a(2a − 1) b+a − − (b − a + 1) 6 6 2
2

2

1 2b3 + 3b2 + b − 2a3 + 3a2 − a b+a − (b − a + 1) 6 2 2 2 2 2 2a + 2ab − a + 2b + b b + 2ab + a = − 6 4 a2 − 2ab − 2a + b2 + 2b (b − a + 1)2 − 1 = = 12 12

Exemplos: 1. No lan¸amento de um dado honesto, seja a vari´vel aleat´ria X o n´mero da face superior. Qual a c a o u esperan¸a e a variˆncia de X? c a Solu¸ao c˜ E(X) = 6+1 = 3,5 2 V (X) = (6 − 1 + 1)2 − 1 ≈ 2,92 12

2. A central telefˆnica de uma empresa possui 48 linhas externas. Defina a v.a. X como o n´mero de o u linhas ocupadas em determinado instante, e considere que X tenha distribui¸˜o uniforme discreta. ca Se definirmos Y como a propor¸˜o das linhas telefˆnicas que est˜o em uso em determinado instante, ca o a qual a m´dia e variˆncia de Y ? e a Solu¸ao c˜ Em primeiro lugar note que se Y ´ a propor¸˜o de linhas ocupadas, ent˜o Y = X/48. Ou seja, e ca a Y = aX onde a = 1/48. Pelas propriedades da m´dia e variˆncia de vari´veis aleat´rias temos que e a a o E(aX) = aE(X) e V ar(aX) = a2 V ar(X). Ent˜o calculamos: a 1 (0 + 48) 1 E(X) = = 0,5 48 48 2 [(48 − 0 + 1)2 − 1]/12 2400/12 200 V (Y ) = V (X/48) = V (X)/482 = = = ≈ 0,087. 2304 2304 2304 E(Y ) = E(X/48) =

55

3.6. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜

cpa/gsa

3.6.2

Distribui¸˜o de Bernoulli ca

Experimento de Bernoulli: Dizemos que o experimento ε ´ de Bernoulli se existem dois resultados e poss´ ıveis: sucesso (S) com probabilidade p e fracasso (F ) com probabilidade (1 − p). Considere um experimento de Bernoulli com probabilidade p de sucesso. Defina X(S) = 1 e X(F ) = 0. Sendo assim, P(X = 1) = p e P(X = 0) = 1 − p , o que pode ser representado por f (x) = px (1 − p)1−x , x = 0 ou x = 1

A vari´vel X assim definida tem Distribui¸˜o de Bernoulli, nota¸˜o: X ∼ Bernoulli(p) a ca ca M´dia e variˆncia: Podemos ver que e a
1

E(X) =
x=0

xf (x) = 0f (0) + 1f (1) = 0p0 (1 − p)1 + 1P 1 (1 − p)0 = p

V (X) = E(X 2 ) − [E(X)]2 = 02 (1 − p) + 12 (P ) − p2 = p − p2 = p(1 − p) Exemplos: lan¸amento de uma moeda, escolha de uma pe¸a em um lote, etc. c c

3.6.3

Distribui¸˜o binomial ca

Se realizamos n repeti¸˜es independentes de um experimento de Bernoulli com probabilidade p de co sucesso, ent˜o definimos a vari´vel aleat´ria X: n´mero de sucessos ocorridos. a a o u X : S → RX com RX ⊆ R

C´lculo da fun¸˜o de probabilidade de X: em primeiro lugar ´ f´cil ver que RX = {0,1,2 . . . ,n}. a ca e a Calculemos ent˜o P(X = k). Para calcular esta probabilidade, precisamos contar o n´mero de sequˆncias a u e de tamanho n contendo k S s e n − k F s. Se todos os S s e todos os F s fossem diferentes ter´ ıamos n! sequˆncias diferentes (n´mero de arranjos de n elementos diferentes). e u Por simplicidade tomemos a sequˆncia S1 S2 S3 . . . Sk F1 F2 F3 ...Fn−k . Por considerarmos os S s difee rentes, essa sequˆncia ´ diferente de S2 S1 S3 . . . Sk F1 F2 F3 ...Fn−k e ´ diferente de qualquer outra sequˆncia e e e e obtida trocando algumas posi¸˜es dos S s. Ent˜o por considerarmos os S s diferentes, cada sequˆncia co a e est´ sendo repetida k! vezes. Pelo mesmo argumento cada sequˆncia est´ sendo repetida (n − k)! vezes a e a por considerarmos os F s diferentes. Ent˜o, como na realidade n˜o h´ diferen¸as entre os S s e nem entre a a a c os F s, o n´mero de sequˆncias com kS s e (n − k)F s ´ igual a: u e e n! = k!(n − k)! n k

Finalmente, desde que as repeti¸˜es dos experimentos s˜o independentes, a probabilidade de uma co a sequˆncia com kS s e (n − k)F s ´ igual a pk (1 − p)n−k . e e Conclui-se, ent˜o, que: a P(X = k) = n! pk (1 − p)n−k = k!(n − k)! n k p (1 − p)n−k k para k = 0, 1, . . . , n.

56

3.6. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜

cpa/gsa

Podemos ent˜o formalizar a: a Defini¸˜o 12. A vari´vel aleat´ria X que conta o n´mero de sucessos em n repeti¸˜es independentes ca a o u co de experimentos de Bernoulli (somente dois resultados poss´ ıveis designados como “sucesso”e “fracasso”e a probabilidade de sucesso em cada tentativa, denotada por p, constante), tem distribui¸˜o binomial ca com parˆmetros n e p, nota¸˜o X ∼ b(n,p) e fun¸˜o de probabilidade: a ca ca f (x) = n x p (1 − p)n−x , x x = 0, 1, . . . , n

O nome da distribui¸˜o vem da expans˜o binomial. Lembre-se que para as constantes a e b temos: ca a
n

(a + b)n =
k=0

n k n−k a b k

Partindo da expans˜o binomial, fazendo a = p e b = 1 − p podemos checar que a soma das probabilia dades para uma vari´vel aleat´ria binomial ´ igual a 1, conforme esperado, j´ que a o e a
n k=0

n k n−k a b = (a + b)n = (p + 1 − p)n = 1 k

Exemplos: 1. A eficiˆncia de uma vacina ´ de 80%. Sorteamos 3 indiv´ e e ıduos em uma popula¸˜o vacinada, e estes ca s˜o submetidos a um teste de imuniza¸˜o. a ca (a) Encontre a distribui¸˜o do n´mero de individuos imunizados na amostra. ca u u ıduos imunizados na amostra ser maior ou igual a 1? (b) Qual a probabilidade do n´mero de indiv´ Solu¸ao: c˜ (a) Se chamarmos de “sucesso” o fato do indiv´ ıduo sorteado estar imunizado, vemos que p = 0,80. A v.a. aleat´ria X, n´mero de sucessos na amostra, pode assumir os valores {0,1,2,3} Vemos o u ent˜o que X ∼ b(3; 0,8), pois a probabilidade de cada indiv´ a ıduo ser imunizado ´ 0,8 e esta e probabilidade ´ fixa para todo indiv´ e ıduo. Al´m disso, saber que um indiv´ e ıduo ´ imunizado e n˜o modifica a incerteza sobre os outros indiv´ a ıduos, ou seja, os eventos s˜o independentes. a (b) P(x ≥ 1) = P(x = 1) + P(x = 2) + P(x = 3) = 1 − P(x = 0) = 1 − =1− 3! × 1 × 0,008 0!3! 3 0,80 0,23 0

= 1 − 0,008 = 0,992 2. Uma linha de produ¸˜o em grande escala produz 6% de itens defeituosos. 30 itens da produ¸˜o ca ca semanal s˜o observados. Calcular a probabilidade de a (a) Observar no m´ximo 2 defeituosos? a (b) Observar entre 8 e 10 defeituosos?

57

10 0.05 0.25 0.00 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x x Binomial (20.06)k (0.05 0.94)28 0 1 2 = 0.30 0. 0. 0.20 0.15 f(x) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0.276931 = 0.05 0.05 0.94)30 + (0.94)21 + (0.000252 + 0.10 0.10 0.5) 0.2: Distribui¸˜o Binomial com n fixo e p crescente ca Binomial (20.30 Binomial (20. 0.15 0.25 0. 0.156256 + 0.7324 (b) A probabilidade de observarmos entre 8 e 10 defeituosos: 10 P(8 ≤ X ≤ 10) = k=8 30 (0. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Solu¸ao c˜ (a) Se X ´ o n´mero de itens defeituosos na amostra.06) e assim e u 2 P(X ≤ 2) = k=0 30 (0.3. vemos que X ∼ b(30.15 f(x) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0.23) 0.94)20 8 9 10 = 0.06)0 (0.1) 0.06)k (0.20 f(x) 0.94)30−k k = 30 30 30 (0.25 0.15 0.00 0.10 0.20 f(x) 0.94)22 + (0.000297 As figuras a seguir mostram exemplos de distribui¸˜es binomiais.36) 0.299213 + 0.94)29 + (0.06)9 (0.30 0. ca e Figura 3.25 0.6. Para n fixo (no exemplo 20) ` co a medida que p aumenta de 0 a 0.00 0.00 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x x 58 .5 a distribui¸˜o se torna mais sim´trica. 0.20 0.06)1 0(0.94)30−k k = 30 30 30 (0.30 Binomial (20.06)1 (0.000039 + 0.06)8 (0.000005 = 0.06)2 (0.

03 0. 0.00 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 0.06 = 1. 0. Podemos escrever a v. X como: e 30 X= k=1 Xk e agora calcular a m´dia de X por (como os Xk s s˜o independentes): e a 30 30 30 E(X) = E k=1 Xk = k=1 E(Xk ) = k=1 p = 30p = 30 × 0.12 0.03 0. Imagine o exemplo anterior da linha de produ¸˜o e para cada uma das 30 pe¸as a ca c da amostra vocˆ definisse novas v.23) 0.p).09 0. 0.06 0.6.03 0. .09 0.12 0.06.as. X1 .15 0. . X2 .00 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 x x Binomial (150.15 Binomial (100.8 Podemos generalizar ent˜o para: a Se X ∼ b(n.09 f(x) 0.06 f(x) 0. . ent˜o a µ = E(X) = np Al´m disto pode-se provar (foge ao escopo deste curso) que e σ 2 = V (X) = np(1 − p) 59 . e que a esperan¸a a o e a c de Xk ´ p.00 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 0. a Sabemos que cada nova vari´vel aleat´ria Xk ´ uma Bernoulli de parˆmetro p = 0.15 Binomial (200.03 0.06 0.15 0.09 f(x) 0.3: Distribui¸˜o Binomial com p fixo e n crescente ca Binomial (50.23) 0. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Figura 3.12 0.00 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 x x M´dia e variˆncia: A m´dia e a variˆncia de uma vari´vel aleat´ria binomial dependem somente e a e a a o dos parˆmetros n e p.06 f(x) 0. 0.3.a. .12 0.23) 0.23) 0. X30 tais que: e Xk = 1 se k-´sima amostra fosse defeituosa. e 0 caso contr´rio.

479589 = 0.048698 + 0. ca e e eo formam uma progress˜o geom´trica com raz˜o (1 − p).065100 + 0. com probabilidade p de sucesso.009135 2.3. 2. .052364 + 0. Em uma s´rie de repeti¸˜es de experimentos independentes de Bernoulli.2. e u co e c Logo: P(X = 10) = f (10) = (1 − p)9 p = (0. f (3).042119 + 0.6. Os termos f (1). .9319 × 0. . . a vari´vel aleat´ria X definida como o n´mero de repeti¸˜es at´ que o primeiro sucesso a o u co e ocorra tem distribui¸˜o geom´trica com parˆmetro p. Se ca e a probabilidade da pe¸a ser defeituosa ´ 0. Um m´dico est´ testando pessoas procurando uma pessoa com sangue tipo O− .056305 + 0.045289 + 0. . DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa 3.4 Distribui¸˜o geom´trica ca e Suponha novamente um experimento de Bernoulli ε. a Podemos ent˜o definir: a Defini¸˜o 13. Se repeti¸˜es co independentes de ε s˜o realizadas at´ que aconte¸a o primeiro sucesso. .3.99)9 × 0. } e C´lculo da fun¸˜o de probabilidade de X: Observemos que X = k se nas primeiras k − 1 repeti¸˜es a ca co acontecem F s (fracassos) e na k−´sima acontece S (sucesso).6.039171) = 1 − 0. 60 .017631 (b) Qual a probabilidade de que ele tenha que testar menos de 10 pessoas para achar a primeira com sangue O− ? Solu¸˜o: ca P(X ≥ 10) = 1 − P(X < 10) 9 =1− i=1 (1 − p)i−1 p = 1 − (0. qual a probabilidade de termos que observar 10 pe¸as? c e c Solu¸ao: c˜ X ´ n´mero de observa¸˜es at´ que o primeiro “sucesso”(neste caso uma pe¸a defeituosa) ocorra. Portanto a probabilidade de que X seja e igual a k ser´ (1 − p)k−1 p. .01 = 0. defina X : N´mero de repeti¸˜es. nota¸˜o X ∼ G(p) e ca e a ca f (x) = (1 − p)x−1 p x = 1. a e a Exemplos: 1. f (2). .060543 + 0. O motivo pelo qual essa distribui¸˜o ´ conhecida como geom´trica ´ ´bvio. . a e c u co Neste caso o contradom´ ınio ´ RX = {1. Se na popula¸˜o e a ca 7% possuem sangue tipo O− . com probabilica e co dade p de sucesso. retiram-se itens at´ encontrar o primeiro defeituoso.070000 + 0.520411.07 = 0.01. De uma linha de produ¸˜o em grande escala. (a) Qual a probabilidade de que ele tenha que testar 20 pessoas at´ achar a primeira com este tipo e particular de sangue? Solu¸˜o: ca P(X = 20) = f (20) = 0.

. sabendo que X > k1 .X > k1 ) P(X > k1 ) P(X > k1 + k2 ) = P(X > k1 ) (1 − p)k1 +k2 = (1 − p)k1 = (1 − p)k2 = P(X > k2 ) Ou seja. podemos concluir que: e Baseado neste resultado. ca ca P(X > k) = (1 − p)k com k = 1. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Fun¸˜o de distribui¸˜o acumulada: A fun¸˜o de distribui¸˜o da vari´vel geom´trica pode ser ca ca ca ca a e obtida por: ∞ F (k) = P(X ≤ k) = 1 − P(X > k) = 1 − P(X ≥ k + 1) = 1 − ∞ (1 − p)j−1 p j=k+1  ∞ k−1  (1 − p)j  =1−p j=k (1 − p)j = 1 − p  j=0 k (1 − p)j − j=0 =1−p 1 + (1 − p)k − 1 1 (1 − p) − 1 − =1−p p −p p = 1 − (1 − p)k Ent˜o a F (k) = 1 − (1 − p)k com k = 1. Ou seja. se X ∼ G(p). calculamos a probabilidade condicional de que X assuma valores maiores que (k1 + k2 ). e o ca e Deixamos como exerc´ a prova de que: ıcio P(X = k1 + k2 |X > k1 ) = P(X = k2 ) e P(X ≤ k1 + k2 |X > k1 ) = P(X ≤ k2 ) 61 .a. . .6. Propriedade da falta de mem´ria: o A partir da fun¸˜o de distribui¸˜o da v.2. estamos interessados em calcular: P(X > k1 + k2 |X > k1 ) Aplicando a defini¸˜o de probabilidade condicional podemos achar: ca P(X > k1 + k2 |X > k1 ) = P(X > k1 + k2 . para k1 e k2 inteiros positivos. .3. . P(X > k1 + k2 |X > k1 ) = P(X > k2 ) Esta propriedade ´ conhecida como falta de mem´ria da distribui¸˜o geom´trica. geom´trica calculada acima. .2.

90 0.60 0. qual a probabilidade que achemos o primeiro defeito na c quadrag´sima observa¸˜o? e ca Solu¸˜o: Pela propriedade de falta de mem´ria.80 0.50 0.40 0.70 0.3 p 0. em que a probabilidade de produzir item defeituoso ´ de ca e 0.40 0.10 0.01 vimos que a probabilidade de se observar 10 pe¸as para achar a primeira defeituosa ´ de 0.80 0.50 0.valores crescentes de p ca e Geométrica (0.60 0.00 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 Geométrica (0.6.10 0.70 0.90 0.20 0.50 0.70 0.30 0.20 0.20 0. 0.017631.30 0.4: Distribui¸˜o Geom´trica .40 0.10) f(x) x f(x) x Geométrica (0.3.30 0.00 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 0.60 0.90 0.50) 0.50 0.017631.00 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 0.9) f(x) f(x) 10 12 14 16 18 20 22 24 26 28 30 x x 62 .10 0.00 0 2 4 6 8 Geométrica (0.20 0.07 A figura abaixo mostra exemplos de distribui¸˜es geom´tricas para alguns valores de p co e Figura 3. ca o M´dia e variˆncia: Se X for uma vari´vel aleat´ria geom´trica com parˆmetro p ent˜o a m´dia e e a a o e a a e a variˆncia de X ser˜o: a a 1−p 1 σ 2 = V (X) = µ = E(X) = p p2 Exemplo: No caso anterior em que o m´dico est´ procurando um paciente com sangue tipo O− quantas pessoas e a ele espera testar at´ achar o tipo de sangue desejado? e Solu¸˜o: ca E(X) = 1 1 = = 14. c e Dado que observamos trinta pe¸as sem defeito.40 0.30 0.05) 0. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Exemplo: Na linha de produ¸˜o do exemplo anterior.80 0.60 0.70 0.90 0.80 0.10 0.

Uma linha de produ¸˜o em grande escala produz 6% de itens defeituosos.a. . 2. . Solu¸ao: c˜ Chamando X a vari´vel n´mero de filhos para que sejam 2 mulheres. sabendo-se que a cada concep¸˜o a chance ´ a mesma para ca e qualquer dos dois sexos. .125 P(7) = 6 × 0. . . vemos que X ∼ BN (2. .52 = 0. e e ca P(. . No caso especial em que r = 1. .5) a u com x ≥ 2.54 × 0. . nota¸˜o X ∼ BN (r. . 0. co e Calcular a probabilidade P(X = k) significa calcular a probabilidade de que foram necess´rias k a tentativas at´ obtermos r sucessos.52 = 0. r-1 sucessos c˜ k−1 (1 − p)k−r pr r−1 Podemos ent˜o definir: a Defini¸˜o 14. . DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Observa¸˜o: Alguns autores definem a vari´vel com distribui¸˜o geom´trica como aquela que define o ca a ca e n´mero de repeti¸˜es independentes de experimentos de Bernoulli com probabilidade de sucesso p. Sob esta defini¸˜o f (x) = (1 − p)x p c ca x = 0. . . Como s˜o necess´rias pelo menos r tentativas para se obter r sucessos. . geom´trica.3.52 × 0. . . .53 × 0. . .5 Distribui¸˜es binomial negativa co Uma generaliza¸˜o da distribui¸˜o geom´trica ´ aquela em que a vari´vel aleat´ria ´ o n´mero de ca ca e e a o e u repeti¸˜es at´ obtermos o ro sucesso. . .6. com parˆmetros p e r. 1.p) e ca a ca f (x) = x−1 (1 − p)x−r pr r−1 para x = r. Em uma s´rie de tentativas independentes de Bernoulli. 1 P(2) = 1 × 0. .52 = 0.51 × 0. r + 1.25 P(5) = 4 × 0. Um casal deseja ter duas filhas mulheres.1875 P(6) = 5 × 0. ou seja nas primeiras k − 1 repeti¸˜es tivemos r − 1 sucessos e k − r e co fracassos.6.52 = 0.078 P(3) = 2 × 0. com probabilidade constante p ca e de sucesso. .55 × 0. e Exemplos: 1. uma vari´vel aleat´ria binomial negativa ´ a o e uma v.25 P(4) = 3 × 0. . . r + 1.50 × (0. r + 2. Qual a probabilidade de ca e c que observemos pelo menos 30 itens? 63 . .5)2 = 0. . . . .3. . . o contradom´ a a ınio de X ´ e RX = {r. .52 = 0. a k−´sima repeti¸˜o resultou em sucesso. 3. . Retiramos sucessivaca mente amostras da produ¸˜o at´ que apare¸a o quarto item defeituoso. Assim x−1 P (X = x) = (1 − p)x−2 p2 x = 2. Ent˜o c a o u e a X tem distribui¸˜o binomial negativa. }.047 2. Al´m do mais. S) = k-1 repeti¸oes. fa¸a a vari´vel aleat´ria X denotar o n´mero de tentativas at´ que r sucessos ocorram. . r + 2. Encontre a distribui¸˜o do n´mero de filhos que eles ca u precisam ter para atingir esta meta. antes u co que aconte¸a o primeiro sucesso. .

06 0.1) 0. 0.16 0.10 Binomial Negativa (5.5) f(x) 0.7 A figura abaixo mostra alguns exemplos da distribui¸˜o binomial negativa.00 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 f(x) 0.16 0.12 0.06) e e u e c a 29 P(X ≥ 30) = 1 − P(x < 30) = 1 − x=1 x−1 (0.04 0.14 0.10 0.08 0.02 0.093143 = 0.4) 0.p) ent˜o: e a a µ = E(X) = Exemplos: 1. Qual o n´mero esperado de retiradas da linha de produ¸˜o at´ achar o quarto item defeituoso? u ca e Solu¸ao: c˜ µ = E(X) = 4 0.06 0.5 r p σ 2 = V (X) = r(1 − p) p2 =4 2.12 0.064 = 1 − 0. o n´mero de sucessos ´ fixo e u a u e o que varia ´ o n´mero de repeti¸˜es.10 0.3. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Solu¸ao: c˜ Se X ´ o n´mero de itens observados at´ que apare¸a o quarto defeituoso ent˜o X ∼ BN (4.6.08 0. para varia¸˜es de p com r ca co fixo e para varia¸˜es de r com p fixo: co Binomial Negativa (5.08 0.06 = 66. e u co M´dia e variˆncia: Se X ∼ BN (r. 0.94)x−4 0.16 0.2) f(x) 0.906857 3 O nome Binomial Negativa adv´m do fato de que na distribui¸˜o binomial o n´mero de repeti¸˜es ´ e ca u co e fixo e o n´mero de sucessos varia.04 0.12 0.12 0.06 0.14 0.00 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 x x Binomial Negativa (5.02 0. Quantos filhos em m´dia o casal dever´ ter para ter duas filhas? e a Solu¸ao: c˜ µ = E(X) = 2 0.04 0. 0.14 0.02 0. 0.06 0. 0.08 0.04 0.00 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 x x 64 .02 0.16 0.14 0.10 Binomial Negativa (5. na binomial negativa temos o contr´rio.00 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 f(x) 0.

a n−x pelo princ´ ıpio da multiplica¸˜o.. Existem K formas de escolhermos x elementos tipo ca x A de um grupo de K e N −K formas de escolher n − x objetos tipo B de um total de (N − K).2.08 0.05 Binomial Negativa (10.3) f(x) 0.05 0.01 0. que conta o n´mero de objetos do tipo A presentes em uma ca amostra aleat´ria de tamanho n retirada de uma popula¸˜o de tamanho N .n) e ca e ca K x N −K n−x N n f (x) = x = 0.02 0. 0.03 0. Uma vari´vel aleat´ria X.00 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 f(x) 0.00 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 f(x) 0.04 0.07 0.n} As restri¸˜es para o contradom´ co ınio de x se devem a: Limite inferior: se amostra for maior que o n´mero de objetos tipo B. Ent˜o. Denote X a a ca ca vari´vel aleat´ria que conta o n´mero de objetos tipo A na amostra. Limite superior: na amostra n˜o pode haver mais objetos tipo A que o total deles na popula¸˜o ou o a ca pr´prio tamanho da amostra.01 0.3) 0. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Binomial Negativa (5.02 0.07 0.N.06 0. o 65 .6.01 0.02 0.6. sem reposi¸˜o.02 0.08 0.00 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 x x 3.05 0. desta popula¸˜o.n + K − N } ≤ x ≤ m´ a ın{K. ca a Suponha que uma amostra de tamanho n ser´ retirada. existem K N −k formas de se escolher n objetos dos quais x do tipo A ca x n−x e n − x do tipo B. o menor valor de x ser´ u a n − (N − K) = n + K − N .3) 0. 0.3.n e m´x{0.06 0.3) f(x) 0. contendo K objetos do tipo o ca A e N − K objetos do tipo B.08 0. vemos que existem N formas de a ca n escolher n objetos de uma popula¸˜o de N objetos.06 0..00 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 x x Binomial Negativa (20.07 0.04 0. nota¸˜o X ∼ H(K.08 0.. Temos ent˜o: a a o u Defini¸˜o 15.03 0. a o u C´lculo da fun¸˜o de probabilidade de X: Em primeiro lugar.01 0.04 0.07 0. 0. tem uma distribui¸˜o hipergeom´trica.03 0.04 0. 0.6 Distribui¸˜o hipergeom´trica ca e Considere uma popula¸˜o formada por N objetos dos quais K s˜o do tipo A e N − K do tipo B.06 0.03 0..05 Binomial Negativa (30.1.

ca o Uma pesquisa de um laborat´rio sorteia 200 pessoas ao acaso na popula¸˜o. A sala tem 47 homens e 13 mulheres.092631 M´dia e variˆncia: Se uma vari´vel aleat´ria tem distribui¸˜o hipergeom´trica. de 2.200) e: e u a E(X) = 200 × 12.000395 = 0. 0.5) e e u c a 4 P(X > 2) = x=3 4 x 21 5−x 25 5 = 4 3 21 2 25 5 + 4 4 21 1 25 5 = 0. se X ∼ e a a o ca e H(K.000. Se o n´mero m´ximo de dec ca u a feituosas na amostra for 2 a empresa aceita o lote.016205 2.500 =1 2. Uma f´brica produz pe¸as que s˜o embaladas em caixas com 25 unidades.000 Se compararmos uma vari´vel aleat´ria hipergeom´trica e uma binomial veremos que a m´dia ´ a o e e a calculada da mesma forma e a variˆncia s´ difere pelo fator a o N −n N −1 chamado de fator de corre¸˜o para popula¸˜o finita. Se a caixa sorteada contiver 4 pe¸as defeituosas.n) ent˜o: a µ = E(X) = np e σ 2 = V (X) = np(1 − p) N −n N −1 onde p = K/N Exemplo: Estima-se que na popula¸˜o de Belo Horizonte.3. ent˜o X ∼ H(4. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Exemplos: 1.015810 + 0.500.5 milh˜es de pessoas. qual a probabilidade de metade serem mulheres? Solu¸ao: c˜ P(X = 3) = 13 3 60 6 47 3 = 0. Se quisermos formar aleatoriamente uma comiss˜o de 6 a pessoas.500. o controle de qualidade de uma empresa faz o seguinte teste: sorteia uma caixa do lote e desta caixa sorteia 5 pe¸as sem reposi¸˜o desta caixa.6.500. qual o n´mero esperado de o ca u hipertensos entre os 200 sorteados? Solu¸˜o: ca Se X ´ o n´mero de hipertensos entre os 200 escolhidos.N. c qual a probabilidade do lote ser rejeitado? Solu¸ao: c˜ Se X ´ o n´mero de pe¸as defeituosas na amostra.2.25.5% sejam hipertensos. ent˜o X ∼ H(12. ca ca 66 . ou seja. Para aceitar o lote rea c a cebido deste fabricante.

000/10. a cada escolha a probabilidade de retirarmos um elemento do tipo e ca e A se modifica. A probabilidade solicitada ´ aproximadamente ent˜o: e a 100 P(X ≥ 80) = x=80 100 0.000.04 0.100) Bin(100.22.6. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa Este fator de corre¸˜o deve-se ao fato de que no experimento com distribui¸˜o hipergeom´trica a ca ca e amostragem ´ sem reposi¸˜o.00 50 60 70 80 90 100 X 67 .993.8. ao passo que no experimento binomial esta probabilidade ´ constante.8x (1 − 0.8) 0.000. valores muito ılio pr´ximos um do outro. isto ´.3.000 = a a 0.100) e a u a a probabilidade solicitada ´: e 8. a corre¸˜o ser´ 10−8 = 0. qual a probabilidade de que pelo menos 80 possuam televis˜o? a Solu¸˜o: ca Seja X o n´mero de pessoas na amostra com televis˜o em casa.10.10.02 0.06 f(x) 0. ca ca a 999 Nesta circunstˆncia a distribui¸˜o hipergeom´trica com parˆmetros K. O gr´fico abaixo mostra a aproxima¸˜o da hipergeom´trica pela binomial com os o a ca e dados do exemplo acima: Comparação entre Hipergeométrica e Binomial 0. Se escolhermos aleac˜ e a toriamente uma amostra de 100 moradores.08 H(8.0. N e n pode ser aproximada a ca e a por uma distribui¸˜o binomial com parˆmetros n e p = n/N .10 0. Se formos ca a 9 retirar uma amostra de 8 elementos de uma popula¸˜o de 1000 o fator de corre¸˜o ser´ 1000−8 = 0. Ent˜o X ∼ H(8.000 2.000 100 x 100 − x P(X ≥ 80) = 10.8)100−x x Com aux´ de computador achamos 0.4598 para as duas probabilidades. e No entanto se n for muito pequeno em rela¸˜o a N esta corre¸˜o ser´ t˜o pequena que podemos ca ca a a aproximar a distribui¸˜o hipergeom´trica pela binomial: ca e Veja no exemplo abaixo: Se formos tirar uma amostra de 8 elementos de uma total de 10. ca a Exemplo: A popula¸ao de um bairro ´ de 10.000 pessoas das quais 8.000.000 possuem televis˜o.000.4602 e 0.000 x=80 100 Essa conta infind´vel pode ser aproximada por uma vari´vel binomial com n = 100 e p = 8.

u e a • n´mero de acessos a uma p´gina de internet em um minuto. a fun¸˜o u a ca de probabilidade do n´mero de erros em uma p´gina segue uma distribui¸˜o de Poisson. Existe uma pequena probabilidade.03048 0. P(X = k) = k! Esta ´ conhecida como fun¸˜o de probabilidade de Poisson.6. Se e a definirmos X : n´mero de pessoas que se acidentam durante o jogo. e a fun¸˜o de probabilidade de X ca pode ser aproximada por e−λ λk com k = 0. . A vari´vel aleat´ria de Poison est´ associada a eventos como: a o a u • n´mero de pessoas que chegam a uma fila em um minuto. . Desde que existe um n´mero grande de caracteres em uma p´gina de um livro.03048) e assim P(X = k) = e−0. • n´mero de buracos em um quilˆmetro de estrada. Num jogo de futebol existem 30. Na edi¸˜o de um texto. Sob determinadas condi¸˜es co podemos assumir que existe independˆncia no comportamento das pessoas dentro do est´dio. Quando n ´ a o ca a e suficientemente grande e p suficientemente pequeno. u a ca 2. u Exemplos: 1.7 Distribui¸˜o de Poisson ca Considere uma vari´vel aleat´ria X com distribui¸˜o binomial com parˆmetros n e p.1. a igual a 10−6 . etc) errado.10−6 ) ou X ≈ P (0. . ent˜o X ∼ P (5) e a P (X > 2) = 1 − P (X ≤ 2) = 1 − e−5 5x x! x=0 2 = 1 − (0. u a • n´mero de part´ u ıculas emitidas por um metal radioativo por segundo.875348 68 .006738 + 0. . n´mero.1.6. Nota¸˜o X ∼ P (λ) e ca ca Exemplos deste tipo de vari´vel aleat´ria s˜o: a o a ca u 1. u o u ıram em uma regi˜o durante 1 dia. .480 de torcedores no est´dio. • n´mero de defeitos em 1 m2 de tecido. existe uma pequena probabilidade de se digitar um caracter (letra.084224) = 1 − 0.03048k k! k = 0. DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa 3.2. O n´mero de part´ u ıculas α emitidas por minuto por determinado elemento radioativo segue uma distribui¸˜o de Poisson com λ = 5. temos u X ∼ b(30. de que uma pessoa sofra um acidente durante o jogo.480. Qual a probabilidade de haver mais de 2 emiss˜es em um minuto? ca o Solu¸ao: c˜ Seja X o n´mero de part´ u ıculas emitidas por minuto. a • n´mero de raios que ca´ • n´mero de bact´rias em 1 ml de ´gua.3. . defina λ = np.124652 = 0.033690 + 0.2.

u Exemplo: O n´mero de acessos ` p´gina da UFMG na internet pode ser modelado como uma vari´vel aleat´ria u a a a o de Poisson com um n´mero m´dio de 3 acessos por minuto. ca e e a Este resultado pode ser provado usando-se as correspondentes defini¸˜es. ´ de se esperar que a m´dia seja igual a np = λ e a variˆncia seja igual a np(1 − p) = λ. em um dia λ = 60 ∗ 3 ∗ 24 = 4. Observa¸˜o: O termo “tempo” no par´grafo anterior ´ mais amplo do que tempo no sentido literal.2231 + 0. n´mero de irregularidades por m2 de tecido. ache a probabilidade de que em uma p´gina escolhida a ao acaso existam: (a) nenhum erro (b) mais de dois erros Solu¸˜o: ca e−1. Calcule: u e 1. ent˜o o n´mero de ocorrˆncias ca a a u e deste evento em um intervalo de tempo de comprimento t tem distribui¸˜o de Poisson com parˆmetro λt.320 c˜ e−180 180190 = 0.2231 0! P(X > 2) = 1 − P (x ≤ 2) = 1 − [0.5 = 0.50 = e−1. o n´mero de buracos por km de estrada.320 e como µ = E(X) = λ = 4. O n´mero m´dio de erros de datilografia em um livro ´ de 1.191153 P(X = 0) = M´dia e variˆncia: Desde que a distribui¸˜o de Poisson aparece como uma aproxima¸˜o da distrie a ca ca bui¸˜o binomial. por exemplo.5 1.5 por p´gina. Probabilidade de que a p´gina tenha 190 acessos em uma hora.022023 190! 69 . defina X : n´mero de ocorrˆncias de um evento por unidade de tempo e Xt : n´mero de e u e u ocorrˆncias deste evento em um intervalo de tempo de comprimento t. (O leitor interessado pode ver. por exemplo.3. Supondo que o modelo u e e a de Poisson sirva para modelar este processo. a Solu¸ao Se λ = 3 em um minuto.6. ca a Isto ´. ent˜o Xt ∼ P (λt). DISTRIBUICOES DISCRETAS MAIS COMUNS ¸˜ cpa/gsa 2. em uma hora λ = 60 ∗ 3 = 180 ent˜o c˜ a P(X = 190) = 2.334695 + 0. ca a e Isto ´. co Um resultado importante envolvendo a distribui¸˜o de Poisson: se o n´mero de ocorrˆncias de um ca u e evento por unidade de tempo tem distribui¸˜o de Poisson com parˆmetro λ. Se X ∼ P (λ). etc. e a A prova deste resultado foge ao alcance de nossa disciplina.. podemos contar.251021] = 0. n´mero de erros por p´gina e u u a de um livro. N´mero esperado de acessos em 1 dia u Solu¸ao Se λ = 3 em um minuto. em [4]).

Calcule: (a) P(X ≤ 1) (b) P(X > 1) (c) P(2 < X < 6) (d) P(X ≤ 1 ou X > 1) x = 1.e.00 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 f(x) 0.05 0. 3.30 0.15 0.15 0.35 0.10 0.05 0.b.40 0.15 0.30 0.40 0.35 0.00 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 f(x) 0.05 0.10 0.5 d 1.25 0.35 0. 2.20 0.20 0.25 Poisson (2) f(x) 0.25 Poisson (10) f(x) 0. Considere uma vari´vel aleat´ria com a seguinte fun¸˜o de probabilidade: a o ca f (x) = (8/7)(1/2)x .20 0.15 0.00 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x x Poisson (5) 0.7.40 0.20 0.c.40 0. 2.5 e 2 f 3 Determine a fun¸˜o de distribui¸˜o cumulativa da vari´vel aleat´ria X e esboce seu gr´fico. O espa¸o amostral de um experimento aleat´rio ´ Ω = {a.10 0.05 0. para valores crescentes de λ ca Poisson (1) 0.25 0.30 0.7 Exerc´ ıcios 1. ca ca a o a 70 .f } e cada resultado ´ igualmente c o e e prov´vel.00 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x x 3. Uma vari´vel aleat´ria ´ definida como segue: a a o e resultado x a 0 b 0 c 1.10 0. EXERC´ ICIOS cpa/gsa A figura abaixo mostra alguns exemplos da distribui¸˜o de Poisson.35 0.d.3.30 0.

EXERC´ ICIOS cpa/gsa 3. Em fun¸˜o disto ele aceita 185 reservas para este ca vˆo. qual a probabilidade de que em no m´ximo um deles algum(ns) passageiro(s) o a que comparecem na hora de embarcar n˜o tenha(m) condi¸˜o de viajar? a ca (c) Quais s˜o as suposi¸˜es que vocˆ precisa fazer para abordar os itens (a) e (b)? a co e 7. 25 x = 0. qual a probabilidade de termos que testar pelo menos a mais 3 at´ que a primeira barra se quebre?.3. e (a) Qual a probabilidade de que uma pe¸a de tecido de 10 metros quadrados de tecido tenha no c m´ximo 5 falhas? a e c (b) Se vocˆ compra 100 pe¸as de tecido de 10 metros quadrados cada. 3. Com os dados da vari´vel aleat´ria X do exerc´ anterior determine as seguintes probabilidades: a o ıcio (a) P(X = 1. Da produ¸˜o di´ria a ca a destas barras testam-se algumas at´ encontrar a primeira a quebrar quando submetida a este peso. 5. o (a) Forne¸a uma express˜o para a probabilidade de que todos os passageiros que comparecerem c a ao embarque.7.5) (b) P(0. e (a) Calcule a probabilidade de termos que testar pelo menos 6 barras. Um vˆo tem capacidade para 175 passageiros.5 < X < 2. 1.2. e 6. O n´mero de falhas por metro quadrado de um tecido ´ uma vari´vel aleat´ria com distribui¸˜o de u e a o ca Poisson com m´dia igual a 0. Considere uma vari´vel aleat´ria com a seguinte fun¸˜o de probabilidade: a o ca f (x) = Calcule: (a) P(X = 4) (b) P(X ≤ 1) (c) P(2 ≤ X < 4) (d) P(X > −10) 2x + 1 . O gerente da empresa a´rea sabe que apenas 92% o e das pessoas que fazem reserva realmente viajam.7) (c) P(X > 3) (d) P(0 ≤ X < 2) (e) P(X = 0 ou X = 2) 4. 6% das barras produzidas em grande escala n˜o suportam um peso de 350 kg. de que no m´ximo 2 pe¸as tenham mais de 5 falhas? a c 71 . (b) Se as primeiras 4 barras n˜o quebraram. 2. ca a e (b) A probabilidade calculada pela express˜o apresentada no item (a) ´ igual a 0. De 10 vˆos realizados. qual a probabilidade.93162. 4. tenham condi¸˜o de viajar.

Para controlar a qualidade da linha. qual a probabilidade de vocˆ encontrar exatamente 3 defeituosos? (c) Vocˆ resolveu implantar o segundo teste. e a Se forem encontrados mais de 2 parafusos defeituosos a linha ´ parada e entra em manuten¸˜o. No segundo teste vocˆ retira 30 parafusos da linha de produ¸˜o e observa o n´mero de e ca u parafusos defeituosos em sua amostra. qual a probabilidade de haver 2 paradas para a manuten¸˜o na mesma semana? ca 72 . a a (b) Em cinco p´ginas encontremos exatamente 5 erros.3.7. que passou a ser realizado todos os dias pela manh˜. Y ? a 10. (a) No primeiro teste qual a probabilidade de vocˆ retirar 20 parafusos? e e (b) No segundo teste.a. −2. A vari´vel aleat´ria Y assume os valores {−10. 0. e ca Sabendo que a f´brica opera 7 dias por semana. Vocˆ ´ o respons´vel pela linha de produ¸˜o de parafusos de uma metalurgia. Encontre a probabilidade de que: a (a) Em uma p´gina encontremos no m´ximo 2 erros. EXERC´ ICIOS cpa/gsa 8. O n´mero de erros de digita¸˜o em uma p´gina de um livro ´ uma vari´vel aleat´ria de Poisson u ca a e a o com parˆmetro λ = 1. verificando se ca e efetivamente a taxa de defeitos est´ dentro do previsto. a o (a) Qual o valor de y se E(Y ) = 0? (b) Qual o desvio padr˜o da v. a 9. 5. vocˆ quer comparar dois tipos de teste: a e No primeiro vocˆ retira aleatoriamente parafusos da linha de produ¸˜o at´ encontrar o primeiro e ca e defeituoso. A taxa nominal e e a ca de defeitos da linha de produ¸˜o ´ de 2%. y} com igual probabilidade.

1 Introdu¸˜o ca Em diversos experimentos uteis no nosso dia a dia. 1000 ou 5000 barras temos os histogramas com seus correspondentes pol´ ıgonos de frequˆncia e representados nas figuras 1b a 1f . Essa ca a fun¸˜o. e c • comprimento de uma pe¸a usinada. da´ o nome de ı vari´veis aleat´rias cont´ a o ınuas. o podem ser representadas por vari´veis aleat´rias. este contradom´ e a a ınio pode ser pensado como um continuum. Observemos que ` medida que aumentamos o tamanho da amostra. f . ou simplesmente ca ca e ca densidade.Cap´ ıtulo 4 Vari´veis Aleat´rias Cont´ a o ınuas 4. 500. a Se escolhemos 50 barras e medimos o comprimento destas barras podemos construir um histograma e seu pol´ ıgono de frequˆncia como o representado na figura 1a na pr´xima p´gina.2 Distribui¸˜es de probabilidades e fun¸˜es de densidade de co co probabilidade Consideremos a vari´vel X representando o comprimento das barras produzidas por uma empresa. 4. 73 . Se escolhemos e o a 100. O contradom´ a o ınio destas vari´veis aleat´rias ´ um a o e intervalo (finito ou infinito) de n´meros reais. medidas de interesse como ´ • corrente el´trica em um fio de cobre. • peso de uma viga de concreto. 200. o pol´ a ıgono de frequˆncia torna-se e ∞ mais suave. • tempo de falha de um componente eletrˆnico. obtida por constru¸˜o ´ chamada de fun¸˜o de densidade de probabilidade. Se fizermos n → ∞ teremos uma fun¸˜o n˜o negativa f tal que −∞ f (x)dx = 1. Como o conjunto de valores poss´ u ıveis da vari´vel aleat´ria a o X ´ infinito n˜o enumer´vel.

0 Comprimento em cm 100.0 99.5 Comprimento em cm 101.2 Comprimento em cm 100.5 101.0 99.5 99.0 101.0 100. Podemos provar que P assim definida satisfaz os 3 axiomas da probabilidade.80 Comprimento em cm 101.0 100.2.70 Fig 1c Fig 1d Histograma de X (n=1000) 100 400 80 300 Frequência Frequência 60 Histograma de X (n=5000) Normal 200 40 20 100 0 98.5 102.4 Frequência 40 30 20 10 0 98.0 0 98.6 100.5 100.5 Comprimento em cm 101.0 99.4.5 100.5 102.5 100.45 99.0 99.0 101. PROBABILIDADE: DISTRIBUICOES E FUNCAO DE DENSIDADE ¸˜ ¸˜ cpa/gsa Histograma de X: comprimento da barra para amostras sucessivamente crescentes Histograma de X (n=50) 10 20 8 15 Frequência 6 Frequência Histograma de X (n=100) 10 4 2 5 0 98.25 101.0 99. isto ´.0 101.5 100. 74 .b] como a integral de f neste intervalo.8 101.5 99.35 100.5 99.90 100.0 Fig 1e Fig 1f Desde que −∞ f (x)dx = 1.0 100.5 99.00 60 Histograma de X (n=500) 99. ´ muito natural definir a probabilidade de que X assuma valores no e intervalo [a.55 99.4 99.5 Fig 1a Fig 1b Histograma de X (n=200) 35 30 50 25 Frequência 20 15 10 5 0 98. definimos: e b ∞ P(a ≤ X ≤ b) = a f (x)dx.5 Comprimento em cm 101.0 0 98.

teremos: a P(X = a) = P(a ≤ X ≤ a) = a f (x)dx = 0 ∀a ∈ R.1: Probabilidade determinada a partir da ´rea sob f (x) a Se fizermos a = b.05 para e ca e 0 ≤ X ≤ 20 conforme figura abaixo: f(x) 0 15 20 x Qual a probabilidade que uma medida na corrente seja menor do que 15mA? Solu¸ao: c˜ P(X < 15) = 0 15 15 f (x)dx = 0 0. e para qualquer valor de a.4.05dx = 15 × 0.2. Isto ´. Seja a vari´vel aleat´ria X a corrente em miliamp`res em um fio de cobre. se X ´ uma vari´vel aleat´ria cont´ e e a o ınua a probabilidade de que ela assuma o valor a ´ zero.05 = 0. temos que: e P(a ≤ X ≤ b) = P(X = a) + P(a < X ≤ b) = P(a < X ≤ b) Analogamente podemos ver que: P(a ≤ X ≤ b) = P(a ≤ X < b) = P(a < X < b) Exemplos: 1. n´mero real. u Como consequˆncia disto. Suponha que o cona o e tradom´ ınio de X ´ [0. 20] e a fun¸˜o de densidade de probabilidade de X ´ f (X) = 0.75 75 . PROBABILIDADE: DISTRIBUICOES E FUNCAO DE DENSIDADE ¸˜ ¸˜ cpa/gsa A figura a seguir ilustra a probabilidade de a ≤ X ≤ b: f(x) P(a < X < b) a b X Figura 4.

5) . e F (a) = 0 a para x < 0 f (x)dx = 0.6 mm.05x x para 0 ≤ x < 20 finalmente F (x) = 0 f (x)dx = 1 76 para x ≥ 20 .4. calcule ca e a fun¸˜o de distribui¸˜o cumulativa de X. O diˆmetro de um orif´ em uma placa met´lica ´ influenciado por diversas altera¸˜es no processo a ıcio a e co de perfura¸˜o.3. ent˜o a F (x) = 0.3 Fun¸˜o de distribui¸˜o acumulada ca ca A fun¸˜o de distribui¸˜o acumulada. tamb´m ca ca a ca ca e pode ser usada para descrever uma vari´vel aleat´ria cont´ a o ınua.6 = 0. f (x) = 0.5) ∞ 12. f(x) 12.5 mm. Qual a probabia e a lidade de uma placa ser recusada pelo comprador? Solu¸ao: c˜ ∞ ∞ P(X > 12.60) = 12. Defini¸˜o 16. x ≥ 12. Exemplos: 1. podendo ser modelado por uma vari´vel aleat´ria com densidade de probabilidade ca a o f (x) = 20e−20(x−12. No exemplo 1 da se¸˜o anterior em que X era a corrente em miliamp`res em um fio de cobre.135335 4.6 20e−20(x−12.6 x A tolerˆncia do comprador da placas ´ que o furo possa ter no m´ximo 12. ca ca Solu¸ao: c˜ Em primeiro lugar se x < 0.6 f (x)dx = 12. FUNCAO DE DISTRIBUICAO ACUMULADA ¸˜ ¸˜ cpa/gsa 2.5 12. A fun¸˜o de distribui¸˜o cumulativa de uma vari´vel aleat´ria cont´ ca ca ca a o ınua X avaliada em a ´ definida por: e a F (a) = P(X ≤ a) = −∞ f (x)dx para − ∞ < x < ∞.5) dx = −e−20(x−12. `s vezes referida apenas como fun¸˜o de distribui¸˜o.

5.5) 0 1 − e−20(x−12.5 para x ≥ 12. F (x) =  1 se x ≥ 20. Solu¸ao: c˜ Temos inicialmente. Achar a fun¸˜o de distribui¸˜o para a vari´vel aleat´ria “diˆmetro do furo”no exemplo 2 da se¸˜o ca ca a o a ca anterior.5) obtemos ent˜o a F (x) = O gr´fico de F (x) ´: a e F(x) se x < 12. assim o ca 77 .4. se x ≥ 12.5) dx = 1 − e−20(x−12.5 20e−20(x−12.5. substituindo-se a soma pela integra¸˜o. O gr´fico abaixo mostra F (x): a F(x) 1 0 20 x 2. 1 12.4 M´dia e variˆncia e a A m´dia e variˆncia de uma vari´vel aleat´ria cont´ e a a o ınua s˜o definidas de modo similar a uma vari´vel a a aleat´ria discreta.5 a para x < 12. F (x) = 0. MEDIA E VARIANCIA cpa/gsa Assim podemos escrever. e F (a) = 12.05x se 0 ≤ x < 20.  se x < 0.5 x 4.  0 0.´ ˆ 4.

5 e P(X ≤ md) = 0.´ ˆ 4.05(x − 10)3 3 f (x)dx = 0. ca e e e a 78 . MEDIA E VARIANCIA cpa/gsa Defini¸˜o 17.a. ´ a e σ 2 = V (x) = ∞ −∞ (x − µ)2 f (x)dx = ∞ −∞ x2 f (x)dx − µ2 E o desvio-padr˜o de X ´ σ = [V (X)]1/2 . A m´dia ou o valor esperado de X denotado por µ ou E(X).5 = 10 0. Suponha que X seja uma vari´vel aleat´ria cont´ ca a o ınua com fun¸˜o de densidade de probaca bilidade f (·).25 quantil xq : P(X ≤ xq ) = q Exemplos: 1. ´ e e ∞ µ = E(X) = −∞ xf (x)dx A variˆncia de X denotada por σ 2 ou V (X).05x 0 md 0 = 0.05x2 2 20 0 20 0 = 10 = 50 50 + = 33. X do exemplo da medida de corrente no fio de cobre? e a Solu¸ao: c˜ 20 e P(X ≤ xq3 ) = 0.5 → 0. Qual a m´dia.33 3 3 σ 2 = V (X) = 0 md 20 (x − 10)2 f (x)dx = 0. variˆncia e mediana da v. a e As propriedades da m´dia e variˆncia s˜o similares `quelas enunciadas no caso discreto.05 Neste caso como a fun¸˜o de densidade ´ sim´trica em torno de 10. a m´dia e mediana s˜o iguais.5 → md = 0.4. e a a a Al´m disso definimos outras medidas de posi¸˜o para vari´veis aleat´rias cont´ e ca a o ınuas como: Mediana: a mediana ´ o valor md que tem a propriedade e P(X ≥ md) = 0.5 Moda: a moda ´ o valor mo tal que e f (mo) = max f (x) x Primeiro e terceiro quartis: S˜o respectivamente os valores xq1 e xq3 tais que: a P(X ≤ xq1 ) = 0.75 µ = E(X) = 0 xf (x)dx = 0.

5 → 1 − e−20(md−12.5) = ln2 md − 12.5 f (x)dx = 0. Qual a m´dia e a variˆncia da v.4. mediana e variˆncia de X Solu¸oes c˜ O gr´fico da fun¸˜o ´: a ca e f(x) 3/40 1/40 0 10 20 x 79 . caso contr´rio.5 (x − 12.5) = 0.55)2 f (x)dx = 0.034657 → md ≈ 12.5 + 0. ∞ V (X) = 12. MEDIA E VARIANCIA cpa/gsa 2.5) = 12.5 − + 12.5) = 0. e ca (b) Calcular a probabilidade de que X seja menor ou igual a 8. X do exemplo do diˆmetro do furo na placa met´lica? e a a a Solu¸ao: c˜ µ = E(X) = 12.5 ∞ ∞ xf (x)dx = 12.5) ∞ 20 12.5 → −e−20(x−12. temos e−20(x−12.a.5 ∞ µ = E(X) = −xe−20(x−12.5) → 20(md − 12. a (a) Verificar se f (x) ´ uma fun¸˜o densidade de probabilidade.05 = 12.5 x20e−20(x−12.53 Exemplo a t´ ıtulo de exerc´ ıcio: f (x) = 1 x 40 ( 10 0 + 1) se 0 ≤ x ≤ 20.55 (integrando por partes).5 = 12.0025 Finalmente calculemos a mediana: md 12.5 = 0.5) dx Se fizermos u = x du = dx dv = 20e−20(x−12.5 e−20(md−12.5 → −20(md − 12.5 = 0.5) ∞ 12.5 e−20(x−12.5) v = −e−20(x−12.´ ˆ 4. e a (c) Calcular a m´dia.5) .5) md 12.5) = ln(0.

5 Distribui¸˜o uniforme cont´ ca ınua . e an´loga ` sua correspondente discreta e a a Defini¸˜o 18. a ≤ x ≤ b. 0 20 0 1 40 x x2 x + 1 dx = + 10 800 40 20 0 = 400 20 + =1 800 40 (provando que ´). b].56 (σ = 5. (b − a) Nota¸˜o X ∼ U [a. e (b) A probabilidade pedida ´: e 8 P(X ≤ 8) = 0 1 40 x2 x x + 1 dx = + 10 800 40 8 0 = 64 8 + = 0. observemos primeiro que f (x) ≥ 0.b] se: 1 f (x) = .67 1200 80 1 40 x2 x x + 1 dx = 0.28 800 40 (c) Para calcularmos as medidas solicitadas 20 20 µ = E(X) = 0 md 0 xf (x) = 0 x 40 x x3 x2 + 1 dx = + 10 1200 80 md 0 20 0 = 8000 400 + = 6.6667) ≈ 30.5 → + 10 800 40 σ 2 = V (X) = 0 20 = 0.36 (x − µ)2 f (x) = E(X 2 ) − [E(X)2 ] 20 0 E(X 2 ) = 0 20 x2 f (x) = 0 20 x2 40 x4 x3 x + 1 dx = + 10 1600 120 2 = 160000 8000 + = 266.5 → (md)2 + 20(md) − 400 = 0 → md ≈ 12.67 1600 120 V (X) = 266. Dizemos que uma vari´vel aleat´ria cont´ ca a o ınua X tem distribui¸˜o uniforme no intervalo ca [a.08 + 0. ca Podemos deduzir: b µ = E(X) = a x x2 dx = b−a 2(b − a) b a = a2 b2 − a2 (b − a)(a + b) a+b b2 − = = = 2(b − a) 2(b − a) 2(b − a) 2(b − a) 2 e E(X 2 ) = a b x3 x2 dx = b−a 3(b − a) 2 b a = a2 + ab + b2 b3 − a3 = 3(b − a) 3 e portanto V (X) = a2 + ab + b2 a+b − 3 2 = 4a2 + 4ab + 4b2 − 3a2 − 3b2 − 6ab a2 − 2ab + b2 (b − a)2 = = 12 12 12 80 . Resta checar que e ca 20 f (x)dx = 1.5.67+5 = 11. DISTRIBUICAO UNIFORME CONT´ ¸˜ INUA cpa/gsa (a) Para checar se ´ fun¸˜o de densidade.53) 4.4.20 = 0. A distribui¸˜o cont´ ca ınua uniforme ´ a mais simples.67 − (11.

e a fun¸˜o de densidade de X ´ ca e f (x) = 1/6 se 0 ≤ x ≤ 6. vemos que se a < x < b vale: x F (x) = a 1 x dx = b−a (b − a) x a = x a − (b − a) (b − a) Assim a descri¸˜o completa de F ´: ca e  se x < a. F (x) =  1 se x > b.  0 (x − a)/(b − a) se a ≤ x ≤ b. DISTRIBUICAO UNIFORME CONT´ ¸˜ INUA cpa/gsa Em resumo temos: A m´dia e a variˆncia de uma vari´vel aleat´ria cont´ e a a o ınua uniforme X sobre [a. cont´ ca ca ınua uniforme. a 81 .6].b] s˜o: a µ = E(X) = (a + b) 2 σ 2 = V (X) = (b − a)2 12 A figura abaixo mostra um exemplo de uma vari´vel aleat´ria cont´ a o ınua uniforme: f(x) 1/(b-a) a b x Para obtermos a fun¸˜o de distribui¸˜o da v. qual a probabilidade de que o vazamento ocorra a no m´ximo 1 metro de uma das extremidades? a Solu¸˜o: ca Se chamarmos X a vari´vel aleat´ria que indica a distˆncia do vazamento a uma das extremidades a o a do tubo.4.a. vemos que X ∼ U [0.5. Sabendo que os tubos possuem 6 m de comprimento e que o vazamento c tem probabilidade igual de ocorrer em intervalos de comprimento iguais. 0 caso contr´rio. F (x) est´ representada na figura abaixo: a F(x) 1 a b x Exemplo: Para testar a resistˆncia de tubos de PVC t´cnicos submetem os mesmos a grandes press˜es at´ que e e o e apare¸a o primeiro vazamento.

DISTRIBUICAO NORMAL ¸˜ cpa/gsa A probabilidadde de que o vazamento esteja no m´ximo a um metro das extremidades pode ser escrita a como: 1 P(0 ≤ x ≤ 1) + P(5 ≤ x ≤ 6) = 0 1 dx + 6 6 5 1 x dx = 6 6 1 0 + x 6 6 5 = 1 6 5 1 −0+ − = 6 6 6 3 4. ca 82 . desgates na ferramenta c˜ co c a de corte e nos mancais do torno. a A figura abaixo mostra o histograma da vari´vel altura da tabela estudada em 1. ca Al´m disso encontramos a distribui¸˜o normal no estudo de diversos fenˆmenos f´ e ca o ısicos b´sicos. varia¸˜es na velocidade de rota¸˜o. Outro exemplo da importˆncia da distribui¸˜o normal ´ visto no seguinte exemplo: o erro no coma ca e primento de uma pe¸a usinada ´ uma soma de um grande n´mero de erros infinitesimais. Efeitos como c e u varia¸oes na temperatura e na umidade. vibra¸˜es.2. com uma distria bui¸˜o normal ajustada aos dados.2.6. em muitos casos pode-se demonstrar que o erro total tem distribui¸˜o normal. Toda vez que se a ca replica um experimento aleat´rio. Esta distribui¸˜o ca descreve o comportamento de diversas vari´veis aleat´rias cont´ a o ınuas e tamb´m ´ util para aproximar a e e ´ distribui¸ao de diversas vari´veis aleat´rias discretas. co ca co ca varia¸oes em in´meras caracter´ c˜ u ısticas da mat´ria prima. Se cada comca ponente produzir um erro de forma independente.4.6 Distribui¸˜o normal ca A distribui¸˜o normal ´ uma das distribui¸˜es mais importantes na estat´ ca e co ıstica. diferentes n´ e ıveis de contamina¸˜o. mudan¸as no ˆngulo de corte. a vari´vel aleat´ria que for igual ao resultado m´dio (ou total) das o a o e r´plicas tender´ a ter uma distribui¸˜o normal. ` medida que o n´mero de repeti¸˜es for se tornando e a ca a u co grande. varia¸˜es na montagem e fixa¸˜o. c˜ a o Diversos histogramas possuem formas similares ` forma da distribui¸˜o normal.

´ dita ter distribui¸˜o normal.04 0. ent˜o: a 2 2 Y tem distribui¸˜o normal com m´dia µY = aµX + b e variˆncia σY = a2 σX .σ 2 ) ca O valor µ determina o centro da da fun¸˜o de densidade e σ 2 a dispers˜o em torno da m´dia.6. a σX ). Se X ∼ N (µx .4.06 0. e por consequˆncia f (µ + a) = f (µ − a).10 Densidade 0. como ´ o caso da distribui¸˜o normal. Nota¸˜o: X ∼ N (µ.08 0.12 0. Se X tem distribui¸˜o normal. 2π −∞<z <∞ Lembrando a propriedade 2 vemos que ϕ(z) = ϕ(−z) a o ca e e e 5. O parˆmetro µ ´ qualquer n´mero real e σ e ca a a e u precisa ser positivo.00 -5 0 5 10 X 15 20 25 Algumas propriedades da Distribui¸˜o Normal: ca 1. isto ´ Y ∼ N (aµX + ca e a e 2 2 b. X −µ 1 µ = X + (− ) σ σ σ Usando a propriedade 3 acima. seja: Z= .0 -2.0 -5. DISTRIBUICAO NORMAL ¸˜ cpa/gsa Definimos ent˜o: a Defini¸˜o 19. Média=0 0. ca e e e 2 3. Como caso particular.5 0.2 0. Os ca a e parˆmetros µ e σ s˜o conhecidos respectivamente como parˆmetros de loca¸˜o e escala. 2πσ − ∞ < x < ∞. A vari´vel Z ´ conhecida como normal a e padr˜o e sua fun¸˜o densidade.4 0.0 X 2. a mediana ´ igual ` m´dia. Uma vari´vel aleat´ria X.1 0. vemos que Z ∼ N (0. ent˜o E(X) = µ e V (X) = σ 2 . 4. ca e a e 83 .5 0.1). A distribui¸˜o normal ´ sim´trica em torno de µ.5 5.14 Variância 1 4 Função de Densidade de Probabilidade Normal 0. representada por ϕ ´: a ca e 1 2 1 ϕ(z) = √ e− 2 z .3 Densidade 0. com fun¸˜o de densidade de probabilidade ca a o ca f (x) = √ (x−µ)2 1 e− 2σ2 . σX ) e Y = aX + b. Em geral se uma vari´vel aleat´ria tem fun¸˜o de densidade sim´trica em torno da m´dia. ca a 2.0 7.02 Média Variância 5 9 10 16 0. Abaixo exemplos a a a ca de gr´ficos da densidade de distribui¸˜es normais para alguns valores de µ e σ 2 : a co Função de Densidade de Probabilidade Normal. com parˆmetros µ e σ 2 .

Se X ´ uma vari´vel aleat´ria com distribui¸˜o normal. c˜ a Observa¸˜es: co 1. Existem outras tabelas para c´lculo ıda ılio a da distribui¸ao normal padr˜o. P(Z ≤ −z) = P(Z ≥ z) = 1 − P(Z ≤ z) 2. Tamb´m podemos provar que: e P(−z ≤ Z ≤ z) = 2P(Z ≤ z) − 1 84 .6. A tabela e ca ca a e e referida foi constru´ pelo autor com aux´ do software Minitab.4. u calculemos P(a ≤ X ≤ b). n´meros reias. Função de densidade 0. considere X ∼ N (µ.10 0. e P(a ≤ X ≤ b) = P a−µ X −µ b−µ ≤ ≤ σ σ σ a−µ b−µ =P ≤Z≤ σ σ b−µ a−µ =P Z≤ −P Z < σ σ Desde que Z ´ cont´ e ınua. e devemos estar atentos a como consultar cada uma delas. ca a 7.20 0.6. σ 2 ).30 0.05 0.00 Densidade a b X Desde que σ ´ positivo.25 0.1 C´lculo de probabilidade a Para calcularmos a probabilidade no caso normal. Para a e b. esta ultima probabilidade ´ igual a ´ e P Z≤ b−µ σ −P Z ≤ a−µ σ =Φ b−µ σ −Φ a−µ σ onde Φ ´ a fun¸˜o de distribui¸˜o normal padr˜o e ´ representada na tabela 1 do apˆndice. e a o ca x→−∞ lim f (x) = 0 e x→+∞ lim f (x) = 0 4. pode-se provar que para z > 0. Desde que ϕ(z) = ϕ(−z).15 0. A densidade da distribui¸˜o normal tem dois pontos de inflex˜o: µ − σ e µ + σ. DISTRIBUICAO NORMAL ¸˜ cpa/gsa 6.

4 − 100 √ √ ≤ ≤ σ 1.28) = P(Z ≤ 1.55)] = 0.9545 P(µ − 3σ < X < µ + 3σ) = 0.2 = P(−1.2 1.4) = P = P(Z ≤ 1.13) = 0.2).7% :+F :+2F :+3F x Para qualquer vari´vel aleat´ria normal. relativos ` distribui¸˜o normal. s˜o sumarizados na figura a seguir: ´ a ca a f(x) :−3F :−2F :−F : 68% 95% 99.839156 Alguns resultados uteis.3 ≤ X ≤ 101.6827 P(µ − 2σ < X < µ + 2σ) = 0.55 ≤ Z ≤ 1.33 a 0 Zc x 85 .65 a Se P(0 ≤ Z ≤ zc ) = 0.9973 A seguir apresentamos alguns exerc´ ıcios para auxiliar na pr´tica de utiliza¸˜o da tabela da Normal a ca Padr˜o (X ∼ N (0.55) P(98.1)): a f(x) P(0 ≤ Z ≤ 1) = 0.45 ent˜o zc = 1.64 ou 1.4.4) Solu¸˜o: ca 98. a o P(µ − σ < X < µ + σ) = 0. DISTRIBUICAO NORMAL ¸˜ cpa/gsa Exemplo: Suponha que X ∼ N (100. 1.3 − 100 X −µ 101.341345 P(0 ≤ Z ≤ 2.6.28) − P(Z ≤ −1.899727 − [1 − 0.483414 Se P(0 ≤ Z ≤ zc ) = 0.939429] = 0.3 ≤ X ≤ 101.49 ent˜o zc = 2.28) − [1 − P(Z ≤ 1. Calcule a P(98.

pouco mais de 2% das baterias duram mais de 4 anos.6. Se P(−zc ≤ Z ≤ zc ) = 0.977250 = 0. 86 .483823 = 0.35 a −Zc 0 Zc x e zc = 1.5 − 0.5 = P(Z > 2) = 1 − P(Z ≤ 2) = 1 − 0.5. em anos. DISTRIBUICAO NORMAL ¸˜ cpa/gsa f(x) P(−1 ≤ Z ≤ 1) = 2P(0 ≤ Z ≤ 1) = 0.5) −Z1 −Z2 0 x = 0.14) = P(Z > 0) + P(−2. = P(0 ≤ Z ≤ 1) − P(0 ≤ Z ≤ 0.95 0 ZC x ent˜o P(Z < zc ) = 0.02275 P(Z > −2.477250 = 0.05 → zc = −1. Qual a probabilidade de que uma bateria dure mais de 4 anos? a Solu¸ao c˜ P(X > 4) = P 4−µ X −µ > σ σ 4−3 =P Z> 0.0228 ou seja. O tempo de vida. de um certo tipo de bateria tem distribui¸˜o normal com m´dia µ = 3 ca e e desvio padr˜o σ = 0.70 ent˜o P(0 ≤ Z ≤ zc ) = 0.983823 Se P(Z > zc ) = 0.5 ≤ Z ≤ 0) .14 < Z < 0) = 0.341345 − 0191462 = 0.5) = P(−1 ≤ Z ≤ 0) − P(−0.4.682690 .149883 f(x) P(Z > 2) = P(Z > 0) − P(0 < Z < 2) = 0.5 + 0.04 f(x) P(−1 ≤ Z ≤ −0.70/2 = 0.64 a Exemplos de problemas com vari´veis aleat´rias com distribui¸˜o normal: a o ca 1.

2514 (d) P(0 < X < 4) Solu¸˜o: ca 0−2 4−2 <z< 3 3 P(0 < X < 4) = P = P(−0.6667) − P(Z > 0.3333) = = 0.64 3 → a−µ σ2 ) = 0.6.6667 < Z < 0.6667) − P(Z ≤ 0.05.6667) = 0.6667) = P(Z ≤ 0.6667) = P(Z ≤ 0.6667) = 1 − P(Z ≤ 0.6667)] = 2P(Z ≤ 0.3333 < Z < 0. DISTRIBUICAO NORMAL ¸˜ cpa/gsa 2.9) calcule (a) P(X ≤ 4) Solu¸˜o: ca P(X ≤ 4) = P (b) P(X > 4) Solu¸˜o: ca P(X > 4) = 1 − P(Z ≤ 0.6667) = 1 − 0.6667) − [1 − P(Z ≤ 0.6667) − 1 = 1.7486 P(X ≤ 0) = P = P(Z ≤ −0.497142 − 1 = 0.629300 = 0.64 × 3) + 2 = 6.2514 (c) P(X ≤ 0) Solu¸˜o: ca X −µ 0−2 ≤ σ 3 X −µ 4−2 ≤ σ 3 = P(Z ≤ 0.4971 (e) P(3 < X < 4) Solu¸˜o: ca 3−2 4−2 <Z< 3 3 P(3 < X < 4) = P = P(0.748571 − 0.4.748571 = 0.6667) = P(Z ≤ 0.6667) − P(Z < −0.92 87 .05 Solu¸˜o: ca Pela regra de padroniza¸˜o sabemos que P(X > a) = P(Z > ca a tabela temos: a−2 = 1.1193 (f) valor de a tal que P(X > a) = 0. Se X ∼ N (2. assim consultando a = (1.6667) = 0.6667) = P(Z ≤ 0.

10 f(x) 0.2.175 × 7) + 74 = 82.175 7 → x = (1.03 0. Nestes casos ´ conveniente utilizar a aproxima¸˜o da distribui¸˜o binomial pela e ca ca normal.07 0.02 0.14 0.175. Em uma prova.16 0.02 0.06 f(x) 0.12 0. e e a as notas possuem distribui¸˜o normal. DISTRIBUICAO NORMAL ¸˜ cpa/gsa 3.09 0.04 0.12 que ´ o mesmo que P Z > e Pela tabela vemos que este valor ´ 1.6. Veja a figura abaixo: a ´rea de cada barra ´ igual ` probabilidade binomial de x que pode ser a e a aproximada pela ´rea sob a fun¸˜o de densidade normal: a ca 0.00 30 40 50 X 60 70 88 .5 Quanto maior for n.08 0.01 0.2 Aproxima¸˜es das distribui¸oes binomial e de Poisson pela normal co c˜ Em diversos sistemas f´ ısicos aparecem vari´veis aleat´rias com distribui¸˜o binomial com valores de a o ca n muito altos.225 x − 74 7 = 0. Se 12% da turma obteve conceito A.00 5 10 15 X 20 25 Distribuição n p Binomial 30 0. melhor a aproxima¸˜o: ca 0.04 0.05 0.4. qual o limite entre as faixas A e B? ca Solu¸ao: c˜ Temos que calcular o valor de x tal que P(X > x) = 0. assim resolvemos: e x − 74 = 1.12 Assim o limite entre os conceitos A e B ´ aproximadamente 82. a nota m´dia foi 74 e o desvio padr˜o foi 7. tornando os c´lculos de probabilidade extremamente dif´ a ıceis mesmo para calculadoras e computadores comuns.5 Distribuição Média Variância Normal 15 7.08 0. e 4.06 0.6.

000. Assim: e a o ca Se X for uma vari´vel aleat´ria de Poisson com E(X) = λ e V (X) = λ ent˜o a o a Z= X −λ √ λ ´ aproximadamente uma vari´vel aleat´ria normal padr˜o para valores de λ suficientemente grandes.000 (10−5 )x (1 − 10−5 )16. qual ser´ a probabilidade o a de se ter mais de 150 erros? Solu¸˜o: ca Como X ∼ Binomial(16.79) = 0.4.5 com n suficientemente grande.785 Cabe ressaltar que a distribui¸˜o binomial s´ ´ sim´trica para p = 0.000. e a o a Exemplo: O n´mero de ve´ u ıculos que entram por minuto no campus da UFMG pela portaria da Av. DISTRIBUICAO NORMAL ¸˜ cpa/gsa Se lembramos que para uma vari´vel X ∼ Bin(n.6.5 ca a o Tamb´m uma vari´vel aleat´ria de Poisson pode ser aproximada pela distribui¸˜o normal. A a ca o medida que n aumenta a aproxima¸˜o vai melhorando mesmo para p n˜o pr´ximos de 0.p) n´s temos a o E(x) = np V (X) = np(1 − p) ent˜o usaremos para aproximar a distribui¸˜o desta vari´vel uma distribui¸˜o normal com m´dia a ca a ca e µ = np e variˆncia σ 2 = np(1 − p). a Exemplo: Em um canal digital de comunica¸˜o o n´mero de bits recebidos com erro ´ uma vari´vel aleat´ria ca u e a o binomial com probabilidade 1×10− 5.000.000 × 10−5 = 160 e σ = Usando a padroniza¸˜o podemos calcular: ca X − 160 160(1 − 10−5 ) 150 − 160 160(1 − 10−5 ) 160(1 − 10−5 ). 1 × 10− 5) temos P(X > 150) =1 − P(X ≤ 150) 150 =1 − x=0 16.5. Se 16 milh˜es de bits forem transmitidos. Antˆnio o Carlos tem distribui¸˜o de Poisson com λ = 10. Calcule a probabilidade aproximada de que em uma ca 89 .000. ca µ = np = 16. P(X > 150) =P > =P(Z > −0.000−x x Como este ´ um c´lculo dif´ usamos a aproxima¸˜o por uma normal com e a ıcil. e portanto a aproxima¸˜o pela ca oe e ca ` normal ser´ uma boa aproxima¸˜o para valores de p pr´ximos a 0.79) = P(Z < 0.000.

DISTRIBUICAO NORMAL ¸˜ cpa/gsa hora entrem no m´ximo 650 ve´ a ıculos.495 = P(Z ≤ 2.10 Distribuição Lambda Poisson 15 Distribuição Média Desv. Pad. Esta aproxima¸˜o melhora ` medida que λ aumenta. Essas sugest˜es foram dadas em ´pocas em que os recursos computacionais eram escassos o e ou limitados.08 f(x) 0.00 0 5 10 15 X 20 25 30 Exemplo: Considere que o n´mero de bact´rias em 1 cm3 de esgoto recebido por determinada esta¸˜o de tratau e ca mento tenha distribui¸˜o Poisson com m´dia de 700. 15).4. ca a 0. Normal 15 3. Se analisarmos 1 cm3 qual a probabilidade de que ca e menos de 750 bact´rias sejam encontradas? e Solu¸˜o: ca A probabilidade exata ´: e P(X ≤ 750) = e−700 700x x! x=0 750 90 . por exemplo.02 0. Atualmente essas sugest˜es n˜o precisam ser seguidas pois .04) = 0.06 0. A figura abaixo ilustra a aproxima¸˜o de uma distribui¸˜o de Poisson com λ = 15 por uma normal ca ca √ (15.87298 0.04 0. Solu¸˜o: ca Seja X : n´mero de ve´ u ıculos que entram por aquela portaria em 60 minutos.6. ent˜o X ∼ P (600). quaiquer pacotes o a estat´ ısticos assim como planilhas eletrˆnicas calculam probabilidades envolvendo a vari´vel aleat´ria de o a o Poisson com λ > 15.979346 x! x=0 650 Alguns autores sugerem no caso binomial usar a aproxima¸˜o normal se np ≥ 5 e no caso da Poisson ca quando λ > 15. a P(X ≤ 650) ≈ P X − 600 650 − 600 √ ≤ √ 600 600 ≈P Z≤ 50 24.979325 A probabildade exata ´: e P(X ≤ 650) = e−600 600x = 0.

a Voltando ` subse¸˜o 3. etc. ca a Consideremos agora a vari´vel aleat´ria Y : tempo at´ a primeira ocorrˆncia deste evento. a Se a vari´vel aleat´ria X tem distribui¸˜o exponencial com parˆmetro λ ent˜o: a o ca a a E(X) = 1 λ e V (X) = 1 λ2 91 . e 4. ent˜o o n´mero de ocorrˆncias em um intervalo de tempo de ca a a u e comprimento t tem distribui¸˜o de Poisson com parˆmetro λt. para y > 0.6. A fun¸˜o de densidade ´ dada por: a ca ca e f (x) = λe−λx x>0 Pode-se provar que o tempo entre duas ocorrˆncias consecutivas tem tamb´m distribui¸˜o exponencial e e ca com o mesmo parˆmetro λ.970621 O resultado exato da Poisson obtido pelo Minitab ´ 0. ou seja Xy = 0. a e E assim P(Y ≤ y) = F (y) = 0 1 − e−λy se y ≤ 0. Nota¸˜o X ∼ exp(λ). DISTRIBUICAO EXPONENCIAL ¸˜ cpa/gsa Como os c´lculos s˜o complicados podemos aproximar por a a P(X ≤ 750) = P Z ≤ 750 − 700 √ 700 = P(Z ≤ 1.4.89) = 0. Uma vari´vel aleat´ria com essa fun¸˜o de distribui¸˜o ´ dita ter distribui¸˜o exponencial com a o ca ca e ca parˆmetro λ. vimos que se o n´mero de ocorrˆncias por unidade de “tempo” tem disa ca u e tribui¸˜o de Poisson com parˆmetro λ. a Observa¸˜o: Alguns textos usam a representa¸˜o ca ca f (x) = 0 1 1 −λx λe se x > 0.7. se y > 0.7. comprimento. caso contr´rio. e a P(Y > y) = P(Xy = 0) = e−λy (λy)0 = e−λy 0! Observe que Y > y se e somente se o evento n˜o ocorreu at´ o instante y.7 Distribui¸˜o exponencial ca Vimos que a vari´vel aleat´ria discreta de Poisson contava o n´mero de ocorrˆncias em uma unidade a o u e de medida como tempo. Encontrea o e e mos a fun¸˜o de distribui¸˜o de Y : ca ca Desde que Y ´ n˜o negativa. ´rea.970799.

001x = 1 + e−2 − 1 = e−2 = 0. λ → −e−0.000 horas. Solu¸˜o: ca E(X) = µ = md md 1 = 1.4 Valores de λ 0.05 0 1 2 x 3 4 5 Exemplos: 1.1353 e ca (b) A m´dia e mediana do tempo de dura¸˜o do equipamento.001) ent˜o a ∞ P(X ≥ 2000) = 2000 0.001x md 0 f (x)dx = 0.001x dx 2000 =1− 0 0.5 2 0.001e−0.000 horas.001e−0.001e−0.001. Calcule: (a) A probabilidade de o equipamento dure pelo menos 2.5 0 → 0 0. DISTRIBUICAO EXPONENCIAL ¸˜ cpa/gsa A figura abaixo mostra a densidade de uma vari´vel exponencial para alguns valores de λ a 0. Suponha que a dura¸˜o de certo equipamento eletrˆnico tenha distribui¸˜o exponencial (em horas) ca o ca com taxa λ = 0.7.1 0.2 0.3 f(x) 0.4.5 92 .001x dx 2000 0 = 1 + e−0.1 0. Solu¸˜o: ca Se X ∼ Exp(0.5 0.001x dx = 0.

a (b) Calcule a probabilidade do tempo entre dois acessos ser menor que 0.15 horas −0.5) = 0 2e−2x dx = −e−2x 0.001md = 0. Outras distribui¸˜es s˜o usadas para modelar problemas co a de tempo at´ a falha ou confiabilidade de sistemas ou equipamentos. 93 . o que ´ imposs´ e ıvel.5 e−0.5) −0. X > t1 ) P(X > t1 ) P(X > t1 + t2 ) = P(X > t1 ) e−λ(t1 +t2 ) e−λt1 −λt2 =e = P(X > t2 ) = Esta propriedade ´ conhecida como falta de mem´ria da distribui¸˜o exponencial. seria o mesmo que dizer que a probabilidade de falha num equipamento usado seria a mesma de um equipamento novo. e t1 e t2 > 0 a o P(X > t1 + t2 |X > t1 ) = P(X > t1 + t2 . e o ca Na pr´tica. O tempo entre acessos a determinado servidor da web (em segundos) tem distribui¸˜o exponencial ca com parˆmetro 2.001md = 0.5 segundos. Solu¸˜o: ca 0.4. Propriedade de Falta de Mem´ria ca o Para uma vari´vel aleat´ria exponencial X. DISTRIBUICAO EXPONENCIAL ¸˜ cpa/gsa resolvendo a equa¸˜o: ca 1 − e−0. se diss´ssemos que o tempo at´ a primeira falha de um equipamento tem distribui¸˜o a e e ca exponencial.5 ln(e−0. a (a) Ache a m´dia e o desvio padr˜o do tempo entre acessos.001md ) = ln(0.7.001md = −ln(2) −0.25 = 0.5 segundos.6321 Defini¸˜o 20.5 0 = 1 − e−1 = 0. e a Solu¸˜o: ca √ Se X ∼ Exp(2) ent˜o E(X) = 0.69315 md = = 693. Apresentaremos algumas delas a e seguir.5 P(X ≤ 0.001 2.5 e S = 0.

A fun¸˜o de densidade de probabilidade de X ´: a ca e f (x) = λr xr−1 e−λx . ent˜o a vari´vel aleat´ria ter´ uma distribui¸˜o Gama. 2. pelo a ca que chamamos fun¸˜o gama definida por: ca x Γ(r) = 0 xr−1 e−x dx. Se o parˆmetro r de uma vari´vel ca e ca a a aleat´ria de Erlang n˜o for inteiro.2 Distribui¸˜o Gamma ca A distribui¸˜o de Erlang ´ um caso especial da distribui¸˜o Gama. por exemplo. A m´dia e variˆncia de uma vari´vel aleat´ria de Erlang com parˆmetros lambda e r s˜o: e a a o a a µ = E(X) = r λ σ 2 = V (X) = r λ2 4. Γ(r) r λ com x > 0 e r > 0 A m´dia e variˆncia de uma distribui¸˜o Gama tamb´m s˜o: e a ca e a µ = E(X) = e σ 2 = V (X) = r λ2 94 . para r > 0 Pode-se demonstrar que a integral na defini¸˜o da fun¸˜o gama ´ finita e que: ca ca e Γ(r) = (r − 1)Γ(r − 1) Assim se r for um inteiro positivo como na distribui¸˜o de Erlang. Definimos ent˜o: e e e a Defini¸˜o 21.8. Como na o a a a o a ca densidade de Erlang o parˆmetro r aparece como fatorial. A vari´vel aleat´ria X.8.1 Distribui¸˜o de Erlang ca Como vimos na se¸˜o anterior a vari´vel aleat´ria exponencial mede o “tempo” at´ a primeira ca a o e ocorrˆncia de um processo de Poisson. [8]. que ´ igual ao comprimento do intervalo de tempo at´ que r ca a o e e ocorrˆncias de um processo de Poisson com m´dia λ > 0 aconte¸am tem uma distribui¸˜o de Erlang e e c ca com parˆmetros λ e r.4. . o leitor interessado pode consulca ca tas. Uma generaliza¸˜o desta distribui¸˜o ´ aquela vari´vel aleat´ria e ca ca e a o que mede o “tempo” at´ a r-´sima ocorrˆncia deste evento. (r − 1)! com x > 0 e r = 1.8 Distribui¸˜es de Erlang e Gamma co 4. temos ca Γ(r) = (r − 1)! A fun¸˜o de densidade de probabilidade da vari´vel aleat´ria com distribui¸˜o Gama ´: ca a o ca e f (x) = λr xr−1 e−λx . temos que generalizar a fun¸˜o fatorial. A dedu¸˜o dessa fun¸˜o de densidade escaa ao alcance da disciplina. .8. . DISTRIBUICOES DE ERLANG E GAMMA ¸˜ cpa/gsa 4.

que ser˜o estudados nos pr´ximos cap´ o a o ıtulos. 3/2. usada com frequˆncia na estima¸˜o ca e ca por intervalos e testes de hip´teses. Os parˆmetros da distribui¸˜o s˜o flex´ a ca a ıveis e servem para modelar sistemas em que o n´mero u de falhas aumenta com o tempo.2 0 0 2 4 6 8 10 12 Veremos oportunamente um caso especial da distribui¸˜o Gama. . E a distribui¸˜o Qui-quadrado. . β) ent˜o teremos: a F (x) = 0 x β 1 − e−( δ ) se x ≤ 0. DISTRIBUICAO DE WEIBULL ¸˜ cpa/gsa A figura abaixo mostra a fun¸˜o de densidade de uma vari´vel aleat´ria Gama para alguns parˆmetros ca a o a r e λ: 1 r 0. e ca a ca A fun¸˜o de distribui¸˜o cumulativa ´ frequentemente utilizada para calcular as probabilidades. 1. em que o parˆmetro λ = 1/2 e r igual ca a ´ a um dos valores 1/2. diminui com o tempo ou permanece constante.9. . 4. A vari´vel aleat´ria X com fun¸˜o de probabilidade ca a o ca f (x) = β δ x δ β−1 e−(x/δ) β para x > 0 ´ dita ter distribui¸˜o de Weibull com parˆmetros δ > 0 e β > 0 δ ´ chamado parˆmetro de escala e e ca a e a β parˆmetro de forma. Defini¸˜o 22.4. 2. a Vocˆ pode verificar que quando β = 1 a distribui¸˜o de Weibull se reduz ` distribui¸˜o exponencial.75 0. se x > 0.4 0.8 0. 95 .9 Distribui¸˜o de Weibull ca A distribui¸˜o de Weibull ´ usada para modelar o tempo at´ uma falha de muitos sistemas f´ ca e e ısicos diferentes.5 3. . Podeca ca e se obter o seguinte resultado: Se X ∼ W eibull(δ.3 2 7.6 λ 1 1 8.

5 f(x) 0. ´ a distribui¸˜o Lognormal.0 2 0. a e e ca Registramos a seguir a densidade. m´dia e variˆncia da vari´vel aleat´ria com distribui¸˜o Lognormal.3 0.0 6.4 0. E(X) = eµ+(σ 2 /2) . conca e a a fiabilidade e an´lise de sobrevivˆncia.5 1.125 5. DISTRIBUICAO LOGNORMAL ¸˜ cpa/gsa A flexibilidade da distribui¸˜o Weibull pode ser atestada pelos gr´ficos das fun¸˜es de densidade ca a co mostrados na figura abaixo.6 11.0 3. al´m de ilustrarmos com o gr´fico de f (x) a ca e a para alguns valores de σ 2 : (ln(x)−µ)2 1 f (x) = √ e− 2σ2 .2 19.10.0 1.0 1.4 4.2 0.4. 1 0.5 β  1.0 2.0 0.250 0.10 Distribui¸˜o Lognormal ca Outra distribui¸˜o que aparece com frequˆncia na an´lise de experimentos de an´lise de falhas. x 2πσ 2 0 < x < ∞.500 0.4 1.6 m ° 0.8 δ  1.2 0 0 2 4 6 8 10 12 x 4. e a a o ca com parˆmetros de loca¸˜o e escala respectivamente µ e σ 2 . V (X) = eσ − 1 e2µ+σ .1 0 0 2 4 6 8 10 12 x 96 .000 f(x) 0.0 s° °2 0. 2 2 0.

em anos.8. qual a probabilidade de que um e aparelho. qual a probabilidade de que no m´ximo uma equipe leve mais de 150 horas para complet´-la? a a 4. (c) Um n´mero a tal que P(T ≤ a) = 0. a (a) Qual a probabilidade de que a nota de um estudante esteja entre 112.5. o a 3. O tempo de vida. O tempo.000 gramas e ca e variˆncia igual a 1600 gramas2 a 97 . e (b) Calcule a probabilidade de que em 10 dias. Aproxime convenientemente esta probabilidade.5 e 126. EXERC´ ICIOS cpa/gsa 4. em horas. a empresa n˜o tenha s´rias dificuldades em pelo a e menos 8 deles.8. Que suposi¸˜o ´ necess´rio assumir neste item? ca e a 2. 1% destes oper´rios faltam ao servi¸o.5 e 126. aproxime a probabilidade de que pelo menos 50 deles a tenham nota entre 112. e (a) Qual a probabilidade de que a pr´xima tarefa deste tipo seja executada em menos de 150 o horas? (b) Se 10 equipes igualmente eficientes realizam. O tempo. 5. foi ca o modelado por uma vari´vel T com densidade Exponencial(5). a (a) Se o tempo de garantia destes aparelhos ´ de 18 meses. De acordo ca o a com hist´rico da empresa. a c (a) Forne¸a uma express˜o para a probabilidade de que em um dia determinado a empresa enfrente c a s´rias dificuldades.11.6 e desvio padr˜o igual 5. A empresa enfrentar´ s´rias o a c a e dificuldades se mais de 4 oper´rios faltarem ao servi¸o em um determinado dia. que uma equipe leva para realizar um tipo de tarefa tem distribui¸˜o exponencial ca com m´dia igual a 200 horas. escolhido ao acaso. Qual o valor e a interpreta¸˜o de a? u ca 6. de utiliza¸˜o de um caixa eletrˆnico por clientes de um certo banco. (b) P(T ≤ 5|T > 3). uma destas tarefas. Uma empresa de constru¸˜o disp˜e de 200 oper´rios para trabalhar nas suas obras. (c) Qual ser´ a nota m´ a ınima aprovat´ria se 25% dos candidatos ser˜o admitidos?. As notas de uma prova de um concurso nacional se distribuem de acordo a uma normal com m´dia e igual a 120. de certo tipo de equipamento tem distribui¸˜o de Weibull com parˆmetro ca a de forma β = 2. O peso contido em pacotes de arroz tem distribui¸˜o normal com m´dia igual a 5. em minutos.274 e parˆmetro de escala δ = 4.5? (b) Se 65 candidatos s˜o escolhidos ao acaso. atenda ` garantia? a (b) Qual deve ser o tempo de garantia se quisermos que 90% dos aparelhos atendam esta garantia?.4. cada uma.11 Exerc´ ıcios 1. Calcule: a (a) P(T < 2).391.

ao n´ α = 0.056 gramas? b-) Se 15 pacotes s˜o escolhidos ao acaso. H0 : µ = 300 contra H1 : µ = 300. encontrando-se uma m´dia de x = 289. indique a probabilidade do custo de revis˜o ser no m´ximo R$20. Sabendo-se que o n´mero de erros por p´gina ca u a ´ uma vari´vel de Poisson com parˆmetro λ = 0. aproxime a probabilidade de que no m´ a ınimo 15 desses pacotes e no m´ximo 30 contenham peso fora dos limites em (a). o e a (a) Qual a probabilidade da resistˆncia do corpo de prova ficar entre 390 e 405kg/cm2 ? e e e (b) Qual o valor (r) da resistˆncia . O tempo de vida de um certo tipo de ´leo isolante tem distribui¸˜o Exponencial com parˆmetro o ca a λ = 0. EXERC´ ICIOS cpa/gsa a-) Qual a probabilidade de que um pacote contenha peso entre 4. cuja resistˆncia ` compress˜o ´ uma vari´vel e a e a a e a aleat´ria normal com m´dia 400 kg/cm2 e variˆncia 25 kg 2 /cm4 .5.50 por cada erro de digita¸˜o encontrado.000 kg/cm2 e variˆncia 400 kg 2 /cm4 .4 kg/cm2 ? e 10. qual a probabilidade que ele dure por o mais um ano? 11.026kg/cm2 ? (b) Qual o valor (r) da resistˆncia .944 e 5. se 95% dos corpos de prova apresentarem resistˆncia maior que (r)? (c) Qual o percentual de corpos de prova com resistˆncia menor ou igual a 405. e a e (a) Qual a probabilidade da resistˆncia da barra ficar entre 4.49 kg 2 . c e (b) Teste. Vocˆ fabrica vergalh˜es de a¸o para constru¸˜o cuja resistˆncia ` tra¸˜o ´ uma vari´vel aleat´ria e o c ca e a ca e a o normal com m´dia 5.00? (b) Qual ´ aproximadamente a probabilidade de que o custo de revis˜o seja no m´ximo R$20. ao n´ α = 0.01. a 7.05. Mediu-se o peso de ruptura 16 ca dessas barras.00? e a a 98 . ıvel 8. H0 : σ 2 = 15 contra H1 : σ 2 = 15.2 anos. a testes de ruptura. se 95% das barras produzidas possuem resistˆncia maior que e e (r)? (c) Qual o percentual de barras produzidas com resistˆncia menor ou igual a 5.974 e 5. (a) Se o fabricante desse equipamentos deseja oferecer uma garantia de tal forma que o tempo de vida de 80% do ´leo vendido ultrapasse o tempo de garantia.11. qual deve ser esse tempo? o (b) Se uma partida de ´leo atendeu o tempo de garantia. ıvel (c) Teste.031 kg/cm2 ? e 9.4. e ¯ a (a) Encontre um intervalo de 90% de confian¸a para a m´dia do peso de ruptura dessas barras. Um estudante de p´s-gradua¸˜o est´ submetendo sua disserta¸˜o para corre¸˜o de um revisor que o ca a ca ca cobra R$0. Vocˆ est´ submetendo corpos de prova de concreto.2 kg e uma variˆncia amostral S = 18. qual a probabilidade de que no m´ximo dois deles a a contenham peso fora dos limites dados em (a)? c-) Se 150 pacotes s˜o escolhidos ao acaso. responda: e a a a a a (a) Se a tese tem 100 p´ginas. O peso de ruptura de certo tipo de barras tem distribui¸˜o normal.

A Inferˆncia Estat´ e ıstica pode ser dividida em duas partes: estima¸˜o de parˆmetros. 5. e calcular Xn e Sn . temos ind´ ıcio de que podemos come¸ar a produzir em grande escala. Neste caso a hip´tese seria que a resistˆncia m´dia do concreto usando o cimento c1 seria maior que a do concreto o e e obtido com o cimento c2 . O teste de hip´teses estat´ o ısticas resolve problemas deste tipo. algumas das quais vistas no cap´ ıtulo 2. Uma forma de medirmos esses erros ´ usando ferramentas de e e probabilidade. Dependendo dos valores co de L e S nossa linha de produ¸˜o ser´ liberada ou ter´ que ser submetida a algumas calibra¸˜es adicionais. Se estes valores ficarem perto de 10 e 0. a e u e Considere agora que dois tipos de cimento c1 e c2 possam ser usados para prepara¸˜o do concreto. Esta resistˆncia sofre varia¸˜es devidas a diferen¸as nas mat´rias primas.σn ) e S(Xn . mudan¸as na forma de concretagem. erros de e co c e dosagem. Na pr´tica ele ir´ usar corpos de prova (amostras) para calcular um n´mero e e a a u que seja um valor razo´vel para a m´dia verdadeira.σn )) = 0.Cap´ ıtulo 5 Inferˆncia e 5. que ser˜o estudados na se¸˜o 5. O ca engenheiro conjectura que o cimento c1 resulta em uma mistura com maior resistˆncia do que a obtida e com o cimento c2 . Uma segunda tarefa ser´ achar duas c a ¯ ¯ ¯ ¯ fun¸˜es L(Xn . Nossa primeira tarefa ser´ fazer uma produ¸˜o piloto.2 cm. onde µ e e σ s˜o respectivamente a m´dia e o desvio padr˜o da vari´vel aleat´ria X = comprimento do parafuso a e a a o que estamos produzindo. e portanto o engenheiro est´ interessado em estabec a lecer a resistˆncia m´dia.4.95. etc. Infelizmente. ao ca ca fazer inferˆncia estamos sujeitos a erros. Nesse cap´ ca ıtulo mostraremos como usar a informa¸˜o obtida a partir da amostra para “inferir” sobre a popula¸˜o.2 respectivamente. apresentada ca a na se¸˜o 5.σn ) tais que P(L(Xn . retirar uma amostra de taa ca ¯ manho n dela. Estas exigˆncias implicam em que µ = 10 cm e σ = 0. Este n´mero ´ chamado de estimativa.σn ) ≤ X ≤ S(Xn . Se atendermos `s especifica¸˜es acreditamos que 95% de nossa produ¸˜o ser´ a co ca a aceita no mercado. No cap´ e ıtulo 1 descrevemos e representamos graficamente amostras obtidas de uma popula¸˜o. ca o a ca Imagine que um engenheiro de estruturas esteja analisando a resistˆncia ` compress˜o do concreto e a a usado em uma obra.1 Inferˆncia estat´ e ıstica Nesse ultimo cap´ ´ ıtulo abordaremos os conceitos fundamentais de Inferˆncia.2 Amostragem aleat´ria o Suponhamos que estamos produzindo parafusos e estes parafusos devem cumprir certas especifica¸˜es co para serem aceitos no mercado.3 e testes de hip´teses. ca a a co 99 .

verificamos que mais de 5% da nossa ca produ¸˜o n˜o est´ sendo aceita no mercado. . ent˜o a densidade conjunta avaliada no ponto (x1 . . .Xn ) = f (x1 )f (x2 ) . X2 = x2 .X2 . amostra ´ a realiza¸˜o de co e ca uma amostra aleat´ria. .X2 . .X2 . . θ)f (x2 . . .Xn . . AMOSTRAGEM ALEATORIA cpa/gsa Suponhamos finalmente que. . . a e Chamamos a aten¸˜o para a diferen¸a entre uma amostra (x1 . .x2 .x2 . . θ) = f (x1 . Para ilustrar esta diferen¸a. 100 .θ) = √ e e . . .X2 . . . Sejam ca a o ca X1 . . . √ e σ 2π σ 2π σ 2π −       ou f (X1 .xn ) ´ dada por e f (X1 .X2 . . isto ´. . . .X2 . . .) fX (x.Xn . sem prova.X2 . . o A finalidade principal de se tomar uma amostra aleat´ria ´ obter informa¸˜es sobre os parˆmetros o e co a desconhecidos da popula¸˜o. .X2 . . . . . ..Xn ) ca avaliado no ponto (x1 . o a Seja X uma vari´vel aleat´ria com fun¸˜o de densidade f (·). . que a fun¸˜o de densidade conjunta do vetor X = (X1 . .θ) = 1 √ σ 2π n e 1 −  2  n i=1 (xi σ2 − µ)2   Nesse caso o parˆmetro θ ´ bidimensional.X2 .Xn ´ uma amostra aleat´ria a o ca e o de X. .Xn s˜o vari´veis a a a a aleat´rias independentes representando o comprimento dos parafusos antes da medi¸˜o efetiva. . . θ). .xn ) o a ´ dada por: e 1 (x1 − µ)2 1 (x2 − µ)2 1 (xn − µ)2     −  −  2 2 1 1 1 2 σ 2 σ 2 σ2 √ f (X1 . .Xn ´ uma amostra co a e aleat´ria de tamanho n da vari´vel X. θ = (µ. Um primeiro motivo da rejei¸˜o de nosso produto poderia ca a a ca ¯ ser o fato de que a m´dia deixou de ser 10. imaginemos que estamos inveso c tigando o comprimento dos parafusos citados no par´grafo anterior. . ent˜o poder´ a ıamos acreditar que precisamos reajustar nossa linha de produ¸˜o para recuperar µ = 10.Xn . estabelecemos. .p.´ 5. . . depois de certo tempo de produ¸˜o. Se X1 . o ca Podemos agora definir: Defini¸˜o 23. .Xn observa¸˜es independentes de X. . .σ 2 ). .2.Xn .σ 2 ). Xn = xn . . Depois o ca de fazermos as medi¸˜es teremos X1 = x1 . . . µ. mas far´ ca ıamos isto depois de verificar mediante um “teste de hip´teses”a afirma¸˜o do nosso comprador. . . Se um comprador devolveu uma caixa de parafusos. Ent˜o X1 .x2 . denotaremos a f (X1 . . f (xn . ..d. Seja X uma vari´vel aleat´ria com fun¸˜o de densidade (f. resumindo. Dizemos ent˜o que X1 . Para isto usamos estat´ ca ısticas. f (xn ) Se a densidade depende de um parˆmetro θ. . .X2 . X tem distribui¸˜o normal com m´dia µ e variˆncia σ 2 e seja e ca e a X1 . porque X e encontrada naquela caixa foi menor que 10. . . . . θ) .Xn uma amostra aleat´ria de X.xn ) como definido no cap´ ca c ıtulo 1 e uma amostra aleat´ria X1 . µ. .X2 . . . θ) Exemplo: Supondo que X ∼ N (µ. .

ˆ 5.3. ESTIMACAO DE PARAMETROS ¸˜

cpa/gsa

Defini¸˜o 24. Uma estat´ ca ıstica ´ qualquer fun¸˜o das observa¸˜es em uma amostra aleat´ria. e ca co o J´ vimos o conceito de estat´ a ıstica anteriormente. Se X1 ,X2 , . . . ,Xn for uma amostra aleat´ria o ¯ de tamanho n, ent˜o a m´dia da amostra X, a variˆncia da amostra S 2 , a amplitude da amostra a e a [max(X1 ,X2 , . . . ,Xn ) − min(X1 ,X2 , . . . ,Xn )] s˜o exemplos de estat´ a ısticas. Uma das principais aplica¸˜es da estat´ co ıstica ´ obten¸˜o de estimativas para parˆmetros da popula¸˜o e ca a ca (tais como m´dia, variˆncia, propor¸˜o, etc.). Normalmente usa-se a letra grega θ para representar o e a ca parˆmetro que se quer estimar. a Em geral, se X for uma vari´vel aleat´ria com distribui¸˜o de probabilidades f (x), caracterizada por a o ca um parˆmetro desconhecido θ e se X1 ,X2 , . . . ,Xn for uma amostra aleat´ria de tamanho n de X, ent˜o a o a ˆ a estat´ ıstica θ = h(X1 ,X2 , . . . ,Xn ) ´ chamada de um estimador de θ. e Exemplo: Suponha que vamos colher uma amostra de tamanho n, denotada por X1 ,X2 , . . . ,Xn . Suponha que desejamos estimar a m´dia populacional µ (ou seja o parˆmetro θ que se quer estimar ´ µ). e a e S˜o estimadores poss´ a ıveis para µ: ˆ X1 + X2 1. θ = 2 X1 + X2 + · · · + Xn ˆ ¯ 2. θ = X = n ˆ Xmax + Xmin 3. θ = 2 ˆ 4. θ = X1 ˆe Note que θ ´ fun¸˜o de vari´veis aleat´rias, sendo portanto tamb´m uma vari´vel aleat´ria. Depois ca a o e a o de selecionarmos uma amostra aleat´ria, o estimador assume um valor num´rico particular para aquela o e X1 + X2 ˆ amostra, chamado de estimativa. Assim se o estimador escolhido for θ = , uma estimativa 2 x1 + x2 ˆ seria θ = . 2

5.3
5.3.1

Estima¸˜o de parˆmetros ca a
Estima¸˜o pontual ca

Seja X uma vari´vel aleat´ria com fun¸˜o de (densidade de) probabilidade cuja forma funcional ´ a o ca e conhecida, mas dependendo de um parˆmetro θ que pode assumir valores num conjunto param´trico Θ a e (espa¸o param´trico). θ pode ser unidimensional ou p-dimensional. Neste caso ent˜o n˜o estamos perante c e a a uma fun¸˜o de probabilidade, mas perante a uma classe de fun¸˜es de probabilidade. A cada valor de ca co θ ∈ Θ corresponde um elemento da classe. Como exemplo, pensemos na classe de Distribui¸˜es Normais com m´dia µ e variˆncia 1. Para cada co e a valor de µ ∈ R teremos uma distribui¸˜o da classe: ca   1   − (x−µ)2 1 e 2 com − ∞ < x < ∞ , Θ = (µ : −∞ < µ < ∞) ζ1 = f (x; µ,1) = √   2π

101

ˆ 5.3. ESTIMACAO DE PARAMETROS ¸˜

cpa/gsa

Se a variˆncia n˜o fosse conhecida, a classe ζ seria: a a  1 x−µ 2   − 1 σ ζ2 = f (x; µ,σ 2 ) = √ e 2 com − ∞ < x < ∞  2πσ 

    

, Θ = {(µ, σ 2 ) : −∞ < µ < ∞ e σ 2 > 0}

O parˆmetro no primeiro caso ´ θ = µ e no segundo, θ = (µ,σ 2 ), e os respectivos espa¸os param´tricos a e c e descritos acima. Nosso problema ´ determinar qual elemento da classe ´ a distribui¸˜o da vari´vel da qual foi extra´ e e ca a ıda a amostra x1 ,x2 , . . . ,xn ; em outras palavras, qual ´ o valor do parˆmetro θ que determina a distribui¸˜o e a ca de X. Certamente n˜o conseguiremos uma resposta absolutamente v´lida, mas ser´ uma resposta que, a a a dependendo dos crit´rios seguidos para obten¸˜o da amostra, dar´ uma boa aproxima¸˜o para θ. Em e ca a ca ˆ termos estat´ ısticos estamos estimando θ por um ponto. O estimador ser´ denotado por θ e ser´ uma a a fun¸˜o das observa¸˜es. ca co Problemas de estima¸˜o ocorrem com frequˆncia em engenharia. O quadro abaixo mostra uma rela¸˜o ca e ca de parˆmetros que geralmente necessitamos estimar e algumas estimativas pontuais razo´veis para cada a a um deles: Parˆmetro a A m´dia µ de uma unica popula¸˜o e ´ ca A variˆncia σ 2 de uma unica popula¸˜o a ´ ca A propor¸ao p de itens de uma classe de intec˜ resse em uma popula¸˜o ca A diferen¸a das m´dias de duas popula¸˜es, c e co µ1 − µ2 A diferen¸a na propor¸˜o de duas popula¸˜es, c ca co p1 − p2 Estimador ¯ µ = X, a m´dia da amostra ˆ e σ 2 = S 2 , a variˆncia da amostra ˆ a p = x/n, a propor¸˜o na amostra, onde x ´ o ˆ ca e n´mero de itens da classe na amostra u ¯ ¯ µ1 − µ2 = X1 − X2 , a diferen¸a entre as m´dias ˆ ˆ c e de duas amostras aleat´rias independentes o p1 −ˆ2 , a diferen¸a entre duas propor¸˜es amosˆ p c co trais, calculadas a partir de duas amostras aleat´rias independentes. o

5.3.1.1

Propriedades de estimadores

Gostar´ ıamos que os estimadores que vamos construir tenham algumas propriedades, que variam de acordo com o problema em estudo. As principais propriedades s˜o: a ˆe a 1. N˜o viciado (n˜o viesado ou n˜o tendencioso): Um estimador θ ´ n˜o viciado para θ se a a a ˆ E(θ) = θ ˆ Se o estimador for tendencioso, ent˜o a diferen¸a E(θ) − θ ´ chamada de v´ a c e ıcio do estimador. Exemplo: Seja X1 ,X2 , . . . ,Xn uma amostra aleat´ria de uma distribui¸˜o com m´dia µ e variˆncia σ 2 , ambas o ca e a ˆ finitas. Verifique se a m´dia amostral X e a variˆncia amostral S 2 s˜o estimadores n˜o viciados e a a a para µ e σ 2 respectivamente.

102

ˆ 5.3. ESTIMACAO DE PARAMETROS ¸˜

cpa/gsa

Solu¸ao: c˜ ¯ E(X) = E = 1 (X1 + X2 + · · · + Xn ) n

1 E(X1 + X2 + · · · + Xn ) n 1 = nE(X1 ) n =µ
n i=1 (Xi n

E(S 2 ) = E = =

¯ − X)2 n−1

1 ¯ E (Xi − X)2 n − 1 i=1 1 ¯ ¯ E (X 2 + X 2 − 2XXi ) n − 1 i=1 i
n 2 Xi i=1 n i=1 n 2 ¯ Xi − nX 2 i=1 n 2 ¯ E(Xi ) − nE(X 2 ) i=1 n n n n

1 E = n−1 = = = = 1 E n−1 1 E n−1 1 n−1 1 n−1

+
i=1

¯ ¯ X 2 − 2X
i=1 n i=1

Xi Xi n

2 ¯ ¯ Xi + nX 2 − 2Xn

(µ2 + σ 2 ) − n(µ2 + σ 2 /n)
i=1

1 = (nµ2 + nσ 2 − nµ2 − σ 2 ) n−1 = σ2 O pen´ltimo passo da resolu¸˜o acima adv´m de que: u ca e V (X) = E(X 2 ) − (E(X)2 ) e ¯ ¯ ¯ V (X) = E(X 2 ) − (E(X)2 ) −→ −→ E(X 2 ) = V (X) + (E(X)2 ) = σ 2 + µ2 ¯ ¯ ¯ E(X 2 ) = V (X) + (E(X)2 ) = σ 2 /n + µ2

ˆ Vemos portanto que X e S 2 s˜o estimadores n˜o viciados para µ e σ 2 respectivamente. a a ˆe 2. Consistˆncia: Um estimador θ ´ consistente para θ se: e
n→∞

ˆ lim E(θ) = θ

e

n→∞

ˆ lim V ar(θ) = 0

Isto ´, ` medida que o tamanho da amostra vai aumentando, a m´dia do estimador converge para e a e o parˆmetro e a variˆncia do estimador converge para zero. a a

103

Neste caso o denominamos Estimador n˜o tendencioso de a variˆncia m´ a ınima (ENTVM). . Obs: Estamos usando.6 + 12. x5 = 13.8. a a e Solu¸˜o: ca ˆ ¯ V (θ1 ) = V (X) = V = X1 + X2 + . entre todos os estimadores n˜o e a e a viciados.8 + 14. a a a e O leitor interessado pode ver por exemplo [8] ou [3] ou ainda [2].1 + 10. A prova desta propriedade vai al´m do alcance da disciplina. suponha que geramos uma amostra aleat´ria de tamanho n = 10 de uma ca o popula¸˜o normal e obtemos os dados: ca x1 = 12. Como e a a n˜o existe um unico estimador n˜o viciado. . Por isto usamos a propriedade: ˆ ˆ a ˆ e 3. x9 = 12.95 2 8. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Algumas vezes existem diversos estimadores n˜o viciados para determinado parˆmetro da poa a pula¸˜o.1 M´dia truncada a 10%: = e = 10. x4 = 11.X2 . Por exemplo.4. x6 = 9.7 + 9. Exemplo: Seja X1 .6 Mediana: med = = 10. Podemos a partir da amostra obter: 12.1.1 + 9.7 + 11.1 + 12. . x8 = 8. ele tiver variˆncia m´ a ınima. x3 = 8. que a variˆncia de uma soma de vari´veis aleat´rias independentes ´ a a o e igual ` soma das variˆncias destas vari´veis.8 + 13.04 10 10. Determine qual ´ o mais eficiente. No entanto diremos que θ ´ a e o melhor estimador para θ se ele ´ n˜o viciado e se al´m disso.ˆ 5.4 + 8. Eficiˆncia: Dados dois estimadores θ1 e θ2 n˜o viciados para θ.8.7.3 + 11.6 + 13.1 + 8.1.Xn uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ e variˆncia 1. sem prova. x10 = 10.8 + 9.3 = 11.5 + 12. n˜o podemos usar apenas o crit´rio de v´ zero para a ´ a a e ıcio selecionarmos o melhor estimador.6.98 8 M´dia: x = e ¯ Podemos mostrar que a mediana e a m´dia truncada s˜o estimadores n˜o viciados de µ.8 + 10. . dizemos que θ1 ´ mais eficiente e ˆ2 se que θ ˆ ˆ V ar(θ1 ) < V ar(θ2 ) ˆe N˜o existe um crit´rio absoluto para definir o melhor estimador.5. x2 = 9.3. · · · + Xn n 1 V (X1 + X2 + . · · · + Xn ) n2 1 = 2 nV (X) n 1 = n e ˆ V (θ2 ) = V (X1 ) = 1 ˆ ¯ e Logo θ1 = X ´ um estimador mais eficiente que X1 .4 + 9.3 + 11. 104 . x7 = 14.1.3. o ca e a ˆ ¯ ˆ Os estimadores θ1 = X e θ2 = X1 s˜o estimadores n˜o viciados para µ.

1.3.2. . a 5. a ˆ Defini¸˜o 26. pode ser poss´ reduzir consideravelmente a variˆncia do a e e ıvel a estimator atrav´s da introdu¸˜o de um v´ relativamente pequeno. com os momentos amostrais correspondentes.2. ca e 5.k mi = n j=1 j Igualamos agora os MI aos valores mi . Isto ´.3. a ˆˆ 5.Mean Squared Error) e ˆe Ou seja. . O Erro Quadr´tico M´dio de um estimador θ do parˆmetro θ ´ definido como ca a e a e ˆ EQM = E(θ − θ)2 Outra forma de escrevermos o EQM ´: e 2 ˆ ˆ ˆ ˆ EQM = E[θ − E(θ)]2 + [θ − E(θ)]2 = V (θ) + (V´ ıcio) (em inglˆs MSE . Se θ e a a e e a a Em certas situa¸˜es podemos preferir um estimador viciado do que um n˜o viciado. . . .3. . definido como a m´dia do quadrado da diferen¸a entre o estimador e o a e e c valor real do parˆmetro.3.θk . Desde que a redu¸˜o na variˆncia e ca ıcio ca a seja maior do que o quadrado do v´ ıcio. e ca a o a sejam: n 1 xi i = 1. . o Erro Quadr´tico M´dio do estimador θ ´ igual ` variˆncia do estimador mais o v´ ao quaa e a a ıcio ˆ ´ n˜o viciado. do ponto de vista do erro quadr´tico m´dio. co co ´ 105 . O desvio padr˜o de um estimador θ ´ dado por σθ = V (θ). um estimador melhor. . .3.ˆ 5. ˆe ˆ Defini¸˜o 25. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 5.1.θk .k Mi = E(X i ) i = 1. o Erro Quadr´tico M´dio ´ igual ` variˆncia de θ.2 Desvio Padr˜o a Quando calculamos o valor num´rico ou a estimativa pontual de um parˆmetro. Se o desvio padr˜o ca a a ˆ envolve parˆmetros desconhecidos que podem ser estimados.θ2 . Nestes casos ´ importante medirmos o Erro e Quadr´tico M´dio do estimador. . denotado por σθ . ´ usualmente desej´vel e a e a darmos uma ideia da precis˜o da estimativa. substitu´ a ımos estes valores em σθ e obtemos ˆ um desvio padr˜o estimado.θ2 . Suponhamos que a distribui¸˜o da vari´vel aleat´ria X dependa de K parˆmetros θ1 .2. ˆ drado. A medida de precis˜o usualmente empregada ´ o erro padr˜o a a e a do estimador utilizado.3 Erro Quadr´tico M´dio a e Eventualmente precisamos usar um estimador viciado.2 M´todos de estima¸˜o e ca A defini¸˜o de n˜o viciado e as outras propriedades dos estimadores n˜o fornecem nenhuma indica¸˜o ca a a ca de como podemos obter bons estimadores pontuais. come¸ando com com i = 1 e continuando at´ que existam c e equa¸˜es suficientes para proporcionar solu¸˜es unicas para θ1 . . Foi desenvolvido por Karl Pearson e ca no fim do s´culo XIX. a e ser´ obtido. Veremos nesta se¸˜o dois m´todos para isto. pois aquele pode co a ter um erro quadr´tico m´dio menor. que s˜o e a e e a definidos em termos de valores esperados.1 M´todo dos momentos e ´ E o m´todo mais antigo e mais simples de estima¸˜o pontual. . . . . . A ideia geral por tr´s do m´todo ´ igualar os momentos populacionais.

ˆ 5. Seja X uma vari´vel aleat´ria com distribui¸˜o normal e parˆmetros desconhecidos (θ1 .2.x2 . Ent˜o a fun¸˜o de verossimilhan¸a da amostra ´ definida por: a ca c e L(θ|x1 . θ2 ). . . . .2 M´todo de M´xima Verossimilhan¸a e a c Este ´ um dos melhores m´todos para obter-se um estimador de um parˆmetro. .θ)f (x2 . .3.Xn ´ uma amostra aleat´ria de uma distribui¸˜o exponencial com parˆmetro e o ca a desconhecido θ. .x2 . Para estud´-lo introe e a a duzimos: a o ca Defini¸˜o 27. Suponha que X1 .x2 . . . ˆ ˆ Substituindo θ1 por θ1 na segunda igualdade temos θ2 = n i=1 x2 i n 1 ¯ − X2 = n n i=1 (xi ¯ − X)2 2. Seja x1 . . . . . .X2 . Utilize o m´todo dos momentos para obter ca e estimadores para estes parˆmetros. . . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Exemplos: 1.xn uma amostra de uma vari´vel aleat´ria X com fun¸˜o de (densidade) ca de probabilidade f (x. e seja a o ca a x1 . θ ∈ Θ. Qual o estimador para θ obtido pelo m´todo dos momentos? e Solu¸ao: c˜ Calculamos M1 = E(X) = Igualando os dois momentos obtemos: 1 θ e m1 = 1 n n ¯ xi = X i=1 1 ˆ θ= ¯ X 5.θ).3.xn ) = f (x1 . .xn uma amostra obtida desta distribui¸˜o. . f (xn .θ) 106 .θ) . a Solu¸ao: c˜ Calculamos primeiro M1 = E(X) = θ1 m1 = 2 M2 = E(X 2 ) = (E(X))2 + V (X) = θ1 + θ2 n i=1 xi n m2 = n i=1 x2 i n Igualando os momentos populacionais aos amostrais de mesma ordem temos: ¯ M1 = θ1 = m1 = X 2 M2 = θ1 + θ2 = m2 = n i=1 x2 i n ˆ ¯ Da primeira igualdade obtemos diretamente que θ1 = X.

Seja x1 . . . . . . Exemplos: ca e a 1.p) = r x p (1 − p)r−x x x = 0. pode-se chegar a a ` mesma conclus˜o. .ˆ 5. X2 = x2 .x2 . . . isto ´ ca a e f (x. Podemos ver ent˜o que L(µ|x1 . a ˆ ca a e X1 = x1 .1.x2 .xn ) ser´ m´xima quando i (xi − µ)2 for a a a m´ ınima. a ˆ Para o caso de vari´veis aleat´rias cont´ a o ınuas. . embora a an´lise seja mais complicada. . pxn (1 − p)r−xn x1 x2 xn r r r .xn s˜o conhecidos. . . .xn tˆm mais probabilidade de vir de uma distribui¸˜o binomial ˆe co e ca com parˆmetros r e p do que de uma distribui¸˜o binomial com parˆmetros r e p. Xn = xn tem probabilidade m´xima quando p = p. isto ´ L(θ|x1 . . . . a fun¸˜o de verossimilhan¸a ´ fun¸˜o somente do parˆmetro a ca c e ca a ˆ desconhecido θ. a fun¸˜o de verossimilhan¸a depende apenas de ca c n 2 1 e− 2 i=1 (xi −µ) . a c Solu¸ao: c˜ 2 2 2 1 1 1 1 1 1 L(µ|x1 . c Vejamos intuitivamente o significado deste estimador. . para acharmos o m´ximo da fun¸˜o de verossimilhan¸a temos que minimizar a ca c (xi − µ)2 . . Assim.x2 . Isto ´. .xn ) = √ e− 2 (x1 −µ) √ e− 2 (x2 −µ) . . . . . . .x2 . Achar o estimador de m´xima verossimilhan¸a para µ. . . . ´ o mesmo que dizer que e p ´ tal que as observa¸˜es x1 . . .xn uma amostra de uma distribui¸˜o normal com m´dia µ e variˆncia 1. .r L(p|x1 . . . . . O estimador de m´xima verossimilhan¸a de θ ´ o valor θ que maximiza a fun¸˜o de a c e ca verossimilhan¸a L. . .xn ) = = r r r px1 (1 − p)r−x1 px2 (1 − p)r−x2 . ... .3. . .x2 . . . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Quando x1 . . . Para calcularmos este m´ ınimo fazemos: i ∂ ∂µ (xi − µ)2 = −2 i i (xi − µ) 107 . . .x2 .xn ) ≥ L(p|x1 . . Consideremos o caso de uma vari´vel discreta a com distribui¸˜o binomial de parˆmetros r e p. . 0 < p < 1. . . p i xi (1 − p)nr− i xi x1 x2 xn Dizermos que L(ˆ|x1 .x2 .x2 .xn ) ≥ L(θ|x1 . .xn ) a e ˆ ∀ θ.x2 .xn ) p ∀ p : 0 < p < 1. .x2 . √ e− 2 (xn −µ) 2π 2π 2π 1 = √ 2π n e −1 2 n (xi −µ)2 i=1 Note que para uma amostra de tamanho n fixo. .

xn ) de log-verossimilhan¸a. . . . . . . . c 2.xn ) = lnL(λ|x1 . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Igualando a derivada a zero. Seja x1 .xn ).x2 .x2 . . obtemos: n −2 i=1 n (xi − µ) = 0 ˆ (xi − µ) = 0 ˆ i=1 n n xi = i=1 i=1 µ ˆ µ=x ˆ ¯ Portanto x ´ um candidato para o EMV procurado. .ˆ 5. i o que significa que µ = x ´ um ponto de m´ ˆ ¯e ınimo para i (xi − µ)2 e equivalentemente um ponto de m´ximo para L(µ|x1 .x2 .xn ) = − ∂λ λ Igualando a zero temos: xi i i xi ] = nlnλ − λ i xi 1 ˆ λ= x ¯ Confirmamos que o ponto ´ m´ximo porque a derivada segunda ´ −n/λ2 < 0 e a e 108 .x2 . . . . . . . . . .xn ) = ln[λn e−λ Derivando a log-verossimilhan¸a com respeito a λ temos: c n ∂l(λ|x1 . e a Chamamos a fun¸˜o l(λ|x1 . . µ = x ´ o estimador de m´xima verossia ˆ ¯e a milhan¸a (EMV) para µ. .3.x2 . . . .x2 .x2 . . .xn ) = lnL(λ|x1 . .x2 . ca c Ent˜o podemos escrever: a l(λ|x1 . . λ tamb´m ir´ maximizar lnL(λ|x1 .xn uma amostra de uma vari´vel aleat´ria com distribui¸˜o exponencial com parˆmetro a o ca a λ. . . Para confirmarmos se ´ ponto de m´ximo ou ¯e e a de m´ ınimo fazemos: ∂2 ∂2µ (xi − µ)2 = 2n > 0.x2 . . Em outras palavras. . . .x2 .xn ) = λn e−λ i xi ˆ ˆ Podemos observar que se λ maximiza L(λ|x1 . . . . .xn ). . .xn ). Achar o Estimador de M´xima Verossimilhan¸a para λ a c Solu¸ao: c˜ L(λ|x1 . .

. com distribui¸˜o normal com m´dia µ e variˆncia σ 2 . .X2 . . .σ 2 . digamos. . a c Solu¸ao: c˜ L(θ|x1 . . .xn )] = l(µ. a fun¸˜o de verossimilhan¸a ´ uma ca c e fun¸˜o dos n parˆmetros desconhecidos θ1 . e resolvendo o sistema de equa¸˜es resultante. . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 3. Seja f (x. co Exemplo: Seja X uma v. .Xn uma amostra aleat´ria da vari´vel o a X.x2 .θ2 . . .2. . . ´ O m´todo de m´xima verossimilhan¸a pode ser usado em situa¸˜es onde existem diversos parˆmetros e a c co a desconhecidos. θ1 .σ .x2 . Achar o estimador de m´xima verossimilhan¸a para θ. . . . .σ 2 .σ 2 ) 1 = 2 ∂µ σ n (xi − µ) = 0 i=1 109 . . Ache o ca e a EMV para µ e para σ 2 . . . . x1 . .ˆ 5.n) a zero. . . . . .xn ) = 1. x1 . x1 .θ2 . . . Nestes casos.x2 . com θ −1/2 ≤ X ≤ θ +1/2 e seja X1 .3.xn ) = 1 1 e θ ≥ xmax − 2 2  1  1 se xmax − 1 ≤ θ ≤ xmin + 2 . a partir da mostra x1 . . . .xn ) = − n 1 ln(2πσ 2 ) − 2 2 2σ n (xi − µ)2 i=1 Calculando as derivadas parciais e igualando-as a zero obtemos : ∂l(µ. . . . . θ) = 1. .xn . .θn . .θn para estimarmos. Sejam Xmin = min xi θ− 1 1 ≤ xi ≤ θ + 2 2 para 1 ≤ i ≤ n: 1 ≥ xmax 2 para 1 ≤ i ≤ n e Xmax = max xi θ− 1 ≤ xmin 2 e θ+ ou de forma equivalente: θ ≤ xmin + Ent˜o a L(θ|x1 . . (para i = 1.xn ) = e−(xi −µ) /(2σ ) = e (2πσ 2 )n/2 σ 2π i=1 2 n n Para simplificar usamos a log-verossimilhan¸a que ´: c e log[L(µ.x2 . . e os estimadores de m´xima verossimilhan¸a {Θi } ca a a c ˆ podem ser obtidos igualando-se as n derivadas parciais ∂L(θ1 . . .x2 .x2 . . . Solu¸˜o: ca A fun¸˜o de m´xima verossimilhan¸a para uma amostra de tamanho n ´ ca a c e −(1/2σ 2 ) (xi −µ)2 2 2 1 1 i=1 √ L(µ.xn ) ´ m´ximo para qualquer valor de θ no intervalo [xmax − 1 .x2 .a.θn )/∂θi . . Este exemplo ilustra o fato de que o estimador de m´xima verossimilhan¸a para θ pode n˜o ser unico.xmin + e a 2 1 a c a 2 ]. . 2  0 caso contr´rio a ˆ Isto significa que L(θ|x1 .θ2 . ambas desconhecidas. .

90.19. Estas informa¸˜es ou estat´ o o a ca co ısticas. x15 = 3. x12 = 3.00.Xn uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ e variˆncia σ 2 . . Qual a estimativa para os parˆmetros θ1 = µ e θ2 = σ 2 usando os estimadores de m´xima verossimilhan¸a? a a c Solu¸˜o: ca 53.58 15 1 ˆ θ2 = n n ¯ (Xi − X)2 = i=1 13.3. em inferˆncia estat´ ca e ıstica usamos informa¸˜es contidas em amostras co aleat´rias para chegarmos a conclus˜es sobre parˆmetros da popula¸˜o.28. x9 = 3.63 ˆ ¯ θ1 = X = = 3.57. x4 = 3.52. . x6 = 4.3 Distribui¸˜es amostrais co Conforme salientamos na se¸˜o 5.1.78 = 0.27. ou de forma equivalente Zn = n n σ tem distribui¸˜o normal com m´dia 0 e variˆncia 1. As provas podem ser vistas em [2].X2 .ˆ 5. x14 = 4.04. 5. .1 Distribui¸˜o da m´dia amostral .92 15 5. x3 = 2.87. Alguns destes ca a o co resultados ser˜o provados como ilustra¸˜o.74.3.57. s˜o tamb´m vari´veis aleat´rias que dependem dos resultados obtidos em cada amostra em particular. x11 = 4.92. a e Exemplo: Suponha que a amostra a seguir.caso normal ca e Seja X1 . por fugia ca co rem do alcance do nosso curso.σ 2 ) =− 2 + 4 2 ∂σ 2σ 2σ (xi − µ)2 = 0 i=1 As solu¸˜es das equa¸˜es acima fornecem os estimadores de m´xima verossimilhan¸a co co a c µ=x ˆ ¯ σ2 = ˆ 1 n n (xi − x)2 ¯ i=1 Repare que s˜o os mesmos estimadores obtidos pelo m´todo dos momentos. mas na maioria deles omitiremos as demonstra¸˜es. ESTIMACAO DE PARAMETROS ¸˜ n cpa/gsa n 1 ∂l(µ. . A o ca e a ¯ σ2 Xn − µ √ ¯ m´dia Xn tem distribui¸˜o normal com m´dia µ e variˆncia e ca e a .56.95. obtida aleatoriamente. ca Nesta se¸˜o apresentaremos diversos resultados que ser˜o usados nas pr´ximas se¸˜es. x7 = 2. ´ de uma vari´vel aleat´ria normal com m´dia e a o e µ e variˆncia σ 2 : a x1 = 1. x8 = 2. x5 = 4. x10 = 4.3. x13 = 3. ca e a 110 . a e a o ´ E portanto de fundamental importˆncia conhecermos a distribui¸˜o das estat´ a ca ısticas: esta distribui¸˜o ´ ca e chamada distribui¸˜o amostral. x2 = 4.3.25.

. c ¯ ∼ N (10. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Exemplos: ¯ 1. . 2).8) onde X : comprimento da pe¸a e X ∼ N (10.79) − [1 − P(Z ≤ 1. Seja X25 a m´dia de uma amostra aleat´ria de tamanho 25 de uma distribui¸˜o normal com m´dia e o ca e ¯ µ = 75 e variˆncia σ 2 = 100.2 e 10. ou seja: ¯ P(71 < X25 < 79) = P ¯ X − 75 79 − 75 71 − 75 < < 2 2 2 = P(−2 < Z < 2) = P(Z < 2) − P(Z < −2) = P(Z < 2) − P(Z > 2) = P(Z < 2) − [1 − P(Z < 2)] = 2P(Z < 2) − 1 = 2 × 0. Se X e o ca e a ¯ ¯ Y s˜o independentes.Y2 .ˆ 5.2 < X < 10.79) = 2P(Z ≤ 1. Se o comprimento das pe¸as tˆm distribui¸˜o normal com m´dia c c e ca e 10 cm e variˆncia 2 cm2 o que pode ser dito sobre a aceita¸˜o do lote? a ca Solu¸ao: c˜ ¯ P(lote ser aceito)=P(9.Xn uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ1 e variˆncia σ1 o ca e a 2 e Y1 .3.9265 5.3.2 0. .79) = P(Z ≤ 1.3.79) − 1 = 0. ou de forma equivalente: e variˆncia a n m Z= ¯ ¯ Xn − Ym − (µ1 − µ2 ) 2 σ1 σ2 + 2 n m 111 .8 − 10 ¯ √ P(9. 2/10) e portanto: Mas X 9.8) = P ≤Z≤ √ 0.79 ≤ Z ≤ 1.X2 .Ym uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ2 e variˆncia σ2 .000 pe¸as ocorre apenas se o comprimento m´dio de 10 c˜ c e pe¸as estiver entre 9.8 cm.2 < X < 10. X25 tem distribui¸˜o normal com m´dia µ = 75 e variˆncia ca e a 100 igual a 25 = 4. ent˜o a diferen¸a das m´dias Xn − Ym tem distribui¸˜o normal com m´dia µ1 − µ2 a a c e ca e 2 2 σ2 σ1 + .977250 − 1 = 0. Qual ´ a probabilidade de que X25 assuma valores entre 71 e 79? a e Solu¸ao: c˜ ¯ Conforme resultado apresentado acima. . .9545 2.79) − P(Z ≤ −1.79) = P(Z ≤ 1. .2 − 10 10.2 = P(−1. Suponha que a aceita¸ao de um lote de 1.2 Distribui¸˜o da diferen¸a de m´dias ca c e 2 Sejam X1 . . .

. e sejam X10 e Y15 as m´dias amostrais corresa ca e ¯ ¯ pondentes.81) − P(Z ≤ −7. se X1 . ent˜o Z 2 tem distribui¸˜o quiquadrado com 1 grau de liberdade. Calcular P(−4 ≤ Y15 − X10 ≤ 4).2090 5.3 Distribui¸˜o Quiquadrado ca 1. e a a ca 2.35 ≤ Z ≤ −0. .X2 . Como aplica¸˜o da segunda propriedade acima.Z2 . . Seja Z uma vari´vel aleat´ria normal padr˜o. .Xn ´ uma amostra aleat´ria de uma ca e o distribui¸ao normal com m´dia µ e variˆncia σ 2 . .35) = [1 − P(Z ≤ 0. . .3. . uma vari´vel com distribui¸˜o normal com a o a e a ca m´dia 0 e variˆncia 1.3. . independente da primeira distribui¸˜o. ent˜o c˜ e a a X2 = = i=1 X1 − µ σ n 2 + 2 X2 − µ σ 2 + ··· + Xn − µ σ 2 Xi − µ σ tem distribui¸˜o quiquadrado com n graus de liberdade.81)] − [1 − P(Z ≤ 7.81) = P(Z ≤ −0. Sejam Z1 .791030) − (1 − 1) = 0. .X10 uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ = 10 e o ca e variˆncia σ 2 = 9 e Y1 .3. ent˜o ca e a a Z= ¯ ¯ Xn − Ym − (µ1 − µ2 ) σ2 1 1 + n m Exemplo: Suponha X1 . ent˜o a vari´vel Xn = Z1 + Z2 + · · · + Zn tem distribui¸˜o quiquadrado com n graus a a a de liberdade. .Y2 .Y15 uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ = 15 e a o ca e ¯ ¯ variˆncia σ 2 = 9. . .Zn vari´veis aleat´rias independentes e normalmente distribu´ a o ıdas com m´dia 0 e e 2 2 2 2 ca variˆncia 1. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 2 2 tem distribui¸˜o normal com m´dia 0 e variˆncia 1.35)] = (1 − 0.X2 . . Solu¸˜o: ca   ¯ ¯  ¯15 − X10 ≤ 4) = P  −4 − (µ2 − µ1 ) ≤ Y15 − X10 − (µ2 − µ1 ) ≤ 4 − (µ2 − µ1 ) ¯ P(−4 ≤ Y   1 1 1 1 1 1 σ2 σ2 σ2 + + + n m n m n m     = P   −4 − 5 9 1 1 + 10 15 ≤Z≤ 9 4−5 1 1 + 10 15            = P(−7. isto ´. Se σ1 = σ2 = σ 2 .ˆ 5. . ca 112 . .

ent˜o a tem distribui¸˜o qui-quadrado com n − 1 graus de liberdade e ´ ca e σ2 ¯n. . o vetor (X1 . a segunda ´ um valor da vari´vel aleat´ria.3. Xn−1 = xn−1 a ¯ e Xn o valor de Xn ser´ determinado. Se Xn ´ a m´dia ca a e 2 (n − 1)Sn desta amostra. o ca a Qual a probabilidade que a variˆncia da amostra seja menor que 16. consideremos um vetor X = (X1 .X2 .68) = 0. ´ f´cil ver que X1 − X + X2 − X + X3 − X = 0. . . equivalente a uma equa¸˜o da ¯ ¯ ¯ Se X e a ca 3 forma aX1 + bX2 + cX3 = 0 que ´ a equa¸˜o de um plano em R3 .X3 ) agora pode variar num espa¸o de 2 e ca e c dimens˜es. o Observemos agora a express˜o: a n i=1 ¯ Xi − Xn σ 2 .ˆ 5. a Chamamos a aten¸˜o do leitor para a diferen¸a entre as express˜es ca c o n i=1 i=1 n i=1 ¯ Xi − Xn σ 2 n e i=1 xi − xn ¯ σ 2 .3. independente de X Exemplo: Suponha X1 . isto ´.31? a Solu¸˜o: ca 2 P(S10 < 16. diz-se que ele perdeu um grau de liberdade.9 (pela tabela 2 do apˆndice) e 113 . . . ent˜o conhecidos X1 = x1 . ele varia no espa¸o de trˆs dimens˜es.2.X2 . . e σ2 n 2 onde Sn ´ a variˆncia amostral definida em 1. . X2 = x2 . .X2 . isto ´. Dizemos que a soma perde um grau de liberc˜ n n ¯ ¯ dade pois (Xi − X) = 0 (pois X = 1 Xi ). que pode ser escrita como 2 ¯ 1 (Xi − Xn )2 (n − 1)Sn (n − 1) = 2 2 σ (n − 1) σ i=1 2 (n − 1)Sn ¯ ´ independente de Xn . e a o e a o Para ilustrar melhor a perda de um grau de liberdade.X2 . ele tem 3 “graus de liberdade”. a soma perde um grau de liberdade e temos que e ıdo a n i=1 ¯ Xi − Xn σ 2 tem distribui¸ao quiquadrado com n − 1 graus de liberdade. .31 × 9 < σ2 10 2 = P(X9 < 14. .X10 uma amostra aleat´ria de uma distribui¸˜o normal com variˆncia σ 2 = 10. e c e o ¯ 3 = X1 + X2 + X3 .Xn uma amostra de uma distribui¸˜o normal com variˆncia σ 2 . . Observe que a primeira ´ uma vari´vel aleat´ria. Pode-se provar que e a o que nos traz ao seguinte resultado: ¯ e 3. . Seja X1 . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa ¯ Quando µ ´ substitu´ por Xn na express˜o acima.X3 ) que pode assumir valores em R3 .31) = P 2 S10 (n − 1) 16.

e ca Diz-se que T tem distribui¸˜o t de Student com n graus de liberdade.3.Xn uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ1 e variˆncia o ca e a σ 2 .3. . ent˜o a vari´vel c˜ a a a Z T = V /n tem fun¸˜o de densidade dada por: ca n+1 Γ 2 fT (t) = √ × πn Γ(n/2) onde Γ(α) = ∞ 0 1 t2 1+ n n+1 2 . a a a 114 . N˜o ´ importante se decorar ca a e a fun¸˜o de densidade.3. . Preca c a a cisamos da vari´vel Tn+m−2 quando n˜o conhecemos a variˆncia comum σ 2 .4. quando n aumenta a distribui¸˜o t de Student pode ser aproximada por a e ca uma distribui¸˜o normal padr˜o.3.3. Seja X1 . mas sim saber lidar com probabilidades referentes a ela.Xn uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ e variˆncia σ 2 . A prova deste resultado decorre de ca ´ 5. e Y1 . 5.3. . Isto ´.2.3.4 Distribui¸˜o t de Student ca Seja Z uma vari´vel aleat´ria com distribui¸˜o normal padr˜o e seja V uma vari´vel aleat´ria com a o ca a a o distribui¸ao quiquadrado com n graus de liberdade. . Seja X1 .ˆ 5. . fT (t) converge para √ e− 2 t .Y2 . . . .3. E claro que usaremos esta distribui¸˜o quando σ 2 n˜o ´ conhecida. Se V e Z s˜o independentes. ca Chamamos aten¸˜o para a diferen¸a entre a vari´vel Tn+m−2 e a vari´vel Z definida em 5. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 5. normal padr˜o.X2 . com σ 2 desconhecida. o ca e a ent˜o: a ¯ Xn − µ √ √ ¯ n n(Xn − µ) σ Tn = = 2 Sn (n − 1)Sn /(n − 1) 2 σ tem distribui¸˜o t de Student com n − 1 graus de liberdade.3 e de 5. ca a Duas aplica¸˜es diretas deste resultado s˜o: co a 1. independente da primeira. −∞<t<∞ xα−1 e−x dx ´ a fun¸˜o gama.3. .1.Ym uma amostra aleat´ria de outra distribui¸˜o normal com m´dia µ2 e variˆncia o ca e a σ 2 .3. Ent˜o a vari´vel a a ¯ ¯ Xn − Ym − (µ1 − µ2 ) σ2 Tn+m−2 = 1 1 + n m 2 2 (n − 1)S1 (m − 1)S2 + /(n + m − 2) σ2 σ2 Tn+m−2 = ¯ ¯ Xn − Ym − (µ1 − µ2 ) 2 2 (n − 1)S1 + (m − 1)S2 1 1 + n+m−2 n m tem uma distribui¸˜o t de Student com n + m − 2 graus de liberdade.3. ca a e 2. . . especialmente usando a ca 1 1 2 e ca tabela 3 (no apˆndice). Quando n aumenta.X2 . . que ´ a fun¸˜o de densidade e 2π de Z.

95(4. .n) ) = α para alguns valores de α Para calcularmos por exemplo para α = 0.5 Distribui¸˜o F de Fisher ca Agora consideremos uma vari´vel aleat´ria U com distribui¸˜o quiquadrado com m graus de liberdade a o ca e uma vari´vel aleat´ria V independente da primeira.95(4.X2 . Achar o valor f0.3.n) > fα(m. com distribui¸˜o quiquadrado com n graus de a o ca liberdade.5) = =⇒ 1 f0.5) ≥ 1 = 0.95 usamos o fato de que f0. e sua fun¸˜o de densidade ´ dada por: ca e Γ fF (x) = m+n m 2 n m n Γ Γ 2 2 m/2 × x(m/2)−1 .n) tais que: P(F(m.m) 115 .5) ≥ f0. Esta vari´vel vai nos permitir construir ca a intervalos de confian¸a e fazer testes referentes ` raz˜o de duas variˆncias.95(4.5) Solu¸ao: c˜ P[F(4. .3. . .4)   U/m 1 1 ≤ fα ) = P ≤ fα = P  V /n ≤ fα  = P ≤ fα V /n F(n.Y2 .95 f0.05(n.m) U/m 1 f0. . ent˜o 2 (n−1)S1 /(n 2 σ1 2 (m−1)S2 2 σ2 F = − 1) /(m − 1) = 2 2 S1 σ2 2 2 S2 σ1 tem distribui¸˜o F com n − 1 e m − 1 graus de liberdade.n) = Esta igualdade pode ser demonstrada por: P(F(m.26 1 ] = 0. .4) = P[F(4.05(5.5) ] = 0.ˆ 5. mas sim saber utilizar a tabela 4 a e ca (no apˆndice).3. a vari´vel a U/m F(m. n˜o ´ importante memorizarmos a fun¸˜o de densidade.Xn uma amostra aleat´ria da distribui¸˜o normal com m´dia µ1 e variˆncia σ1 e seja Y1 .n) Exemplos: 1. e Uma aplica¸˜o importante desta distribui¸˜o ´ a seguinte: ca ca e 2 o ca e a 1. mx (m+n)/2 1+ n 0<x<∞ Novamente. independente da primeira.95 f0.05(5. c a a a As tabelas 4a a 4g fornecem os valores de fα(m.Ym uma amostra aleat´ria de outra distribui¸˜o normal com m´dia µ2 e variˆncia o ca e a 2 a σ2 . . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 5.95(m.16 6.n) = V /n tem uma distribui¸˜o chamada F de Fisher com m graus de liberdade no numerador e n graus de liberdade ca no denominador. . Seja X1 .

05(10.10) < a) = P(F(5.3 (Distribui¸˜o Quiquadrado) vimos que ca tem distribui¸˜o qui-quadrado com n − 1 graus ca σ2 2 de liberdade.X2 . Para encontrarmos o valor a e de a fazemos: P(F(5.4 Teorema Central do Limite As amostras consideradas at´ aqui s˜o √ e a extra´ ıdas de popula¸˜es normais. e esta aproxima¸˜o ´ dada pelo teorema estabelecido a seguir: ca ca e a Teorema 3. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 2. O que significa dizer que Zn tem a e uma distribui¸˜o que no limite ´ a normal padr˜o? Zn tem uma distribui¸˜o.10) > b) = 0. . por´m n˜o ´ nosso interesse ca e a ca e a e 116 . Considere uma vari´vel aleat´ria com distribui¸˜o F com 5 e 10 graus de liberdade. independentemente do tamanho da e a 2 (n − 1)Sn ¯ amostra as distribui¸˜es para Xn e co s˜o exatas.21 5.3.ˆ 5.95 Como f0. se Sn ´ a variˆncia da mesma amostra.10) < a) = 0. Teorema Central do Limite: seja X1 .74 = 0. e sim uma id´ia de seu significado.3.3. a ca f(x) a1a2 b1 b2 X a ıveis.05 =⇒ P(F(5.05 O c´lculo do valor de b ´ direto da tabela 7 onde encontramos b = 3.5) na tabela achamos que a = 1/4.1 (Distribui¸˜o da co ca ¯ n(Xn − µ) ¯ e m´dia amostral . se Xn ´ a m´dia ca a e σ 2 de uma amostra aleat´ria de tamanho n de uma distribui¸˜o normal com m´dia µ e variˆncia σ . Por conven¸˜o escolhemos a e b tais que: ca Na figura acima (a1 . . Nestes casos.95(5. c˜ e e a N˜o damos prova do teorema.3.10) = 1 f0.90.33. Em o ca e a 2 (n − 1)Sn 5. . . Solu¸ao: c˜ ´ E claro que existe uma infinidade de valores a e b que atendem ` condi¸˜o. ent˜o a vari´vel Zn = o e a a a tem uma σ distribui¸ao limite que ´ normal com m´dia zero e variˆncia um.b1 ) e (a2 .10) < b) = 0. Determinar a a o ca e b tais que P(a < F(5.Xn uma amostra aleat´ria de uma vari´vel √o ¯ n(Xn − µ) aleat´ria com m´dia µ e variˆncia σ 2 positiva e finita.b2 ) s˜o dois pares poss´ P(F(5. precisamos de amostras grandes para aproximar a districa a e ¯ bui¸˜o de Xn .10) ≥ a) = 0.3.caso normal) vimos que e tem distribui¸˜o normal padr˜o.3. Em 5. a 2 σ Quando a distribui¸˜o de X n˜o ´ normal.

Solu¸ao: c˜ ¯ P(49 < X < 51) = P ¯ 49 − µ √ X − µ√ 51 − µ √ n< n< n σ σ σ 2 a Como X ∼ X50 .3. para todo z ∈ R. e c 117 1 = 80 λ σ2 = 1 = 6400 λ2 .z2 ) de n´meros reais {P(z1 ≤ Zn ≤ z2 )}∞ define tamb´m uma sequˆncia de n´meros reais: u e e u n=1 o teorema nos diz que para todo z ∈ R. µ = gl = 50 e σ 2 = 2gl = 100. {P(Zn ≤ z)}∞ define uma sequˆncia de n´meros reais e para e u n=1 cada par (z1 . a Salientamos que para cada z ∈ R. ` medida que n a a aumenta. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa determin´-la. ent˜o ¯ 49 − 50 √ X − 50 √ 51 − 50 √ ¯ P(49 < X < 51) = P 100 < 100 < 100 10 10 10 ¯ X − 50 √ = P −1 < 100 < 1 10 ≈ P(−1 < Z < 1) ≈ 0. P(Zn ≤ z) converge para P(Z ≤ z). sendo Z a normal padr˜o. a primeira sequˆncia converge para P(Z ≤ z) e para cada par e (z1 .ˆ 5. Seja X a m´dia de uma amostra aleat´ria de tamanho 100 de uma distribui¸˜o quiquadrado com e o ca ¯ 50 graus de liberdade. Aproximar o valor de P(49 < X < 51). O teorema diz que. A partir dele podemos. entre outras coisas.6826 ¯ 2. u e Maiores detalhes podem ser encontrados em textos de n´ intermedi´rio. quando σ σ ´ positivo e finito. construir intervalos de confian¸a para µ. Seja X a m´dia de uma amostra aleat´ria de tamanho 64 de uma distribui¸˜o exponencial com e o ca 1 ¯ seja maior que 75? parˆmetro λ = a . Qual a probabilidade de que X 80 Solu¸ao: c˜ A m´dia e variˆncia de X s˜o respectivamente: e a a µ= Assim podemos calcular: ¯ P(X > 75) = P ¯ X − 80 √ 75 − 80 √ 64 > 64 80 80 ¯ X − 80 −5 =P > 10 10 ≈ P(Z > −0.z2 ) de n´meros reais a segunda sequˆncia converge para P(z1 ≤ Zn ≤ z2 ).5) ≈ 0.6915 √ ¯ n(Xn − µ) O Teorema Central do Limite fornece a fun¸˜o de distribui¸˜o aproximada de ca ca . Isto vai implicar que P(z1 ≤ Zn ≤ z2 ) converge para P(z1 ≤ Z ≤ z2 ). sob o t´ ıvel a ıtulo “Convergˆncia e em Distribui¸˜o” ca Exemplos: ¯ 1.

. por exemplo.4 precisamos de amostras grandes. na se¸˜o 5. . . . .Xn )) ´ um e ca a a e 118 . Define-se ent˜o Erro de Estima¸˜o como a distˆncia entre o parˆmetro e valor estimado (por a ca a a ¯ exemplo |X − µ|).Xn ) e S(X1 . .3 os resultados valem mesmo se o tamanho das ca amostras seja pequeno. por´m vai nos permitir usar a estat´ e ıstica: ¯ X − µ√ √ ¯ n n(X − µ) σ = 2 S S 2 σ Pelo resultado estabelecido.3 definimos a distribui¸˜o exata dos ca ca ca ca estimadores e nesta se¸˜o (5. o denominador da primeira express˜o converge para 1 e pelo Teorema a √ ¯ n(X − µ) Central do Limite o numerador tem distribui¸˜o aproximadamente normal padr˜o.5 Estima¸˜o por intervalos ca Como vimos nas se¸˜es anteriores.X2 . Diremos ent˜o que (I(X1 .X2 . . Em muitas situa¸˜es no entanto esta estimativa pontual de um parˆmetro ´ co a n˜o fornece informa¸˜o completa necess´ria para o estudo ou problema em quest˜o. . . e a Assim dada uma amostra X1 . S(X1 .Xn )] = 1 − α onde u(θ) ´ uma fun¸˜o do parˆmetro θ. Damos a este intervalo o nome de Intervalo de Confian¸a. . . n˜o ´ importante o e ca a a e √ ¯ n(X − µ) entendimento dos conceitos. . N´s a c o n˜o teremos certeza de que o intervalo cont´m o valor correto do parˆmetro populacional desconhecido. Estas aproxima¸˜es melhoram ca co co quando aumenta n. . Entretanto o intervalo de confian¸a ´ constru´ de tal forma que tenhamos alta confian¸a que c e ıdo c ele cont´m o parˆmetro populacional desconhecido.X2 . que como vimos a e ca ´ o estimador de σ 2 . . .X2 . . com θ ∈ Θ. .4) tratamos de distribui¸˜es aproximadas. Mais uma vez.X2 .3.3. Quando se estima a ca a a determinado valor para. Assim uma quest˜o importante aparece: qu˜o pr´ximo est´ X da a a o a ¯ m´dia verdadeira? e Uma das formas de resolver este problema ´ preestabelecer a margem m´xima de erro que queremos e a cometer.Xn tais que: P[I(X1 . .3.ˆ 5. . ent˜o ca a a S tem tamb´m uma distribui¸˜o aproximadamente normal padr˜o. . fun¸˜es de co X1 .Xn ).X2 . . Outra abordagem ´ usar um intervalo estimado para o parˆmetro populacional que expressasse o grau e a de incerteza associado ` estimativa. . (Para maiores detalhes ver [3]) a ca 5. a Estima¸˜o Pontual fornece como estimativa do parˆmetro desco ca a conhecido um unico valor.3.X2 . . que ´ superado com a utiliza¸˜o de S 2 . . Em outras palavras. . . e Pode-se provar que S 2 “converge estocasticamente” para σ 2 .Xn ). .3. ´ improv´vel que a m´dia verdadeira µ e a e a e seja exatamente igual a este valor. a e Para terminar esta se¸˜o chamamos a aten¸˜o que na se¸˜o 5. basta que se saiba utilizar o fato de que tem uma distribui¸˜o ca S que se aproxima da normal padr˜o quando o tamanho da amostra ´ grande. a e a N´s simplesmente usamos uma amostra aleat´ria da popula¸˜o para calcular a estimativa pontual e o o o ca intervalo. .X2 . .θ).3. . vamos encontrar I(X1 . . a m´dia de uma vari´vel. . j´ na se¸˜o 5. A no¸˜o de convergˆncia estoc´stica ca e a foge do escopo deste curso. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Quando n˜o conhecemos σ 2 surge um problema.Xn ) ≤ u(θ) ≤ S(X1 .Xn de uma vari´vel aleat´ria X com fun¸˜o de densidade de a o ca probabilidade f (x.

b1 ] e [a2 . .Xn ) tais que P[I(X1 .ˆ 5. Existe uma infinidade de pares de valores a e b c a ca c satisfazendo esta condi¸˜o. 2 2 2 2 119 . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa intervalo de confian¸a de 100(1−α)% para u(θ). .3.X2 .Xn )] = 1 − α (neste caso u(θ) = µ). a a 5. sendo z(1− α ) tal que P(Z ≤ z(1− α ) ) = 1 − α . . ca a f(z) a1 a2 b1 b2 Z Mas aproveitamos a simetria da fun¸˜o de densidade normal e achamos a tal que ca √ ¯ n(X − µ) P −a ≤ ≤a =1−α σ f(z) -a a Z Olhando a figura acima. .3. ent˜o na tabela podemos encontrar a e ca a a σ b que satisfa¸am ` equa¸˜o do intervalo de confian¸a.X2 . (1−α) ´ chamado coeficiente de confian¸a do intervalo. dos quais ca ca a a discutiremos detalhadamente apenas a Distribui¸˜o da m´dia amostral . . vemos que a = z(1− α ) .1 Intervalo de confian¸a para a m´dia de uma distribui¸˜o normal c e ca Caso 1: σ 2 conhecida. . .5.X2 . . . . . . .b2 ] na figura abaixo s˜o dois destes pares. c e c O m´todo para resolver o problema ´ simples: consiste em encontrar uma vari´vel aleat´ria que e e a o dependa da fun¸˜o u(θ) e cuja distribui¸˜o seja conhecida. Queremos achar I(X1 . [a1 . H´ v´rios casos a considerar.caso normal.Xn ) ≤ µ ≤ S(X1 . .Xn ) e S(X1 .X2 . √ ¯ n(X − µ) Sabemos que tem distribui¸˜o normal padr˜o. . Os demais casos ca e ter˜o procedimentos an´logos. .

Se n = 20 e x = 81. ¯ c co Solu¸ao: c˜ Temos que 1 − α = 0. .20 − 1. . . . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Ent˜o. . Seja X1 .28. . .20 + 1. .X2 . .96 e assim: a 2 σ ¯ I(x1 . . 83.16). .12 2 √ Ent˜o (77. levando na f´rmula temos: a o √ P −z(1− α ) ≤ 2 ¯ n(X − µ) ≤ z(1− α ) = 1 − α 2 σ Manipulando as inequa¸˜es acima temos: co √ ¯ n(X − µ) σ σ ¯ −z(1− α ) ≤ ≤ z(1− α ) ⇐⇒ −z(1− α ) √ ≤ X − µ ≤ z(1− α ) √ 2 2 2 2 σ n n σ σ ¯ ¯ ⇐⇒ X − z(1− α ) √ ≤ µ ≤ X + z(1− α ) √ 2 2 n n Assim podemos escrever: σ σ ¯ ¯ P X − z(1− α ) √ ≤ µ ≤ X + z(1− α ) √ =1−α 2 2 n n As fun¸˜es procuradas s˜o portanto: co a X1 + · · · + Xn σ σ ¯ I(X1 .96 = 83. .20 + 1.12) ´ um intervalo de confian¸a de 95% para µ. . .24 20 S(x1 . .X2 .Xn ) = X + z(1− α ) √ = + z(1− α ) √ 2 2 n n n Exemplos: o ca e 1. ent˜o z(1− α ) = z0. .ˆ 5.x20 ) = X − z(1− α ) √n = 81.96 = 79.20 − 1. .95.3.20. .96 √80 = 81. . 85. considere σ 2 = 20 e encontre um “intervalo de confian¸a” de 95% para µ. encontrar um “intervalo de confian¸a” de 95% para µ (veja observa¸˜es a seguir). . c Solu¸ao: c˜ Neste caso teremos: I(x1 .X2 .16 e o intervalo ´ (79. No exemplo 1.96 √20 = 81.20 − 1. .Xn uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ e σ 2 = 80. . .x20 ) = X − z(1− α ) √n = 81.28 2 20 σ ¯ S(x1 . . .20 − 1.x20 ) = 81.975 = 1.24. Observe que diminuindo o valor de σ 2 o comprimento do intervalo ´ e e menor.96 × 2 = 77.x20 ) = 81. a e c 2. .96 × 2 = 85. .Xn ) = X − z(1− α ) √ = − z(1− α ) √ 2 2 n n n σ X1 + · · · + Xn σ ¯ S(X1 . . √ 120 .

Da mesma forma quanto menor o valor de z(1− α ) maior a precis˜o. quando quisermos a a intervalos mais precisos. s) ´ um intervalo a e de confian¸a de 100(1 − α)% para µ.3.68. . X + z(1− α ) √ c tem comprimento igual a 2z(1− α ) √ .Xn ) = s e e j´ n˜o tem mais sentido dizer que P[i ≤ µ ≤ s] = 1 − α pois agora. O comprimento do intervalo diminui ` medida que n aumenta. 84. . 70.X2 . menor o comprimento do intervalo. . temos a garantia de que 95% destes intervalos conteriam o verdadeiro valor de µ.41 10 √ S(x1 .Xn ) ≤ µ ≤ S(X1 .41.95 = 1. c Caso 2: σ 2 desconhecida. . Na pr´tica.X2 .3. 62.X2 . . Sejam os dados: 79. . ¯ n(X − µ) pois o valor de σ n˜o ´ conhecido. ou seja. . 82. podemos aumentar o tamanho da amostra.43. . 62. . 65. se α1 < α2 a 2 ent˜o z(1− α2 ) < z(1− α1 ) . Como queremos 90% de confian¸a.ˆ 5.55. temos x = 72. mais preciso ´ o intervalo. Temos pora e σ √ ¯ n(Xn − µ) tanto que usar um estimador de σ 2 para resolver o problema. Mesmo assim. co ca e a Construa um “intervalo de confian¸a” de 90% para µ. 1 − α = 0. diremos que (i.09.32 que correspondem a 10 observa¸˜es de uma distribui¸˜o normal com m´dia µ e variˆncia σ 2 = 81. . teremos I(X1 .Xn ) s˜o vari´veis aleat´rias antes da amostra ser a a o obtida e portanto tem sentido a express˜o P[I(X1 .09 + 1. . . . . Assim sendo um intervalo de confian¸a de 95% para m´dia n˜o quer dizer que existe uma probac e a bilidade de 0. n˜o podemos usar a estat´ a ıstica √ 121 .95 √n = 72.645 √81 = 72. . .4 que Tn−1 = S tem distribui¸˜o t de Student com n − 1 graus de liberdade. . Assim se quisermos maior coeficiente de confian¸a para o intervalo. Observe que I(X1 .55. Podemos agora calcular os limites do intervalo: 2 σ ¯ I(x1 . c Solu¸ao: c˜ A partir dos dados. Por outro lado.645 × 2. e 4. 2 2 2 n n n Portanto podemos ver que quanto menor o valor de σ.x10 ) = 72.25.95 de que µ perten¸a ao intervalo. . o seu a c 2 2 comprimento ser´ maior. . 76.X2 . a No entanto depois que a amostra ´ obtida. . O intervalo de confian¸a X − z(1− α ) √ . Sabemos de 5. . .X2 .846 = 76. Esta ultima observa¸˜o deve ser levada em conta em todos os casos de intervalo ´ ca de confian¸a a serem discutidos.38. . 58. dependendo do valor de µ.09 − 1. . .77) e Observa¸˜es: co 1. Al´m disso temos e sempre que ter em mente que na escolha de n e α ´ tamb´m importante a opini˜o da pessoa que e e a realiza a pesquisa.09 − 1.645. . 72.79. .Xn )] = 1 − α.645 × 2. a 5.9.13. σ ¯ σ σ ¯ 3. . e assim ¯ c z(1− α ) = z0. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 3.Xn ) e S(X1 . A interpreta¸˜o correta ´: Se pud´ssemos obter c ca e e um n´mero infinito de amostras aleat´rias de tamanho n e constru´ u o ıssemos intervalos de confian¸a c de 95% para cada uma das amostras. .3.77 O intervalo ´ portanto (67. .846 = 67.Xn ) = i e S(X1 . . No entanto n˜o podemos a esquecer que aumento no tamanho da amostra implica em aumento de custo. . esta a a probabilidade ser´ 1 ou 0.84.X2 .x10 ) = X − z0. ca Neste caso. por abuso de linguagem. c 2. 82.

x10 ) = X − t(9.x10 ) = 72. . .1− α ) √ = + t(n−1.71). No exemplo 3.05.09 − 5. e 122 .093 √ 20 = 81.05 S(x1 .0. . suponhamos que n˜o conhecemos a variˆncia. .15 = 77. suponhamos n˜o conhecer σ 2 . .1− α ) √ 2 2 n n n S X1 + · · · + Xn S ¯ S(X1 . c Solu¸ao: c˜ S ¯ I(x1 . .95) √ n √ 93.1− α ) ≤ 2 e da´ temos: ı ¯ Xn − µ √ n ≤ t(n−1.35). .1− α ) √ 2 2 n n n e nosso intervalo de confian¸a ´ definido por: c e Exemplos: 4.x20 ) = X − t(19.3.X2 .1− α ) tal que: 2 P −t(n−1. 77. Usando a amostra no entanto achamos a a S 2 = 93.833 9.Xn ) = X + t(n−1. . ent˜o procuramos e ca e e a na tabela o valor de T(n−1. . . .093 3. . e 5.20 − 2.45 = 81.389 = 72. .Xn ) = X − t(n−1. .1− α ) √ ≤ µ ≤ Xn + t(n−1.09 + 5.0.62 = 66.89 = 72. Calcule um intervalo de confian¸a de 90%.09 − 1. .X2 .47 S(x1 . .20 − 4.47.09 − 1.15 = 85. .92 = 81. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Tamb´m foi visto que a fun¸˜o de densidade de Tn−1 ´ sim´trica em torno do zero. .1− α ) √ =1−α 2 2 n n S X1 + · · · + Xn S ¯ I(X1 .89. .975) √ n √ 78.ˆ 5. 85.62 = 77.20 + 4.45 nos ´ fornecido.1− α ) = 1 − α 2 S S S ¯ ¯ P Xn − t(n−1.20 − 2. .35 Portanto o intervalo ´ (77. . . .1− α ) √ = − t(n−1. . Dea e termine o intervalo de 95% de confian¸a.71 Portanto o intervalo ´ (66. mas um estimador S 2 = 78. c Solu¸ao: c˜ S ¯ I(x1 .833 √ 10 = 72.x20 ) = 81. No exemplo 1.

. estamos construindo um intervalo de confian¸a para p a ca c partir de uma observa¸˜o da vari´vel X. c˜ a Em outras palavras. p).Xn . c a ca Se X ∼ b(n. neste caso.X2 .ˆ 5. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 5. . ca X1 + · · · + Xn X ¯ = =X N n ´ a m´dia de uma amostra aleat´ria de tamanho n de uma distribui¸˜o binomial com parˆmetros 1 e p. . onde cada uma destas vari´veis tem a o a distribui¸ao binomial com parˆmetros 1 e p. o Teorema Central do Limite afirma que para n grande.2 Intervalo de confian¸a para o parˆmetro p da distribui¸˜o binomial c a ca Vamos construir intervalos de confian¸a para o parˆmetro p de distribui¸˜o binomial com n conhecido. Ent˜o: e a a P −z(1− α ) ≤ 2 que pode ser reescrito por:  P −z(1− α ) ≤ 2 X n X − np np(1 − p) tem distribui¸˜o ca X − np np(1 − p) ≤ z(1− α ) ≈ 1 − α 2  −p p(1−p) n ≤ z(1− α )  ≈ 1 − α 2 ou ainda P X − z(1− α ) 2 n p(1 − p) X ≤p≤ + z(1− α ) 2 n n p(1 − p) ≈1−α n X e assim: n Como os limites do intervalo dependem de p.3. Encontrar um intervalo de confian¸a de 90% para p. e e o ca a Exemplo: Seja X uma vari´vel aleat´ria com distribui¸˜o binomial de parˆmetros 300 e p.3. Mas na verdade pode ser provado que X possui a distribui¸˜o ca a ca de uma soma de n vari´veis aleat´rias independentes X1 . aproximadamente normal com m´dia zero e variˆncia um. c˜ c Ent˜o na verdade: a 123 .5. . X e Y = X1 + · · · + Xn onde P(Xi = 1) = p e P(Xi = 0) = (1 − p) possuem a mesma distribui¸˜o. Foi tomada uma a o ca a observa¸ao e achou-se X = 75. substituimos por seu estimador dado por X I(X) = − z(1− α ) 2 n X S(X) = + z(1− α ) 2 n X X (1 − ) n n n X X (1 − ) n n n Observa¸˜o: Aparentemente.

ou seja. . . . . . .25 + 0.25 − 0. . . . . .Ym ) e S(X1 .21 x x (1 − ) n n n x S(x) = + z(1− α ) 2 n = 0.Ym uma amostra aleat´ria de tamanho m de uma vari´vel Y e a 2 a o com distribui¸˜o normal com m´dia µ2 e variˆncia σ2 .3.X2 . Y1 . que tem distribui¸˜o normal padr˜o e os extremos do intervalo s˜o: ca a a 124 . a a 2 2 Para construir o intervalo de confian¸a para µ2 − µ1 no caso em que σ1 e σ2 s˜o conhecidas. . . .Ym ) e S(X1 .2.X2 .Y2 .Ym )] = 1 − α Este problema ocorre frequentemente na vida profissional do engenheiro.Xn . .X2 .ˆ 5. Y1 .3. . de modo que σ 2 n˜o ca ca a varie.Y2 .Y2 . . . . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Solu¸˜o: ca x I(x) = − z(1− α ) 2 n x x (1 − ) n n n 75 75 (1 − ) 75 300 = − 1. .5. . . sendo as duas vari´veis aleat´rias independentes. ca e a Nesta subse¸˜o veremos como encontrar um intervalo de confian¸a para µ2 − µ1 . . . . . .Xn . e 5.X2 . Y1 .29 portanto o intervalo ´ (0. . . . . .04 = 0. onde µ2 ser´ a nova m´dia. . .Ym ) tais que: P[I(X1 . . Se I(X1 . . .04 = 0. .Y2 .Xn . . . . para aumentarmos os comprimentos. . encontrar ca c I(X1 . .X2 . Y1 . Y1 .Xn .Xn uma amostra aleat´ria de tamanho n de uma vari´vel X com distribui¸˜o normal o a ca 2 o a com m´dia µ1 e variˆncia σ1 e Y1 . ´ razo´vel pensar que estamos satisfazendo as novas exigˆncias do mercado. Em determinado momento o mercado pede barras com comprimento maior do que o usual. a e a e Caso 1: As variˆncias s˜o conhecidas. .Xn . .21. . . . . Ent˜o a faremos nova calibra¸˜o na linha de produ¸˜o. Ap´s a calibra¸˜o faremos uma produ¸˜o pr´via e construiremos um intervalo de confian¸a para o ca ca e c µ2 −µ1 . .3. Consideremos o seguinte exemplo: suponhamos que estamos produzindo barras de a¸o e calibramos a linha de produ¸˜o de modo c ca que. X tem distribui¸˜o normal com m´dia µ1 e variˆncia ca e a σ 2 .Y2 .3. . . .Y2 .Xn . usamos c a a vari´vel aleat´ria a o ¯ ¯ Yn − Xm − (µ2 − µ1 ) Z= 2 σ2 σ1 + 2 n m definida em 5. .Ym ) a e s˜o ambos positivos. Y1 .Ym ) ≤ µ2 − µ1 ≤ S(X1 .Caso normal c c e Sejam X1 .X2 . .645 300 300 300 = 0. 0.Y2 .3 Intervalo de confian¸a para diferen¸a de duas m´dias . se X representa o comprimento das barras.X2 . .29).

. .X2 . . A partir de experiˆncias anteriores sabemos que o fabricante e 1 produz barras de a¸o cuja resistˆncia ` tra¸˜o tem variˆncia de 900 kgf 2 /cm4 .4 e os extremos do intervalo s˜o: a o a 1 1 + n m ¯ ¯ I(X1 . Construa um intervalo de confian¸a de 90% c para a diferen¸a entre as m´dias (µ2 − µ1 ). . . Y1 . . . Y1 . Como σ1 = σ2 = σ 2 n˜o ´ conhecida usamos o a a a e 2 estimador Sp . 1− α ) 2 ´ tal que P Tn+m−2 ≤ t(n+m−2. 1− α ) Sp 2 1 1 + n m onde: Sp = e al´m disso: e t(n+m−2.Xn . e 1− α ) 2 =1− 125 . 1− α ) Sp 2 ¯ ¯ S(X1 . c e Solu¸˜o: ca ¯ ¯ I(X1 .Xn . . . Y1 . . Y1 .Xn .Ym ) = Y − X − t(n+m−2.Ym ) =≤ X2 − X1 + z(1−α/2) E assim o intervalo procurado ´ e 2 σ1 σ2 + 2 = 4. .800 − 5000 − 1.X2 . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa ¯ ¯ I(X1 .ˆ 5.3. . .Xn .Y2 . . . .Y2 .000 kgf /cm2 e e e e 4. . .X2 .Xn . .3. . Y1 . . . . .645 n m −218.800 − 5000 + 1.12 kgf /cm2 Caso 2: As variˆncias s˜o desconhecidas mas iguais.800 kgf /cm2 respectivamente para os fabricantes 1 e 2.Y2 . .3.Y2 . . . . enquanto para o fabric e a ca a cante 2 este valor ´ 625 kgf 2 /cm4 .X2 . . . . . .Xn . . . .645 n m 900 625 + 10 15 900 625 + 10 15 ¯ ¯ S(X1 . . .Ym ) = Y − X − z(1−α/2) ¯ ¯ S(X1 . . . Y1 . . .Ym ) = Y − X + z(1−α/2) Exemplo: 2 σ1 σ2 + 2 n m 2 σ1 σ2 + 2 n m Suponha que estamos testando a resistˆncia ` tra¸˜o de 10 barras de a¸o produzidas pelo fabricante e a ca c 1 e 15 barras produzidas pelo fabricante 2.X2 .X2 . . . a a Para construir o intervalo de confian¸a para µ2 − µ1 no caso em que σ 2 n˜o ´ conhecida usamos a c a e vari´vel aleat´ria Tn+m−2 definida em 5.Y2 . 2 2 (n − 1)S1 + (m − 1)S2 n+m−2 α 2 2 2 2 2 e S1 e S2 s˜o as variˆncias amostrais correspondentes. As amostras nos forneceram resistˆncias m´dias de 5.Y2 . . . . .Ym ) = Y − X + t(n+m−2.88 kgf /cm2 ≤ µ2 − µ1 ≤ −181.Ym ) = X2 − X1 − z(1−α/2) 2 σ1 σ2 + 2 = 4.

069) = −2.25 = −0.103 15 + 20 − 2 15 20 Sp t(n+m−2. . .975 = 2. .Xn . Y c µ2 − µ1 .80. .X2 . . No exemplo da produ¸˜o de barras de a¸o e da calibragem da m´quina.57.0. .069 I(X1 . .82 − (0. .08 m2 .30) e 2. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Exemplos: ¯ 1.24. . encontre um intervalo de confian¸a de 95% c para µ2 − µ1 .X2 .08) + 19(0.Y2 .X2 . . . Duas amostras. . ca c a ¯ = 26. . S2 = 1. n = 15. Y1 . . Se ca ¯ os tamanhos amostrais foram 15 e 20 respectivamente.Y2 .Y2 .47) e 126 . por´m conservando a variˆncia igual a σ 2 .24 + 1. . . Y1 . . Solu¸ao: c˜ 1 1 + = n m 14(0.3.Xn . Construa um intervalo de confian¸a de 95% para S1 = 1. .42.82 m.03) = 0.21 = 0.Ym ) = 26. . ent˜o: a 1− α ) 2 = t33. . S2 = 0. .05.604 10 + 15 − 2 10 15 Sp t(n+m−2.103)(2. . .69 − 31. . A linha de produ¸˜o foi submetida a uma nova calibra¸˜o para a ca ca aumentar a m´dia. .42)2 1 1 + = 0.26 − 0.21 = 0.69.30 portanto o intervalo procurado ´ (−2. −0.03 I(X1 . .10 m2 . 0. .80 S(X1 .57)2 + 14(1. .69 − 31.Ym ) = 0.24 − (0. Y1 .0.X2 . ent˜o: a 1− α ) 2 = t23. .Ym ) = 26. y = 4. Uma linha de produ¸˜o produz barras de a¸o cujo comprimento X ´ uma vari´vel aleat´ria que ca c e a o pelas caracter´ ısticas do processo de produ¸˜o pode-se supor normalmente distribu´ com m´dia ca ıda e µ1 e variˆncia σ 2 desconhecida.47 portanto o intervalo procurado ´ (0.975 = 2. S1 = 0. n = 10. suponha que X = 31.Y2 .Ym ) = 4.Xn .10) 1 1 + = 0. Y1 . .Xn .05 S(X1 .26 + 0.ˆ 5. antes e depois da e e a 2 2 ¯ calibra¸˜o foram obtidas e calculou-se x = 3.08 − 3. .604)(2.08 m. Solu¸ao: c˜ 1 1 + = n m 9(1. .

com os graus de liberdade calculados por: a o 2 S2 S1 + 2 n m 2 2 ν= 2 S1 /n S 2 /m + 2 n+1 m+1 2 −2 Neste caso os extremos do intervalo s˜o: a ¯ ¯ I(X1 .Y2 .Ym ) = Y − X − t(ν. . a a 2 2 Para construir o intervalo de confian¸a para µ2 − µ1 no caso em que σ1 e σ2 s˜o desconhecidas ainda c a usamos a mesma vari´vel aleat´ria T definida em 5.X2 .Xn uma amostra aleat´ria de uma distribui¸˜o normal com m´dia µ e variˆncia σ 2 . 2 onde X(n−1. . α 2) α 2) ≤ 1− α ) 2 2 e X(n−1. .3. . . Sabemos de 5.3. . .3. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Caso 3: As variˆncias s˜o desconhecidas e diferentes. .5. σ2 2 P X(n−1.3. . .4 Intervalo de confian¸a para variˆncia de uma distribui¸˜o normal c a ca Caso 1: µ desconhecida. . .X2 . . . 1− α ) 2 (n − 1) 2 X(n−1.3. ]= α 2 e 2 2 P[Xn−1 ≤ X(n−1. Y1 . . 1− α ) 2 s˜o tais que: a α 2) 2 2 P[Xn−1 ≤ X(n−1. 1− α ) 2 2 S1 S2 + 2 n m ¯ ¯ S(X1 . Ent˜o da tabela teremos que: a (n − 1)S 2 2 ≤ X(n−1. . . 1− α ) 2 2 S1 S2 + 2 n m 5. .4.X2 . . Y1 . 1− α ) ] 2 =1− α 2 Da´ obtemos os extremos do intervalo: ı I(X1 . .3. . Seja X1 .ˆ 5. . .Y2 .Xn ) = = (n − 1)S 2 2 X(n−1.Xn . .X2 .Ym ) = Y − X + t(ν. o ca e a (n − 1)S 2 com µ e σ 2 desconhecidas.Xn . n 1− α ) i=1 2 (xi − x)2 ¯ n−1 127 .3 que tem distribui¸˜o quiquadrado com n − 1 ca σ2 graus de liberdade.

Determinar um intervalo de confian¸a de 90% para σ 2 . . S 2 = 4. Nesta subse¸˜o o co ca 2 σ2 iremos construir um intervalo de confian¸a para 2 .57 S(X1 .24 2 X(14.51.20.24 = 2 X(14.51 23. .04 6. Y uma vari´vel a o ca e a a 2 aleat´ria com distribui¸˜o normal com m´dia µ2 e variˆncia σ2 independente de X.ˆ 5. .5 Intervalo de confian¸a para raz˜o de variˆncias .68 14 × 4.3.5.Caso normal c a a 2 Sejam X uma vari´vel aleat´ria com distribui¸˜o normal com m´dia µ1 e variˆncia σ1 .Xn e Y1 . .05) 59. . 0.3. .X15 ) = 14 × 4. ¯ c Solu¸˜o: ca (n − 1)S 2 2 X(n−1. .Ym amostras aleat´rias das respectivas distribui¸˜es. mas com n graus de liberdade. Quando µ ´ conhecida o procedimento para constru¸˜o do intervalo de confian¸a ´ o mesmo. . .95) = 59. . .X2 . . .Y2 . . . α ) 2 (n − 1) = 2 X(n−1.5 sabemos que F = 2 2 S1 σ 2 2 σ2 S2 1 tem distribui¸˜o F com n − 1 e m − 1 graus de liberdade. .X15 ) = = portanto o intervalo procurado ´ (2. α ) 2 n i=1 (xi − x)2 ¯ n−1 Caso 2: µ conhecida.24.3.36 = 2.X2 . e ca σ i=1 Exemplo: Uma amostra aleat´ria de tamanho 15 de uma distribui¸˜o normal com m´dia µ e variˆncia σ 2 foi o ca e a obtida e calculou-se x = 3. . s´ que e ca c e o 2 n xi − µ usamos que tamb´m tem distribui¸˜o quiquadrado. . .3. c σ1 De 5. 0.04) e 5. o ca e a Sejam X1 . 9.Xn ) = (n − 1)S 2 2 X(n−1. .36 = 9. ca 128 . 1− α ) 2 I(X1 . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa S(X1 .

. = 8. . 2 m−1) Como foi visto em 5. 9) 20.X2 .6 20.0 = 0. Y1 .Ym ) = 1 F1− α . . . Y1 . . Y1 . a 2 P F α .975(4.05 para σ2 /σ1 ? Solu¸˜o: ca 1 35. e 129 . S1 S(X1 .Xn .(n−1. .Y2 . . co Exemplo: Imagine que tenhamos as duas amostras de uma distribui¸˜o normal de tamanhos 10 e 5 e que as ca c variˆncias amostrais sejam respectivamente s2 = 20.38.0 = 15.84). .Y2 . .0 1 35.(n−1.(n−1.ˆ 5.(m−1. 2 m−1) tais que =1−α m−1) ≤ F ≤ F1− α .Ym ) = F α .(n−1. .975(9. 15. .Ym ) = S(X1 .0 I(X1 . . .Ym ) = F1− α . . . .Y2 . .X2 .Xn . 2 n−1) 2 S2 2 n−1) S1 Os limites do intervalo de confian¸a para o caso em que as m´dias µ1 e µ2 s˜o conhecidas podem ser c e a obtidos com as modifica¸˜es adequadas usando o mesmo modelo.X2 .Y2 . ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa Ent˜o na tabela encontramos F α . 2 m−1) I(X1 .X2 . . .3.(n−1.6 F0.5 (Distribui¸˜o F de Fisher). .6 20. . . . .72 20. .(n−1.3.84 4) 2 2 Assim o intervalo de 95% para σ2 /σ1 ´ (0.6. 2 Da´ os extremos do intervalo s˜o: ı a m−1) e F1− α . Qual seria o intervalo de confian¸a a 2 1 2 2 com α = 0.90 35. 2 e assim podemos reescrever: I(X1 . .Y2 . .Ym ) = F0. . Y1 .3. . . .38 35.0 e s2 = 35. .Xn . . Y1 .Xn . . ca F α . . 2 m−1) = 1 F 1− α .Xn . 2 m−1) 2 S2 2 S1 2 S2 2.(n−1. .X2 . . .6 = 4. . .(m−1.

Xn ) = X + z(1− α ) √ 2 n Observe que f (x.3.1 ele era exato.X2 . enquanto em 5. .X2 . sabemos que Zn = a e tem σ distribui¸ao aproximadamente normal com m´dia zero e variˆncia um. al´m de n ser grande. . Vamos considerar agora um caso e co em que n˜o temos distribui¸˜o normal e no qual usaremos o Teorema Central do Limite.´ que a variˆncia seja finita e positiva. . sabemos que a distribui¸˜o de zn ainda ´ aproximadamente normal a ca ca e padr˜o e neste caso o nosso intervalo aproximado tem os extremos: a S ¯ I(X1 . a ca Seja X1 . . Ent˜o. .3. .4.Xn uma amostra aleat´ria de uma vari´vel X com fun¸˜o de densidade de probao a ca √ n(Xn − µ) bilidade f (x.θ) neste caso ´ uma fun¸˜o de densidade de probabilidade qualquer. ESTIMACAO DE PARAMETROS ¸˜ cpa/gsa 5.X2 . . . e e a 130 .Xn ) = X + z(1− α ) √ 2 n Podemos observar que estes extremos s˜o iguais aos extremos achados no caso 5. . cujos extremos s˜o: c a σ ¯ I(X1 . . . Se a variˆncia de X ´ positiva e finita.1. . .X2 . .Xn ) = X − z(1− α ) √ 2 n σ ¯ S(X1 . . e Quando σ 2 n˜o ´ conhecida.5.5. . mas aqui o a intervalo ´ aproximado.3.3. usamos a estat´ a e ıstica Xn − µ √ √ n n(Xn − µ) 1 σ zn = = S 2 (n − 1)S (n − 1)σ 2 1 Como j´ vimos na se¸˜o 5. θ ∈ Θ. .distribui¸˜o n˜o normal c e ca a Todos os casos discutidos at´ aqui envolveram distribui¸˜es normais.3. .X2 .Xn ) = X − z(1− α ) √ 2 n S ¯ S(X1 .θ). A unica exigˆncia e ca ´ e que fazemos. na tabela da normal padr˜o c˜ e a a a achamos z(1− α ) tal que: 2 Xn − µ √ n ≤ z(1− α ) = 1 − α 2 σ P −z(1− α ) ≤ 2 e obtemos um intervalo (aproximado) com coeficiente de confian¸a 100(1 − α)%.6 Intervalo de confian¸a para a m´dia .5.ˆ 5. . .

86 = 325.86 Intervalo ´ (316.86) e 5.47 = 325. Apresentamos a seguir alguns o o conceitos b´sicos. . construa um intervalo de confian¸a de 95% para µ.14 S(x1 .86 = 316.4 a a ¯ dias. . . .47) c e 2. .96(2. a 131 .4. 325. a vida m´dia das lˆmpadas produzidas c e a pela f´brica A.x65 ) = 321 − 1. Construa o novo intervalo a e de confian¸a de 95% para µ c Solu¸ao: c˜ √ 400 I(x1 . Suponha que no exemplo anterior a variˆncia ´ conhecida e igual a 400.14. .47 = 316.´ 5. ent˜o usaremos a estat´ a a a ıstica zn = √ n(Xn − µ) : S S I(x1 .4807) = 321 − 4.96 × 2.2822 = 321 − 4.x65 ) = 321 + 4.4 5.975) √ 65 = 321 − 1. . Se x = 321 dias e S = 18. . Como veremos a seguir esta ´ uma ferramenta fundamental no estudo de um dos e t´picos mais importantes no dia a dia dos engenheiros: o teste de hip´teses. . . . TESTE DE HIPOTESES cpa/gsa Exemplos: 1. . .96 S(x1 . a Solu¸ao: c˜ 1 Neste caso n˜o conhecemos a variˆncia. . 325.96.4 = 321 − z(0. .96 √ 65 = 321 − 1.47 e o intervalo de confian¸a ´ (316.4.1 Teste de Hip´teses o Introdu¸˜o ca Na se¸ao anterior aprendemos a construir intervalos de confian¸a para parˆmetros que estimamos a c˜ c a partir de amostras.x65 ) = 321 + 4. Observou-se o tempo de vida de 65 lˆmpadas produzidas pela f´brica A.x65 ) = x − z(1− α ) √ ¯ 2 n 18. .

Uma hip´tese estat´ o ıstica ´ uma afirma¸˜o sobre uma popula¸˜o. dissemos que podemos decidir em favor do ¯ cliente se Xn < 120 − c. E(X) = µ = 100. sob determinadas condi¸˜es. J´ µ < 120 ´ chamada de Hip´tese Alternativa e ser´ denotada por H1 (H1 : µ < 120 cm a e o a no exemplo). Esta regi˜o cont´m todos os valores de Xn para os quais daremos raz˜o ao cliente. co Ao tomarmos uma decis˜o sobre uma hip´tese estamos sujeitos a dois tipos de erro: o primeiro. a hip´tese do fabricante ´ que µ = 120 cm. Uma a a co hip´tese n˜o pode ser provada. a e a Antes de continuarmos precisamos estabelecer uma diferen¸a entre uma Hip´tese e uma Proposi¸˜o. Hip´tese Estat´ ca o ıstica . chama-se a ¯ Regi˜o Cr´ a ıtica. ca a ca a ca Exemplos: 1. A regi˜o destacada na figura anterior. neste exemplo.´ 5. TESTE DE HIPOTESES cpa/gsa Defini¸˜o 28. ca a 120 120-c Região Crítica Neste problema µ = 120 ´ chamada Hip´tese Nula e ser´ denotada por H0 (H0 : µ = 120 cm no e o a exemplo). De acordo com o padr˜o de produ¸˜o da empresa. O procedimento que leva a tomar uma decis˜o com respeito ` m´dia ´ chamado de Teste de Hip´tese. O que a a ca ´ normalmente se faz ´ colher uma amostra aleat´ria de tamanho n e observar a m´dia amostral. chamado de erro tipo II ´ n˜o e e a rejeitar H0 sendo ela falsa. O segundo. chaa o mado de erro tipo I ´ rejeitar H0 sendo ela verdadeira. 3. c o ca Uma proposi¸˜o ´ aceita universalmente e ela pode ser provada: O Teorema fundamental do c´lculo.4. o ca e a Teorema de Pit´goras ou as Leis de Newton s˜o exemplos de proposi¸˜es e elas podem ser provadas. ca ´ e Neste problema. a a e e o ¯ Xn no exemplo ´ chamada de Estat´ e ıstica do Teste. ca 2. Para encontrar tal valor precisamos da 132 . e a hip´tese do cliente ´ que µ < 120 o e o e cm. X tem distribui¸˜o normal. a Um cliente dessa empresa formula uma reclama¸˜o alegando que as vigotas est˜o sendo produzidas ca a com comprimento menor e reinvindica a devolu¸˜o do dinheiro pago pela compra feita no ultimo mˆs. e ca ca A afirma¸˜o pode ser referente ` distribui¸˜o ou aos parˆmetros que caracterizam a distribui¸˜o. Na literatura universal costuma ser usada a seguinte tabela: Decis˜o a Rejeitar H0 N˜o rejeitar H0 a H0 ´ verdadeira e Erro tipo I Decis˜o correta a H0 ´ falsa e Decis˜o correta a Erro tipo II No exemplo de testar H0 : µ = 120 contra H1 : µ < 120. Em algumas situa¸˜es. E muito e o e natural. Introduzimos os conceitos b´sicos sobre testes de hip´tese atrav´s do seguinte exemplo: a o e Suponha que uma empresa produza vigotas premoldadas de concreto de comprimento X. Resta encontrar o valor da constante c.5 cm. a hip´tese pode ser o a co co o verdadeira e sobre outras condi¸˜es pode ser falsa. X tem distribui¸˜o normal com m´dia µ = 120 cm e desvio a ca ca e padr˜o σ = 0. decidir em favor do cliente se a m´dia amostral for pequena e menor que 120. V (X) = σ 2 = 200. e ¯ Ou seja a reclama¸˜o do cliente ser´ atendida se Xn < 120 − c para alguma constante positiva c. Assim o fabricante precisa tomar uma decis˜o com respeito ` reclama¸˜o do comprador.

5 = P(Z < −3) = 0.05. 0.05 rejeitamos ¯ H0 : µ = 120 e adotamos a hip´tese H1 : µ < 120 se X < 119. Como sabemos que sob H0 .7 − 120)|µ = 120] = P[ 0.05. ent˜o zα = −1. para ¯ o n´ de significˆncia α = 0.001350 133 .1645. N´ ca ıvel de significˆncia: o n´ a ıvel de significˆncia de um teste.5 0.84 cm. α = P(Xn < 120 − c|µ = 120). 0. No exemplo e ¯ observa-se X25 = 119.5 −0. Qual a decis˜o a ser o a ¯ ´ menor que 119.1.5 Para ilustra¸˜o.05 e n = 25.05 ´ C = {(X1 .1645 = 119. ou seja a reclama¸˜o do cliente ´ procedente. Xn ∼ N (120. . 0.5 Da tabela normal padr˜o obtemos zα √tal que a n P(Z < zα ) = α.84.´ 5. se α = 0. 0.5 obtemos c = √ zα . .7. Uma outra forma de conduzir o teste ´ calcular o p-valor amostral que no exemplo ´ definido como e e a probabilidade de que a m´dia amostral seja menor que aquele valor realmente observado. Ou seja.7.84.Xn ) : X < 119.645) = 0.05 a m´dia ´ ca e ıvel e e significantemente menor que 120. . representado por α. rejeitamos H0 ao n´ tomada? Desde que o valor observado de X e ıvel de α = 0.5 0. Dissemos neste caso que ao n´ de α = 0. n za 0 Figura 5.645 e c = √ (−1.5 √ n = P Z < −c 0.7|µ = 120) 5 5 ¯ (X25 − 120) < (119. TESTE DE HIPOTESES cpa/gsa Defini¸˜o 29.1: zα : P(Z ≤ zα ) = α −0. A regi˜o cr´ o a ıtica neste caso. Resolvendo a equa¸˜o −c ca = zα . ca a 25 ¯ < 120 − 0. ´ a e a probabilidade de cometer erro tipo I.5 √ n = P Z < [(120 − c) − 120] 0. decidimos em favor do cliente se X Resumindo: Se uma amostra aleat´ria de tamanho 25 ´ obtida.01. ¯ p-valor amostral = P(X25 < 119.5 ) podemos n escrever √ √ n ¯ n ¯ n < 120 − c|µ = 120) = P P(X (Xn − 120) < [(120 − c) − 120] |µ = 120 0. O valor de α ´ fixado de acordo ` seriedade do erro tipo I. .84} ıvel a e ¯ Agora suponha que ap´s a amostra ter sido retirada encontra-se X = 119. e a Geralmente α = 0.4. Ent˜o a α = P(cometer erro tipo I) = P(rejeitar H0 |H0 ´ verdadeira) e 2 ¯ ¯ No exemplo. ao n´ o e ıvel α = 0.

´ 5.4. TESTE DE HIPOTESES

cpa/gsa

A decis˜o a ser tomada ´ rejeitar H0 para todo valor de α maior ou igual ao p-valor amostral. Neste a e caso rejeitamos H0 para todo valor de α maior ou igual a 0,001350. A vantagem de conduzirmos um teste usando o p-valor amostral ´ que este valor informa para n´s e o uma forte ou uma fraca evidˆncia contra a hip´tese nula. Quanto menor ´ o p-valor amostral mais forte e o e ser´ a evidˆncia que temos para rejeitar a hip´tese nula. a e o ¯ Suponha por exemplo que uma segunda amostra foi escolhida e observou-se X25 = 119,8. O p-valor neste ultimo caso ´: ´ e ¯ p-valor amostral = P(X25 < 119,8|µ = 120) 5 ¯ 5 = P[ (X25 − 120) < (119,8 − 120)|µ = 120] 0,5 0,5 = P(Z < −2) = 0,018309

α = 0,05

XA

X B 119,84

120

Vˆ-se portanto que em ambas as amostras temos evidˆncias para rejeitar H0 mas esta evidˆncia ´ e e e e mais forte no caso da primeira amostra. Veremos a seguir a probabilidade do erro tipo II. A probabilidade desse erro ser´ representada por a β. Lembremos que a probabilidade de erro tipo II ´ a probabilidade de n˜o rejeitar H0 quando ela e a ´ falsa. O espa¸o param´trico sob a hip´tese alternativa, no exemplo, ´ representado pelo conjunto e c e o e Θ = {µ ∈ R : µ < 120}. Precisamos avaliar a probabilidade de erro tipo II para cada valor de µ neste conjunto. Se o verdadeiro valor da m´dia ´ igual a µ − δ para algum valor de δ > 0 ent˜o e e a β(120 − δ) = P(n˜o rejeitar h0 |µ = 120 − δ) a ¯ = P(X25 ≥ 119,84|µ = 120 − δ) Se o verdadeiro valor da m´dia ´ µ = 120 − δ ent˜o e e a √ 5 ¯ n ¯ X25 − (120 − δ) = X25 − (120 − δ) σ 0,5 tem distribui¸˜o normal padr˜o. Ent˜o: ca a a β(120 − δ) = P 5 ¯ 5 (X25 − (120 − δ)) ≥ (119,84 − (120 − δ))|µ = 120 − δ 0,5 0,5

= P[Z ≥ 10(−0,16 + δ)] = P(Z ≥ −1,6 + 10δ) = 1 − P(Z < −1,6 + 10δ) 134

´ 5.4. TESTE DE HIPOTESES

cpa/gsa

Assim, no exemplo, se a m´dia verdadeira fosse 119,75 ent˜o δ = 120−119,75 = 0,25 e a probabilidade e a de erro tipo II seria: β(120 − δ) = 1 − P(Z < −1,6 + 10δ) −→ β(119,75) = 1 − P(Z < 0,9) = 1 − 0,815940 = 0,18406 Define-se o poder de um teste, avaliado em µ = µ0 − δ como a probabilidade de rejeitar H0 quando o verdadeiro valor da m´dia ´ igual a µ = µ0 − δ. Representa-se o poder por K. Isto ´ e e e K(µ0 − δ) = 1 − β(µ0 − δ). No exemplo, K(120 − δ) = 1 − β(120 − δ). A seguir apresentamos as probabilidades de erro tipo II e os correspondentes valores do poder do teste para alguns valores de δ no exemplo: δ 0,10 0,20 0,30 0,40 β(δ) 0,725747 0,344578 0,080757 0,008198 K(δ) 0,274253 0,655422 0,919243 0,991802

Um bom exerc´ ıcio para o leitor seria calcular os valores de β(δ) e K(δ) para diversos valores de δ e fazer um gr´fico, que teria o aspecto da figura a mostrada ao lado, que foi calculada com δ de 0 a 0,45, com varia¸˜es de 0,002. co

Valor da função

K(d)

b(d)

d
At´ aqui introduzimos, atrav´s de um exemplo, os conceitos b´sicos de testes de hip´teses. A partir e e a o de agora generalizaremos estes conceitos para diferentes situa¸˜es. co

5.4.2

Testes sobre a m´dia de uma popula¸˜o com distribui¸˜o normal e ca ca

5.4.2.1

Variˆncia conhecida a

Considere X vari´vel aleat´ria normalmente distribu´ com m´dia µ desconhecida e variˆncia σ 2 a o ıda e a conhecida. Consideremos os seguintes testes: • Teste 1: H0 : µ = µ0 • Teste 2: H0 : µ = µ0 • Teste 3: H0 : µ = µ0 H1 : µ < µ 0 H1 : µ > µ 0 H1 : µ = µ0

Os testes 1 e 2 s˜o chamados testes unilaterais e o teste 3 ´ chamado bilateral. Naturalmente nos a e ¯ testes ser´ usada Xn de uma amostra aleat´ria de tamanho n. Teremos respectivamente: a o ıvel a • Ao n´ α, no teste 1, H0 ser´ rejeitada se ¯ Xn < µ0 − zα σ √ n , onde P(Z < zα ) = 1 − α

135

´ 5.4. TESTE DE HIPOTESES

cpa/gsa

• Ao n´ α, no teste 2, H0 ser´ rejeitada se ıvel a ¯ Xn > µ0 + zα • Ao n´ α, no teste 3, H0 ser´ rejeitada se ıvel a ¯ Xn < µ0 − z α 2 ou de forma equivalente se ¯ |Xn − µ0 | > z α 2 Exemplos: ıculos anuncia que seu carro popular de 1.000 c.c. tem uma eficiˆncia e 1. Uma montadora de ve´ energ´tica m´dia de 16 km/litro de gasolina rodando em estrada asfaltada. O editor do caderno e e de ve´ ıculos do jornal local afirma que a eficiˆncia energ´tica do carro ´ menor do que a anunciada e e e pela montadora, e para provar conduz um teste com 25 carros do tipo anunciado. Supondo que a eficiˆncia energ´tica tem distribui¸˜o normal com variˆncia de 11(km/l)2 : e e ca a (a) Formule um teste apropriado para o editor do jornal, e construa a regi˜o cr´ a ıtica com n´ de ıvel significˆncia α = 0,05. a ¯ (b) Se o valor obtido pelo jornalista no teste foi X = 15,6 km/l qual seria a sua conclus˜o? Qual a o p-valor para a m´dia obtida pelo editor? E qual seria se a m´dia obtida fosse 14,8 km/litro? e e (c) Se a eficiˆncia energ´tica m´dia real destes carros fosse 15,4 km/l, qual seria a probabilidade e e e de erro tipo II e qual o poder do teste? Solu¸ao: c˜ (a) A hip´tese nula do teste seria H0 : µ = 16 km/l, e como o editor est´ interessado em confirmar o a que a eficiˆncia energ´tica ´ menor, a hip´tese alternativa seria H1 : µ < 16 km/l. H0 ser´ e e e o a σ ¯ < µ0 − zα √ . Como dado pelo programa α = 0,05; achamos na tabela da rejeitada se X n normal padr˜o z0,05 = 1,645 e portanto a regi˜o cr´ a a ıtica ser´: a C= √ ¯ < 16 − 1,645 √11 = 16 − 1,09 = 14,91 (X1 , . . . ,X25 ) : X 25 σ √ n σ √ n ¯ ou Xn > µ0 + z α 2 σ √ n σ √ n

¯ Ou seja, a hip´tese nula ser´ rejeitada para os valores de X < 14,91. o a (b) Como a m´dia observada 15,6 ´ maior que 14,9 n˜o podemos rejeitar a hip´tese nula (H0 : e e a o µ = 16 km/l), e portanto n˜o h´ evidˆncias para apoiar a afirma¸˜o do jornalista de que a a a e ca eficiˆncia energ´tica ´ menor que 16,0 km/l. e e e Sabemos que o p-valor amostral pode ser obtido por ¯ p-valor = P(X25 < 15,6|µ = 16) √ √ n ¯ n (X25 − µ) < (15,6 − µ|µ = 16) = P( σ √ σ 25 = P(Z < √ (15,6 − 16|µ = 16) 11 = P(Z < −0,6030) = 0,2743 136

F.X36 ) : X > µ0 + zα √ n 36 Como a m´dia observada 930 ´ maior que 929. e e (c) Para calcularmos a probabilidade de cometer erro tipo II se a verdadeira m´dia fosse 15. . .4)] σ 5 = P[Z > √ (14.4 ´ 0.01 responda: (a) O engenheiro deve trocar de fornecedor? (b) Qual o p-valor amostral do concreto do segundo fornecedor? (c) Qual o poder do teste se a m´dia real do concreto do segundo fornecedor for 950kgf /cm2 ? e Solu¸ao: c˜ e (a) Para avaliarmos a conveniˆncia da troca de fornecedor estabelecemos o teste H0 : µ = 900 contra H1 : µ > 900. .91 − 15. a ¯ J´ se a m´dia amostral fosse X = 14.8 poder´ e ıamos apoiar a afirma¸˜o do jornalista de que a eficiˆncia ca e energ´tica ´ menor que a anunciada pela montadora. e confirmando o teste feito em (a) n˜o rejeitamos H0 .40) = P(X25 > 14.M.625(kgf /cm2 )2 .33 = 900 + 29.G. um laudo t´cnico a e de teste de compress˜o em 36 corpos de prova fabricados com o concreto desta segunda empresa.7387) = 0.81) = 0.7704 A probabilidade de cometer erro tipo II se a m´dia for 15.7704 e portanto o poder do e e teste ´ 0. e utilizando em n´ de significˆncia de ca a ıvel a α = 0.´ 5. e 2.25 = 929.U. A regi˜o cr´ a ıtica ser´: a √ 5.8 − 16|µ = 16) 11 = P(Z < −1.25. O engenheiro solicita ent˜o da E.8 o p-valor amostral seria obtido por: a e ¯ p-valor = P(X25 < 14. Uma empresa concorrente do fornecedor habitual se e e disp˜e a entregar por um pre¸o mais barato um concreto pronto que alega fornecer uma resistˆncia o c e maior que o usado atualmente. e a a 137 .625 σ ¯ √ = 900 + 2.4 e lembremos que: ¯ ¯ β(15. Se a ¯ m´dia amostral fosse X = 14. Um engenheiro est´ na fase de concretagem de diversos pilares em uma obra e encomenda concreto a pronto com resistˆncia m´dia de 900kgf /cm2 . Supondo que a resistˆncia ` compress˜o do concreto e e e a a tem distribui¸˜o normal com variˆncia 5.8 − µ|µ = 16) σ √ 25 = P(Z < √ (14.25 C = (X1 . a obtendo uma resistˆncia m´dia de 930kgf /cm2 .E.6 est´ fora e ıvel a a da regi˜o cr´ a ıtica.4. e portanto h´ e e o a evidˆncias para apoiar a afirma¸˜o de que o concreto fornecido pelo concorrente aumenta a e ca resistˆncia ` compress˜o e portanto o engenheiro deve trocar de fornecedor. TESTE DE HIPOTESES cpa/gsa ¯ Como este valor ´ maior que o n´ de significˆncia α = 0.2296.4) √ n = P[Z > (14.4)] 11 = P(Z > −0.91|X25 = 15.91 − 15.8|µ = 16) √ n = P(Z < (14.0351 Nesse caso o p-valor ´ menor que o n´ de significˆncia e portanto rejeitar´ e ıvel a ıamos H0 .05 vemos que X25 = 15. . rejeitamos a hip´tese nula.

4085 = 0. .645 120 10 ¯ ou X > 1.9515.10. ent˜o z α = 1.600 e a hip´tese alternativa ´ H1 = 1.615 a a ca horas como dura¸˜o m´dia da lˆmpada? Qual o p-valor amostral para esta amostra? ca e a (c) Se a m´dia real fosse 1. ¯ (b) Qual sua conclus˜o se um lote de 100 lˆmpadas da produ¸˜o de um dia forneceu X100 = 1.25 − µ) 2 σ σ2 √ 36 6 ¯ =P (X36 − 950) < √ (929. e 3.400 horas2 e que sua linha de ca a produ¸˜o est´ ajustada para que as lˆmpadas possuam uma vida m´dia de 1.0485 E portanto o poder do teste ´ K(950) = 1 − 0.´ 5. e confirmando o teste feito em (a) rejeitamos H0 . .4.25|µ = 950) √ √ n ¯ n = P √ (X36 − µ) < √ (929.625 =P Z< 6 (929. .10. Rejeitamos a hip´tese o e o e o nula se: σ σ ¯ ¯ Xn < µ0 − z α √ ou Xn > µ0 + z α √ 2 2 n n a ıtica ´ e Como o valor de α = 0. .X100 ) : X < 1. vejamos a probabilidade de cometer erro tipo II se a verdadeira m´dia fosse 950: e ¯ β(950) = P(X36 < 929.645 120 10 ¯ ¯ C = (X1 .580.01 vemos que X est´ na regi˜o a a a cr´ ıtica. .645 e assim a regi˜o cr´ a 2 C= ¯ (X1 . (c) Para calcularmos o poder do teste.4) = 0.620 horas qual seria o poder do teste? e Solu¸ao: c˜ (a) A hip´tese nula ´ H0 = 1.0082 ¯ Como este valor ´ menor que o n´ e ıvel de significˆncia α = 0. Como analista do controle de qualidade de uma f´brica de lˆmpadas vocˆ sabe que o tempo de a a e vida do produto tem distribui¸˜o normal com variˆncia igual a 14.74 138 . .625 = P(Z > 2. construindo a o ca e a regi˜o cr´ a ıtica para α = 0. TESTE DE HIPOTESES cpa/gsa (b) O p-valor amostral ´ e ¯ p-valor = P(X36 > 930|µ = 900) √ √ n ¯ n = P √ (X36 − µ) > √ (930 − µ)|µ = 900 2 σ σ2 √ 36 =P Z> √ (930 − 900)|µ = 900 5. .600 horas.600 − 1.25 − 950) 75 5.619.25 − 950) 75 = P(Z < −1. .26 ou X > 1.600 + 1.600. ca a a e (a) Construa um teste de hip´tese bilateral para a dura¸˜o m´dia da lˆmpada.66) = 0.X100 ) : X < 1.

Baseados nesta distribui¸˜o: ca ca • Teste 1.620) = P(N˜o rejeitar H0 |µ = 1.600) 2 σ σ2 √ 100 = 2P Z > √ 15 = P(Z > 1.4.600) √ √ n ¯ n = 2P √ (X100 − µ) > √ (1. ou seja: a ca β(1.2.4.508444 e 5.25) = 0. Para n˜o rejeitarmos H0 .620) √ √ √ n n ¯ n √ (1.02) − P(Z < −3.31) = 0. se ıvel ¯ Xn < µ0 − t(n−1.491556 = 0.619. p-valor = 2P(X > xobs |µ = µ0 ) ¯ ¯ Assim sendo o p-valor amostral ´ calculado por: e ¯ p-valor = 2P(X100 > 1.31 < Z < −0.´ 5.74 − 1.26 − 1. X dever´ a e a a cair na regi˜o de aceita¸˜o.74 − µ)|µ = 1.620) < Z < √ (1.600 horas.10 confirmando ent˜o que n˜o rejeitamos a hip´tese nula. Lembremos que a probabilidade de cometer erro tipo II ´ a e e ¯ probabilidade de n˜o rejeitarmos H0 quando ela ´ falsa. sem prova.400 O p-valor ´ maior que α = 0.1 (caso 2) estabelecemos.600)|µ = 1.620 =P 2 2 σ σ σ2 √ √ 100 100 =P √ (1.615 − 1.400 14.400 = P(−3.580.492022 − 0.2 Variˆncia desconhecida a No caso da variˆncia ser desconhecida.615|µ = 1.580.26 − µ) < √ (X100 − µ) < √ (1.620) a ¯ = P(1. ou seja a n˜o h´ evidˆncias amostrais para rejeitarmos a afirma¸˜o de que a linha de produ¸˜o produz a a e ca ca lˆmpadas com dura¸˜o m´dia de 1.3.619. temos que calcular a probabilidade de cometer erro tipo II se a verdadeira m´dia fosse 1.580. rejeitamos H0 .491556 Logo o poder do teste ´ K = 1 − 0.620. p-valor = 2P(X < xobs |µ = µ0 ) ¯ ¯ ¯ ii. TESTE DE HIPOTESES cpa/gsa ¯ (b) Como a m´dia amostral X100 = 1.619.26 < X100 < 1. a ca e No teste bilateral H0 : µ = µ0 versus H1 : µ = µ0 o p-valor amostral ´ calculado da seguinte e forma: ¯ i.α) S √ n tem distri- 139 . H0 : µ = µ0 H1 : µ < µ0 . e a a o (c) Para calcularmos o poder do teste.620) 14.02) = P(Z < −0.2113 14. Se xobs > µ0 . usamos seu estimador usual ou seja a S2 = 1 (n − 1) n ¯ (Xi − X)2 i=1 √ ¯ n(Xn −µ) S Na sub-se¸˜o 5.000466 = 0. ao n´ α. que a estat´ ca ıstica Tn = bui¸˜o t de Student com n − 1 graus de liberdade.615 n˜o est´ na regi˜o cr´ e a a a ıtica n˜o rejeitamos H0 . Se xobs < µ0 .5.74|µ = 1.

a Suponha que a tens˜o de ruptura ´ uma vari´vel com distribui¸˜o normal. . se ıvel ¯ Xn > µ0 + t(n−1. ao n´ α.X16 ) : X16 < 4. ao n´ α.01. se ıvel ¯ |Xn − µ0 | > t(n−1.500 kg O p-valor a a e a e e amostral ´ calculado por: e ¯ p-valor = P(X16 < 4.482 − 4.475kg? e Solu¸ao c˜ (a) A hip´tese nula ´ H0 : µ = 4. α ) 2 S √ n Para recordar. E t(n−1. rejeitamos H0 . e a ¯ foram obtidos os seguintes resultados para a tens˜o de ruptura: X16 = 4.425. .482kg > 4.X16 ) : X16 < 4. confirmando que n˜o rejeitamos H0 . .19 (b) Como a m´dia amostral ´ X16 = 4.α) ) = α.500 e vocˆ ´ respons´vel pela seguran¸a de quem ir´ utilizar a e e e e e a c a corda: (a) Defina um teste apropriado e construa a regi˜o cr´ a ıtica com α = 0.75 = 4. . Num teste de resistˆncia de cordas (7 cm.602 × 28.19kg. e e 2 Exemplo 1.425.500 − t(15. .´ 5. n˜o rejeitamos a hip´tese nula ou seja e e ¯ a o n˜o h´ evidˆncias contr´rias a que a resistˆncia m´dia da corda seja µ = 4. TESTE DE HIPOTESES cpa/gsa • Teste 2: H0 : µ = µ0 H1 : µ > µ0 . α ) ´ definido analogamente. de diˆmetro) para uma amostra de tamanho n = 16. .500 e a hip´tese alternativa ´ H1 : µ < 4.α) ´ tal que P(Tn−1 > t(n−1.α) S √ n • Teste 3: H0 : µ = µ0 H1 : µ = µ0 .500)|µ = 4. a (b) Qual a conclus˜o para os valores amostrais apresentados? Qual o p-valor amostral? (c) Qual a probabilidade de se cometer erro tipo II se a m´dia real fosse 4.500 − 2. Rejeitamos a o e o e hip´tese nula se: o S ¯ Xn < µ0 − t(n−1.01.482kg e S16 = 115kg. .500) S S √ 16 = P T15 < (−18) = P(T15 < −0. rejeitamos H0 . . t(n−1.63) ≈ 0.500.482|µ = 4.500) √ √ n ¯ n =P (X16 − µ) < (4. a 140 .27 115 Como esperado pelo resultado de (a) o p-valor amostral ´ maior que o n´ de significˆncia e ıvel a dado α = 0.01) 115 4 ¯ C = (X1 . Se o fabricante alega a e a ca que a resistˆncia m´dia ´ µ = 4. 0.α) √ n A regi˜o cr´ a ıtica ´: e C= ¯ (X1 .4.

4. mas se o histograma ´ assim´trico precisamos de tamanhos amostrais maiores.Xn ´ uma amostra aleat´ria de tamanho n de uma vari´vel aleat´ria X com m´dia µ e o a o e √ ¯ n(Xn − µ) tem distribui¸˜o aproximadamente normal ca e variˆncia σ 2 e n ´ grande.19|µ = 4. Como estamos assumindo tamanhos amostrais ¯ n(Xn − µ) grandes.19 − µ) S S √ 16 (4. . Assuma que existem dezenas de milh˜es de eleitores e ca o que o candidato A escolhe uma amostra aleat´ria de tamanho 3. ao n´ de significˆncia α. a regi˜o cr´ ca a a ıtica ´ similar ` regi˜o cr´ e a a ıtica no caso normal com variˆncia conhecida. c o a 5. . ca e e precisamos de amostras relativamente pequenas (n = 30 pode ser suficiente). Para usar esta aproxima¸˜o precisamos de amostras grandes.052 5.3. a vari´vel Zn = a e a σ padr˜o.425. Um histograma pode nos auca xiliar na avalia¸˜o do tamanho amostral. .732) = P(T15 > 1.475) = P(N˜o rejeitar H0 |µ = 4. . TESTE DE HIPOTESES cpa/gsa (c) Para calcularmos a probabilidade de erro tipo II β(4.500 e conta entre eles o n´mero de eleitoo u res que apoiam sua candidatura. Qu˜o e ca a grande precisa ser esta amostra. √ a a e usa-se o estimador S. Xn ) : Xn < µ0 − zα σ √ n S √ n se σ ´ conhecido ou e se σ ´ desconhecido.732) ≈ 0.475) = P(X √ √ n ¯ n =P (X16 − µ) > (4. e Observe que a regi˜o cr´ a ıtica usa o quantil da distribui¸˜o normal padr˜o.X2 . caso n˜o normal e a Se X1 . Se σ n˜o ´ conhecida. a distribui¸˜o de Zn = ca ainda tem distribui¸˜o aproximadamente normal padr˜o. Podemos considerar o n´mero 3. ca a S • No teste 1: H0 : µ = µ0 C= C= H1 : µ < µ0 .´ 5.475) = P T15 < 115 = P(T15 < −1.1 Um caso particular: testes sobre propor¸˜es co Imaginemos uma elei¸˜o para presidente em que o candidato A deseja fazer inferˆncia sobre a proca e por¸˜o de eleitores que apoiam sua candidatura. .3 Testes sobre a m´dia. sendo importante a a refor¸ar que as regi˜es s˜o aproximadas. . . . e e • Teste 2: H0 : µ = µ0 • Teste 3: H0 : µ = µ0 H1 : µ > µ 0 H1 : µ = µ0 As regi˜es cr´ o ıticas para os testes 2 e 3 s˜o obtidas de forma an´loga ao teste 1.475) a ¯ 16 > 4.4.500 muito pequeno quando comparado u 141 . Se o histograma ´ sim´trico em torno de algum ponto. depende da distribui¸˜o dos dados. A diferen¸a est´ que neste caso a c a a regi˜o cr´ a ıtica ´ aproximada. . ou seja.425.425. a regi˜o cr´ ıvel a a ıtica aproximada ´ e ¯ (X1 . .19 − 4. Xn ) : Xn < µ0 − zα ¯ (X1 .4.

formule um teste apropriado e obtenha conclus˜es ao n´ o ıvel α = 0. H0 ser´ rejeitada se a p < p0 − zα ˆ p0 (1 − p0 ) = 0. .30. Sendo assim. H0 ser´ rejeitada. visando reduzir a propor¸˜o de defeituosos faz investimentos de grande porte na linha de produ¸˜o ca ca e antes de relig´-la definitivamente produz para teste 800 itens dos quais 52 resultaram defeituosos.30 − z0. (continua¸˜o) O candidato A afirma que p0 = 0.2873. . se a ıvel p < p0 − zα ˆ p0 (1 − p0 ) n Exemplos: 1.´ 5.05. se definirmos: o 1 se o eleitor i apoia o candidato A. Se dos 3.30 − 1. . a n No teste de H0 : p = p0 H1 : p < p0 .500 Como o valor observado p = 738/3500 = 0. 0 caso contr´rio. sendo p a propor¸˜o de eleitores na popula¸˜o que apoia o candica a ca ca dato A.70) = 0.05. TESTE DE HIPOTESES cpa/gsa a `s dezenas de milh˜es de eleitores que apoiam o candidato A.30 e a hip´tese alternativa H1 : p < 0.30. a Xi = pode-se assumir que X1 .05.30(0.007746) = 0.2109 ´ menor que 0.642(0. 142 . .4. ca 2. h´ evidˆncias para rejeitar a afirma¸˜o de que a propor¸˜o de eleitores que apoiam o candidato e a e ca ca A seja 0. X3500 s˜o independentes e identicamente distribu´ a ıdas com distribui¸˜o de Bernoulli com parˆmetro p.2873 3. Neste caso µ = E(X) = p e σ 2 = V (X) = p(1 − p). isto ˆ e o ´. a Para avaliar o efeito dos investimentos. Uma linha de produ¸˜o em grande escala produz 8% de itens defeituosos. X2 . teste a hip´tese nula com α = 0. de acordo com o Teorema Central do Limite.30. rejeitamos a hip´tese nula. tem distribui¸˜o aproximaˆ ca ca damente normal padr˜o. a vari´vel a a √ ¯ √ n(Xn − µ) n(ˆ − p) p = Zn = σ p(1 − p) 1 ¯ onde p = Xn = n i=1 Xi define a propor¸˜o estimada a partir da amostra.05 n 0.500 eleitores entrevistados. Ao n´ o e o ıvel de α = 0. Ent˜o. o Solu¸ao: c˜ A hip´tese nula neste caso ´ H0 : p = 0. ao n´ de α. 738 apoiam ca sua candidatura. A empresa dona da linha.

O valor de c ´ encontrado a partir do valor de α: e e 2 α = P(S 2 < c|σ 2 = σ0 ) = P (n − 1)S 2 (n − 1)c 2 2 < |σ = σ0 2 2 σ0 σ0 (n − 1)c 2 σ0 (n − 1)c 2 σ0 x assim ou de forma equivalente 2 α = P Xn−1 < 2 1 − α = P Xn−1 > 2 Da tabela da distribui¸˜o qui-quadrado encontramos o valor X(1−α. para justificar os investimentos. . .08(0.08.08 − 1. H0 ser´ rejeitada se a variˆncia amostral for menor que um valor c.08 − z0.Xn de uma vari´vel aleat´ria X com distribui¸˜o normal o a o ca com variˆncia σ 2 .05.08. a o e propor¸˜o de itens defeituosos tenha diminu´ ca ıdo. Assim sendo os investimentos n˜o surtiram efeito. Abordamos nesta se¸˜o o problema de testes sobre variˆncia: a ca a 2 • Teste 1: H0 : σ 2 = σ0 2 • Teste 2: H0 : σ 2 = σ0 2 • Teste 3: H0 : σ 2 = σ0 2 H1 : σ 2 < σ 0 2 H1 : σ 2 > σ 0 2 H1 : σ 2 = σ 0 Lembremos que a vari´vel a (n − 1)S 2 tem distribui¸˜o qui-quadrado com n − 1 graus de liberdade. Espera-se que. ou seja a regi˜o cr´ a a a ıtica do teste ´ da forma {(x1 .642(0. .92) = 0. isto ´ H1 : p < 0.´ 5. H0 ser´ e ıvel a rejeitada se p < p0 − zα ˆ p0 (1 − p0 ) = 0. = X(1−α.X2 .05 n 0. a 5.n−1) tal que ca 2 2 P(Xn−1 > X(1−α.n−1) e portanto c = 2 σ0 n − 1 (1−α.x2 . .xn ) : S 2 < c}.08.4. isto ´. . . . n˜o h´ evidˆncias ˆ a o e a a e para rejeitar a afirma¸˜o de que a propor¸˜o de defeituosos na linha ap´s os investimentos seja igual ca ca o a 0. Ao n´ de α = 0.n−1) ) = 1 − α y De x e y tem-se que 2 (n − 1)c σ0 2 X2 . ca σ2 No teste 1.4.009592) = 0.n−1) Conclu´ ımos ent˜o que no teste 1.n−1) 143 .4 Teste sobre variˆncia de uma popula¸˜o com distribui¸˜o normal a ca ca Considere uma amostra aleat´ria X1 .065 n˜o rejeitamos a hip´tese nula.06422 800 Como o valor observado p = 52/800 = 0. . ao n´ α rejeita-se H0 se a ıvel S2 < 2 σ0 X2 n − 1 (1−α. TESTE DE HIPOTESES cpa/gsa Solu¸ao: c˜ A hip´tese nula neste caso ´ H0 : p = 0.

.n−1) Exemplo: Para melhorar o processo de fabrica¸˜o de detergente de sua empresa. Historicamente a variˆncia ´ igual a 36.07 n−1 19 (0.75 ml2 . . X20 ) : S 2 < 2 = X(0.19) = 8. TESTE DE HIPOTESES cpa/gsa Exemplo: As notas de uma disciplina ajustam uma distribui¸˜o normal. . Se o volume de enchimento tem distribui¸˜o normal.8947 × 11.n−1) E no teste 3 H0 ser´ rejeitada.75 × 8.025. a e a Procedendo analogamente como feito no teste 1.10 ou S 2 > 15.n−1) = X(0. .05? Solu¸˜o: ca As hip´teses a serem testadas s˜o H0 : σ 2 = 8. o que sugere que o novo m´todo n˜o surtiu efeito.75 ml2 e a regi˜o cr´ o a a ıtica ser´: a C: (X1 . o dono adquiriu uma nova ca m´quina de enchimento de garrafas pl´sticas. .19) = 32.75 ml2 contra H1 : σ 2 = 8.975. ca a e Um novo m´todo de ensino est´ sendo proposto para tornar a turma mais homogˆnea no aprendizado.n−1) = X = 1. .12 .85 19 19 144 = (X1 .91 ou S 2 > × 32.75 8. h´ evidˆncias de a ca a e que a m´quina de enchimento est´ atendendo ` performance de variabilidade informada pelo fabricante.9.4.n−1) Na tabela da quiquadrado temos: 2 2 X(1− α .65 = 22.´ 5.19) N˜o podemos portanto rejeitar H0 . O fabricante desta m´quina garantia que com sua utia a a liza¸˜o. ao n´ α se a ıvel S2 < 2 σ0 X2 α n − 1 (1− 2 . . . a variˆncia do volume de detergente em cada garrafa seria 8. conclui-se que no teste 2 H0 ser´ rejeitada. Como espera-se que o m´todo tenha surtido resultado temos a o e e hip´tese alternativa H1 : σ 2 < 36. .85 8. Solu¸˜o: ca A hip´tese nula ´ H0 : σ 2 = 36. .n−1) 2 e a regi˜o cr´ a ıtica fica: C: (X1 .4 ml2 . X20 ) : S 2 < 4. . . X20 ) : S 2 < 2 σ0 X2 α n − 1 (1− 2 .n−1) ou S 2 > 2 σ0 X 2α n − 1 ( 2 . Formule um teste apropriado e avalie se o novo m´todo atingiu o objetivo e (use α = 0. a a a com α = 0.91 2 X(2α .10). H0 ser´ rejeitada se o a S2 < 2 36 2 σ0 2 X(1−α. O volume de cada garrafa nesta amostra resula o tou em uma variˆncia de 13. o ca a o ca empres´rio retirou uma amostra aleat´ria de 20 garrafas. e a e 20 alunos s˜o matriculados em uma disciplina em que ´ usado o novo m´todo e observou-se que o valor a e e amostral de S 2 foi igual a 32.n−1) ou S2 > 2 σ0 X 2α n − 1 ( 2 . Ap´s sua intala¸˜o. ao n´ a ıvel α se 2 σ0 S2 > X2 n − 1 (α.

rejeita-se H0 se ıvel ¯ ¯ X − Y < −z α 2 2 σ1 σ2 + 2 n m 2 σ1 σ2 + 2 n m 2 σ1 σ2 + 2 n m H1 : µ1 − µ2 < 0 H1 : µ1 − µ2 > 0 H1 : µ1 − µ2 = 0 ¯ ¯ ou X − Y > z α 2 2 σ1 σ2 + 2 n m Exemplo: Um empresa produz postes de ferro para padr˜o de energia el´trica.X2 . . .Ym uma amostra aleat´ria de tamanho m de uma ca e a o 2 vari´vel aleat´ria Y com distribui¸˜o normal com m´dia µ2 e variˆncia σ2 . e a 5. ou seja. .75 ml2 .4.5. . TESTE DE HIPOTESES cpa/gsa Como a variˆncia amostral (S 2 = 13.5 5.4. pintados com tinta prateada a e especial.4. Um fabricante de produtos qu´ ımicos est´ anunciando um catalisador especial que. .4) est´ fora da regi˜o cr´ a a a ıtica n˜o rejeitamos H0 . Dez postes s˜o pintados com a tinta usual e a 145 . . a o ca e a Como j´ vimos a estat´ a ıstica: Z= ¯ ¯ Xn − Ym − (µ1 − µ2 ) 2 σ2 σ1 + 2 n m tem distribui¸˜o normal padr˜o (m´dia= 0 e variˆncia= 1). .Y2 . n˜o h´ a a a evidˆncias significativas de que a variˆncia seja diferente de 8. ca a e a Portanto para testarmos: • Teste 1: H0 : µ1 − µ2 = 0 • Teste 2: H0 : µ1 − µ2 = 0 • Teste 3: H0 : µ1 − µ2 = 0 usamos a estat´ ıstica Z e: ıvel • No teste 1: Ao n´ α. . X e Y independentes.´ 5. misturado ` a a tinta usada pelo fabricante dos padr˜es reduz o tempo de secagem. rejeita-se H0 se ıvel ¯ ¯ X − Y > zα • No teste 3: Ao n´ α. Sabe-se que o tempo de secagem ´ o e uma vari´vel aleat´ria com distribui¸˜o normal com desvio padr˜o de 8 minutos e que este desvio padr˜o a o ca a a n˜o deve se alterar pela adi¸˜o do novo produto qu´ a ca ımico.Xn uma amostra aleat´ria de tamanho n de uma vari´vel aleat´ria X com distrio a o 2 bui¸˜o normal com m´dia µ1 e variˆncia σ1 e Y1 .1 Testes sobre diferen¸a de m´dias c e Variˆncias conhecidas a Sejam X1 . rejeita-se H0 se ¯ ¯ X − Y < −zα • No teste 2: Ao n´ α.

´ 5.4. TESTE DE HIPOTESES

cpa/gsa

dez com a tinta misturada ao novo produto, simultaneamente. Os tempos m´dios de secagem das duas e ¯ ¯ amostras foram X = 121 minutos e Y = 112 minutos. Quais as conclus˜es que o fabricante de postes pode o tirar sobre a eficiˆncia do catalisador, com um n´ de significˆncia de α = 0,05? Qual o p-valor amostral? e ıvel a Solu¸˜o: ca As hip´teses a serem testadas s˜o H0 : µX − µY = 0 e H0 : µX − µY > 0, e a regi˜o cr´ o a a ıtica correspondente ´: e C: ¯ ¯ (X1 , . . . , X10 ; Y1 , . . . , Y10 ) : X − Y > zα
2 σ2 σ1 + 2 n m

como z0,05 = 1,645 fica C: ¯ ¯ (X1 , . . . , X10 ; Y1 , . . . , Y10 ) : X − Y > 1,645 82 82 + 10 10 = 5,89

¯ ¯ Como X − Y = 121 − 112 = 9 > 5,89, n´s rejeitamos H0 e portanto a um n´ de significˆncia de 5% o ıvel a podemos afirmar que h´ evidˆncias para apoiar a afirma¸˜o do fabricante de produtos qu´ a e ca ımicos de que o novo ingrediente reduz o tempo de secagem. Para o c´lculo do p-valor fazemos: a ¯ ¯ p-valor =P X − Y > 9|µX − µY = 0 

¯ ¯  X − Y − (µX − µY )  9 − (µX − µY ) > |µX − µY = 0 p-valor =P    2 2 2 2 σ1 σ σ1 σ + 2 + 2 n m n m    p-valor =P Z >  9 82 82 + 10 10   = P(Z > 2,52) = 0,005868 

5.4.5.2

Variˆncias desconhecidas mas iguais a

Tomemos agora X1 ,X2 , . . . ,Xn uma amostra aleat´ria de tamanho n de uma vari´vel aleat´ria X com o a o distribui¸ao normal com m´dia µ1 e variˆncia σ 2 e Y1 ,Y2 , . . . ,Ym uma amostra aleat´ria de tamanho m c˜ e a o de uma vari´vel aleat´ria Y com distribui¸˜o normal com m´dia µ2 e variˆncia σ 2 ; X e Y independentes a o ca e a e variˆncias desconhecidas, mas iguais. a Nesse caso temos a estat´ ıstica: T = ¯ ¯ Xn − Ym − (µ1 − µ2 ) 1 1 Sp + n m

que tem distribui¸˜o t de Student com (n + m − 2) graus de liberdade. ca Onde Sp =
2 2 (n − 1)S1 + (m − 1)S2 n+m−2

146

´ 5.4. TESTE DE HIPOTESES

cpa/gsa

Portanto para testarmos: • Teste 1: H0 : µ1 − µ2 = 0 • Teste 2: H0 : µ1 − µ2 = 0 • Teste 3: H0 : µ1 − µ2 = 0 usamos a estat´ ıstica T e: • No teste 1: Ao n´ α, rejeita-se H0 se ıvel ¯ ¯ X − Y < −t(n+m−2;α) Sp • No teste 2: Ao n´ α, rejeita-se H0 se ıvel ¯ ¯ X − Y > t(n+m−2;α) Sp ıvel • No teste 3: Ao n´ α, rejeita-se H0 se ¯ ¯ X − Y < −t(m+n−2; α ) Sp 2 1 1 + n m ¯ ¯ ou X − Y > t(m+n−2; α ) Sp 2 1 1 + n m 1 1 + n m 1 1 + n m H1 : µ1 − µ2 < 0 H1 : µ1 − µ2 > 0 H1 : µ1 − µ2 = 0

Exemplo: Suponha que vocˆ tenha duas amostras de popula¸˜es normais independentes (X e Y ) sabidamente e co de mesma variˆncia que produziram as seguintes estat´ a ısticas:
2 ¯ e a • Amostra 1 : Tamanho n = 15 M´dia X = 24,2 Variˆncia SX = 10 2 ¯ • Amostra 2 : Tamanho m = 10 M´dia Y = 23,9 Variˆncia SY = 20 e a

Teste H0 : µX = µY contra H1 : µX = µY e calcule o p-valor amostral, com α = 0,10. Solu¸˜o: ca Calculemos inicialmente o desvio padr˜o amostral ponderado: a Sp = e da tabela t obtemos: t(m+n−2; α ) = t(23;0,05) = 1,714 2 A regi˜o cr´ a ıtica ent˜o ´: a e ¯ ¯ X − Y < −t(m+n−2; α ) 2 ou ¯ ¯ X − Y > t(m+n−2; α ) 2 1 1 + n m 147 = 1,714 × 3,73 × 0,408 = 2,61 1 1 + n m = −1,714 × 3,73 × 1 1 + 15 10 = −2,61
2 2 (n − 1)SX + (m − 1)SY = n+m−2

14 × 10 + 9 × 20 = 3,73 15 + 10 − 2

´ 5.4. TESTE DE HIPOTESES

cpa/gsa

¯ ¯ Como X − Y = 24,2 − 23,9 = 0,3 est´ fora da regi˜o cr´ a a ıtica, n˜o rejeitamos H0 , ou seja, h´ evidˆncias a a e para apoiar a afirma¸˜o de que as popula¸˜es possuem a mesma m´dia. ca co e Para calcularmos o p-valor amostral fazemos: ¯ ¯ p-valor =P(X − Y > 0,3|µX − µY = 0)   0,3 − 0  p-valor =P t23 > 1 1 Sp n + m p-valor =P t23 > 0,3 1,5228 ≈ 0,42

5.4.5.3

Variˆncias desconhecidas e diferentes a

Se tivermos X1 ,X2 , . . . ,Xn uma amostra aleat´ria de tamanho n de uma vari´vel aleat´ria X com o a o 2 o distribui¸ao normal com m´dia µ1 e variˆncia σX e Y1 ,Y2 , . . . ,Ym uma amostra aleat´ria de tamanho m c˜ e a 2 de uma vari´vel aleat´ria Y com distribui¸˜o normal com m´dia µ2 e variˆncia σY ; X e Y independentes a o ca e a e variˆncias desconhecidas e diferentes, para testarmos: a • Teste 1: H0 : µ1 − µ2 = 0 • Teste 2: H0 : µ1 − µ2 = 0 • Teste 3: H0 : µ1 − µ2 = 0 teremos agora: • Teste 1: Ao n´ α, rejeita-se H0 se ıvel ¯ ¯ X − Y < −t(ν;α) • Teste 2: Ao n´ α, rejeita-se H0 se ıvel ¯ ¯ X − Y > t(ν;α) • Teste 3: Ao n´ α, rejeita-se H0 se ıvel ¯ ¯ X − Y < −t(ν; α ) 2
2 SX S2 + Y n m 2 SX S2 + Y n m 2 SX S2 + Y n m

H1 : µ1 − µ2 < 0 H1 : µ1 − µ2 > 0 H1 : µ1 − µ2 = 0

¯ ¯ ou X − Y > t(ν; α ) 2

2 SX S2 + Y n m

onde ν, o n´mero de graus de liberdade da estat´ u ıstica T nesse caso ´ calculado por: e
2 S2 SX + Y n m 2 SX /n n+1 2 2

ν=

S 2 /m + Y m+1

2

−2

148

. .1−α) SY ou de forma equivalente. . S˜o colhidas duas e a amostras. . . Se as duas popula¸˜es s˜o ca ca e a co a independentes e quisermos comparar as variˆncias das duas popula¸˜es com os testes: a co 2 2 • Teste 1: H0 : σX = σY 2 σX 2 =1 σY 2 σX 2 =1 σY 2 σX 2 =1 σY contra contra contra 2 2 H1 : σX < σY 2 σX 2 <1 σY 2 σX 2 >1 σY 2 σX 2 =1 σY 2 2 • Teste 2: H0 : σX = σY 2 2 H1 : σX > σY 2 2 • Teste 3: H0 : σX = σY 2 2 H1 : σX = σY Lembremos que a estat´ ıstica 2 2 S1 σ2 2 2 S2 σ1 tem distribui¸˜o F de Fisher com n − 1 e m − 1 graus de liberdade. Xn . . .7 gr/l 2. Y1 . como vimos: C: • Teste 2: C: • Teste 3: C: ou C: Exemplo: Duas ind´strias qu´ u ımicas produzem uma mat´ria prima cuja concentra¸˜o de um elemento em pare ca ticular ´ muito importante. . . . . uma de cada fabricante. .n−1. Y1 . . Xn . . Ym ) : 2 1 SX 2 < f SY (m−1. .4. Y1 . . . . . Xn . . mas suspeita-se que a variabilidade possa diferir entre os dois produtos. . Xn . . . Ym ) : 2 SX 1 2 < f SY (m−1. α ) 2 2 SX α 2 > f(n−1. . . .8 gr/l (X1 .n−1. Ym ) : 2 SX 2 > f(n−1.4. . . Ym ) : (X1 . Ym ) : 2 SX 2 < f(n−1. . . .m−1.Xn seja uma amostra aleat´ria de tamanho n de uma popula¸˜o com diso ca 2 tribui¸˜o normal com m´dia µX e variˆncia σX e Y1 . . Amostra do fabricante X: n = 10 e SX = 4. .α) (X1 . . .α) SY 149 . Y1 . . . a um n´ de significˆncia α s˜o: e ıvel a a • Teste 1: C: (X1 . . Assim podemos escrever que as ca regi˜es cr´ o ıticas de cada um dos trˆs testes. Xn . .´ 5. .m−1.6 Teste sobre raz˜o de variˆncias a a Suponha que X1 . .Ym uma amostra aleat´ria de tamanho m ca e a o 2 de uma popula¸˜o com distribui¸˜o normal com m´dia µY e variˆncia σY .Y2 . Amostra do fabricante Y : n = 16 e SX = 5.m−1. . . . . . com o seguinte resultado: 1. TESTE DE HIPOTESES cpa/gsa 5. . 2 ) SY (X1 . Y1 .X2 . A m´dia da concentra¸˜o deste elemento nos produtos dos dois fabricantes e e ca ´ a mesma. .

α ) = f(9. X10 . A m´dia obtida foi 137. 2. . ap´s rejeitarmos ou n˜o a hip´tese H0 : σX = σY . qual a decis˜o que vocˆ tomaria? ¯ a e 150 . O peso de ruptura de certo tipo de barras tem distribui¸˜o normal. a hip´tese H0 : µ = 80 contra a alternativa H1 : µ = 80 .6.05. ı o a o escolhemos adequadamente o teste para diferen¸a de m´dias.15. Y16 ) : 2 1 S2 SX < = 0. Defina a regi˜o ıvel o a cr´ ıtica deste teste. a co Observa¸˜o Final: Vimos no item 5.265 ou X > 3. Y16 ) : Na tabela F de Fisher achamos: f(m−1.12 2 2 SY 3.64 est´ fora da regi˜o cr´ a a ıtica. 2 2 • σX e σY desconhecidas mas iguais 2 2 • σX e σY conhecidas e diferentes. . . n˜o rejeitamos H0 ou seja.77 SY 2 4.n−1.15 kg). a partir de uma amostra aleat´ria de tamanho 16.n−1. X10 .1 kg e a variˆncia amostral S 2 igual a 4.5 Exerc´ ıcios 1.09 SX = = = 0.12 2 2 e assim a regi˜o cr´ a ıtica fica C: Como (X1 . α ) = f(15. Neste caso sabemos que a regi˜o cr´ a ıtica ser´: a 2 2 σY σY 2 SX 1 S2 ou X > f(n−1. n˜o h´ evidˆncias para rejeitar a afirma¸˜o que a a a a e ca variˆncia das duas popula¸˜es sejam iguais.0.72 22. .0025) = 3.77 e f(n−1.4. . . . EXERC´ ICIOS cpa/gsa H´ evidˆncias para concluirmos que a variˆncia da concentra¸˜o do elemento em estudo seja diferente a e a ca para os dois fabricantes (use α = 0. Y1 .62kg 2 (desvio e a padr˜o= 2. . Y1 .0.m−1. .5 que existem trˆs op¸˜es diferentes para testarmos diferen¸a ca e co c de m´dias de duas amostras de popula¸˜es normais: e co 2 2 • σX e σY conhecidas. Uma vari´vel aleat´ria tem distribui¸˜o normal com m´dia desconhecida e variˆncia= 9. devemos inicialmete testar a igualdade das a ca a 2 2 mesmas.6 e a´ sim. Encontre um intervalo de 95% de confian¸a para a m´dia de ruptura destas a c e barras. c e 5.5. α ) 2 C: (X1 . .9. . ao n´ α = 0.05)? Solu¸˜o: ca Temos que testar H0 : 2 σ2 σX = 1 contra H1 : X = 1. conforme visto no item 5. .4.82 33. . . Este peso foi medido para ca 18 destas barras. α ) 2 < f 2 2 SY SY (m−1.0025) = 3. Se o valor observado de foi o x16 = 82. Se n˜o tivermos nenhuma informa¸˜o sobre as variˆncias. . .5. Deseja-se a o ca e a testar.6564 2 SY 5.m−1.

Deseja-se a o ca e a testar.4 120.7 120.6. e c e (d) Construa um intervalo de confian¸a de 90% para a m´dia.5 102.6 100.9 119. 151 .25 e encontre o p-valor amostral no teste do a e item (b).6 120. Foi medido o comprimento de 15 barras e obteve-se: a 99.05.2 102.9 101. Vocˆ ´ propriet´rio de uma empresa que produz vergalh˜es de a¸o para constru¸˜o civil.5 cm (Variˆncia=0. o ıvel (c) Calcule o p-valor amostral do teste descrito em (a) e calcule o poder do teste se o verdadeiro valor da m´dia for igual a 101. a partir de amostra retirada aleatoriamente da procu¸˜o ca no in´ ıcio de cada semana. esta hip´tese n˜o foi rejeitada.4 Supondo que a hip´tese de normalidade n˜o seja rejeitada. teste ao n´ de significˆncia α = 0.2 119.01.5 100.01.8 121.4 121. ıvel (a) Defina a regi˜o cr´ a ıtica para este teste a partir de uma amostra aleat´ria de tamanho 20. Uma vari´vel aleat´ria tem distribui¸˜o normal com m´dia desconhecida e variˆncia=9.2 99. (c) Calcule o poder do teste se o verdadeiro valor da media ´ 103.25 cm2 ).7 120. H0 : µ = 100 contra H1 : µ = 100.9 119.3 Feito o teste de normalidade. Um cliente tradicional de sua empresa alega que seu a¸o est´ fornea c a cendo uma resistˆncia ` tra¸˜o inferior ` nominal.0 119. e 5.5. (c) assuma que a variˆncia populacional ´ σ 2 = 0. o a (a) Teste a hip´tese H0 : µ = 100 contra H1 : µ = 120 ao n´ α = 0. o ¯ a e (b) Se o valor observado de foi x20 = 104.4 120. o ıvel (b) Teste a hip´teseH0 : σ 2 = 1 contra σ 2 = 1 ao n´ α = 0.7 99.1 101. 6. No in´ o ıcio da primeira semana de julho obteve os dados registrados a seguir: 121. ou seja: o a (a) Testar H0 : µ = 120 contra H1 : µ > 120.3 119. Suponha que vocˆ tem que julgar a reclama¸˜o e a ca a e ca de seu cliente. (b) testar H0 : µ = 120 contra H1 := 120.0 103. Uma empresa produz barras de a¸o de 120 cm. A se¸˜o de ca a a ca controle de qualidade da empresa testa. qual a decis˜o que vocˆ tomaria? Calcule o p-valor amostral.1 103.2 118. esta hip´tese.5.8 99.2 99. O padr˜o de qualidade exige que as barras produzidas c a tenham distribui¸˜o normal com desvio padr˜o σ = 0. Utililiza o ee a o c ca a¸o grau AO01 cuja resistˆncia nominal ` tra¸˜o tem distribui¸˜o normal com m´dia 50 kgf /mm2 c e a ca ca e e desvio padr˜o 2. ao n´ α = 0.4 101. a ıtica ao n´ de α = 0.6 120.5 kgf /mm2 . usando uma amostra ıvel (a) Formule um teste apropriado e defina a regi˜o cr´ de tamanho 25. Uma empresa produz barras de a¸o que de acordo a especifica¸˜es do mercado precisam ter m´dia c co e igual a 100 e desvio padr˜o igual a 1.10.10.0 120.8 101. 4.6 120. o a ıvel a a hip´tese especificada pelo padr˜o de qualidade.0 120. EXERC´ ICIOS cpa/gsa 3.9 119.

7 4.6 12 3.2 3. ıvel (b) Teste ao n´ α = 0. A Fab. A que conclus˜o vocˆ chega com o resultado a a e obtido pelo pesquisador? 152 . Uma nova ´ f´brica aparece no mercado.): 299 309 302 298 302 291 296 302 306 303 301 303 (a) Teste ao n´ α = 0. Lˆmpadas para ve´ a ıculos eram tradicionalmente produzidas por um unico fabricante. a e e a Suponha que a distˆncia percorrida at´ o desgaste limite tenha distribui¸˜o normal.10. Amostras a a a aleat´rias de tamanhos n = 9 e m = 16 respectivamente das forjas X e Y .3 3.10.3 3 2.9 5. em milhares de horas.5 3.4 2 2.6 6 2. alegando que as lˆmpadas por ela produzidas tˆm tempo de vida a a e maior.9 4. (a) Encontre a regi˜o cr´ considerando um n´ ıvel de significˆncia de 5%.2 2.9 5.1 8 3.6 15 4.0 2. com desvio padr˜o igual a 1.5. Os resultados obtidos est˜o a a contidos na tabela abaixo: Ve´ ıculo Fab.8 4 3.6 3.4 3. H0 : σ 2 = 12 vs H1 : σ 2 = 12. a 8. a e ca a ıtica para testar H0 : µ = 50.000 km. sendo que ela ´ mais cara que a antiga? (use um n´ e a e ıvel de significˆncia de 0.6 9 3.5 kgf /mm2 .7 14 5. 10.6 13 2. ca (b) Vocˆ compraria a nova lˆmpada. a a (b) Encontre o p-valor para a estat´ ıstica calculada em a.6 11 4. EXERC´ ICIOS cpa/gsa (b) Se o valor observado de x25 = 47.4 4.500 km.7 7 2.9 (a) Formule um teste para avaliar a alega¸˜o da nova fabrica. Duas lˆmpadas.6 4.05). uma de cada fabrica.1 10 3. ıvel 9.9 2. Um pesquisador do departamento de estat´ ıstica da UFMG estudou modelos de degrada¸˜o para ca analisar o tempo de vida de pneus automotivos. e e 7.600 km. A amostra da ultima semana ca a ´ forneceu os seguintes volumes ( em ml.5. foram obtidas e apurouo se o seguinte resultado Forja X = x = 670mm ¯ 2 SX = 49mm2 Forja Y = y = 665mm ¯ 2 SY = 36mm2 (a) Existe alguma evidˆncia para apoiar a afirma¸˜o de que as rodas da forja Y possuem diˆmetro e ca a menor que as rodas da forja X? Suponha que as variˆncias s˜o iguais e use α = 0. Para uma amostra de 51 pneus ele encontrou uma distˆncia m´dia percorrida at´ o desgaste limite de 49. qual a sua decis˜o? ¯ a (c) Calcule o poder do teste se o verdadeiro valor da m´dia ´ igual a 48 kgf /mm2 . Vocˆ ´ respons´vel pelo envazamento de latas de refrigerante de uma f´brica e semanalmente insee a a peciona a linha de produ¸˜o para saber se ela est´ bem ajustada.4 5 3.000 km contra H1 : µ < 50. H0 : µ = 300 vs H1 : µ = 300. das correspondentes lˆmpadas observados. O diˆmetro de rodas ferrovi´rias produzidas por duas forjas est´ sendo investigado. B 1 3.10. s˜o colocadas nos far´is de 15 ve´ a a o ıculos e os tempos de vida.4 4.

se o verdadeiro valor da m´dia ´ igual a 49.10 (Construa a regi˜o cr´ o ıvel a ıtica e explique o resultado). O peso de 9 alunos sorteados aleatoriamente na turma A1 de Estat´ ıstica e Probabilidade resultou em: 68 80 80 70 82 87 73 80 65 Supondo que o peso ´ uma vari´vel aleat´ria com distribui¸˜o normal: e a o ca (a) Construa um intervalo de confian¸a de 95% para a m´dia.5.8. Se p ´ a propor¸˜o dos alunos que apoiam a chapa: e ca (a) Defina.815 km. A chapa que tenta reconstruir o DA do Icex afirma contar com apoio de 80% dos estudantes do Instituto.5. e e 11. (b) Construa um intervalo de confian¸a de 95% de confian¸a para a real propor¸˜o de pessoas que c c ca apoiam a chapa com base na amostra da enquete.8 contra H1 : p < 0. 12. EXERC´ ICIOS cpa/gsa (b) Qual o p-valor amostral da experiˆncia relatada? e (c) Calcule o poder do teste feito em a. Um enquete ´ realizada com 100 estudantes escolhidos aleatoriamente.01.05 (Construa a regi˜o a cr´ ıtica e explique o resultado). ao n´ ıvel de significˆncia α = 0. (c) Teste a hip´tese H0 : σ 2 = 120 contra H1 : σ 2 = 120 ao n´ o ıvel α = 0. 153 . c e (b) Teste a hip´tese H0 : µ = 73 contra H1 : µ = 73 ao n´ α = 0. e 72 afirmaram e apoiar a chapa. a regi˜o cr´ a a ıtica para testar H0 : p = 0.

Cap´ ıtulo 6 Bibliografia 154 .

LTC Livros T´cnicos e Cient´ o e ıficos Editora S. 1998. Belo Horizonte. S. Relat´rios de Projetos em Estat´ ıstica. G. Sheldon. R & Craig. [6] Magalhaes Marcos Nascimento. [5] Kolmogorov. N. 2003 [2] Casella. [3] Hogg. 1975. A Introduction to Mathematical Statistics. 2nd Edition Duxbury. 155 . Thompson Learning. 2002. 1933. C. 5th Edition. Grundbegriffe der Wahrscheinlichkeitsrechnung. Academic Press. C. Editora Universidade de S˜o Paulo. No¸˜es de Probabilidade e Estat´ co ıstica. H A first course in stochastic process. G. Prentice Hall. George & Berger. Marcos Nascimento Magalhaes. Roger L Statistical Inference. 6a ed.. [8] Ross. S & Taylor. Estat´ ıstica aplicada e probabilidade para engenheiros.A. o a [7] Montgomery D. 1994. Prentice Hall. 2008. e Amorim.Referˆncias Bibliogr´ficas e a ca u o o [1] Atuncar.. A First course in probability. 5th Edition. A. 2008. Inc. Antˆnio Carlos Pedros de Lima. F. tradu¸˜o ca Verˆnica Calado. Depto de Estat´ ıstica UFMG. e Runger G. [4] Karlin. Estima¸˜o do n´mero ´timo de classes em um histograma. Foundations of the theory of probability.

Cap´ ıtulo 7 Apˆndice e 156 .

949497 0.901475 0.969946 0.673645 0.2 1.551717 0.971933 0.999879 0.999381 0.974412 0.872857 0.972571 0.9 2.917736 0.995975 0.999958 0.998074 0.948449 0.994132 0.9 1.7 0.941792 0.970621 0.999624 0.983414 0.841345 0.999946 0.602568 0.5 3.997673 0.823814 0.930563 0.998856 0.956367 0.940620 0.896165 0.899727 0.965620 0.908241 0.04 0.967116 0.4 3.535856 0.02 0.999238 0.995604 0.888768 0.715661 0.03 0.929219 0.894350 0.598706 0.799546 0.666402 0.968557 0.999956 0.999936 0.985738 0.999211 0.701944 0.0 0.998999 0.999462 0.998605 0.6 1.994297 0.677242 0.610261 0.999032 0.776373 0.05 0.992857 0.815940 0.773373 0.995473 0.999858 0.999853 0.903200 0.751748 0.758036 0.999835 0.999663 0.5 2.523922 0.957284 0.3 1.732371 0.999651 0.942947 0.999184 0.999423 0.527903 0.998134 0.874928 0.987776 0.999800 0.999289 0.3 2.846136 0.698468 0.857690 0.8 1.587064 0.507978 0.999967 157 .722405 0.2 3.998650 0.859929 0.563559 0.838913 0.7 3.998250 0.987126 0.999730 0.951543 0.964070 0.754903 0.999784 0.999758 0.991344 0.999065 0.922196 0.998411 0.999933 0.821214 0.999941 0.980301 0.0 2.999912 0.999749 0.988696 0.975581 0.959070 0.999828 0.833977 0.07 0.999952 0.958185 0.807850 0.992024 0.998012 0.999950 0.906582 0.670031 0.997814 0.1 3.662757 0.579260 0.976148 0.6 0.694974 0.5 0.999596 0.998736 0.1 0.995060 0.998817 0.539828 0.993053 0.991576 0.9 0.909877 0.2 0.993613 0.996427 0.788145 0.934478 0.982571 0.967843 0.999892 0.999767 0.1 2.988089 0.708840 0.947384 0.952540 0.982997 0.625516 0.606420 0.911492 0.996636 0.999963 0.738914 0.890651 0.988989 0.984997 0.818589 0.955435 0.999874 0.770350 0.7 2.09 0.999954 0.882977 0.931888 0.999908 0.992240 0.1 1.990097 0.583166 0.848495 0.986447 0.870762 0.999918 0.996093 0.5 1.999517 0.999402 0.939429 0.979818 0.999961 0.919243 0.725747 0.503989 0.826391 0.985371 0.655422 0.761148 0.621720 0.992656 0.00 0.994766 0.999883 0.843752 0.999359 0.994457 0.998193 0.999481 0.999922 0.973810 0.547758 0.999822 0.991106 0.993244 0.999096 0.999864 0.999776 0.994915 0.997365 0.998777 0.904902 0.999888 0.853141 0.0 1.999896 0.997197 0.4 0.684386 0.0 3.997523 0.998559 0.997599 0.999943 0.938220 0.993963 0.954486 0.636831 0.975002 0.614092 0.989276 0.810570 0.925066 0.914657 0.999709 0.990863 0.999948 0.984614 0.791030 0.973197 0.953521 0.742154 0.594835 0.648027 0.802337 0.8 2.884930 0.567495 0.999740 0.4 2.876976 0.08 0.997882 0.966375 0.2 2.923641 0.3 0.986097 0.991802 0.989830 0.998694 0.633072 0.712260 0.981691 0.999313 0.999792 0.828944 0.06 0.999675 0.850830 0.997948 0.999443 0.813267 0.998359 0.999698 0.998965 0.987455 0.986791 0.916207 0.782305 0.978308 0.979325 0.897958 0.998305 0.998893 0.767305 0.996207 0.691462 0.729069 0.999155 0.764238 0.571424 0.995339 0.881000 0.999720 0.644309 0.6 3.990358 0.981237 0.836457 0.748571 0.779350 0.996736 0.6 2.996833 0.936992 0.997744 0.999610 0.959941 0.999931 0.933193 0.993431 0.992451 0.998462 0.831472 0.855428 0.680822 0.927855 0.983823 0.511966 0.590954 0.862143 0.999904 0.793892 0.913085 0.976705 0.989556 0.969258 0.892512 0.868643 0.8 0.984222 0.920730 0.996928 0.999336 0.999581 0.999687 0.651732 0.964852 0.559618 0.926471 0.719043 0.555670 0.996533 0.995201 0.886861 0.864334 0.705401 0.999264 0.745373 0.999847 0.7 1.629300 0.805105 0.960796 0.999534 0.575345 0.796731 0.3 3.935745 0.659097 0.999938 0.735653 0.980774 0.961636 0.cpa/gsa Tabela 1: TABELA NORMAL 0.515953 0.500000 0.999126 0.977784 0.997282 0.785236 0.01 0.999925 0.999807 0.640576 0.946301 0.977250 0.543795 0.879000 0.997110 0.999869 0.866500 0.999915 0.999841 0.999550 0.982136 0.998511 0.978822 0.997445 0.8 3.995855 0.962462 0.519939 0.999566 0.687933 0.963273 0.999815 0.531881 0.999964 0.4 1.945201 0.996319 0.993790 0.999966 0.998930 0.950529 0.999959 0.997020 0.999499 0.971283 0.990613 0.999928 0.994614 0.999900 0.999638 0.988396 0.944083 0.995731 0.617911 0.9 3.

85 15.62 30.96 48.18 6.57 7.28 18.16 0.68 15.59 5.83 0.42 7.17 27.26 7.34 41.22 0.84 5.87 1.30 29.43 31.22 14 4.77 16.48 0.64 3.51 26.46 13.36 40.21 11.39 GL 0.61 2.53 15.00 33.22 27.34 39.34 13.87 44.87 21.34 27.700 0.50 80 51.41 0.66 16.64 14.81 9.13 0.76 67.56 34.98 24.99 27.74 60.28 21.27 35.85 17.07 3.28 45.82 20.69 29.40 12.58 1.65 41.89 62.66 5.57 5.44 48.28 15.14 31.34 20.95 4.01 5.79 5.46 45.60 13 3.06 0.34 71.19 37.35 5.84 7.49 26.34 49.600 0.60 22 8.100 0.39 2.82 4.500 0.78 35.41 11 2.12 13.34 13.75 18.900 0.98 11.20 20 7.25 47.88 14.25 3.94 26.59 25.64 46.53 14.59 9.21 29.70 29 13.71 4.08 39.27 58.34 82.91 1.26 51.83 24.95 16.38 6.29 49.24 14.08 90.34 10.38 9.59 22.03 8.00 2 0.64 59.36 32.39 7.34 42.01 8.37 20.02 19.92 23.58 32.07 15.51 34.58 6.46 55.35 16.42 83.97 79.52 13.49 11.31 17.300 0.47 21.34 1.25 30.15 0.02 7.87 30.56 46.21 116.15 12.35 0.31 45.60 12.92 43.99 52.76 28.59 12.49 21.86 12.57 75.29 14.15 9.96 cpa/gsa .98 77.09 21.72 65.02 0.96 8.95 21.53 101.23 5.50 79.44 15.62 13.30 7.07 3.95 60 35.77 79.26 93.58 37.04 5.40 85.36 82.59 50.31 9 1.17 74.08 13.48 20.010 0.83 18 6.18 28.52 10.11 41.88 10.20 2.70 14.33 66.13 46.49 28.74 26.68 25.14 5.16 68.11 0.90 Tabela 2 Qui-quadrado 6 0.02 13.60 21.70 2.54 25.84 9.34 21.92 18.14 30.02 0.32 6.79 14.99 49.88 38.51 19 6.86 13.64 12.45 10.67 33.26 7.32 32.82 29.01 15.005 7.89 63.55 0.66 28.35 6.07 2.39 10.27 8.44 37.34 9.98 14.34 26.59 28.87 19.71 1.55 20.85 14.71 1.85 15.56 43.92 2.34 11.31 19.65 22.64 42.53 12.98 59.79 22.57 4.05 0.42 19.22 4.99 7.00 0.95 23.14 27.11 5.15 1.77 23.06 3 0.82 18.34 24.40 42.60 5.91 7.44 16.83 2.00 12 3.34 19.23 72.57 5.76 23.36 23.53 32.24 60.90 21 8.34 23.83 4.36 14.62 33.43 1.57 35.02 106.35 71.55 19.01 17.400 0.80 44.34 18.48 40.71 1.09 40.86 56.52 11.36 8.12 27.42 34.11 26.25 7.73 16.79 32.975 0.72 46.21 7.a 0.46 33.18 18.67 5.21 0.81 8.94 50 27.64 9.800 0.90 69.67 66.60 22.38 9.10 0.39 6.27 1.25 4 0.80 45.47 11.41 10.53 6.17 2.92 0.34 22.37 3.50 27.03 35.03 24.18 2.65 2.45 30 13.17 3.84 14.62 66.64 2.50 16 5.29 41.200 0.94 19.65 12.31 20.80 11.65 24.81 32.34 8.44 14.24 10.85 11.18 45.33 69.54 10.60 3.03 13.13 32.33 79.35 72.00 0.51 20.950 0.28 31.04 7.57 34.98 18.99 18.33 26.41 3.02 20.93 17.11 5.21 0.00 41.60 21.94 15.65 38.23 6.33 3.20 19.29 8.35 11.48 21.92 39.34 14.41 7.81 6.01 33.81 63.39 12.19 51.33 7 0.89 40.14 12.21 24.87 5.15 70 43.10 28.94 4.71 32.77 25.24 29.54 24.66 4.58 15.38 35.48 23.58 25.63 38.86 16.85 34.41 29.71 90.11 18.99 23.01 0.36 32.16 158 17 5.26 10.56 7.80 34.36 4.76 43.54 57.89 16.48 26 11.75 25 10.34 24.63 9.41 32.88 6.99 7.33 64.66 4.995 0.69 12.29 18.27 17.19 26.16 12.84 14.25 19.41 20.23 8.03 9.19 0.68 0.22 11.53 32.77 55.32 18.67 9.09 16.03 13.12 18.81 12.51 16.34 15.82 31.30 95.41 34.82 11.61 6.13 6.26 16.14 34.05 16.00 3.12 10.06 22.99 1.69 22.12 9.43 29.09 2.40 4.13 36.00 0.34 12.04 14.49 4.53 19.58 13.75 3.76 49.16 2.69 46.61 22.71 36.32 6.34 16.15 19.63 5.15 57.63 7.30 9.94 20.24 10.81 5.24 1.04 10.32 41.56 15.81 18.20 13.99 7.89 6.30 0.28 8.45 1.74 8.90 14.34 28.94 19.48 36.10 19.16 36.31 23.20 28.34 3.69 86.00 26.34 53.58 40.93 48.34 17.54 5 0.86 24.22 27 11.26 6.72 37.24 1.99 29.04 26.77 4.06 18.17 29.05 37.05 3.74 37.57 4.050 0.35 7.56 3.26 9.03 12.58 24.34 25.33 38.67 23.45 16.73 26.71 22.47 10.43 8.14 28.49 91.13 12.98 31.62 51.85 37.61 15.77 20.00 12.62 23.72 14.64 5.31 10.59 14.34 13.31 53.28 10.71 18.30 27.12 56.990 0.83 3.24 13.06 1.73 3.33 59.03 24 9.72 23.75 12.44 13.91 20.98 17.12 14.53 44.28 33.19 31.93 26.47 17.07 25.45 50.48 27.70 6.81 18.15 88.78 9.81 16.28 0.90 25.99 17.63 15.55 9.85 10 2.51 34.72 12.57 14.79 17.69 1.81 63.02 27.250 0.65 2.07 0.83 14.86 15 4.41 35.22 17.07 4.62 54.53 37.86 11.95 104.23 8.91 9.03 22.19 18.07 12.12 16.71 1.69 21.49 6.48 41.69 76.31 23 9.17 36.19 44.96 28 12.79 22.42 2.20 2.31 15.39 32.45 1.66 11.65 50.16 25.56 9.21 40 20.87 2.58 88.17 53.150 0.09 13.19 3.93 10.73 20.38 16.53 96.77 19.25 30.55 30.00 0.28 49.025 0.78 17.60 29.34 30.38 100.32 31.89 10.04 27.43 112.72 23.85 30.81 21.63 8.20 11.02 1.35 9.16 24.82 4.18 11.32 2.970 1 0.80 8 1.15 16.55 13.34 29.93 40.01 1.09 10.30 28.79 8.06 7.98 44.68 21.17 4.33 0.40 76.68 31.21 0.43 24.69 15.11 36.70 21.63 9.90 10.31 11.78 12.73 2.07 3.

48 0.396 12 0.341 1.262 0.703 0.259 0.045 2.771 1.973 1.473 2.925 5.145 2.751 1.518 1.499 3.763 2.257 0.965 4.408 5.646 3.605 2.061 1.422 2.773 4.546 0.126 0.372 1.917 1.994 1.397 1.158 0.129 0.221 4.350 1.386 1.840 1.256 0.20 0.052 0.228 2.076 2.317 4.424 4 0.376 1.787 2.241 2.055 1.423 1.126 0.388 50 0.756 2.656 1.127 0.816 0.314 1.681 0.543 0.252 3.086 2.721 1.501 4.963 1.450 1.051 0.970 1.812 1.508 2.408 3.134 0.700 0.058 1.896 2.690 0.492 12.051 0.787 3.127 0.318 1.190 1.729 1.296 1.850 1.859 1.000 1.057 1.792 3.32 14.119 1.711 1.539 0.768 3.812 1.067 1.10 0.733 3.001 0.060 2.656 9.868 0.534 0.426 1.307 3.896 0.0025 0.781 1.571 2.579 3.156 1.074 1.258 0.552 3.963 7.256 0.624 1.059 1.104 3.05 0.683 0.106 3.131 0.920 0.602 1.392 19 0.638 1.03 0.35 1 0.258 0.390 2.052 0.858 0.566 1.646 3.567 2.297 4.047 3.256 0.051 0.527 3.601 2.208 4.532 0.894 5.051 0.372 3.000 0.126 0.256 0.683 0.404 7 0.684 5.796 1.539 2.140 4.257 0.706 4.852 3.399 9 0.337 1.610 6.254 0.766 1.315 1.104 2.747 3.45 0.053 0.812 1.383 1.052 0.957 1.725 3.980 1.500 2.924 1.256 0.128 0.421 3.267 0.718 2.960 2.921 2.883 0.373 3.862 0.15 0.142 0.261 3.256 0.314 2.535 0.051 0.612 1.015 1.524 GL 0.529 0.129 0.389 30 0.915 2.850 3.883 3.050 0.706 0.649 1.055 3.323 1.857 0.582 1.608 1.402 8 0.687 0.859 0.025 0.505 3.959 5.032 3.057 0.863 0.727 0.507 1.036 1.262 2.257 0.845 2.060 1.398 10 0.126 0.924 8.093 2.484 1.860 2.832 1.797 2.474 1.617 2.967 1.389 40 0.353 2.051 0.130 0.782 1.385 cpa/gsa .714 1.870 0.835 1.046 2.717 1.392 159 17 0.386 100000 0.658 1.540 0.692 0.277 0.490 1.358 2.042 2.527 0.325 0.041 4.469 1.887 1.150 2.879 0.602 2.391 20 0.000 1.876 0.604 4.674 0.004 1.080 2.532 0.050 0.678 2.130 0.817 1.598 4.005 0.866 0.25 0.770 1.06 0.819 31.050 1.291 318.435 3.895 2.007 2.569 0.58 31.08 0.051 0.694 0.983 1.686 1.831 2.392 18 0.060 10.814 6.606 1.395 13 0.078 1.061 0.265 0.660 3.536 0.064 1.423 2.153 63.485 2.050 0.684 0.432 1.057 3.182 2.584 0.260 0.686 0.538 0.855 1.460 3.977 2.703 1.855 0.858 0.457 2.807 3.129 0.851 0.046 2.443 1.581 3.807 2.067 3.30 0.189 1.886 1.009 2.819 1.093 1.052 0.390 24 0.869 5.393 15 0.753 1.090 3.746 1.257 0.169 3.467 2.041 1.533 1.854 0.201 2.356 1.330 1.632 1.674 1.676 1.313 1.063 1.128 0.881 2.855 0.311 1.257 0.066 1.29 22.056 1.600 12.320 2.920 2.624 2.686 3.289 1.134 1.750 2.127 0.428 3.064 2.40 0.271 0.389 28 0.526 0.127 0.642 1.718 1.333 1.462 2.610 1.943 1.683 0.389 29 0.922 3.299 1.549 1.073 4.390 25 0.936 1.679 0.405 3.058 1.485 3.531 0.197 3.079 1.869 1.610 127.688 0.127 0.051 0.050 0.078 3.255 0.576 3.119 2.137 0.896 2.688 0.510 2 0.321 1.328 10.779 2.160 3.457 1.542 0.549 0.445 Tabela 3 T de Student 3 0.848 0.689 3.821 2.531 0.617 0.051 0.394 14 0.053 0.390 27 0.555 1.173 5.603 1.537 0.131 2.089 7.532 0.052 1.928 1.387 120 0.618 1.889 0.764 2.620 2.051 0.a 0.948 1.533 0.459 1.04 0.160 2.860 0.135 3.727 0.051 0.333 2.261 0.878 1.845 0.110 2.671 1.971 2.128 0.128 0.579 3.699 1.289 0.978 1.127 0.734 1.528 0.704 2.415 1.865 0.478 1.466 1.127 0.819 3.685 0.047 1.414 5 0.179 2.442 1.127 0.051 0.045 1.532 1.051 0.0005 636.677 0.587 4.069 2.700 1.518 2.974 1.253 0.313 2.408 6 0.051 0.496 3.282 1.191 2.259 0.467 3.844 1.916 3.785 4.120 2.711 0.437 4.645 1.873 1.222 3.498 1.453 5.906 0.971 1.055 1.530 0.345 1.776 2.385 3.723 1.860 1.684 0.448 1.960 1.674 3.686 0.076 1.260 0.034 2.947 2.988 1.697 1.015 3.531 0.577 3.740 1.286 3.029 3.441 1.695 0.326 3.024 2.393 16 0.127 0.861 2.951 2.660 2.530 0.108 1.833 1.854 0.071 1.250 1.745 3.083 1.390 23 0.697 0.551 3.256 0.056 2.637 1.397 11 0.856 0.254 0.126 0.454 1.051 0.856 0.583 2.388 60 0.615 1.849 0.725 1.533 0.051 0.462 1.796 1.127 0.841 4.937 2.189 2.127 0.552 2.706 1.232 3.741 0.396 3.01 0.718 0.604 1.144 4.701 1.128 0.025 3.021 2.127 0.450 3.365 2.048 2.054 0.306 2.707 3.534 0.050 0.088 1.912 1.628 1.559 0.862 1.128 0.316 1.250 3.015 2.684 0.038 3.325 1.256 0.452 1.447 2.403 2.899 1.365 3.132 0.091 3.391 22 0.822 1.063 0.051 0.143 2.363 1.589 1.873 0.120 2.255 0.051 0.051 0.174 3.898 2.531 0.445 1.621 1.679 0.707 3.600 1.765 0.998 2.861 0.156 1.708 1.319 1.530 0.771 2.303 3.446 1.899 1.214 7.100 1.096 2.787 1.833 3.391 21 0.930 3.242 2.127 0.440 1.664 1.069 1.528 2.650 2.318 4.955 1.256 0.012 2.681 2.553 0.740 1.828 1.355 3.101 2.326 2.541 3.414 1.390 26 0.965 3.263 0.821 6.689 0.878 2.781 4.842 1.030 2.825 1.328 1.310 1.572 1.051 0.941 0.895 1.978 0.649 1.258 0.051 0.691 0.074 2.476 1.761 1.685 0.497 3.479 2.132 2.303 1.690 3.

99 2.64 5859 99.10 3.11 28 7.64 4.38 2.89 2.49 3.67 3.51 3.52 4.66 3.01 9 10.26 3.62 4.27 2.57 4.86 3.70 2.65 2.78 3.40 27.17 5.19 2.03 4.00 2.04 3.35 4.85 2.83 2.21 3.56 5.31 5.02 6.01 7 12.39 3.04 15 8.37 2.55 3.72 3.46 3.56 6.31 23 7.15 9.60 5.37 9.26 24 7.29 2.32 2.05 2.68 4.45 6.45 3.45 26.57 4.46 28.93 2.46 8.GL 1 GL 2 1 5 6 7 8 9 10 12 14 15 16 18 20 30 40 60 120 6340 6366 99.50 13.08 4.09 1.27 3.48 26.61 3.23 2.67 12 9.99 6.65 4.29 4.97 5.18 2.93 3.17 4.74 4.33 3.43 3.34 6056 99.22 13.25 3.41 2.89 16 8.69 4.56 2.96 2.20 18.84 2.86 6.55 8.19 3.52 4.10 2.29 7.21 6.87 6.20 4.71 3.45 3.80 10.15 3.05 2.20 2.69 3.03 2.34 14.20 2.18 5.06 4.16 99.01 1.53 1.30 28.38 1.53 4.85 3.86 4.60 4.51 5.58 2.56 8.95 2.76 3.99 2.20 4.61 4.23 2.00 2.68 5.65 2.61 2.33 2.42 3.52 6.85 8 11.71 4.42 3.96 2.51 3.36 27.09 3.47 2.45 2.27 12.08 9.65 9.73 1.68 7.92 9.06 5.98 5 16.40 6.21 2.72 5.94 2.96 4.85 4.43 26.72 7.31 2.39 5.70 2.29 6.94 4.80 3.78 3.93 2.84 3.66 10.17 3.85 4.13 3.30 2.20 3.47 2.95 3.72 5.61 5.77 7.26 2.73 2.98 2.56 9.10 3.89 2.76 1.49 2.86 2.13 13.42 10 10.84 2.11 4.92 2.40 3.36 4.20 9.54 4.63 3.52 2.50 4.48 2.78 2.68 1.56 3.21 5.78 2.06 4.86 3.03 1.19 6.53 3.17 3.22 5.64 5.59 3.46 4.64 5.84 2.60 6.39 4.77 2.37 3.10 2.75 2.40 4.47 7.74 5.51 3.89 3.41 13.21 10.70 5.12 3.75 6313 99.32 2.63 3.20 7.17 3.17 3.32 13.58 2.64 4.03 3.81 5.00 2.59 3.44 26.78 2.19 4.27 3.03 5.00 2.87 2.00 16.26 3.71 4 21.23 5.05 14.56 2.60 3.38 27.20 2.53 6.33 6.70 3.76 4.42 27.89 7.35 3.72 4.17 2.35 2.35 3.18 3.07 3.80 2.56 5.00 3.37 3.91 3.99 5.07 4.97 8.18 5.54 2.14 5.89 2.91 1.98 10.94 3.63 2.83 50 7.59 3.88 2.78 3.77 3.96 3.21 3.25 2.27 2.66 1.46 3.05 7.79 2.17 2.18 3.99 6.21 3.80 5764 99.01 3.81 4.40 4.27 3.30 4.36 3.16 3.52 3.63 4.91 15.50 2.44 26.97 2.18 4.41 13 9.12 3.50 2.67 18 8.10 6.92 14.79 3.00 2.97 3.31 5.10 5.74 4.32 6022 99.18 26 7.63 2.50 26.32 cpa/gsa .63 6.25 4.56 3.94 4.48 4.55 2.67 14.12 2.25 3.31 3.45 2.14 2.12 3.03 2.13 3.83 14.56 4.56 3.94 3.19 3.36 2.12 30.04 30 7.55 5.79 2.32 3.11 6.76 2.66 2.82 4.46 3.33 2.50 99.42 2.42 2.05 2.55 2.41 5981 99.85 4.59 2.01 4.34 3.94 2.69 14.70 3.02 9.96 2.40 6.82 3.34 3.73 3.30 3.31 2.45 4.42 2.32 5.82 2.14 27 7.45 3.77 160 17 8.07 29 7.51 5928 99.69 2.37 5.72 60 7.88 5.29 4.89 4.01 4.31 3.99 11 9.82 4.44 2.11 2.25 Tabela 4a F de Fisher 3 34.02 1.78 9.70 3.49 4.52 3.68 3.69 2.02 2.74 2.83 2.10 4.13 3.41 4.86 3.31 3.06 3.26 2.88 2.60 3.83 2.47 26.60 4.13 3.81 3.28 4.78 3.42 2.37 22 7.84 6.23 3.35 2.26 3.13 3.48 4.10 4.72 6170 99.09 2.44 4.26 8.75 14.58 19 8.01 99.11 1.75 9.50 2.02 6.89 2.68 6.41 3.19 3.38 2.35 2.60 2.50 3.65 7.77 5.47 2.82 2.98 6.65 7.67 2.21 3.75 2.56 6.70 6143 99.45 7.91 3.26 6.39 2.67 6286 99.04 2.47 5.56 4.07 6.86 1.41 4.00 99.95 5.89 3.32 4.94 1.41 3.84 2.48 100000 6.66 2.50 20 8.29 3.21 14 8.07 3.08 3.12 3.80 1.06 11.98 4.82 5.54 2.56 3.55 10.57 2.20 4.71 3.75 2.12 4.10 3.35 3.37 3.29 3.15 3.30 3.59 7.61 7.01 3.93 2.82 3.01 1.04 7.17 2.87 3.75 2.16 5.75 3.42 4.86 4.44 4.64 4.09 3.40 2.79 2.03 2.84 1.79 3.52 10.72 2.23 2.65 120 6.22 25 7.68 2.30 3.25 4.47 5.09 3.62 5.93 2.05 3.03 3.02 40 7.51 3.78 4.49 14.34 4.93 2.88 2.69 3.99 2.75 2.39 6 13.75 7.30 4.08 3.15 3.16 7.47 3.72 6157 99.26 3.65 4.58 2.46 6107 99.85 2.01 5.25 9.11 5.80 3.14 4.81 2.43 26.43 3.02 2 3 4 1000000 1 4052 4999 5404 5624 2 98.74 6191 99.24 15.92 4.36 5.78 3.87 2.87 14.92 2.54 3.56 5.80 5.49 26.20 3.21 2.70 3.69 15.52 2.63 2.55 7.72 4.80 1.67 3.42 4.37 3.66 2.09 4.84 9.46 2.67 8.78 2.91 5.00 3.36 3.28 5.39 2.51 4.99 3.36 5.29 8.07 2.23 3.66 2.49 2.67 5.26 4.66 4.16 3.98 2.46 9.92 1.15 2.36 2.31 3.06 4.89 2.57 4.62 3.40 2.95 5.54 4.19 4.66 3.90 2.23 5.02 5.78 2.90 3.56 2.86 4.82 29.46 4.93 5.94 3.87 4.25 9.60 2.33 27.51 3.43 21 8.81 2.08 2.13 2.31 3.64 6260 99.57 2.02 2.22 3.60 1.99 2.06 5.23 3.72 2.26 13.91 5.75 10.14 4.03 1.93 5.46 6.70 2.03 3.62 6209 99.72 6.62 3.54 3.64 3.17 3.94 3.50 3.31 2.93 2.48 26.23 14.39 4.41 3.66 2.36 3.06 2.39 27.82 5.95 4.38 7.88 5.15 a = 0.02 2.

69 4.12 2.36 3.80 3.72 2.21 5.59 2.48 2.84 2.95 2.05 4.13 2.46 2.46 4.41 2.54 5.57 4.01 1.65 4.21 2.42 2.10 3.83 1.13 26 5.92 2.31 2.04 8.56 2.95 1.89 13 6.17 8.98 4.39 2.20 3.47 8.76 2.92 2.08 2.77 14 6.22 2.21 3.08 8.51 3.84 2.39 2.66 15 6.07 6.66 6.91 3.94 1.15 6 8.09 3.29 2.48 10 6.32 4.24 11 6.80 3.95 8.22 10.13 2.08 4.51 3.62 2.90 2.84 2.27 4.38 19 5.80 2.11 956.61 2.29 21 5.16 2.90 3.01 2.34 3.44 16.34 8.82 9 7.32 13.42 14.76 5.82 1.17 2.12 8.00 3.82 2.18 24 5.79 1014.96 3.61 2.79 1.28 3.07 2.72 3.26 4.42 4.41 3.69 4.44 2.33 3.49 5.18 2.56 2.76 2.75 2.47 2.77 3.29 3.11 2.78 3.48 3.63 2.94 1.11 2.64 2.77 2.54 2.58 1.12 4.81 2.22 2.53 3.31 3.53 2.87 2.23 3.85 4.52 4.56 3.20 3.61 3.57 2.19 2.51 2.27 2.30 4.47 4.24 14.51 6.16 2.18 2.39 7.24 3.39 2.88 1.20 6.55 5.13 2.79 799.04 1018.64 2.87 2.46 2.57 2.63 39.73 2.38 2.44 3.05 2.78 2.25 3.15 3.29 2.34 3.12 4.67 3.63 4.73 2.32 2.05 963.69 2.15 25 5.31 3.05 2.14 3.80 1.97 3.72 39.82 3.95 3.40 14.91 1.33 20 5.48 39.98 5.06 2.97 4.57 cpa/gsa .93 1.36 2.23 2.01 2.05 2.29 3.27 2.50 13.52 5.02 2.88 3.49 2.42 5.18 2.72 5.90 4.13 2.57 2.62 3.05 1.22 2.83 4.80 1.01 1.29 a = 0.85 2.56 3.19 948.56 6.25 3.06 1.36 5 10.67 2.96 1.65 3.94 2.07 4.01 8.35 3.95 3.72 4.05 3.50 2.85 1.06 2.54 8.45 2.72 6.09 3.88 1.63 4.15 2.47 4.60 3.25 8.08 2.21 2.36 2.83 60 5.20 3.93 2.75 4.06 29 5.54 2.76 2.09 2.10 14.51 3.90 2.94 5.15 3.48 1.65 2.87 2.89 3.14 2.77 2.33 5.91 2.98 1.62 2.85 2.41 2 3 4 1000000 1 647.76 4.18 2.75 3.97 1.36 4.24 3.26 6.90 4.71 5.51 39.50 2.96 2.55 2.51 2.72 1.67 2.32 2.59 2.37 3.35 2.83 3.20 4.33 2.66 3.12 3.64 1.47 3.60 2.70 4.52 2.84 2.02 4.26 2.25 2.03 2.46 4.30 2.23 5.63 3.04 2.59 3.01 2.49 2.10 968.99 1.27 14.31 2.15 3.29 937.99 7 8.96 2.41 14.17 4.73 3.26 6.22 973.49 2.82 2.15 899.04 12 6.38 3.49 39.69 3.42 8.28 3.94 1.46 3.88 2.93 2.34 979.99 4.08 2.57 5.50 3.79 2.39 3.53 2.30 2.62 5.15 3.20 2.00 39.53 1.67 4.01 1.90 50 5.55 2.44 18 5.67 3.98 6.43 14.52 2.73 2.88 1.GL 1 GL 2 1 5 6 7 8 9 10 11 12 13 15 20 24 30 40 60 120 997.32 2.81 1.61 1.57 6.24 3.61 4.82 4.68 2.87 2.39 14.62 2.65 9.62 2.92 4.59 2.46 39.70 2.22 3.82 5.32 3.89 3.88 2.99 8.79 2.42 3.41 3.51 3.39 3.89 2.02 2.41 3.71 2.45 14.04 2.78 2.10 27 5.35 4.55 2.25 2.66 3.33 14.04 15.41 14.26 2.03 2.27 3.10 3.15 2.71 4.90 2.63 4.05 2.20 3.46 2.27 1001.35 3.03 40 5.48 2.47 39.57 2.22 3.27 3.27 2.58 16 6.82 1.60 4.56 2.01 3.16 2.12 3.87 4.46 3.41 6.28 984.79 6.37 2.57 2.07 4.99 2.66 2.41 4.79 4.25 2.72 3.37 3.87 3.37 8.89 2.27 2.33 2.47 2.06 3.96 4.85 3.33 2.97 2.59 4.83 2.18 3.45 2.50 2.45 2.28 5.75 6.05 2.41 2.85 2.87 39.64 2.60 6.58 3.48 864.57 4.98 9.32 3.18 3.91 2.37 976.81 2.44 2.40 1005.39 2.72 2.17 3.74 1.67 2.39 2.45 2.78 3.72 1.67 2.32 2.07 1.73 3.42 3.22 3.66 4.39 3.73 3.18 5.31 1.33 2.73 2.38 3.61 3.94 2.18 2.30 Tabela 4b F de Fisher 3 17.11 39.60 2.46 2.07 2.25 39.61 2.99 2.48 3.53 4.63 2.01 4.47 4.39 2.72 4.55 1.13 3.41 2.98 2.20 3.68 2.61 3.38 2.29 3.64 39.17 3.56 2.91 1.52 3.04 4.67 2.01 13.78 3.97 2.21 2.10 4.24 3.03 39.87 1.33 4.43 5.17 2.00 3.45 3.01 2.48 2.12 3.66 3.59 2.38 3.25 3.61 3.43 7.76 2.43 2.34 3.94 1.05 3.50 2.92 2.68 2.26 3.88 2.93 2.86 4.24 993.40 2.64 2.53 2.08 39.43 1.64 1.07 1.33 3.20 3.08 3.22 2.67 3.57 2.51 2.60 921.75 2.72 2.23 2.46 6.22 23 5.79 120 5.95 3.59 3.12 3.90 6.39 3.37 14.87 1.43 4.88 4 12.12 4.16 3.37 4.36 6.36 14.20 39.07 6.41 4.025 8 7.10 3.28 39.83 2 38.84 39.30 2.00 1.12 2.67 100000 5.08 28 5.25 14.12 4.99 1.70 2.31 6.44 15.60 9.93 1.86 3.23 5.38 2.00 1.84 6.78 2.85 5.80 2.82 2.68 2.30 3.11 2.81 7.72 2.14 2.02 3.09 2.51 2.03 3.79 2.09 2.29 3.63 2.76 1.64 2.98 1.00 2.93 3.12 2.65 2.76 7.52 5.76 3.72 2.95 2.60 2.84 3.01 2.96 2.31 3.94 2.06 5.62 9.28 4.70 2.60 1009.89 1.31 3.87 2.20 3.26 39.44 2.53 2.71 2.83 4.90 8.94 1.51 2.77 4.73 2.51 2.29 3.25 22 5.05 3.74 2.65 2.68 2.41 2.20 2.69 3.19 2.33 3.05 2.79 2.79 2.04 30 5.43 3.16 3.17 39.68 5.89 2.46 39.86 2.62 4.73 9.41 2.50 161 17 6.67 1.38 2.30 8.89 5.14 2.44 3.33 2.56 3.01 1.69 1.39 2.43 2.45 2.11 2.07 3.

28 2.50 8.36 3.96 4.84 3.20 3.93 2.96 1.08 2.03 1.90 16 4.16 2.70 5.02 1.69 2.07 2.18 2.25 2.15 2.10 3.74 1.56 29 4.79 2.20 2.93 1.84 1.76 2.14 2.28 3.44 3.60 2.19 5.39 2.42 2.12 2.71 2.53 2.64 3.51 2.85 2.43 3.80 1.95 1.47 2.51 2.84 1.57 5.18 2.12 2.75 1.86 2.06 2.65 2.36 2.45 2.13 9.53 5.11 13 4.23 2.85 2.91 2.10768 2.16 4.18 2.53 2.63 1.89 6.58 2.80 1.06 2.68 1.62065 2.00 2.69 1.94 1.25 2.68 3.15 2.58 1.15 244.45 199.40283 3.75 4.54 2.24 2.90 2.07 3.05 2.64 5.68 4.79 1.01 2.48 2.96 2.50 3.39 2.26 5 6.97 2.52 3.97 1.95 2.87 1.00 2.51 2.40 8.37 2.81 1.25968 3.93896 1.20 2.46 2.83 2.21 cpa/gsa .13 2.84 1.77 4.18 3.96 4.71 2.83 2.56 3.74 4.33 11 4.49 2.39 2.27 2.20 2.20 19.28 2.51 19.69 4.39 6.87 2.09 4.29 100000 3.13 2.28 3.07 2.80 2.51 2.53 4.32 3.47 8.39 1.16 2.13 2.49 2.54 2.19 2.92 1.40 2.59 2.97 a = 0.30 2.93 1.40 2.43 2.23 2.12 4.01 2.73 2.48 3.43 2.02 2.13 2.35 2.85 1.10 2.26 3.35 3.72 1.16 2.71 3.52 1.03 3.32 17 4.37 2.59 4.60 3.18 2.65 2.74 3.75 1.98376 1.41 3.12 2.29 2.24 2.96 1.49 2.12 2.69 19.46 4.56 2.27 2.83 2.45 2.79 5.30 2.54 19.89 4.77 4.86 1.24 3.82 2.68 2.31 2.41 2.25 2.34 2.35 4.70 4.62 2.32 19.70 1.64 1.26 3.94 6.89 3.37 8.37 2.92 1.88 19.33 2.51 2.45 3.74 2.67 3.01 1.76 2.59 3.92 3.90 1.54 3.94 2.37 2.57 3.70 2.31 3.49 2.79 2.00 3.35 2.77 19 4.30 240.74 3.07 2.15 2.84 1.61 2.46 2.44 1.43 1.13 2.72 4.37 3.39 3.66 1.01 4 7.02666 1.25 19.46 2.29 3.28 2.40 236.57 2.45 2.12 9.97 1.42 2.94 6.99 5.71 224.95 19.99 250.07 2.33 2.23 3.96 1.28 2.74 1.75 1.89196 1.66 2.54 2.14 19.55 3.24 2.66 2.01 252.94 4.63 2.14 2.61 5.25474 2.37 2.63 2.89 2.28 3.98 3.11 2.01 1.04 4.98 3.38 2.84 2.24 3.02 19.71 1.76 4.22 2.69 1.74 2.18338 2.44 3.77 19.96 15 4.92 1.94 3.50 1.70 2.96 2.05 2.87 1.84236 1.67 2.87 3.15 2.01 1.46 3.38 2.47 2.81 6.97 1.46 233.15482 2.16 2.35 2.51 1.58 2.41 3.15 2.26 241.19 2.20 2.10 2.34 2.32 4.30024 2.53 3.60 2.11 2.15 2.03 14 4.82 2.62 5.71 21 4.54 2.20 2.93 1.57 2.57 2.00 3.66 2.87 3.33 2.53 40 4.86 3.96 1.34 3.79 1.40 2.50 3.11 2.28 2.81 1.18 3.70 1.08 2.33 8.19 2.35 3.62 3.82 1.63 3.64 2.60 26 4.59 2.GL 1 GL 2 1 5 6 7 8 9 10 11 12 13 15 20 24 30 40 60 120 253.55 3.73 5.91 2.03 248.17 2.40 3.73 3.10 2.80 2.31 2.18 2.79 1.05 8 5.08 3.71 1.10 1.92 1.75 1.45 50 4.34 2.79 2.20 243.74 1.41 2.58 2.06 2.98 251.39 7 5.10 2.95 2.63 3.81 1.61 1.82 4.34 3.29 2.06 2.37 3.10 2.49 3.59 5.91 1.35 8.94 2.01 1.61 2.34 2.59 6.71 2.20 2.79 2.25 2.01 2.85 6.89 1.16 19.53 2.78 1.46 8.30 3.60 2.92 1.64 1.84 3.55 5.74 4.75 1.69 1.91 1.22 2.03 1.77 3.46 2.30 3.89 1.76 2.78 19.37 2.99 1.04 2.54 2.00 4.53 2.98 19.76 5.32 2.84 1.08 2.59 1.35508 2.55 9.35 2.40 60 4.14 3.90 1.27 2.29 3.70 2.55 30 4.88 1.87 1.77629 2.44 2.98 2.91 1.03 2.57 2.85 2.96 1.77 2.21631 2.02 1.99 1.84 2.94 1.92 2.16 2.21 3.88 19.99 1.03 3.28 9.42 2.81 3.18 3.61 2.84 3.69 2.77 1.86 4.21 2.67 1.42 2.95 1.22 2.13 2.66 23 4.66 2.23 3.39 1.46 1.79 5.26 3.49 8.38 3.40 8.09 2.20 12 4.39 2.85 162 2.18 2.82 1.23 2.16 2 18.25 254.00 19.88 4.34 238.06 3.12 3.29 2.90 19.01 2.10 2.17 2.53 2.38 2.40 2.93 2.91 4.25 2.37 120 3.63 4.74 5.85 2.31 2.05 2.22 2.41 5.73306 1.35 2.12 2.92 2.01 25 4.49 3.76 2.32 2.77 2.89 1.65 1.07 2.84 3.53 1.47 1.06 2.48 8.99 19.90 2.95 1.74 2.50819 2.71 6.43 8.58 230.49 3.81 18 4.85 1.18 2.55 1.32 2.09 2.68 22 4.04 2.57 28 4.66 3.00 1.49 2.42 8.25 1.11 2.66 4.45 2.88 2.34 2.66 5.04 1.78964 1.45 8.47 3.28 2.27 2.55 2.31 2.15 3.14 2.42 2.38 8.93 2.46 2.60 3.84 1.71 2.05 19.80 4.67 1.83 1.07 2.11 2.58 3.65 1.62 1.95 2.90 2.21 3.21 2.55 2 3 4 1000000 1 161.74 20 4.23 242.79 1.72 2.75 2.58 1.62 2.25 2.09 3.22 3.31 2.07 245.69 9 5.42 3.51 3.23 2.59 27 4.38 3.38 2.34 2.98 2.24 2.51 1.90 1.75 2.01 2.99 2.09 2.87 2.45 2.10 2.45 8.00879 2.95 4.22 3.42263 2.03 2.35 1.48 10 4.08 2.92 1.01 1.70 3.10 19.09 2.77 1.87 1.04 1.06 2.75 3.34 2.35 2.72 2.27 2.30 Tabela 4c F de Fisher 3 10.67 3.14 4.07 2.15 2.05 2.27 2.88 1.05 6 5.41 3.98 249.18 2.81 3.25 2.68 3.31 2.45 2.48 2.22 1.96 2.20 2.70 2.76 24 4.19 2.44 3.59 3.94 2.17 3.10 3.79 3.64 2.73 1.41 8.07 2.04 2.50 215.32 2.60 2.

73 1.92 2.16 2.89 2.28 2.86 1.10 2.91 3.84 1.27 2.52 1.01 1.13 1.29 5.87 1.70 1.16 2.53 2.59 55.27 2.84 1.78 2.11 2.83 1.20 2.91 1.98 3.35 5.93 1.06 60 2.80 1.21 24 2.99 2.30 2.06 2.69 62.75 1.62 1.92 2.03 1.04 2.24 3.51 2.89 1.07 2.42 2.58 1.05 2.46 3.57 1.19 25 2.83 1.80 3.67 2.72 1.20 2.10 2.96 1.68 1.10 8 3.44 2.17 3.71 1.38 1.25 2.87 1.94 1.86 1.41 2.47 1.81 1.07 2.23 2.73 1.62 2.96 1.18 2.57 1.17 2.01 2.26 9.99 1.96 1.36 2.14 40 2.00 1.87 3.06 63.08 2.66 2.92 3.49 2.91 1.74 1.84 2.21 2.41 5.24 2.95 1.86 1.75 2.70 1.89 1.00 1.98 1.15 2.08 2.74 9.79 1.60 1.00 9.13 2.79 1.94 1.82 1.04 2.72 1.40 2.17 2.52 1.54 2.30 2.66 1.23 2.17 2.01 2.85 39.07 2.00 1.28 2.78 1.81 1.18 7 3.GL 1 GL 2 1 5 6 7 8 9 10 11 12 13 15 20 24 30 40 60 120 63.29 2.89 1.34 2.16 2.73 1.85 1.64 1.94 1.96 1.98 1.24 2.33 9.09 50 2.49 5.60 59.50 1.81 1.93 2.21 2.11 2.71 2.87 1.80 1.35 2.78 1.04 120 2.92 2.78 1.59 2.49 2.47 5.71 61.10 2.12 2.64 2.19 2.18 2.96 a = 0.46 1.61 1.31 18 3.87 1.09 2.46 2.81 9 3.55 2.38 2.72 2.81 1.72 1.96 1.87 1.21 2.02 2.11 2.15 3.38 1.21 2.23 2.88 1.18 26 2.39 15 3.37 1.76 2.90 3.60 1.37 5.75 60.30 2.13 2.03 2.60 1.24 2.73 2.11 2.58 1.99 1.79 1.74 2.48 13 3.53 9.61 1.01 1.38 2.16 29 2.03 2.59 2.12 2.04 2.85 1.13 2.76 1.91 1.63 1.73 2.29 3.78 3.35 2.38 5.24 Tabela 4d F de Fisher 3 5.23 2.50 2.34 2.08 2.44 1.03 2.62 1.57 1.24 1.14 2.46 2.76 1.26 2.67 58.43 14 3.17 1.78 2.30 2.08 2.82 1.91 1.45 1.87 1.69 1.27 20 2.93 1.84 1.85 1.15 2.53 1.41 2.23 22 2.18 2.49 1.59 1.28 2.90 1.57 1.82 1.10 2.34 2.48 1.75 2.84 1.46 1.20 2.01 9.17 27 2.10 2.25 2.95 1.39 2.89 2.34 4 4.33 163 17 3.22 2.89 1.54 1.52 2.42 1.56 2.90 9.63 2.66 1.90 1.01 3.35 2.77 1.91 9.70 62.66 1.65 1.63 1.31 2.04 2.52 1.88 2.56 1.68 1.84 1.28 2.63 60.47 5.91 2.98 1.19 2.25 21 2.41 5.34 1.67 1.48 1.01 1.46 5.47 2.90 1.75 1.81 1.17 28 2.44 5.13 3.56 2.64 1.36 16 3.69 1.72 1.90 1.74 60.02 2.95 2.96 2.67 1.95 1.30 2.92 1.54 1.13 2.35 2.40 2.93 1.18 2.92 1.00 1.93 1.00 1.05 1.71 9.55 1.40 5.33 2.95 1.81 2.74 1.47 9.68 60.01 1.60 1.24 2 8.97 1.79 2.05 2.80 1.93 1.06 3.74 1.33 1.55 2.05 2.80 1.53 1.26 3.84 1.94 1.19 4.61 1.97 1.63 1.01 1.71 1.54 5.69 10 3.56 2.93 1.59 2.50 53.30 2.83 57.93 1.69 62.90 2.48 1.65 1.87 1.87 1.12 2.72 1.74 1.92 2.99 1.24 2.51 1.14 2.70 2.00 9.96 1.59 1.81 1.78 1.76 2.45 5.77 1.28 2.18 2.18 3.40 1.94 1.85 1.77 1.94 3.49 1.18 3.88 1.19 2.90 1.05 2.86 9.61 1.75 1.53 9.72 62.34 2.76 1.68 1.77 1.84 3.89 2.09 2.67 1.58 2.94 2.06 2.88 1.89 1.44 2.94 1.89 1.20 3.38 1.40 3.94 2.92 1.70 1.24 2.87 1.83 1.61 2.68 1.54 12 3.38 2.80 2.95 3.37 3.54 2.01 2.09 2.79 3.00 2.20 9.83 1.54 4.70 1.36 2.68 1.33 5.21 3.34 2.62 3.64 1.06 2.92 1.32 1.44 2.11 2.57 1.02 2.91 1.19 9.55 1.54 1.89 1.76 1.21 2.54 2.19 1.44 9.16 2.78 3.63 1.11 5 4.72 58.70 1.80 1.64 1.90 1.98 2.66 1.59 3.14 2.06 2.18 2.98 1.31 2.83 2.48 5.64 1.78 1.83 1.45 2.97 1.35 1.55 1.29 19 2.07 2.15 30 2.19 2.97 1.66 1.98 1.36 2.78 3.06 1.47 2.59 1.10 2.28 2.00 1.42 1.61 2.22 3.86 2.82 1.51 1.72 1.66 1.14 2.29 1.23 3.32 2.76 1.86 1.82 1.87 2.06 2.38 2.52 2.73 2.81 1.88 1.33 2.79 1.86 49.85 1.55 1.97 1.63 59.22 23 2.27 2.39 2.49 2.83 3.14 3.16 2.26 1.31 4.82 2.59 1.65 2.39 2.82 3.57 1.86 1.78 1.04 1.67 1.27 3.97 2.66 1.32 4.06 2.65 1.79 1.57 1.66 1.64 1.76 3.67 1.12 2.58 1.86 1.98 1.99 100000 2.08 2.73 1.61 11 3.90 2.75 1.16 9.88 2.08 2.52 6 3.32 2.77 1.56 2.10 2.93 1.91 1.04 2.83 1.13 2.61 2.42 5.98 1.11 2.49 2.72 2.84 1.84 1.97 1.30 1.52 2.51 2.50 2.41 1.62 1.73 1.81 2.96 1.05 2.29 2.80 1.06 2.46 5.78 1.39 5.70 2.89 3.32 2.76 1.51 1.76 1.92 1.90 1.51 2.28 4.99 1.25 3.82 1.39 5.42 2.54 1.93 1.46 3.42 1.01 2.15 2.02 1.61 1.81 2.79 9.72 1.46 2.28 2.05 2.84 2.57 2.16 2.79 1.16 3.69 1.88 1.87 1.08 1.67 2.50 2.84 1.32 2.86 1.47 1.23 2.77 2 3 4 1000000 1 9.27 2.52 2.67 2.54 1.68 2.06 2.90 1.22 9.42 2.79 1.89 1.36 3.05 3.40 2.50 1.81 1.96 2.45 3.62 2.94 cpa/gsa .75 1.69 61.56 1.83 1.00 1.12 2.50 1.29 2.71 1.77 1.09 2.20 2.95 1.22 3.

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)//-->