x {0, 1, 2, ..., n}. 1, n}. THE AUTHOR x THE AUTHOR f 1{0, p, 2, ...

...,THE AUTHOR q (x) = p, x e0,= x0,x = 1, x 1 = q = p,= x , x {0, 1, 2, ...}, e e x x! , (x) {0, 1, f 2, 0, x ...}, 1, (x)f x = {0, 2, ...}, x outros casos. f (x) = = fx! x! =, p, p,1,(x) = = x = 1,x {0, 1, 2, ...}. f (x) {0, 1, 2, ...}. 0, q = 1 p, x 0, 0, x 0, n )0,1, 2,outros casos. {0, 1, 2, ..., x x px (1 p)nx , x {0,outros casos. ...}. ( n}, f = (x) = Xq 1 p, x = 0,qq= 11 p, x = 0, = N ( = 0, 2 1). p, x = 0, f (x) = p, x X X ( n ) x0, nx nx , x {0, {0, 1, ..., n}. n}, ( ) N ( =p) p)=x1). {0, x ..., n}, (x) = , Z = =(x) =n px (1p(1 0,Z 2= =1).1, 2, 1, 2, ...,x 2,= =p, 0, 2 (x)= x Z x = 1, ff = 1, p, (x) x = 1, f (x)f= x N ( = f x p, 0, outros e x 1, 2, 1, 2, ..., n}. 0, 0, x 0,1 outros casos. {0, {0, ..., 1 ...}, 2 x 1, n}. outros casos. 0, 2 ( Probabilidade 2 (x) =, {0,e 2, x ) , x 0, outros casos. x = 1 1 1f (x) ) x x! x f 2 IR 2 1 x) ( ( ( n ) px (1 p)nx , x x f (x) = = e e e , ,nx IR{0, 1, 2, 2 1, ...}. x x , xIR 2 ...},2, n e 2 f (x) 0, 1, 2, ...}, x {0, n x f (x) = nx x {0, 1, 2, ..., n}, ,x! ( x x p (1 p)nx , x(( ))pp (1 2, ...,nx , , x {0, 1, 2, ..., n}, x {0, ) {0, (1 p) p) 2 2 (x) 0, x xx fA p2 2 = x! = mede a verosimilhana om q1, m en}, ocorre e a base da Inferncia (x)f= f (x) robabilidade x {0, 1,(x)...}. c ue u vento (x) = 0, 0, = X 1, 2, ff2, X 0, ...}. = = x 0, x culo X ..., n}. X XZ pesar de ter uN ( istria 2 1).foi Kolmogorov no s{0,1, 2, X que definiu as suas Axxx 0, {0, ma h = 0, xx {0, 1, 2, ..., n}. x {0, 1, 2,..., n}. = Estatstica. longa, Z e Z = X X Z= / x! , x {0, 1 x axiomas: / x / x x n n N ( == , x x {0, n 2, ee x f (x) = e 2 2 = 1). 0, 1). 2 Z =Z = N ( = 0, x!1 x 1, ...}, x! , ,x {0, 1, 2, ...}, x {0, 1, 2, ...}, 1 0, x {0, x! f (x) = 1. 2 ( ) , f (x)IR fx = (x) = e 1. 1. (A)(x) = 1 2 20, 0 xP (A)2, ...}. 0 0 P Pf 1 {0, 1, 1 0, 0, x {0, 1, 2, ...}. (A) 1 1 x 2 2 x {0, 1, 2, ...}. X 1 1 ( x ) P (S) Z= N ( = 0 f 2. 2.= = 1 2 (e 2 )x , x IR 1 X (x)f (x)(S) 1 e 2 X , 2. IR = P (S) = = P X = 2 N ( = 0, ) 3. Se A 2 = = P (A X+x ( AZ = = 1).(AN ( =(A2 2=...1). Ai 2 j Z ,Z = ) P (A1 ) = 0, ...) = P 1 ) + P 0, 2+=1). A 2 = entao P N Z2 ... A = = entao P P 1 Sei Ai AjAj ,, entao (A(A1 2A2 ...)...) = P1 1 ) (A(A+ + ... (A + P 2 2 ) 1 x 1 X X x xx / n e 2 ( Z a= da probabilidade para p1 11 ( x 22statstica a sua definio f (x) = 1 x 2 1 Z= 1 Essencial para a fplicao n ( ) ( x 2 2 (x)0= P x roblemas d )e x IR 2 x1. x (A) e21 ff (x),= IR ee 2 e ) , ,x IR / n/ (x) = 2 frequencista que declara a probabilidade de um e2 2 a proporo de ocorrncias deste vento 2 2 2 X x evento se a e 0P (A)2.or repetida at chegar ao seu limite. xperincia fP (S) = 1 1. 0 1. P (A)1 1 X Z= X x x X +x x / n 3. Se Ai Aj = , P2. P = 1 = 1 A2 ...) = P (A1 ) Z =(A2 ) ... entao (S) 1 = P (A Z +P Z= 2. (S) x p n / n os n Existem vrias inovaes dentro da / robabilidade que nxx /tm permitido perceber a natureza de 1. 0 P (A) 3. Ai Ai j= , entao P (AP (A1 2 ...) = P = P)(A1P + P)(A2...+ ... Se A Aj = , entao 1 A A2 ...) (A1 + ) (A2 + ) 3. Se fenmenos. Vamos agora examinar o Teorema de Bayes para entender um destas evolues. B1 ,1. 20 ..., Br(A) 1 1. 00 P (A) 11 B , P 1. P (A) 2. P (S) = 1 2. P (S) d 2. P (S) = 11 B2 ,, ..., Br B2.constituem uma participao =o espao amostral SeeAi Aara , entao P (A1 A2 B2 , ..., r P (S) = 1 B1 , 3. , nto, p j = Se os eventos B 1 P (Bk )P (A|B ) 3. Se Ai vento , entao, temos: jjA2,k...) = PP(A11 A2(A2 ) += P (A11 )+ P (A22 )+ ... P = 3. A qualquer eAj(Bk |A)3. Ser Ai(A1 A = entao P(A1 ) + P 2 ...) = P (A ) + P (A ) + ... d= Se P i A = , entao (A A ...) ... e P (Bk )P P (A|B )P (B ) (A|Bk ) B1 , B2 , ..., Br i i P (Bk |A) = r B B , B , ..., B B11 ,B22 ,..., Brr i=1 1 , B2 , ..., Br P (A|Bi )P (Bi ) i=1 P (Bk )P (A|Bk ) P (Bk )P (A|Bk ) P P (Bk . A probabilidade de (Bk |A) =ausa do evento |A) = r por c r 1 P (A|Bi )P (Bi ) P (A|Bi )P (Bi ) 1 1 0, 0,
i=1 i=1 Bernoulli e as distribuies discretas Na base da estatstica o estudo da incerteza e a probabilidade de eventos. Apesar de ter sido estudado desde oARTICLE alileu, o primeiro grande passo para o estabelecimento da 1 BRIEF s tempos de G estatstica como cincia foi dado pelo J. Bernoulli. A sua lei fraca dos grandes nmeros diz que a 1 probabilidade P t1 ende para a certeza quando o nmero de observaes N cresce indefinidamente. THE AUTHOR Isso pode ser observado num processo de Bernoulli - por exemplo no lanamento de uma moeda - BRIEF ARTICLE no qual a funo de probabilidade : 1 11

q = 1 p, x = 0, n x ( ) p (1 p)nx , x {0, 1, 2, ..., n}, f (x) = x x = 1, f (x) = p, 0, q = 1 1, ..., n}. 0, outros casos. x {0,p, 2,x = 0, f (x) = p, x = 1, ( x ) px distribuio x {0, 1, 2, ..., n}, Uma n utra (1 p)nx ,discreta importante a Distribuio de Poisson. Usa-se para calcular a o f (x) =probabilidade de um nmero definido de eventos que ocorrem num dado intervalo de tempo ou outros casos. 0, x {0, 0, 2, ..., n}. 1, espao. e x , x ( n{0, 1,(1 ...}, nx , x {0, 1, 2, ..., n}, x ) px 2, p) f (x) = (x)x! f 0, = x {0, 1, 2, ...}. 0, x {0, 1, 2, ..., n}.
x e O nmero e o nmero de Napier e ,ox mero mdio de eventos que ocorrem num dado n {0, 1, 2, ...}, x! intervalo de tempo. (x) = f

BRIEF ARTICLE Foi notado depois que a distribuio do processo de Bernoulli, a Distribuio de Bernoulli, um THE AUTHOR 1 p, x = 0, q = caso da Distribuio B inomial. A Distribuio Bernoulli permite o clculo da probabilidade para o f (x) = p, caso de n tentativas independentes e tem, portanto, x como uma varivel aleatria na seguinte THE x = 1, AUTHOR funo de probabilidade: 0, outros casos.

q = 1 p, x = 0, THE AUTHOR f (x) = p, x = 1, BRIEFoutros casos. ARTICLE 0,

0,

x {0, 1, 2, ...}.

 THE AUTHOR q = 1 p, x = 0, q = 1 p, BRIEF ARTICLE x = 0, = p, x = p, f (x) = 1, x = 1, q = p, x = 0, 1 As distribuies 0, outrosp, contnuas comearam com De Moivre casos. xoutros casos. 0, = 1, f (x) =

THE AUTHOR
x

x (1

f (x) = n x contnua. Porm, a importncia da distribuio normal foi estabelecida mais tarde distribuio ( x ) p (1 p)nx , x {0, 1, 2, ..., n}, do 0, x f (x) = por Gauss e Laplace atravs da distribuio de erros e 1,Teorema do Limite Central ARTICLE respectivamente. {0, 2, {0, n}. {0, 2, ..., n}. BRIEF 0, x 1, x ...,1, 2, ..., n}. e mx mportante x A distribuio normal x a{0,ix 2, ...},distribuio porque representa muitos fenmenos no ais e , m {0, 1, ...}, 2, mundo real = x! consequente, 1, uito usada na inferncia estatstica. Tambm, como AUTHOR e, por , x! e f = f (x) 1, 2, istribuies podem ser aproximada pela distribuio normal. 0,Moivre (x){0, outras d ...}, = , x demonstrou, 0, 0, {0, x 2, ...}. 1,q = 1 p, xTHE De x 1, {0, ...}. x! 2, 1 x = 1, 0, x f {0, 1, 2,e ( f x ( IR)2 p, ...}. ) ,(x) = 1 x (x) = 1 2 2 f (x) = e 2 IR ,x 2 0, outros q = 1 p, x = 0, casos. BRIEF ARTICLE 1 2 2 Ao ariar a alteramos localizao e forma curva d 1v( x, ) mdia, ou , o desvio padro, um desvio a adro de f (x) ireita a ma mdia de 1. 2 grfico esquerda p 2 e d = up, x = 1, e respectivamente. ,Ox IR mostra THE AUTHOR 2 2 BRIEF ARTICLE ( n ) px (1 BRIEF ARTICLE 0, 1, 2, ..., n}, p)nx , x {0, outros casos. x f (x) = THE AUTHOR ( n ) px (1 p)nx , x {0, 1, 2, ..., n} x 0, THE f (x) =AUTHORx {0, 1, 2, ..., n}. q = 1 p, x = 0, 0, x {0, 1, 2, ..., n} x x = 1, f (x) = p, e e , xf = = 1, x {0, q = 1 0, x = 0, p, outros casos. x! q = 1 p, {0,0, x!2,, ...}, 1, 2, ...}, (x) x f (x) = f (x) f (x) = p, x = 1, x = 0, ( ) p (1 p) , x {0, 1, 2, ..., n}, 0, = p, x {0,1, 2, ...}. 1, 2, ...}. 1, x {0, f (x) =0, outros casos. 0, outros casos.
1 x 2 2
0.4 0.3 f(x) 0.2
f(x) 0.2 0.3 0.4

outros casos. n 0, binomial p ) ux nmero infinito d m primeira vez que a x x (1 1, 2, ..., n}, {0, p)nx , ( xara p{0, p)nxe ,tentativas, foi a 1, 2, ..., n},lgum notou numa

A descoberta da funo de densidade contnua, que calculou o limite da funo de probabilidade

0.1

n x -4

nx
0 x

0.0

-2

0.0

0.1

1 x 2 0, x {0, 1, 2, ..., n}. 1 f , x = 2 e ( ) , x n x (1 p)nx , x {0, 1, 2, ..., n}, x n x (1 p)nx(x) {0, 1, 2, ..., n}, 2 (x)p (x)p f (x) = A variao e x! c,onhecida 1,a2, istribuio normal estandardizada que tx=0 e 2=1. mais x {0, d ...}, f (x) = 1 (xem {0, 1,2 n}. ) 2, ..., f (x) = a fx {0, 1, 2, ..., n}. 0, 0, 2 Utilizando 0, rmula: {0, 1, 2, ...}. x x x e2 e x x! , x {0, 1, 2, ...}, x! , X {0, 1, 2, ...}, f (x) = 2 f (x) = Z = x {0, N ( = 0, = 1). 0, x {0, 1, 2, ...}. 0, 1, 2, ...}.

-4

-2

0 x

f (x) =

, x IR

IR

nmero ntre mdia. X podemos calcular o 1 ( x )2de desvios padres eZ = X e a N ( = 0, 2 = 1). 1 f (x) N ( = 0, 2 2 1). , x IR = e = Relacionada com esta frmula o Teorema do Limite Central de Laplace que diz que para uma 2 2 1 x 2 1 amostra s1 x 2 uficientemente grande, a distribuio da varivel aleatria (ser aproximadamente f (x) = e 2 ) , x IR 1 2( ) f (x) = normal: e , x IR 2 2 2 2

Z=

Z=

1 Amostragem O Laplace tambm conhecido por ter utilizado a amostragem na estimao da populao da Frana, embora as tcnicas no sejam as mesmas que so utilizadas hoje; foi mbito das cincias naturais que as tcnicas modernas foram desenvolvidas. De forma a poder fazer inferncias sobre a mdia de uma populao a partir de uma amostra, e quando no se sabe a varincia, a distribuio t-Student foi elaborada. A distribuio de t-Student ajuda porque as suas caudas so mais pesadas que as da normal que significa que quantos mais graus de liberdade uma amostra tem, mais aproxima-se a distribuio normal. Desta forma, consegue calcular um valor, a mdia por exemplo, mas com menos confiana.

X x x / n

 Os mtodos de seleccionar a amostra tambm avanaram na altura de Student. A amostragem aleatria simplesmente permite que qualquer elemento da populao tenha a mesma probabilidade de ser selecionado e pode ser feito com ou sem reposio. Foi Kiaer que props amostrar com base na estratificao. Este mtodo pede a diviso da populao em grupos relativamente homogneos (em termos das caractersticas que no queremos investigar) e selecionar amostras aleatrias simples e independentes de cada estrato. Assim podemos fazer inferncias acerca de subgrupos da populao. Se conhecermos a distribuio de probabilidade da populao, podemos basear o processo de amostragem nela. Se a distribuio for normal, podemos gerar cada elemento da populao de acordo com a mdia e a varincia desejada.