Probabilidade e Estatística

Probabilidade
E Estatstica
Elaborado por Paul CHEGE
Traduzido para Portugus por Paulo Diniz
African Virtual university
Universit Virtuelle Africaine
Universidade Virtual Africana
_
Nota
Este document publicado sob as condies da Creative Commons
http://en.wikipedia.org/wiki/Creative_Commons
Atribuio
http://creativecommons.org/licenses/by/2.5/
Licenca (abreviada cc-by), Verso 2.5.

Por CC
So reservados alguns direitos
_
ndice
I. Probabilidade e Estatstica............................................................................... 3
II. Conhecimentos prvios (Pre-requisitos) ........................................................ 3
III. Tempo............................................................................................................... 3
IV. Materiais............................................................................................................ 3
V. J ustificativa/Filosofia do mdulo............................................................3
VI. Contedos......................................................................................................... .4
6.1 Viso geral......................................................................................................... .4
6.2 Plano/Esboo..................................................................................................... .5
6.3 Diagrama de organizao dos contedos..... 6
VII. Objectivos do mdulo.. 7
VIII. Actividades especficas de aprendizagem.... 7
IX. Actividades de ensino e aprendizagem..............................................................9
X. Lista de conceitos chaves (Glossrio).............................................................. 12
XI. Lista de materiais de leitura obrigatria ........................................................ .18
XII. Lista de recursos. 19
XIII. Lista de Links (Stios da Internet) teis.. 20
XIV. Actividades de aprendizagem............................................................................21
XV. Sntese do modulo.. 112
XVI. Avaliao sumativa........................................................................................... 113
XVII. Referencias 121
XVIII. Registos de estudantes....................................................................................... 122
XIX. Principal Autor do mdulo................................................................................ 123
_
Univeridade Virtual
Africana
I . Probabilidade e Estatstica
Por Paul Chege
I I . Conhecimentos prvios (Pre-requisitos)
Para frequentarem este modulo, os estudantes precisam ter conhecimentos sobre
Probabilidade e Estatstica do Ensino Secundrio
I I I . Tempo
O tempo total para este modulo de 120 horas de estudo.
I V. Material
Os estudantes devero ter acesso aos textos nucleares de leitura que esto especificados
em diante.
Tambm precisaro de usar o computador para terem acesso total aos textos nucleares de leitura.
Adicionalmente, os estudantes devero estar aptos para instalar e usar o Sofware wx Maxima para
exercitarem conceitos algbricos
V. I mportncia do Mdulo/Filosofia do Mdulo
Probabilidade e Estatstica, para alm de ser uma rea chave para o ensino de matrias
do ensino secundrio, constitui uma base muito importante para o ensino da Matemtica do
nvel superior. A Estatstica uma rea fundamental da Matemtica com aplicao em muitas
outras disciplinas e til em anlise de processos em produo industrial. O estudo da
Estatstica providencia especialistas (Estatsticos) capazes de recolher e analisar dados
referentes a uma determinada populao e fazer as respectivas inferncias sobre certas
caractersticas desta. Os Estatsticos providenciam aos governos e organizaes instrumentos
concretos que podem ajudar aos gestores na tomada de deciso perante uma determinada
situao. Por exemplo, com base na Probabilidade e Estatstica, pode-se analisar a taxa de
expano de doenas, as alteraes da densidade populacional, pode-se fazer a previso
meteorolgica, etc.
O estudo da da teoria de Probabilidade ajuda na tomada de deciso dos agentes
governamentais e das organizaes, usando como base a teoria de chances. Por exemplo,
pode-se predizer a quantidade de crianas de sexo masculino e de sexo feminino nascidas
dentro de um determinado perodo e tambm projectar a quantidade de chuva que uma
determinada regio pode esperar, com base em alguns dados histricos sobre as
regularidades/padres de chuva dessa regio.
A teoria de Probabilidade tambm tem sido extensivamente usada na determinao de
qualidade (alta, mdia e baixa) de produtos industriais, por exemplo, para prever o nmero de
peas defeituosas num processo de produo industrial.
_
African Virtual University
VI . Contedos
6.1 Viso geral
Este mdulo composto por trs unidades:
Unidade 1: Estatstica Descritiva e Distribuio de Probabilidades
A Estatstica descritiva uma unidade que desenvolvida ou como uma extenso da
matemtica do nvel secundrio ou como uma introduo para estudantes que se iniciam no
estudo da Estatstica. Introduzem-se nesta unidade as medidades de tendncia central e de
disperso e tambm o conceito de probabilidade e o seu tratamento terico.
Unit 2: Variveis aleatrias e Distribuies

Esta unidade exige como pre-requisito a unidade 1. desenvolvida a desde o conceito de
Momento e funo geradora de Momento, desiguladades de Markov e de Chebychev, algumas
distribuies univariadas, distribuies bivariadas de probabilidade e probabilidades condicionais.
Esta unidade d algum subsdio para a anlise de coeficientes de correlaco e para funes de
distribuio de variveis aleatrias, tais como a distribuio qui-quadrado, distribuio T e a
distribuio F

Unit 3: Teoria de Probabilidade

Esta unidade desenvolvida a partir da unidade 2. Nesta unidade faz-se a anlise de
Probabilidade usando funes de indicadores. Introduz-se a desigualdade de Bonferoni, funes
geradoras, funo caracterstica e independncia estatstica de amostras aleatrias. Desenvolve o
conceito de funo para diferentes variveis aleatrias e termina com o tratamento dos teoremas de
convergncia e de limite central.
_
6.2 Plano: Programa
Unidade 1 ( 40 horas): Estatstica Descritiva e Distribuio de Probabilidades
Nvel 1. Prioridade A. Sem pre-requisitos.

Distribuio de frequncias relativas, distribuio de frequncias acumuladas, curvas de
frequncias, mdia moda e mediana. Quarts e percents, desvio padro, distribuies simtricas
e assimtricas. Probabilidade, espao amostral, evento, definio de probabilidade, propriedades
da probabilidade, variveis aleatrias, distribuio de probabilidades, valor esperado (mdia) de
uma varivel aleatria, algumas distribuies particulares: distribuio de Bernoulli, distribuio
Binomial, de poisson, Geomtrica, Hipergeomtrica, Uniforme, Exponencial e distribuio
Normal. Distribuio de frequncias bivariadas, tabelas de probabilidades conjuntas e
probabilidades marginais
Unidade 2 ( 40 horas): Variveis Aleatrias e Distribuies de Testes
Nvel 2. Prioridade B. O pre-requisito a Estatstica 1

Momentos e funes geradoras de Momentos, desigualdades de Markov e de
Chebychev, distribuies univariadas especiais. Distribuio de probabilidades bivariadas,
distribuies de probabilidades conjuntas, condicionais e marginais. Independncia, regresso e
correlao de dados bivariadas, clculo de coeficientes de regresso e de correo, funo
distribuio de variveis aleatrias, distribuio normal bivariada. Distribuies derivadas, tais
como qui-quadrado, T e F.

Unidade 3 ( 40 horas): Teoria de Probabilidade
Nvel 3. Prioridade C. O pre-requisito Estatstica 2.

Probabilidade: Uso de funes indicadoras. Desigualdade de Bonferoni de vectores aleatrios. Funes
geradoras. Funo caracterstica. Independncia estatstica de amostras aleatrias. Distribuio multinomial.
Funo de vrias variveis aleatrias. Independncia de X e de S2 em amostras normais, estatsticas de ordem,
convergncia e teorema de limite. Exerccios prticos.

6.3. Diagrama de organizao dos contedos
_
_

VI I . Objectivos

No fim deste modulo, os estudantes devero ser capazes de calcular as medidas de
tendncia central e de disperso em estatstica e resolver tarefas de probabilidade baseadas
nas leis probabilisticas e fazer testes de hipteses usando a teoria de probabilidades
VI I I . Objectivos especficos de aprendizagem
(Objectivos instrucionais)

Unidade 1: Estatstica Descritiva e Distribuio de Probabilidades ( 40 Horas)

No fim desta unidade, os estudantes devero ser capazes de:
- Desenhar vrias curvas de frequncia;
- Calcular a mdia, moda, mediana, quarts, decs, percents e desvio padro de dados
agrupados ou no;
- Definir e enunciar as propriedades da Probabilidade;
- Ilustrar as variveis aleatrias, distribuio de probabilidades e valor esperado de uma
varivel aleatria;
- Ilustrar as distribuies de Bernoulli, Binomial, Poisson, Geomtrica, Hipergeomtrica,
Uniforme, Exponencial e Normal;
Unidade 2: Variveis Aleatrias e Distribuio de Testes ( 40 Horas)

- Ilustrar Momentos e funes geradoras de Momentos;
- Analisar as desigualdades de Markov e de Chebychev;
- Examinar algumas distribuies univariadas de probabilidade, distribuies
bivariadas de probabilidades, probabilidades conjuntas, marginais e condicionais;
- Mostrar a independncia de variveis, correlao e regresso;
- Calcular os coeficientes de correlao e regresso para dados bivariados;
- Mostrar a funo distribuio de varveis aleatrias;
- Examinar a distribuio normal bivariada;
- Ilustrar as distribuies derivadas, tais como a qui-quadrado, a T e a distribuio F.

_
Unidade 3: Teoria de Probabilidade ( 40 Horas)
Usar as funes de indicadores em Probabilidades;
Mostrar a desigualdade de Bonferoni;
Ilustrar funes geradora e caracterstica;
Examinar a independncia estatistica de amostras aleatrias e a distribuio multinomial;

Avaliar funes de vrias amostras aleatrias;
Illustrar a independncia de X e S2 em amostras normais de estatsticas de ordem;
Mostrar a distribuio normal multivariada;
Illustrar os teoremas de convergncia e de limite;
Resolver exerccios prticos.
_
I X. Actividades de Ensino e de Aprendizagem
9.1 Pre-Avaliao
A Matemtica Bsica um pre-requisito para a Probabilidade e Estatstica.
Tarefas

1. Se jogarmos um dado, a probabilidade de se obter um nmero maior que 4 :

2. Uma carta extraida aleatoriamente de um baralho de 52 cartas. A probabilidade de ser
Rainha :

3. So dados 100 nmeros, dos quais 20 so 4s, 40 so 5s, 30 so 6s e os restantes so 7s.
Encontre a mdia aritmtica desses nmeros.

_0
4) Calcule a mdia dos seguintes dados.
5) Encontre a moda dos seguintes dados: 5, 3, 6, 5, 4, 5, 2, 8, 6, 5, 4, 8, 3, 4, 5, 4, 8,
2, 5 e 4.
A. 4
B. 5
C. 6
D. 8
6) O valor da probabilidade pode variar:
A. de 0 a 1
B. de -1 a +1
C. de 1 a 100
1
D. de 0 a
2
7) Encontre a mediana dos seguintes dados: 8, 7, 11, 5, 6, 4, 3, 12, 10, 8, 2, 5, 1, 6, 4.
A. 12
B. 5
C. 8
D. 6
8) Encontre a amplitude total dos seguintes valores: 7, 4, 10, 9, 15, 12, 7, 9.
A. 9
B. 11
C. 7
D. 8.88
__
9) Se jogarmos duas moedas e verificarmos as faces voltadas para cima, o espao amostral ser:
A. C, K e CK
B. CC, CK, KC, KK
C. CC, CK, KK
D. C, K
10) Se uma letra for escolhida aleatoriamente da palavra Mississippi, encontre a probabilidade
De que seja um i

Chave de respostas
1. B 2. A 3. D 4. C 5. B
6. A 7. D 8. B 9. B 10. D
Comentrios Pedaggicos para estudantes
Esta pr-avaliao destina-se a dar aos estudantes uma viso sobre o que devem lembrar
sobre Probabilidade e Estatstica. Uma pontuao inferior a 50% nesta pre-Avaliao
indica que o estudante precisa de rever os contedos de Probabilidade e Estatstica do
nvel secundrio. A pr-avaliao abrange os conceitos bsicos com os quais os
estudantes precisam de se familiarizar antes de avanar com este mdulo. Faa a reviso
da Probabilidade e Estatstica do ensino secundrio para dominar o bsico se tem
problemas com esta pr-avaliao.
__
X. Conceitos Chaves ( Glossrio)
Eventos mutuamente exclusivos: Dois eventos dizem-se mutuamente exclusivos se no podem
ocorrer ao mesmo tempo.
Varincia de um conjunto de dados definida como a raiz quadrada do desvio padro, isto , Var =
S
2
.
Experimento aleatrio: o processo de observao ou de aco cujos resultados, embora possam
ser descritos no seu conjunto, no so determinveis prior, antes da realizao da experincia. Ex:
tirar aleatoriamente uma carta de um baralho ou lanar um dado e verificar o nmero obtido.
Espao amostral: o conjunto de todos resultados possveis de um experimento. Ex., se lanarmos
uma moeda e verificarmos a face de cima esperamos dois resultados possveis (cara ou coroa).
Portanto, o espao amostral (C; K).
Varivel aleatria: uma funo que assume valores reais para todos resultados possveis de um
experimento aleatrio.
Amostra aleatria: aquela que construida por mtodos envolvendo uma componente imprevisvel.
Distribuio de Bernoulli: uma distribuio de probabilidade discreta, que assume o valor 1 com
probabilidade p de sucesso e valor 0, com probabilidade de fracasso q =1- p.
Distribuio Binomial: uma distribuio de probabilidade discreta, que d conta do nmero de
sucessos em n experimentos aleatrios independentes, cada um com apenas dois resultados possveis
(um correspondendo ao sucesso e outro, ao fracasso). A probabilidade de sucesso p, sempre a
mesma para cada experimento.
Distribuio Hipegeomtrica: uma distribuio de probabilidade discreta que descreve o nmero
de sucessos em uma amostra de tamanho n, retirada de uma populao finita de tamanho N, sem
reposio.
Distribuio de Poisson: uma distribuio de probabilidade discreta, que expressa a
probabilidade de vrios eventos que ocorrem em um determinado perodo de tempo, se
esses eventos ocorrerem com uma taxa mdia conhecida, e independentemente do
intervalo de tempo.
Correlao: uma medida de associao entre duas variveis.
Regresso: uma medida usada para examinar a relao entre uma varivel dependente
e uma independente.
Teste qui-quadrado: um teste de hiptese estatstica em que a estatstica de teste tem
uma distribuio qui-quadrado quando a hiptese nula verdadeira, ou qualquer teste em
que a distribuio de probabilidades da estatstica de teste (assumindo que a hiptese nula
verdadeira) pode ser aproximada a uma distribuio qui-quadrado, tanto quanto melhor,
fazendo o tamanho da amostra suficientemente grande.
Distribuio Normal multivariada: uma distribuio de probabilidade especfica, que pode ser
considerada uma generalizao da distribuio normal univariada, para dimenses mais grandes.
teste-t qualquer teste de hiptese estatstica para dois grupos, em que a estatstica de teste tem uma
distribuio t de Student se a hiptese nula verdadeira.

__
Termos estatsticos

1. Dados brutos: so dados no organizado numericamente.
2. Rol: um arranjo dos dados numricos em ordem crescente de magnitude.
3. Amplitude total: a diferena entre o maior e o menor valor dos dados.
4. I ntervalos de classes: Em uma srie de dados agrupados por exemplo, 21-30, 31-40 etc, o
intervalo 21-30 chamado de intervalo de classe.
5. Limites da Classe: Em um intervalo de classe, por exemplo, 21-30, 21 e 30 so chamados de
limites de classe.
6. Limites inferior de classe (Lic): No intervalo da classe 21-30, o limite inferior da classe
21
7. Limite superior de classe (Lsc): no intervalo da classe 21-30, o limite superior da classe
30
8. Fronteiras dos Limites inferior e superior da classe: No intervalo da classe 21-30, a
fronteira do limite inferior de classe de 20,5 e a do limite superior 30.5. Essas fronteiras
garantem, teoricamente, todos valores do intervalo de 21-30 esto incluidos no intervalo de
20,5-30,5.
9. Amplitude de classe: a diferena entre o limite superior e o inferior. Exemplo, para o
intervalo de 21-30, a amplitude 9 e para o intervalo 20,5-30,5 a amplitude 10.
10. Marca de classe ou ponto mdio: a mdia aritmtica dos limites da classe. Para o intervalo
de 21-30, o ponto mdio

11. Distribuio de frequncias: Um grande nmero de dados brutos, pode ser representado
na forma tabular, com as suas respectivas frequncias. Por exemplo:

Esta representao dos dados chama-se distribuio de frequncias ou tabela de frequncias
12. Frequncias acumuladas: A frequncia acumulada at um certo valor ou dado, a soma as
frequncias individuais precedentes incluindo a do prprio valor ou dado. Por exemplo:

13. Distribuio de frequncias relativas. Na tabela seguinte,

A soma das frequncias

A freqncia relativa da classe 25-29 calculada dividindo a frequncia desta classe pela soma
das frequncias. Exemplo: A frequncia relativa do intervalo de 25-29 dada por

__
14. Curva de frequncias acumuladas (Ogiva). Dada a tabela de frequncias abaixo,

Podemos construir o grfico das frequncias acumuladas versus fronteiras dos limites superiores
das classes.

Nota: No grfico de frequncias acumuladas, o primeiro ponto marcado (24,5; 4). Se
comessemos o grfico neste ponto, este ficaria pendurado no eixo-0y. Para evitar
isso, criamos outro ponto (19,5, 0) como ponto de partida. 19,5 a fronteira do limite
superior da classe (projectada) anterior.

__
Formas de curvas de frequncia

__
XI . Lista de material de leitura obrigatria
Leitura 1: Wolfram MathWorld Acedido em 06.05.07)
Referncia completa :http://mathworld.wolfram.com/Probabilty

Resumo: Esta referncia fornece o material de leitura muito necessrio em
Probabilidade e Estatstica. A referncia tem uma srie de ilustraes que
capacitam o estudante atravs de diferentes metodologias de abordagem.
Wolfram MathWorld uma enciclopdia matemtica online especializada.
Justificao/Filosofia: Ele fornece as referncias mais detalhadas para qualquer
tpico matemtico. Os estudantes devem comear por utilizar o mecanismo de
Leitura 2: Wikipedia (visitado em 06.05.07)
Referncia Completa :
http://en.wikipedia.org/wiki/statistics
Resumo: Wikipdia uma enciclopdia on-line. escrita pelos prprios leitores.
Est sempre renovada, j que novas entradas so continuamente revistas. Alm
disso, tem-se revelado extremamente precisa. Os assuntos matemticos que do
entrada so muito detalhados.
J ustificao/Filosofia: A Wikipdia d definies, explicaes e exemplos que os
estudantes no podem acessar facilmente em outros recursos. Pelo facto de a
W
Leitura 3:
ikipedia ser atualizada com freqncia d-se ao estudante a possibilidade de
MacTutor History of Mathematics (Acedido em 03.05.07)
Referncia complete: http://www-history.mcs.standrews.ac.uk/Indexe s
Resumo: O Arquivo MacTutor a histria mais abrangente da matemtica na
internet. Os recursos so organizados tendo em conta os temas histricos.
Justificao/Filosofia: Os estudantes devem pesquisar o arquivo MacTutor por
palavras-chave nos tpicos esto a estudar (ou pelo nome do mdulo em si).
importante ter uma viso geral
de onde a matemtica que est a ser estudada se encaixa na histria da
matemtica. Quando
o estudante termina o curso e vai ensinar a matemtica do ensino secudrio, ter de
traser o assunto para seus alunos.
Em particular, o papel das mulheres na histria da matemtica deve ser bem
estudado para ajudar os alunos a compreenderem que dificuldades as mulheres tm
enfrentado ainda que estejam a traser uma contribuio importante. Do mesmo
modo, o papel do continente Africano deve ser estudado
para compartilhar com os alunos nas escolas, nomeadamente os primeiros
dispositivos de contagem (por exemplo, o osso Ishango) e tambm o papel da
matemtica egpcia deve ser bem estudado.
__
XI I . Lista de recursos obrigatrios
Recurso 1: Maxima.
Referncia Completa: Uma cpia do Maxima em disco faz parte do material para este
curso
Os estudantes do ensino distncia so ocasionalmente confrontados com dificuldades
no ensino da matemtica devido a falta de recursos que os possam guiar. A falta de
aulas presenciais orientadas por um docente pode levar os estudantes a uma estagnao
total, se no estiverem devidamente equipados de recursos que os ajudem a resolver
seus problemas de aprendizagem da matemtica. Este impedimento pode ser resolvido
atravs de uso de recurso acompanhante: Maxima.
J ustificao/Filosofia: Maxima um software do grupo das fontes abertas que pode
permitir os estudantes a resolver equaes lineares e quadrticas, sistemas de equaes,
integrao e diferenciao, executar manipulaes algbricas: factorizao,
simplificao, etc. Iste recurso obrigatrio para estudantes do ensino distncia
porque possibilita uma aprendizagem rpida usando as habilidades em TICs j
adquiridas.

Recurso 2: Graph
Referncia Completa: Uma cpia de Graph, tambm acompanha este curso
relativamente difcil desenhar grficos de funes, especialmente funes
complicadas com funes em trs dimenses. Os estudantes distncia,
inevitavelmente encontraro situaes em que precisaro de algum recurso para
desenhar grficos em matemtica. Este curso acompanhado de um software chamado
Graph para ajudar os estudantes no desenho de grficos. Contudo, os estudantes
precisam de estar familiarizados com este software para o poderem usar facilmente.

J ustificao/Filosofia: Graph um software, dinmico, do tipo fonte aberta, que os
estudantes podem ter acesso atravs do disco que lhes disponizado. Este ajuda aos
estudantes de matemtica a desenhar grficos que de outro modo seriam bastante
difceis. fcil usar este software, desde que os estudantes invistam algum tempo para
aprenderem como funciona. Os estudantes sairo em vantagem porque podero usar
este recurso em outras disciplinas durante e mesmo depois do curso. Notaro que
muito til quando forem ensinar a matemtica no ensino secundrio.
_0
XI I I . Lista de Links teis
Link 1
Ttlo : Wikipedia

URL:http://en.wikipedia.org/wiki/Statistics
Descrio: Wikipedia dicionrio de todos matemticos. um recurso-aberto que
freqentemente atualizado. A maioria dos estudantes, de quando em vez, encontrar
problemas de referncias para materiais de consulta. A maioria dos livros disponveis
s cobre partes ou sees dos contedos de Probabilidade e Estatstica. Esta escassez
de materiais pode ser superada com o uso de Wikipedia. fcil aceder por pesquisa no
Google.
J ustificao/Filosofia: A disponibilidade de Wikipedia resolve problemas cruciais de
falta de materiais de aprendizagem em vrias reas de matemtica. Estudantes
deveriam ter experincia, em primeira mo, de Wekipedia para os ajudar nas suas
aprendizagens. um recurso grtis muito til que no s resolve os problemas de
estudante de materiais de referncia mas tambm dirige os estudantes para outro
websites relativamente teis, bastando clicar nos cones indicados. A sua utilidade de
reconhecida importncia.

Link 2:

Ttulo: Mathsguru
URL: http://en.wikipedia.org/wiki/Probability
Descrio: Mathsguru um website que ajuda os estudantes a compreender vrias da
Teoria de Nmeros. fcil acerder atravs de pesquisa no Google e disponibiliza
informaes detalhadas sobre vrias questes de Probabilidade. Oferece explicaes e
exemplificaes que facilmente os estudantes podem entender.

J ustificao/Filosofia: Mathsguru oferece vias alternativas para estudantes acederem a
outros tpicos correlacionados, sugestes e solues, podendo constituir uma grande
ajuda para os que encontram frustraes em obter livros que ajudem na aprendizagem
de Probabilidade. Oferece abordagens bastante teis, tendo em considerao as vrias
reas do mdulo de Probabilidade.

Link 3.
Ttulo:Mathworld Wolfram
URL: http://mathworld.wolfram.com/Probability
Descrio: Mathworld Wolfram um website cheio de solues para problemas de
Probabilidade. Os estudantes podem aceder a este recurso atravs de pesquisa no
Google. Wolfram tambm orienta os estudantes para outros websites teis para
aprimorar as suas compreenses sobre os mesmos tpicos. Mathworld Wolfram um
site que tambm providencia alguns subsdios sobre a Teoria de Nmeros, desafios e
algumas orientaes metodolgicas. Ajuda tambm na Modelagem Matemtica e
fortemente recomendado para estudantes interessados em aprender a Teoria de
Nmeros e outras reas da Matemtica. Ajuda a fazer ligao para outros websites
fornendo uma vasta gama de informaes necessrias para estudantes compreenderem
os contedos de Probabilidade e Estatstica.
__
XI V. Actividades de Aprendizagem
Unidade 1
40 Horas
Estatstica Descritiva e Distribuio de Probabilidades
Uma fazendeira desenvolveu as seguintes actividades na sua fazenda:
1. Ela planta 80 mudas no primeiro dia de Maro. No primeiro dia de Dezembro mede as
alturas das plantas.
2. Ela pesa todas as vacas da fazenda e regista os pesos no seu dirio.
3. Faz o registo da produo de ovos da seco de avcula.
4. Faz o registo do tempo levado at entregar o leite fbrica de processamento.

Os resultados dos registos esto indicados a seguir:
1. Alturas das plantas em cm

2. Pesos de vacas em kg

__
3. Nmero de Ovos

4. Tempo gasto at que o leite chegue ao processamento

CASO 1:

Uma empresa local que lida com servios de extenso agrcola visita a fazendeira. Ela
orgulhosamente produziu seus registos. O gestor agrcola ficou muito impressionado com
registos mas percebe claramente que a fazendeira precisa de algumas habilidades em
gesto de dados para permitir que ela tome boas decises com base nos dados provenientes
da sua fazenda. O gestor agrcola projeta um curso sobre processamento de dados para
todos os farmeiros rurais. Durante a fase de planeamento do curso, so definidos os
seguintes conceitos:

a) Dados: So resultados de uma observao. Por exemplo, alturas de mudas
b) Freqncia: taxa de ocorrncia de um dado. Por exemplo, nmero de vacas pesadas.
c) Mdia: O valor mdio de um conjunto de dados
d) Moda: Dado que ocorre com maior frequncia.
e) A mediana: Postos os dados em ordem crescente, a mediana o elemento da posio

Aula 1: I ntroduo Estatstica

A Estatstica Descritiva utilizada para designar qualquer das vrias tcnicas
utilizadas para sumarizar um conjunto de dados. Tais tcnicas so geralmente
classificadas em:

1. Descrio grfica, em que usamos grficos para sumarizar os dados.

2. Descrio Tabular, em que se usam tabelas para sumarizar os dados.

3. Descrio Paramtrica, em que se estimam os valores de determinados
parmetros que assumimos que completam a descrio do conjunto de dados.

Em geral, os dados estatsticos podem ser descritos como uma lista de indivduos
ou unidades e os dados associados a cada um deles.

1. Pretende-se neste momento alcanar dois objectivos:
Pretende-se mostrar estatisticamente o quanto certas medidas so parecidas. Em
manuais de Estatstica esta questo respondida com base nas medidas de tendncia
central.

__

Quando estamos resumindo uma certa quantidade de dados, como o
comprimento, o peso ou a idade, comum responder-se primeira
questo com o clculo da mdia aritmtica, a mediana, ou a moda. s
vezes, pode-se calcular os quarts, decs ou percents.

As medidas mais comuns de variabilidade para dados quantitativos
so a varincia; a sua raiz quadrada, o desvio-padro, a amplitude
total; o intervalo interquartil, e o desvio absoluto.
Aulas para os farmeiros

Aos farmeiros lhes ensinado como calcular:

a) A Mdia
A Mdia de um conjunto de dados a soma de todos valores dividida pelo nmero
total de dados.

Exemplo:
Calcule a mdia dos seguintes conjuntos de dados

__
Aula 2

Mdia de dados discretos

Exemplo: Encontre a media dos seguintes dados

__

__
FAA O SEGUINTE

Calcule a media de:

Respostas

__
Aula 3
Moda
Exemplo
1) Encontre a moda dos seguintes dados: 1,3,4,4,5,6,1,3,3,2,2,3,3,5
Soluo:
A moda deste conjunto o element que aparece mais vezes. Concretamente o 3,
com frequncia igual a 5.
2) Encontre a moda dos seguintes dados: 22, 24, 25,22, 27, 22, 25, 30, 25, 31
Soluo:
2
.
2 e 25 ocorrem trs vezes cada um. Portanto, as modas so 22 e 25. Neste caso, o
conjunto de
dados diz-se bimodal
3) Encontre a moda dos seguintes dados:
Olhando para a distribuio de frequncias, na tabela, conclui-se que a moda do conjunto
de dados X =3, com frequncia 16.

4) Encontre a classe modal dos seguintes dados:
Neste caso, a classe modal 70 74, porque apresenta a frequncia mais alta 15.
__
FAA O SEGUINTE:

Determine a moda ou a classe modal dos seguintes dados:

Respostas

__
Aula 4
Mediana
A mediana o valor que se encontra no centro da distribuio de dados, quando estes esto
dispostos na ordem crescente ou decrescente. Por exemplo, no conjunto 1; 2; 3; 4; 5, a
mediana 3 porque aparece no centro. Isto , o 3 divide o conjunto em duas partes iguais.
Nos dados 1; 2; 2; 3; 4; 5; 6; 7; 7; 8, temos 10 elementos e no existe um nico no centro.
Ou seja, existem dois valores que formam o centro e, neste caso, a mediana determinada
calculando a mdia aritmtica destes dois valores.

Exemplo:

Clculo de mediana para dados agrupados em classes
Exemplo: Encontre a mediana dos seguintes dados em classes

_0
Definio: Limite superior e limite inferior de uma classe.
Limite inferior de classe (Li) ou a fronteira inferior de classe e Limite superior de classe (Ls) ou a
fronteira superior de classe. Exemplo, para o intervalo 20 24 a fronteira inferior 19.5 e a superior
24.5 e para o intervalo 35 39 as fronteiras inferior e superior so respectivamente 34.5 e 39.5.
Observa a tabela seguinte:

Para determinar a mediana destes dados segue os seguintes passos:
1. Identificar a classe que contm a mediana. Neste caso, a mediana ocorre no intervalo 30 34,
onde se encontra o dado da posio 20.5.
2. Encontrar as fronteiras desta classe. Neste caso, so Li =29.5 e s =34.5.
3. Determinar as frequncias acumuladas.
4. Determinar a amplitude desta classe. Faz-se Ls Li =34.5 29.5 =5
5. Calcular a mediana fazendo:

Amplitude total de um conjunto de dados
A amplitude total de um conjunto de dados determina-se fazendo a diferena entre o valor
mximo e o mnimo do conjunto.
Exemplo: Para o conjunto 23,26,34, 47,63, a amplitude 63 23 =40 e para o conjunto 121,
65, 78, 203, 298, 174, a amplitude 298 65=233.

__
Aula 5: Medidas de posio ou de Localizao e de disperso
1) Quarts
Dados ordenados Segundo a sua magnitude, podem ser divididos em 4 partes iguais. As
posies extremas destas divises so os quarts. Assim, o primeiro quatil (Q
1
), deixa 25% de
elementos esquerda. O segundo quatil (Q
2
), deixa 50% de elementos esquerda. Portanto, o
segundo quartil coincide com a mediana. O terceiro quartil, deixa 75% de elementos esquerda.
2) Semi-amplitude interquartil
A semi-amplitude interquartil definida como

3) Decs
Quando os dados esto ordenados, podem ser subdivididos em 10 partes iguais, contendo, cada
uma, 10% do total de elementos. Cada parte corresponde a um decil e se denotam por D
1
, D
2
,

D
3
, ..., D
8
e D
9

4) Percents
Os percents dividem o conjunto de dados em 100 partes iguais. Assim, podemos identificar 99
percents, P
1
, P
2
, P
3
, ...., P
98
e P
99

5) Desvio mdio absoluto
O desvio mdio absoluto de um conjunto de N dados, X
1
, X
2
, X
3
, ..., X
N
, definido como a
mdia dos desvios absolutos dos valores X
j
em relao mdia, isto ,

__
Exemple
Encontre o desvio mdio absolute dos seguintes dados 3, 4, 6, 8, 9.
Soluo

A mdia aritmtica dos valores dados

E, portanto, o desvio mdio absoluto

Dada uma tabela de frequncias

O desvio mdio absoluto determinado usando a frmula

__
5) Desvio Padro
O desvio padro de um conjunto de N dados X
1
, X
2
, ...., X
N
, definido como a mdia
dos desvios quadrticos, ou seja,

Para uma tabela de frequncias,

O dessvio padro calcula-se fazendo

6) Varincia
A varincia de um conjunto de dados definida como o quadrado do desvio padro.
Geralmente usa-se o S
2
para denotar a varincia calculada com base numa amostra de
uma populao e para denotar a varincia populacional. De mesmo modo podemos
considerar os respectivos desvios padro.
__
Exemplos
Encontre a media e a amplitude dos seguintes dados: 5,5,4,4,4,2,2,2
Soluo

E a amplitude A =5 2 =3

Mediana
Exemplo
Dadas 13 observaes 1,1,2,3,4,4,5,6,8,10,14,15,17, identifique a media
Neste caso, h que identificar a posio da media. Como o nmero total de dados mpar,
existe um s elemento no centro. Este elemento encontra-se na posio =
+
2
1 N
2
1 13+
=7.
Da que basta identificar o elemento que est na posio 7, nos dados ordenados.
Concretamente, a mediana 5.
Mas quando o N par, a mediana calculada com base na mdia aritmtica dos dois valores
da posio central.

Exemplo: No conjunto 1,1,2,2,3,4,4,5,6,8,10,14,15,17, o N =14 e a mediana calculada
fazendo a mdia aritmtica dos nmeros das posies
2
N
=7 e
2
N
+1 =8. Estes nmeros
so 4 e 5. Portanto a mediana
2
5 4+
=4.5

__

FAA ISSO

Encontre a mediana dos seguintes dados:

A Varincia a mdia dos desvios quadrticos

Onde N o nmero de observaes e a diferena X - X o desvio em relao mdia.

S
2
a varincia e a sua raz o desvo padro.

__
Exemplo
Dado o conjunto 2,4,5,8,11. Determine a varincia e o desvio padro.

Na tabela seguinte esto apresentados os clculos at a soma dos desvios quadrticos

Portanto, a varincia S
2
=
5
50
=10 e o desvio padro S = 10

FAA ISSO

1) Calcule a amplitude dos seguintes dados: 1,1,1,2,2,3,3,3,4,5
10) Calcule a varincia e o desvio padro dos seguintes dados: 1,2,3,4,5
Assimetria
Dada uma distribuio, podemos determinar um coeficiente que mede o quanto a
distribuio assimtrica. Podemos considerar dois tipos de assimetria: Positiva ou
assimetria direita e negativa ou assimetria esquerda. Numa distribuio simtrica, a
mdia igual a moda e a mediana. Na distribuio assimtrica positiva ou direita, a
mdia maior do que a moda e a mediana. Na distribuio assimtrica negativa ou
esquerda, a mdia menor do que a moda e a mediana.
Pode-se ver a seguir alguns exemplos:
__
Primeiro coeficiente de Assimetria de Pearson

Este coeficiente definido como:

Segundo coeficiente de Assimetria de Pearson

Este coeficiente definido como:

O coeficiente de Assimetria determinado a partir dos quarts.

Coeficiente de Assimetria determinado a partir dos percents.

__
Exemplo: Encontre o percentil de ordem 25, para os seguintes dados: 1, 2, 3, 4, 5, 6,
7, 9

Soluo: Como o N =8, faz N.(0,25) =8.(0,25) =2. O elemento da posio 2 o 2 e o da
posio 3 o 3. O percentil pedido est entre 2 e 3. Como a diferena entre estes dois
valores 1, para encontrar o tal percentil faz (0,25).1 +2 =2,25

Encontre o percentil de ordem 50 dos dados do exerccio anterior
Soluo: 8.(0,50) = 4. O tal percentil entre o quarto e o quinto elemento, 4 e 5,
respectivamente. Como a diferena entre estes valor 1, faz (0,50).1 +4 =4,5 que o
percentil de ordem 50

__
FAA ISSO

Encontre os percents de ord m 25, 50 e 90 dos seguintes dados: e

46,21,89,42,35,36,67,53,42,75,42,75,47,85,40,73,48,32,41,20,75,48,48,32,52,61

49,50,69,59,30,40,31,25,43,52,62,50

Respostas

a) 36 b) 48 c) 73

Curtose

O coeficiente de curtose mede o grau de achatamento de uma distribuio quando se
compara a uma distribuio normal.

Exemplos:

_0
FAA ISSO

Encontre a moda dos seguintes dados:
1) 1,3,4,4,2,3,5,1,3,3,5,4,2,2,2,3,3,4,4,5
2) Nmero de casamentos em cada 1000 pessoas na populao Africana para os anos de
1965 a 1975

__
3) Nmero de mortes em cada 1000 pessoas ano a ano de 1960 e de 1965 1975
1960 9.5
1965 9.4
1966 9.5
1967 9.4
1968 9.7
1969 9.5
1970 9.5
1971 9.3
1972 9.4
1973 9.3
1974 9.1
1975 8.8
Solues
1. 3
2. 10.6
3. 9.5

__
Probabilidade

Conceitosimportantesparaoclculodasprobabilidades
Paracomearmoscomoclculodasprobabilidadesimportantequedefinamostrsconceitos
bsicos:
1.Experimentooufenmenoaleatrio
2.Espaoamostral(conjuntofundamentalouespaoderesultadosouespaodeacontecimentos)
3.Eventoouacontecimento
I)ExperimentoAleatrio
ChamaseExperimentoAleatrioaoprocessodeobservaesoudeacocujosresultados,
emborapodendoserdescritosnoseuconjunto,nosodeterminveispriori,antesda
realizaodaexperincia.
UmexperimentoAleatriotemasseguintescaractersticas:
Apossibilidadederepetiodoexperimentoemcondiessimilares;
Nosepoderdizerpartidaqualoresultadodoexperimentoaserealizar,maspoderdescrever
seoconjuntodetodosresultadospossveis;
Aexistnciaderegularidadesquandooexperimentorepetidomuitasvezes.
Ex:Consideremososseguintesexperimentos
E1:largarumapedradecertaalturaeverificaroquevaiacontecer
Paraesteexperimento,umaquestocerta!Apedravaicair
E2:Lanarumamoeda,aoar,everificarafacevoltadaparacimaquandoamoedajestiverno
cho
Aqu,porqueamoeda(honestaounoviciada)temduasfaces,nosabemospriorqualestar
voltadaparacima!Existemduaspossibilidades.
Portanto,E1umexperimentonoaleatrioenquantoqueE2umexperimentoaleatrio
Outrosexperimentosaleatrioquepodemosconsiderar,soporexemplo:
E3:Lanarduasmoedas,aoar,everificarasfacesdecima.
Nesteexperimento,osresultadospossveisso:{(C,C);(C,K);(K,C)e(K,K)}emqueCaface
coroaeKafacecara.
E4:Lanarumdado(de6faces)everificarafacevoltadaparacima
Paraesteexperimentoosresultadosesperadosso{1;2;3;4;5;6}
II)EspaoAmostralouEspaodeResultadosouEspaodeacontecimentosouConjunto
Fundamental(S)
oconjuntodetodosresultadospossveisdeumcertoexperimento
Ex:Paraoexperimentoanterior(E2),oespaoamostralS={(K,C)}
ParaoexperimentoE3oconjuntofundamentalS={(C,C);(C,K);(K,C);(K,K)}
ParaoE4oespaoderesultadosS={1;2;3;4;5;6}
III)Eventoouacontecimento
ChamaseEventoqualquersubconjuntodeS
Ex:ConsideremosparaoexperimentoE3oacontecimentoA:Saidadafacecarapelomenosuma

__
DefiniesouConceitosdeProbabilidade
Vamosdestacar,aqui,trsdefiniesouconceitosdeprobabilidades:
I.ConceitoClssicodeProbabilidade(TeoriaClssicadeLaplace)
SeaumaexperinciaaleatriasepodemassociarNresultadospossveis,mutuamente
exclusivoseigualmenteprovveis,esen(X)dessesresultadostiveremoatributoX,entoa
probabilidadedeXafraco
N
X n ) (
;IstoP(X)=
N
X n ) (
onden(X)onderesultados
favorveisaXeNonderesultadospossveisparaoexperimento
Ex:Noexperimentoqueconsisteemlanarduasmoedaseverificarafacedecima,oespao
amostral(S)tem4elementos(resultadospossveis).EntoN=4.Eoscasosfavorveisao
eventoAso3.Portanton(A)=3.
EntoP(A)=
N
A n ) (
=
4
3
II.ConceitofrequencistadeProbabilidadeouabordagememprica
SeemNrealizaesdeumaexperincia,oacontecimentoAseverificounvezes,dizsequea
frequnciarelativadeAnasNrealizaesf(A)=
N
n
P(A)=limf(A)~
N
n
(quandoN)
Paraocasodoexemploanterior,onmeroderealizaesdoexperimentoN=4ea
frequnciarelativadeAf(A)=
N
n
=
4
3
.PortantoaprobabilidadedeAP(A)~
N
n
=
4
3
Portanto,aqui,aprobabilidadeaproximasefrequnciarelativadoevento.
III.Conceitosubjectivooupersonalistadeprobabilidade
Utilizandoesteconceito,aprobabilidadedeumacontecimentodadapelograude
credibilidadeoudeconfianaquecadapessoadrealizaodeumacontecimento.Baseiase
nainformaoquantitativa(ex:frequnciadeocorrnciadeumacontecimento)e/ou
qualitativa(ex:informaosobreexperinciapassadaemsituaessemelhantes)queodecisor
possuisobreoacontecimentoemcausa.Diferentesdecisorespodematribuirdiferenmtes
probabilidadesaomesmoacontecimentodecorrentesdaexperincia,atitudes,valores,etc,que
possuem.
Exemplo:
OJoodizaoManuel:Manuel,setupassaresdaruaaoladodaquelacasaaprobabilidadede
serescorridoporumcoguarda(dessacasa)de90%.
Mas
OPaulodizaoManuel:Manuel,setupassaresdaruaaoladodaquelacasaaprobabilidadede
serescorridoporumcoguarda(dessacasa)de50%.
Aqui,oJooeoPaulodoamesmainformaoaoManuelmaspodesverqueelesatribuem
probabilidadesdiferentesaoeventosercorrido...
Podeserquede10vezesqueoJoopassoudaquelaruafoicorrido9vezesequeoPauloteve
umasortediferenteefoicorridoapenas5vezes!
Portanto,cadaumestusandoassuasexperinciaspassadasparadefiniraprobabilidadede
algumsercorridoaopassardaquelarua.
Entoasprobabilidadesporelesatribudasaoeventoacimasosubjectivas.
__
Regras de Contagem
1) Factorial
Definio: Factorial 4 ! =4 x 3 x 2 x 1 and 7! =7 x 6 x 5 x 4 x 3 x 2 x 1
2) Permutao

__
__
FAA ISSO

Resolva as seguintes tarefas:

.

__
Exemplo:
Axiomasdateoriadeprobabilidades
Danecessidadedesistematizaodosconceitosempreguesnateoriadasprobabilidadeseda
construodeumcorpotericocoerentesurgemostrsaxiomasemquesebaseiamtodosos
desenvolvimentosposterioresdocampodasprobabilidades.
AssimconsideramosqueP(-)umafunoqueassociaatodooacontecimentoAdefinidoemS
umncompreendidonointervalo|0;1|equesatisfazosseguintesaxiomas:
I. P(A)>0,A_S(ondeSoespaoamostral)
II. P(S)=1,(Sumacontecimentocerto)
III. SendoAeBacontecimentosmutuamenteexclusivosdefinidosemS,ousejaAB=|
,temsequeP(AB)=P(A)+P(B)
Emgeral,seA
1
,
A
2
,A
3
,...,A
n
soacontecimentosmutuamenteexclusivosdefinidosemS,ento
P(A
1
A
2
A
3
...A
n
)=P(A
1
)+P(A
2
)+P(A
3
)+...+P(A
n
)=
i=1
n
P(A
i
)
Exemplo:Selanarmosumdado,qualaprobabilidadedeobtermos3pontosou5pontos?
Soluo:P(3)=
6
1
;P(5)=
6
1
e,portanto,P(3ou5)=
6
1
+
6
1
=
6
2
=
3
1
PROBABILIDADEDAMULTIPLICAO
Emprobabilidades,humaregraanlogaaoprincpiofundamentaldacontagem(estudadonaanlise
combinatria),denominadaregradoprodutoouregrademultiplicaodeprobabilidades.
Enunciado:
Seumacontecimentocompostoporvrioseventossucessivoseindependentes,detalmodoque:
O1eventoAeasuaprobabilidadeP(A)
O2eventoBeasuaprobabilidadeP(B)
O3eventoCeasuaprobabilidadeP(C)
...
...
...
OKsimoeventoKeasuaprobabilidadeP(K),
EntoaprobabilidadedequeoseventosA,B,C,...,K,ocorramnessaordem
P(ABC...K)=P(A).P(B).P(C).....P(K)
DoisacontecimentosAeB,porexemplo,soindependentesseesomenteseaprobabilidadedeA
ocorrerapsBterocorridoigualaprobabilidadedeA.Isto,P(AapsB)=P(A)ou
P(BapsA)=P(B)
NOTA:Axiomassoproposiesaceitessemdemonstrao
d)Algunsteoremasimportantes
Osteoremassempreprecisamdeserdemonstrados!
Teorema1.
DadoumacontecimentoAcomprobabilidadeP(A),aprobabilidadedoseucomplementar
(acontecimentocontrrio)obtmsesubtrandounidade,aprobabilidadedeA;isto
P( A )=P(A )=1P(A)
c
Temos(BA)(BA)=|.Entoosacontecimentos(BA)e(BA)somutuamente
exclusivos

__
Teorema2.
Aprobabilidadedoacontecimentoimpossvel;istoP(|)=0
Teorema3.
DadosdoisacontecimentosAeBquaisquer,aprobabilidadedoacontecimentodiferenaBA
P(BA)=P(B)P(AB)
Demonstrao:
FIGURA:

Dafigurapodesverque(BA)(BA)=|.Entoosacontecimentos(BA)e(BA)so
mutuamenteexclusivos
Mas(BA)(BA)=B
EntoP(B)=P|(BA)(BA)]=P(BA)+P(BA)P(BA)=P(B)P(BA)c.q.d
Teorema4.
Aprobabilidadedauniodedoisacontecimentosquaisquer(nonecessariamentemutuamente
exclusivos),AeBP(AB)=P(A)+P(B)P(BA)
Consideremosalgunsexemplos:
a) Deumbaralhode52cartasescolhidaaleatoriamenteumacarta.Qualaprobabilidadedeser
um10oucorao.
Soluo:Aprobabilidadedeserum10P(10)=
52
4
;aprobabilidadedesercorao
P(corao)=
52
13
eaprobabilidadedeser10ecoraoP(10ecorao)=
52
1
.
Portanto,aprobabilidadepedidaP(AB)=P(A)+P(B)P(BA)=P(10)+P(corao)P(10
ecorao)=P(10)+P(corao)P(10ecorao)=
52
4
+
52
13
52
1
=
52
16
b) Nolanamentodeumdado,encontreaprobabilidadedequesetenhaobtidoonmero4
sabendoquesabendoqueonmeroobtidonolanamentofoipar.
Soluo:Tratase,aqu,deumaprobabilidadecondicional.ParadoiseventosAeB,emgeral,a
probabilidadedeocorrnciasimultneadadaporP(AB)=P(A/B).P(B)e,portanto,
P(A/B)=
P(B)
B) (A
SendoA:Saidadonmero4nolanamentodeumdadoeB:Saidadeumnmeroparno
lanamentodeumdado
entoP(AB)=
6
1
eP(B)=
6
3
.Portanto,P(A/B)=
P(B)
B) (A
=
6
3

6
1
==
3
1
c) Umacaixacontm3bolascordelaranja,3coramarelae2corbranca.Trsbolasso
seleccionadasaleatoriamentesemreposio.Acharaprobabilidadedesairemduasamarelase
umabranca.
Sejam,A
1
:Saidadebolaamarelanaprimeiraextraco.Ento,P(A
1
)=
8
3
A
2
:Saidadebolaamarelanasegundaextracoapstersaidoamarelanaprimeira.Ento,
P(A
2
)=
7
2

B
3
:Saidadebolabrancanaterceiraextracoapsteremsaidoamarelasnasduasextraces
anteriores.Ento,P(A
2
)=
6

2
Ento,aprobabildadedesairemduasamarelaseumabrancaser:
8
3
x
7
2
x
6
2
=
28
1

EXERCCIOS
1. Dequantasmaneirasdiferentes7pessoaspodemestardispostasnumafila?
2. Dequantasmaneirasdiferentes3canetaspodemserescolhidasde12canetas?
3. Sedeumbaralhode52cartasescolhermos3,qualaprobabilidadedetodasseremouro?
RESPOSTAS
1. (5040)2.(220)3.(0,013)

LEIA

An Introduction to Probability and Rondam
Processes by Kenneth B & Gian-Carlo, pginas 1.
1. 20-1.22
* Captulo 1 de exerccios: Sets, Events &
Probability pg 1.23-1.28 Nmeros 1-12 & 14-20
2. 2.1-2.33
* Captulo 2 de exerccios: Finite Processes pag.
2.33 Nmeros 1, 2, 3, 13-20
3. Itroduction to Probability , by Charles M
Grinstead pginas 139-141

Variveis Aleatrias
Variveis Aleatrias (v. a)
Definio: Uma varivel aleatria uma funo que associa a cada resultado possvel de um
experimento aleatrio um nmero real.
(Harry Frank & Steve C Althoen, CUP, 1994, pg. 155).
Uma varivel Aleatria uma varivel no sentido de que ela pode ser usada como um substituto de
um nmero nas equaes ou inequaes. Sua aleatoriedade completamente descrita pela sua funo
de distribuio acumulada que pode ser usada para determinar a probabilidade que ela toma para certos
valores particulares.
Formalmente, uma varivel aleatria uma funo mensurvel de um espao de probabilidades ao
conjunto de nmeros reais. Por exemplo, uma varivel aleatria pode ser usada para descrever o
processo de lanamento de um dado perfeito e os possveis resultados {1, 2, 3, 4, 5, 6}. A
representao mais bvia tomar estes conjunto como espao amostral, a medida de probabilidade
como sendo uma medida uniforme, e a funo sendo a funo identidade.
Varivel Aleatria
Alguns consideram varivel aleatria um nome inapropriado, uma vez que varivel aleatria no
varivel mas sim uma funo que transforma resultados (de um experimento) em nmeros reais. Seja A
uma o-lgebra e O o espao amostral de resultados relevantes ao experimento a ser levado a cabo. No
exemplo de lanamento do dado, o espao de resultados O ={1, 2, 3, 4, 5, 6}, e A seria a potncia do
conjunto. Neste caso, uma varivel aleatria apropriada seria a funo identide X(e) =e, tal que se o
resultado um 1 ento a varivel aleatria tabm 1. Um exemplo igualmente simples mas menos
trivial o exemplo no qual poderamos lanar uma moeda: um espao amostral adequado de resultados
possveis O ={H, T} (para cara ou coroa), e A igual ainda potncia de O. Uma entre muitas
varivis aleatrias possveis definidas neste espao :
X(e) =
=
=
T se
H se
e
e
, 1
, 0
Matematicamente, uma varivel aleatria definida como uma funo mensurvel de um espao
amostral para algum espao mensurvel
Convergncia de Variveis Aleatrias
Na teoria de probabilidade, existem vrias noes de convergncia para variveis aleatrias. Elas so
listadas abaixo em ordem da sua fora, isto , qualquer noo de convergncia subsequente na lista
implica convergncia de acordo com todas as noes de convergncia precedentes.
Convergncia em distribuio: Como o nome diz, uma sequncia de variveis aleatrias X
1
, X
2
, ...
converge para a varivel aleatria X em distribuio se as suas respectivas funes de distribuio
acumuladas F
1
, F
2
, ... convergempara a funo de distrbuio acumulada F, de X, sempre que F
contnua.
Convergncia Fraca: A sequncia de variveis aleatrias X
1
, X
2
, ... dita convergir fracamente para
uma varivela aleatria X se ) | (| lim c >

X X P
n
n
=0 para cada c >0. A Convergncia Fraca tambm
chamada deconvergncia em probabilidade.
Convergncia Forte: A sequncia de variveis aleatrias X
1
, X
2
, ... dita convergir fortemente para
uma varivela aleatria X se ) (| lim X X P
n
n
=

=1
A convergncia Forte tambm conhecida como convergncia quase certa.
Intuitivamente, convergncia forte uma verso mais forte da convergncia fraca, e em ambos casos
as variveis aleatrias X
1
, X
2
, ... mostram uma correlao crescente com X. Todavia, no caso da
convergncia emdistriubuio, os valores realizados das variveis aleatrias no precisam de
convergir, e qual qualquer possvel correlao entre eles imaterial.
Lei dos Grandes Nmeros
Se uma moeda perfeita atirada para cima, sabemos que aproximadamente metade de vezes ter cara
virada para cima, e outra metade ter coroa virada para cima. Tambm parece que quanto mais
lanarmos a moeda, mais provvel que a razo de cara:coroa aproximar a 1:1. A probabilidade
moderna permite-nos chegar formalmente ao mesmo resultado, apelidada de Lei de Grandes
Nmeros. Este resultado notvel porque em parte alguma foi assumido durante a construo da
teoria e completamente um ramo da teoria. Ligando teoricamente-deduzidas as probabilidades sua
frequncia real de ocorrncia no mundo real, este resultado considerado como um pilar na histria da
teoria estatstica.
A Lei forte de grandes nmeros (SLLN strong law of large numbers) afirma que se um evento de
probabilidade p observado repetidamente durante experimentos independentes, a razo entre a
fraquncia observada do tal evento e o nmero total de repeties converge fortemente para p em
probabilidade.
Em outras palavras, se X
1
, X
2
, ... so variveis aleatrias independentes de Bernoulli tomando valores
1 com probabilidade p e 0 com probabilidade 1 p, ento a sequncia de nmeros aleatrios
n
X
n
converge para p quase certamente, isto ,
1
1
lim = =
=

|
|
|
.
|
\
|

p
n
n
i i
X
n
P
Teorema Central do Limite
O teorema central do limite a razo de ocorrncia omnipresente da distribuio normal, para a qual
um dos teoremas mais celebrados em probabilidade e estatstica.
O teorema afirma que a mdia de muitas variveis aleatrias independentes e identicamente
distribuidas tende para uma distribuio normal independentemente da qual distribuio original as
variveis aleatrias seguem. Formalmente, seja X
1
, X
2
, ... variveis aleatrias independentes com
mdias
1
,
2
, ..., e varincias o
1
2
, o
2
2
, ... Ento, a sequncia das variveis aleatrias
Z
n
=
=
=

n
i
i
n
i
i i
X
1
2
1
) (
o

converge em distribuio para uma varivel aleatria normal padro.
Funes de Variveis Aleatrias
Se temos uma varivel aleatria X em O e uma funo mensurvel f: R R, ento Y =f(X) ser
tambm uma varivel aleatria em O, uma vez que a composio de uma funo mensurvel uma
funo mensurvel. O memso procedimento que nos permitiu sair do espao de probabilidade (O, P)
para (R, dF
X
) pode ser usado para obter a distribuio de Y. A funo acumulada de probabilidade de Y

F
Y
(y) =P(f(X) s y).
Exemplo
Seja X tomando valores reais, uma varivel aleatria contnua e seja Y = X
2
. Ento
F
Y
(y) =P(X
2
s y).
Se y <0, ento P(X
2
, s y) =0, assim
F
Y
(y) =0 se y <0
Se y > 0, ento
P(X
2
s y) =P(|X| s y) =P ), ( y X y s s
Assim, F
Y
(y) =F
X
( y) F (-
X
y) se y > 0
Distribuies de Probabilidade
Certas variveis aleatrias ocorrem muitas vezes na teoria de probabilidade devido a muitos processos
naturais e fsicos. Suas distribuies portanto, ganharam importncia especial na teoria de
probabilidade. Algumas distribuies discretas fundamentais so a uniforme, a de Bernoulli, a
binomial, a binomial negativa, de Poisson e a geomtrica. Distribuies contnuas importantes incluem
a uniforme contnua, a normal, exponencial, gamma e a distribuio beta.
Funes de Distribuio
Uma varivel aleatria X: O R definida no espao de probabilidade (O, A, P) dada, podemos
colocar as questes do tipo Quo provvel que o valor de X seja maior que 2?. Esta questo a
mesma que a probabilidade do evento {s e O : X(s) >2}que muitas vezes escrito como P(X > 2), de
forma mais breve.
Registando todas estas probabilidades para valores reais de X resulta a distribuio de probabilidade de
X. A distribuio de probabilidade esquece do espao particular de probabilidade usado para definir
X e somente regista as probabilidades dos diferentes valores de X. Tal distribuio de probabilidade
pode sempre ser capturada pela sua funo acumulada de probabilidade
F
X
(x) =P(X s x)
e algumas vezes tambm se usa uma funo de densidade de probabilidade. Em termos de teoria de
medidas, usamos a varivel aleatria X para puxar-a-diante a medida P em O a uma medida dF em
R. O espao de probabilidade O subjacente um dispositivo tcnico usado para garantir a existncia de
variveis aleatrias, e algumas vezes para constru-las. Na prtica, se dispe juntamente do espao O e
somente se atribui a uma medida em R que associa medida 1 a toda recta real, isto , trabalhamos com
distribuies de probabilidade em vez de variveis aleatrias.
Teoria de Probabilidade discreta
A teoria de probabilidade discreta lida com eventos que ocorrem em espaos amostrais enumerveis.
Exemplos: Lanamento de um dado, experimentos com baralhos de cartas, e uma caminhada aleatria.
Definio clssica: Inicialmente a probabilidade de um evento a ocorrer foi definida como um nmero
de casos favorveis ao evento, sobre o nmero total de resultados possveis. Por exemplo, se o evento
ocorrncia de um nmero par quando o dado lanado, a probabilidade dada por
2
1
6
3
= uma vez
que 3 faces das 6 tm nmeros pares.
Definio moderna: a definio moderna comea com um conjunto chamado de espao amostral que
relaciona ao conjunto de todos resultados possveis no sentido clssico, denotado por O ={x
1
, x
2
, ... }.
E depois assumido que para cada elemento x e O, um nmero intrnseco de probabilidade f(x)
associado, que satisfaz as seguintes propriedades:
1. f(x) e[0, 1] para todo x e O
2. 1 ) ( =
O e x
x f
Um evento definido como qualquer subconjunto E do espao amostral O. A probabilidade do
evento
P(E) =
eE x
x f ) (
Assim, a probabilidade de todo espao amostral 1, e a probabilidade do evento nulo 0.
A funo f(x) que transforma um ponto no espao amostral ao valor da probabilidade chamada
uma funo de massa de probabilidade abreviada como fmp (=pmf-probability mass function). A
definio moderna no tenta responder como as funes de massa de probabilidade so obtidas, em vez
disso constri uma teoria que assume sua existncia.
Teoria de Probabilidade Contnua
A teoria de probabilidade contnua lida com eventos que ocorrem num espao amostral contnuo.
Se o espao amostral um conjunto de nmeros reais, ento uma funo chamada de funo
acumulada de probabilidade ou fadF (=cdfF cumulative distribution function) assumida a
axistir, que resulta em P(X s x) =F(x)
fadF deve satisfazer as seguintes propriedades:
1. F uma funo montona no decrescente e contnua direita
2. 0 ) ( lim =

x F
x
3. 1 ) ( lim =

x F
x
Se F diferencivel, ento a varivel aleatria dita ter uma funo de desnsidade de probabilidade
ou fdp ou simplesmente densidade f(x) =
dx
x dF ) (

Para um conjunto E_ R, a probabilidade da varivel aleatria em E definida como
P(X e E) =
}
eE x
x dF ) (
No caso da densidade existir, ento a funo anterior pode ser escrita como
P(X e E) =
}
eE x
dx x f ) (
Enquanto que a fdp existe somente para variveis aleatrias contnuas, a fad existe para todas varivis
aleatrias (inclundo para variveis aleatrias discretas) que tomam valores em R.
Estes conceitos podem ser genaralizados para casos de espaos multidimensionais ou seja em R
n
.
Funo de Densidade de Probabilidade
Distribuio discreta
Se X uma varivel que pode assumir um conjunto discreto de valores X
1
, X
2
, X
3
, ..., X
k
com respeito
a probabilidades p
1
, p
2
, p
3
, ...., p
k
, onde p
1
+p
2
+p
3
+....... +p
k
=1 dizemos que uma distribuio
discreta de probabilidade para X foi definida. A funo p(X), com os valores respectivos p
1
, p
2
, p
3
, ...,
p
k
para X =X
1
, X
2
, X
3
, ..., X
k
chamda de funo de probabilidade, ou funo de frequncia, de X.
Porque X pode assumir certos valores com probabilidades dadas, esta funo muitas vezes chamada
uma varivel aleatria discreta. Uma varivel aleatria tambm conhecida como uma varivel de
chance ou varivel estocstica. {Murray R, 2006, pg. 130).
Distribuio Contnua
Supe que X uma varivel aleatria contnua. Uma varivel aleatria contnua X especificada pela
sua funao de densidade de probabilidade que escrita f(x) quando f(x) > 0 em todo intervalo de
valores para os quais x vlido. Esta funo de densidade de probabilidade pode ser representada por
uma curva, e as probabilidades so dadas pela rea por baixo da curva.

A rea total por baixo da curva igual a 1. A rea por baixo da curva entre as rectas x =a e x =b
(sombreada) corresponde a probabilidade de X entre a e b, que pode ser denotada por P(a <X <b).
P(X) chamada uma funo de densidade de probabilidade e a varivel X muitas vezes chamada de
uma varivel aleatria contnua.
Uma vez que a rea total por baixo da curva igual a 1, segue a probabilidade do espao entre a e b
dada por
P(a s X s b) =
}
b
a
dx x f ) (
que a rea sombreada.
Nota: ao calcular a rea entre a e b, no distinguimos as desigualdades (s e >) e (<e >). Assumimos
que as rectas em a e b no tm grossura e a sua rea igual a zero.

Exemplos resolvidos:
1) Uma varivel aleatria X est distribuida com a funo densidade de probabilidade f definida
por
f(x) =kx(16 x
2
), para 0 <x <4
Avalie
a). O valor da consatante k
b). A probabilidade do espao P(1 <X <2)
c). A probabilidade P(X > 3)

Soluo

Para qualquer funo f(x) tal que
f(x) > 0, para a s X s b,
e =1
}
b
a
dx x f ) (
pode ser tomada como a funo de densidade de probabilidade (f. d. p) de uma varivel aleatria
contnua no intervalo a s X s b.
Procedimento
Passo 1: Em geral, se X uma varivel aleatria contnua (v. a. c.) com f. d. p. f(x) vlida no
intervalo a s X s b, ento
}
=
X a
dx x f
||
1 ) ( , isto
}
b
a
dx x f ) ( =1
Passo 2:
a) Para determinar k, usamos o facto de que f(x) =kx(16 x
2
), para 0 s X s 4, ento
1 ) 16 (
4
0
2
=
}
dx x kx
k 1 ) 16 (
4
0
3
=
}
dx x x
k =
64
1

Passo 3
b). Determinar P(1 <X <2)
Soluo
P(1 <X <2) =
}
2
1
) ( dx x f
=
64
1
}

2
1
3
) 16 ( dx x x =
256
81

Passo 4
c). Determinar P(X > 3)
P(X > 3) =
64
1
}

4
3
3
) 16 ( dx x x =
256
49

Exemplo 2

2). X a varivel aleatria contnua a massa de uma substncia, em kg, por minuto num processo de
produo industrial, onde
f(x) =
s s
casos outros em
X x x
0
) 3 0 ( ) 6 (
12
1

Determinar a proabilidade de que a massa seja mais que 2 kg.

Soluo

X pode tomar valores somente de 0 a 3. Esboamos o grfico de f, e sombreamos a rea requerida.

P(X >2) =
}

3
2
) 6 (
12
1
dx x x
=
}

3
2
2
) 6 (
12
1
dx x x
=
3
2
3
2
3
3
12
1
(
x
x
=0,722 (3 casas decimais)
A probabilidaade de que a massa seja mais do que 2 kg de 0,722
Exemplo resolvido
3). Uma varivel aleatria contnua tem fdp f(x) onde
f(x) =kx
2
, 0 s X s 6
a). Determinar o valor de k
b). Determinar P(2 s X s 4).

Soluo
a) Uma vez que X uma varivel aleatria, a probabilidade total igual 1, isto ,
}
=
||
1 ) (
a
dx x f
=1
}
6
0
2
dx kx
1
3
6
0
3
=
(
kx

1
3
216
=
k

k =
216
3

Portanto, f(x) =
2 2
72
1
216
3
x x = , 0 s X s 6
b)

P(2 s X s 4) =
}
4
2
2
72
1
dx x
=
4
2
3
216
1
(
(
x
=0,259
Portanto, a probabilidade P(2 s X s 4) =0,259

Exemplo resolvido
4). Uma varivel aleatria contnua (v. a c) tem a funo de densidade de probabilidade f. d. p. f(x),
onde
f(x) =
s s
< s
casos outros em
X x k
X k
0
) 5 2 ( ) 3 2 (
2 0
a) Determinar o valor de k
b) Esboar y =f(x)
c) Determinar P(X s 1)
d) Determinar P(X >2,5)

Soluo
a) Uma vez que X uma varivel aleatria, ento
}
=
X a
dx x f
||
1 ) (
Portanto,

} }
= +
2
0
5
2
1 ) 3 2 ( dx x k kdx
=1 | | |
5
2
2 2
0
3x x k kx +
2k +19k =1
k =
21
1

b) Assim a f. d. p de X
f(x) =
s s
< s
casos outros em
X x
X
0
) 5 2 ( ) 3 2 (
21
1
2 0
21
1

Esboo do grfico de f:

c) P(X s 1) =rea por baixo do grfico entre zero e 1 =C L =1
21
1
=
21
1
=0,048
d) Determinar P(X >2,5) =rea do rectngulo +rea do trapzio
=(
21
1
2) +(
21
1
{0,5}{
21
1
+
21
2
}) = 131 , 0
84
11
=

RESOLVE

1). A varivel aleatria contnua X tem a f. d. p f(x) onde f(x) =k, 0 s X s 3.
a) Esboce y =f(x)
b) Determine o valor da constante k
c) Determine P(0,5 s X s 1)

2) A varivel aleatria contnua X tem a f. d. p f(x) onde f(x) =kx
2
, 1 s X s 4
a) Determine o valor da constante
b) Determine P(X > 2)
c) Determine P(2,5 s X s 3,5)
3) A varivel aleatria contnua X tem a f. d. p f(x) onde
f(x) =
s s
< s
casos outros em
X x k
X k
0
) 3 2 ( ) 1 2 (
2 0
Determine o valor da constante k
a) Esboce y =f(x)
b) Determine P((X s 2)
c) Determine P(1 s X s 2,2)
Reflexo:Osprofessorespodemencontrarosoftwaredeproduode
grficosteisnoensinodaestatstica.
UmexemplodosoftwaredaFonteAbertaoGraph.Vejanapgina
http://www.padowan.dk/graph/
Setemacessoaocomputador,faaodownloadgrapheexploreassuas
ferramentasestatsticas
Aseguirestumexemplodediferentescurvasquepodemserdesenhadas
comorecursoaGraph.

Esperana
Definio
Se X uma varivel aleatria contnua com a funo de densidade de probabilidade (f. d. p) f(x), ento
a esperana de X E(X) onde
E(X) =
}
X a
dx x Xf
||
) (
NB: E(X) muitas vezes denotada por e referida como a mdia de X

Exemplo
1) Se X uma varivel aleatria contnua com f. d. p f(x) =
2
16
1
x , 0 s X s 3, determine E(X).
Soluo
E(X) =
}
X a
dx x Xf
||
) (

}
3
0
2
} {
16
1
dx X X =
64
81
4 16
1
3
0
4
=
(
x
=1,265

2) Se a varivel aleatria contnua X tem f. d. p.
f(x) =
5
2
(3 +x)(x 1), 1 s X s 3, determine E(X).
E(X) =
}
X a
dx x Xf
||
) (
}
+
3
0
) 1 )( 3 }( {
16
1
dx x x X =
60
608
2
3
3
2
4 5
2
3
1
2 3 4
=
(
+
x x x
=10,13
Generalizao
Se f(x) uma funo qualquer da varivel aleatria contnua X tendo a f. d. p. f(x), ento
E[g(X)] =
}
X a
dx x f x g
||
) ( ) (
e em particular
E(X
2
) =
}
X a
dx x f X
||
2
) (
A seguinte concluso consistente
1. E(a) =a
2. E(aX) =aE(X)
3. E(aX +b) =aE(X) +b
4. E[f
1
(X) +f
2
(X)] =E[f
1
(X)] +E[f
2
(X)]

Exemplo

1) Uma varivel aleatria contnua X tem f. d. p. f(x) onde f(x) = x
2
1
, 0 s X s 3
Determine
a) E(X)
b) E(X
2
)
c) E(2X +3)

Soluo

a) E(X) = =
}
X a
dx x Xf
||
) (
}
3
0
2
2
1
dx x =
3
0
3
3 2
1
(
x
=4,5

b) E(X
2
) = =
}
X a
dx x f X
||
2
) (
}
3
0
3
2
1
dx x =
3
0
4
4 2
1
(
x
=
8
81
=10,125

c) E(2X +3) =E(2X) +3 =2E(X) +3 =2(4,5) +3 =12 (a partir de a) acima)

RESOLVE

1) A varivel aleatria contnua X tem a f. d. p. f(x), onde
f(x) =
s s
< s
< s
casos outros em
X x k
x k
X kx
0
) 5 3 ( ) 4 (
3 1
1 0
a) Determine k
b) Calcule E(X)

2) A varivel aleatria contnua X tem a f. d. p f(x) onde f(x) = ) 3 (
10
1
+ x , 0 s X s 5
Determine
a) E(X)
b) E(2X +3)
c) E(X
2
)
d) E(X
2
+2X 1)

Distribuio de Bernoulli
Na teoria de probabilidade e estatstica, a distribuio de Bernoulli, assim chamada em homenagem
ao cientsta Suio J acob Bernoulli, uma distribuio discreta de probabilidade, que toma o valor 1
com a probabilidade de sucesso p e valor 0 com a probabilidade de fracasso q =1 p. Assim se X
uma varivel aleatria com esta distribuio, temos
P(X =1) =1 P(X =0) =p.
A funo f de massa de probabilidade desta distribuio :
f(k; p) =
=
=
casos outros em
k se p
k se p
0
0 1
1
O valor esperado de uma varivel aleatria de Bernoulli X E(X) =p, e sua varincia Var(X) =p(1
p).
A curtose tende para o infinito para os valores altos e baixos de p, mas para p =
2
1
a distribuio de
Bernoulli tem a curtose mais baixa do que qualquer outra distribuio, nomeadamente -2.
A distribuio de Bernoulli faz parte da famlia da distribuio exponencial.
Distribuio Binomial
Na teoria de probabilidade e estatstica, a distribuio binomial uma distribuio discreta de
probabilidade do nmero de sucessos numa seuqncia de n experimentos independentes do tipo
sim/no cada um dos quais resulta em sucesso com probabilidade p. Um tal experimento de sucesso
/fracasso tambm chamado de experimento de Bernoulli ou ensaio de Bernoulli. De facto, quando n
=1, a distribuio binomial uma distribuio de Bernoulli. A distribuio binomial a base para o
teste popular binomial da significncia estatstica.
Exemplos
Um exemplo elementar o seguinte: lanar um dado para cima dez vezes e contar o nmero de 1s
como resultado. Ento este nmero aleatrio segue uma distribuio binomial com n =10 e p =
6
1

Por exemplo, assume que 5% da populao tem olhos verdes. E voc retira 500 pessoas
aleatoriamente. O nmero de pessoas de olhos verdes voc retira uma varivel aleatria X que segue
uma distribuio binomial com n =500 e p =0,05 (quando a retirada de pessoas com reposio).
Exemplos
1). Uma moeda lanada para cima 3 vezes. Determine a probabilidade de obter 2 caras e uma coroa
em qualquer ordem dada.
Frmula
Podemos usar a frmula ( ) ( )
x n x
n
x
p p C

1
Onde n =ao nmero total de lanamentos
x =nmero de sucessos (1, 2, ...)
p =probabilidade de sucessos
1 determina o nmero de possbilidades em que um sucesso pode ocorrer
n
x
C
2 a probabilidade de obter x sucessos ( )
x
p
3 a probabilidade de obter n x fracassos. ( )
x n
p

1
Soluo
Lanar 3 vezes significa n =3
Duas caras significa x =2
P(Cara) =
2
1
; P(Coroa) =
2
1

P(2 caras) =
2 3 2
3
2
2
1
1
2
1

|
.
|
\
|

|
.
|
\
|
C =3
4
1

2
1
=
8
3

RESOLVE

1) Determine a probabilidade de obter exactamente um 5 quando um dado lanado 3 vezes.
2) Determine a probailidade de obter 3 caras quando 8 moedas so lanadas para cima.
3) Uma urna contm 4 bolas vermelhas e 2 bolas verdes. Uma bola extrada da urna e reposta na urna
4 vezes. Qual a probabilidade de obter exactamente 3 bolas vermelhas e 1 bola verde?
Resposta
1) P(um 5) =
72
25
6
5
6
1
2 1
3
1
=
|
.
|
\
|
|
.
|
\
|
C =0,347, isto n =3, x =1 e p =
6
1

2) P(3 caras) =
32
7
2
1
2
1
5 3
8
3
=
|
.
|
\
|
|
.
|
\
|
C =0,218, isto n =8, x =3, p =
2
1

3) P(3 bolas vermelhas) =
81
32
3
1
3
2
1 3
4
3
=
|
.
|
\
|
|
.
|
\
|
C =0,395 isto n =4, x =3, p =
3
2

LEI A

1. Lectures on Statistics, By Robert B. Ash, , page 1-4
Processes By
is aleatrias (Random Variables) pg 3.64-3.82
Probability By Charles M. Grinstead
8
ki/Bernoulli_distribution
Exerccios Nos.1, 2 e 3 na pg 4.
2. An Introduction to Probability & Random
Kenneth B & Gian-Carlo R, pg. 3.1-3.63
Exerccio Captulo 3: Varive
Nrs. 1-7, 11-17, 20-24, 34-36
3. An Introduction to
Pg. 96-107, & 184
Exerccios nas pg. 113-11
Nrs. 1,2,3,4,5,8,9,10,19,20
Ref: http://en.wikipedia.org/wiki/measurable_space
Ref: http://en.wikipedia.org/wiki/Probability_theory
Ref: http://en.wikipedia.org/wi
tempo fixo se tais eventos ocorrem com uma taxa mdia conhecida, e so independentes do tempo a
adas telefnicas por hora
s vermelhos no sangue numa certa rea.
A probabilidade de X sucessos :

Distribuio de Poisson
Na teoria de probabildade e estatstica, a distribuio de Poisson uma distribuio discreta de
probabilidade que exprime a probabilidade de um nmero de eventos ocorrendo em um perodo de
partir do ltimo evento.
A distribuio foi descoberta por Simon-Denis Poisson (1781-1840).
A distribuio de Poisson algumas vezes chamada uma distribuio Poissonian, anlogo ao termo
Gaussiano para a distribuio de Gauss ou distribuio normal.
A distribuio de Poisson usada quando a varivel ocorre num perodo de tempo, volume, rea, etc.
... e pode ser usada para chegadas de avies em aeroportos, o nmero de cham
num estao, o nmero de glbulo
! X
e
x

onde e uma consatante matemtica =2,7183
a mdia ou valor esperado das variveis.
500 pginas manuscritas, determine
idade de uma pgina dada tenha exactamente 4 erros.
Determinar a mdia de erros =

Exemplo
Se ocorrem 100 erros tipogrficos distribuidos aleatoriamente em
a probabil
Soluo
5 500
1 100
= =0,2
Em outras palavras, existe uma mdia de 0,2 erros por cada pgina. Neste caso x =4, assim a
probabilidade de escolher uma pgina com exactamente 4 erros

! X
e
x

=
( ) ( )
! 4
2 , 0 7183 , 2
4 2 , 0
=0,00168
Cerca de 0,2%
Trabalhoemgrupo
1.Estudeoclculodaprobabilidadee
resolveaquesoquesesegue
Exemplo Resolvido
Uma linha telefnica gratis recebe uma mdia de 4 chamadas por hora para qualquer hora dada.
etermine a probabilidade de que ela receba exctamente 5 chamadas.

D
! X
e
x

=
) ( ) (
! 5
2 , 0 7183 , 2
5 3
=0,1001
RESOLVE
Que 10%

Uma Companhia de Marketing de telefone obtm uma mdia de 5 encomendas em cada 1000
chamadas. Se a companhia liga para 500 pessoas, determinar a probabilidade de obter 2 encomendas
o
ue 26%
LEI A
Solu
0,26
Q

1. An Introduction to Probability & Random Processes By
tas dos problemas 1,2,3 na pg 15.
ef: http://en.wikipedia.org/wiki/Normal_distribution
Kenneth B & Gian-Carlo R, pg. 187-192
2. Robert B. Ash, Lectures on Statistics, pg. 1 e respos
R
distribuio geomtrica uma das duas distribuies
nsaios de Bernoulli necessrias para obter um
amos a distribuio geomtrica por uma meras questo de conveco
p
1
, ento a probabilidade de que k
ssrios para obter um sucesso
.p
0

para k =1, 2, 3, ...
s em cada ensaio p
0
, ento a probabilidade de que
primeiro sucesso
0

para k =0, 1, 2, 3, ...
Em cada um dos casos, a sequncia de probabilidades uma sequncia geomtrica.

Distribuio Geomtrica
Na teoria de probabilidade e estatstica, a
discretas:
- a distribuio de probabilidade do nmero X de e
sucesso, realizadas no conjunto {1, 2, 3, ...} ou
- a distribuio de probabilidade do nmero Y =X 1 de fracassos antes do primeiro sucesso,
sobre o conjunto {0, 1, 2, 3, ... }
Uma destas distribuies cham
e convenincia.
Se a probabilidade do sucesso em cada um dos experimentos
experimentos sejam nece
P(Y =k) =(1 p
0
)
k
Equivalentemente, se a probabilidade de sucesso
haja k fracassos antes do
P(Y =k) =(1 p
0
)
k
.p
Por exemplo, supe que um dado perfeito lanado para cima e r petidamente at que pela primeira vez
aparea 1. A distribuio de probabilidade do nmero de vezes o dado lanado ocorre no conjunto
infinito {1, 2, 3, ...} uma distribuio geomtrica com p
1
=
6
1

Solues Usando a Frmula da Distribuio Geomtrica
A frmula da probabilidade de que o primeiro sucesso ocorra no en-simo experimento
(1 p)
n 1
p ou simplesmente P(X =k) =(1 p
1
)
k-1
p
1
, onde p a probabilidade de um sucesso e n o
entos at ao primeiro sucesso.
ine a probabilidade de que a primeira coroa ocorra no terceiro lanamento no lanamento de
lanamento significa CCK. De (1 p)
n 1
p, n =3 e p =
nmero de experim
Exemplo
1) Determ
uma moeda.
Soluo
O resultado de uma coroa no terceiro
2
1
e
portanto P(CCK) =
8
1
2
1
2
1
2 2 2
1 =
|
.
\
|
.
\

1 1 1
1 3
=
| | | |

Rolando uma moeda vrias vezes, aplicamos a distribuio geomtrica para obter a resposta de rolar
ezes.
1) Uma moeda lanada para cima, determine a probabilidade de que ocorra a primeira cara no
terceiro lanamento.
Soluo
O resultado KKC
n =3 e p =
Exemplos na Distribuio Geomtrica
uma moeda vrias v
Exemplo
2
1

A probabilidade de obter 2 coroas e uma cara
8
1
2
1 1 1

2 2
=
Ou pela frmula
8 2 2 2 2
1 =
|
.
\
=
|
.
\
|
.
\

1 1 1 1 1
2 1 3
| | | | | |

ine a probabilidade de obter o primeiro 3 no quarto lanamento.

n =4 p =
2) Um dado rolado; determ
Soluo
6
1

1296
125
6
1
6
5
6
1
6
1
|
.
\

1
3 1 4
=
|
.
|
\
|
=
|
.
|
\
| | |

=0,096
Exemplo 2
Se cartas so seleccionadas dum baralho e repostas no baralho, quantos ensaios seriam necessrios em
mdia, para obter um nipe de paus?
P(nipe de paus) =
4
1
52
13
=
Nmero esperado de ensaios para seleccionar 2 nipes de paus ser
1
4
2
4
1
2
= =8
RESOLVE

1) Uma carta de um baralho normal seleccionada e a seguir resposta no baralho, e mais uma
dado lanado para cima at que 5 ou 6 seja obtido. Determine o valor experado de
lanamentos.
Distribuio Hipergeomtrica
distribuio hipergeomtrica uma distribuio discreta
de probabilidade que descreve o nmero de sucessos numa sequncia de n extraces sem reposio a
objectos
nos quais D so defeituosos. A distribuio hipergeomtrica descreve a probabilidade de que numa
Em geral, se uma varivel aleatria X segue uma distribuio hipergeomtrica com paramtros N, D e
n, ento a probabilidade de obter exactamente k sucessos dada por
f(k; N, D, n) =
carta seleccionada e assim por diante. Determine a probabilidade de o primeiro pau ocorrer na
4 extraco.
2) Um
Resposta
1)
2) 3
Na teoria de probabilidade e estatstica, a
partir de um nmero finito da populao.
Um exemplo tpico ilustrado pela tabela de contingncia abaixo: h um carregamento de N
amostra de n objectos distintivos extrados do carregamento exatamente k so defeituosos.
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
n
N
k n
D N
k
D

A probabilidade positiva se k est entre max{0, D +n N} e mn{n, D}.
A frmula pode ser entendida da seguinte maneira: existem possveis amostras (sem reposio).
|
|
.
|
| N
\
n
Existem
|
|
.
|
\
| D
k
formas de obter k objectos defeituosos e existem
|
|
.
|
\
|
k n
D N
formas de preencher o resto
Quando o tamanho da populao maior comparado com o tamanho da amostra (isto , N muito
el
mero de experimentos, ensaios) e p =
da amostra com objectos no defeituosos.
maior do que n) a distribuio hipergeomtrica razoav mente aproximada pela binomial com
parmetros n (n
N
D
(probabilidade de sucesso num nico
Frmula da distribuio hipergeomtrica
experimento).
Se existem dois grupos de itens tais que haja a itens no primeiro grupo e b itens no segundo grupo,
de modo que o nmero total de itens seja (a +b), a probabilidade de seleccionar x itens do primeiro
grupo e (n x) itens do segundo grupo

b a
n
b
x n
a
x
C
C C
+

, onde n o nmero total de itens selecionados sem reposio.

Exemplos
1. Uma urna contm 3 fichas azuis e 3 fichas verdes. Se duas fichas so seleccionadas aleatoriamente,
determine a probabilidade de que ambas sejam azuis.
Soluo
Da frmula
b a
n
b
x n
a
x
C
C C
+

; a =3, b =3, x =2, n =2, n x =2 2 =0

Probabilidade de ambas serem azuis =
5
1
15
1 3
3 3
2
3
2 2
3
2
=
+

C
C C
=0,2
2. Um comit de 3 pessoas seleccionado ao acaso sem reposio a partir de um grupo de 6 homens e
3 mulheres. Determinar a probabilidade de que o comit consista de 2 homens e 2 mulheres.
Soluo
a =6, b =3, n =6 +3 =9
dado que o comit consiste de 2 homens e 2 mulheres, teremos
x =2 n x =3 2 =1
P(2 homens e 2 mulheres) =
28
15
84
3 15
9
3
3
1
6
2
=
C
C C
=0,536
3. Num total de 10 tanques, 3 so tanques defeituosos. Se 4 tanques so aleatoriamente seleccionados e
testados, determinar a probabilidade de que exactamente um tanque seja defeituoso.
Soluo
3 defeituosos 7 so bons
a =3 b =7
P(um tanque ser defeituoso)
n =4 x =1
n x =4 1 =3
P(exactamente um ser defeituoso) = 5 , 0
210
105
10
4
7
3
3
1
= =
C
C C

RESOLVE

1. Numa caixa de 10 folhas existem 5 folhas defeituosas. Se 5 folhas so vendidas aleatoriamente,
determinar a probabilidade de que exactamente duas folhas sejam defeituosas.
2. Numa carregamento de 12 cadeiras 8 so castanhas e 4 so azuis. Se 3 cadeiras so
aleatoriamente vendidas, determinar a probabilidade de que todas sejam castanhas.
Resposta
a) 0,397 b) 0,255

1) Determine a probabilidade de escolher 5 mulheres de um comit de 15 mulheres
P(Escolher 5) =
3003
1 1
15
5
=
C

2) Qual a probabilidade de extrair um as ou uma espada de um baralho de cartas de jogo.
P(As) =
52
4
P(A B) =P(A) +P(B) P(A B)
P(espada) =
13
4
52
16
53
1
52
13
52
4
52
13
= = + =
3). Existem problemas de conceber para mulheres. A probabilidade de morrer de
51
1
qual a
probabilidade de que pelo menos uma vai morrer em cada 5 mulheres?
P(A) =
51
1
P(pelo menos uma vai morrer) =
5
51
50
|
.
|
\
|
=use calculadora
P(A) =1 -
51
1
=
51
50

Aplicao e Exemplo
Uma aplicao clssica da distribuio hipergeomtrica amostragem sem reposio. Pense numa
urna com dois tipos de caramelos, pretos e brancos. Defina extrair um caramelo branco como sucesso e
a extraco de um caramelo preto como fracasso (anlogo distribuio binomial). Se a varivel N
descreve o nmero de todos caramelos na urna (veja a tabela de contingncia abaixo) e D descreve o
nmero de caramelos brancos (chmados defeituosos no exemplo acima), ento N D corresponde ao
nmero de caramelos pretos. Agora, assuma que existem 5 caramelos brancos e 45 pretos na urna.
Estando perto da urna, feche os olhos e extrai 10 caramelos sem reposio. Qual a probabilidade P (k =
4) de que voc extraia exactamente 4 caramelos brancos (e naturalmente 6 caramelos pretos)?
Este problema resumido na seguinte tabela de contingncia
extraidos No extraidos total
caramelos brancos 4(k) 1 =5 4 (D k) 5(D)
caramelos pretos 6 =10 4 (n k) 39 =50 +4 10 5 (N +k n D) 45(N-D)
total 10(n) 40(N n) 50(N)

A probabilidade P(k =x) de extrair exactamente x caramelos brancos (=nmero de sucessos) pode ser
calculada pela frmula
P(k =x) =f(k; N, D, n) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
n
N
k n
D N
k
D

Por isso, neste exemplo x =4, calcule
Trabalhoemgrupos
1. Faaarevisodasseguintesquestesde
probabilidadeeasrespostas
2. Discutaquaisquerdeficuldadesencontradasnos
clculosdasprobabilidades
P(k =4) =f(4; 50, 5, 10) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
10
50
6
45
4
5
=0,003964483....
Assim, a probabilidade de extrair exactamente 4 caramelos brancos bastante baixa (aproximadamente
igual 0,004) e o evento muito improvvel. Isto significa que, se voc repetisse seu experimento
aleatrio (extraindo da urna 10 caramelos dos 50 sem reposio) 1000 vezes voc simplesmente
esperaria obter um tal resultado 4 vezes.
Mas qual a probabilidade de extrair mesmo (todos) 5 caramelos brancos? Voc ir intuitivamente
concordar que este resultado mesmo muito improvvel do que extrair 4 caramelos.
Vamos calcular a probabilidade para um tal evento extremo:
Tabela de contingncia
extraidos No extraidos total
caramelos brancos 5(k) 0 =5 5 (D k) 5(D)
caramelos pretos 5 =10 5 (n k) 40 =50 +5 10 5 (N +k n D) 45(N-D)
total 10(n) 40(N n) 50(N)
Podemos calcular a probabilidade como se segue (note que o denominador fica sempre o mesmo):
P(k =5) =f(5; 50, 5, 10) =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
10
50
5
45
5
5
=0,0001189375....
Como esperado, a probabilidade de extrair 5 caramelos brancos mesmo mais baixa do que extrair 4
caramelos brancos.
Concluso
Consequentemente, podemos expandir a questo inicial como se segue: Se voc extrai 10 caramelos de
uma urna (contendo 5 caramelos brancos e 45 pretos), qual a probabilide de extrair pelo menos 4
caramelos? Ou seja, qual a probabilidade de extrair 4 caramelos brancos e o resultado do extremo
como de extrair 5 caramelos? Isto corresponde a calcular a probabilidade acumulada P(k > 4) e pode
ser calculda pela funo de probabilidade acumulada (f.p.a). Uma vez que a distribuio
hipergeomtrica uma distribuio discreta de probabilidade a probabilidade acumulada pode ser
calculada facilmente adicionando todos valores das probabilidades individais.
No nosso exemplo, podemos simplesmente somar P( k =4) e P(k =5):
P(k > 4) =0,003964583 +0,0001189375 =0,004083520
LEI A

1. An Introduction to Probability & Random Processes por
Distribuies de Frequncias Bivariadas
A distribuio normal bivariada uma distribuio estatstica com funo de probabilidade
P(X
1
, X
2
) =
(
) 1 ( 2
exp
1 2
1
2
2
2 1

o to
z
,
onde
z
2
2
2
2 2
2 1
2 2 1 1
2
1
2
1 1
) ( ) )( ( 2 ) (
o

o o

o

+

X X X X

=cor(X
1
, X
2
) =
2 1
12
o o
o

a correlao de X
1
e X
2
(Kenny e Keeping 1951, pp 92 e 202-205; Whittaker and Robinson 1967, p.
32)
o
11

2
1
o
2 1 12
o o o =
2
2 22
o o =
so comummente usados no lugar de o
1
e o
2
.
As probabilidades marginais s ento
P(X
1
) =
2
1
2
1 1
2
) (
1
2 2 1
2
1
) , (
o
t o

=
}
x
e dx x x P
e
P(X
2
) =
2
2
2
2 2
2
) (
2
1 2 1
2
1
) , (
o
t o

=
}
x
e dx x x P

Tabelas de Probabilidade Conjunta
Esta tabela uma tabela correctamente formatada como tabela de probabilidade conjunta
Dias anotados at ser vendido
Preo I nicial de Procura Abaixo de 30 31-90 Acima de 90 Total
Abaixo de $5.,000 0,06 0,05 0,01 0,13
$5.,000-99.999 0,03 0,19 0,10 0,31
$100.000-150.000 0,03 0,35 0,13 0,50
Acima de $150.000 0,01 0,04 0,01 0,06
Total 0,13 0,63 0,25 1,00
Probabilidades Marginais
Seja S partido em r s de conjuntos disjuntos E
i
e F
j
onde o subconjunto geral denotado por E
i

F
j
. Ento a probabilidade marginal de E
i

P(E
i
) =
=

S
j
j i
F E P
1
). (
LEI A

1. An Introduction to Probability & Random Processes por
2. Exerccios pg. Nrs 1, 2, 3, 4, 5, 6, 7, 8, 9, 14, 15, 16, 17, 26

Unidade 2 (40 horas)
Variveis Aleatrias e Teste de Distribuies
Momentos
A distribuio de probabilidade de uma varivel aleatria muitas vezes caracterizada por um pequeno
nmero de parmetros, que tamm tem uma interpretao prtica. Por exemplo, muitas vezes
suficiente conhecer qual seu valor mdio. Esta ideia captada pelo conceito matemtico de valor
esperado de uma varivel aleatria, denotada por E[X]. Note que em geral, E[f(x)] no mesma coisa
que f(E[X]). Uma vez que o valor mdio conhecido, pode-se perguntar quo distante os valores
tpicos de X esto desse valor mdio, uma questo que respondida pela varincia e desvio padro de
uma varivel aleatria.
Matematicamente, este assunto conhecido como o problema (generalizado) de momentos: tal que
para uma classe dada de variveis aleatrias X, se determina uma coleco {f
i
} de funes tais que os
valores esperados E[f
i
(X)] caraterizam completamente a distribuio da varivel aleatria X.
Equivalncia de Variveis Aleatrias
H vrios sentidos diferentes em que as variveis aleatrias podem ser consideradas para serem
equivalentes. Duas variveis aleatrias podem ser iguais, iguais quase certamente, iguais em mdia, ou
iguais em distribuio.
No sentido crescente de fora (poder), a definio precisa destas noes de equivalncia dada abaixo.
Equivalncia em distribuio
REFLEXO:AsfontesdasTICs(ICT)sodifceisparaseu
acesso.Olinkabaixoabreumaviaparaprofessoresde
MatemticaacessarasfontesdasTICs
http://www.tsmresources.com/suppl.html
Duas variveis aleatrias X e Y so iguais emdistribuio se elas tm as mesmas funes de
distribuio
P(X s x) =P(Y s x) para todo x.
Duas variveis aleatrias tendo funes geradoras de momentos iguais tm a mesma distribuio.
I gualdade em mdia
Duas variveis aleatrias X e Y so iguas emp-sima mdia se o p-simo momento de |X Y| zero,
isto ,
0 ) | (| =
p
Y X E
Igualdade em p-sima mdia implica igualdade em q-sima mdia para todo q < p. Como no caso
anterior, existe uma distncia relativa entre variveis aleatrias, nomeadamente,
d
p
(X, Y) = . ) | (|
p
Y X E
I gualdade
Finalmente, duas variveis aleatrias X e Y so iguais se elas so iguais como funes nos seus espaos
de probabilidade, isto ,
X(e) =Y(e) para todo e.
Funo geradora de Momentos
Na teoria de probabilidade e estatstica, a funo geradora de momentos de uma varivel aleatria X

M
X
(t) =E(e
tX
), t e i;R
onde esta esperana existe.
A funo geradora de momentos gera os momentos da distribuio de probabilidade.
Para o vector das variveis aleatrias X, com componentes reais, a funo geradora de momentos
dada por
( )
X t
X
e E t M
,
) ( =
onde t um vector e (t, X) o produto interno.
Dado que a funo geradora de momentos existe num intervalo por volta de t =0, o n-simo momento
dado por
) ( ) 0 ( ) (
0
) (
t M
dt
d
M X E
X
t
n
n
n
X
n
=
= =
Se X tem uma funo de densidade de probabilidade contnua f(x) ento a funo geradora de
momentos dada por
}

= dx x f e t M
tx
X
) ( ) (
=
}

|
.
|
\
|
+ + + dx x f
x t
tx ) ( ...
! 2
1
2 2

=1 +tm
1
+
! 2
2
2
m t
+...,
onde m
i
i-simo momento. M
X
(-t) simplesmente a transformao de Laplace de dois lados de f(x).
Independentemente se a distribuio de probabilidade contnua ou no, a funo geradora de
momentos dada pela integral de Riemann-Stieltjes

}

= ) ( ) ( x dF e t M
tx
X
onde F a funo de probabilidade acumulada.
Se X
1
, X
2
, ..., X
n
uma sequncia de variveis aleatrias independentes (e no necessariamente
identicamente distribuidas), e
=
=
n
i
i i n
X a S
1
,
onde a
i
so constantes, ento a funo de densidade de probabilidade para S
n
a convoluo das
funes de densidade de probabilidade de cada um dos X
i
e a funo geradora de momentos para S
n

dada por
). ( )... ( ) ( ) (
2 1
2 1
t a M t a M t a M t M
n Xn X X S
n
=
Relacionadas a funo geradora de momentos est uma srie de transformaes que so comuns na
teoria de probabilidade, inclundo a funo caracterstica e a funo geradora de probabilidade.
Desigualdade de Markov

A desigualdade de Markov d um limite superior para a probabilidade de que X esteja dentro de
{X|f(x) > c}
Na teoria de probabilidade, a desigualdade de Markov d um limite superior para a probabilidade de
que uma funo no negativa de uma varivel aleatria maior ou igual a alguma constante. O nome
em homenagem ao matemtico Russo Andrey Markov, embora tenha aparecido antes no trabalho de
Pafnuty Chebyshev (professor de Markov).
A desigualdade de Markov (e outras desigualdades similares) relaciona probabilidades s esperanas,
fornece (frequentemente) o alargamento dos limites mas ainda teis para a funo de probabilidade
acumulada de uma varivel aleatria.
Caso especial: Teoria de probabilidade
Para qualquer envento E seja I
E
varivel aleatria indicadora de E, isto , I
E
= 1 se E ocorre e =0, em
outro caso. Assim I
(|X| > a)
=1 se o evento |X| > a ocorre, e I
(|X| > a)
=0 se |X| <a.
Ento, dado a >0
aI
(|X| > a)
s |X|.
Portanto,
E(aI
(|X| > a)
) s E(|X|).
Agora observe que o lado esquerdo da desigualdade o mesmo que
aE(I
(|X| > a)
) =aP(|X| > a).
Assim temos
aP(|X| > a) s E(|X|) e uma vez que a >0, podemos dividir a ambos lados da desigualdade por a.
LEI A

1. Robert B. Ash, Lectures on Statistics, pg. 9-13
2. An Introduction to Probability & Random Processes
By Kenneth B & Gian-Carlo R, pages 366 -374 & 404 - 407
Exerccios nas pg 376 -376 Nrs. 1,3,7,8
Exerccios na pg 442 Nrs. 1,2,3,4,5
Ref:
http://en.wikipedia.org/wiki/Moment-generating_
function
http://en.wikipedia.org/wiki/characteristic_function_
%28probability_theory%29.
http://en.wikipedia.org/wiki/Integral_transform
Desigualdade de Chebyshev
Na teoria de probabilidade, a desigualdade de Chebyshev (tambm conhecida como desigualdade de
Chebysheff, teorema de Chebyshev ou desigualdade de Bienaym-Chebyshev) em homenagem a
Pafnuty Chebyshev, quem primeiro provou essa desigualdade, a afirmao de que em qualquer amostra
de dados, ou distribuio de probabilidade, aproximadamente todos valores esto perto do valor mdio,
fornece uma descrio quantitativa de aproximadamente todos e perto de. Por exemplo nada mais
que
4
1
dos valores esto mais do que 2 desvios padro fora da mdia, nada mais do que
9
1
so mais do
que 3 desvios padro fora, no mais do que
25
1
esto mais do que 5 desvios padro fora da mdia, e
assim por diante.
Afirmao Probabilstica
Seja X uma varivel aleatria com valor esperado e a varincia finita o
2
. Ento para qualquer nmero
real k >0,
P(|X - , > ko) s
2
1
k
.
Somente os casos k >1 fornecem informao til.
Como exemplo, usando k = 2mostra que pelo menos metade dos valores se situam no intervalo ( -
2o, + 2o).
Tipicamente, o teorema fornecer os limites um pouco inflados. Todavia, os limites fornecidos pela
desigualdade de Chebyshev no podem, em geral (permanecendo conforme para variveis de
distribuio arbitrria), ser melhorados. Por exemplo, para k >1, o seguinte exemplo (onde o =
k
1
)
satisfaz os limites exactamente.
P(X =-1) =
2
2
1
k

P(X =0) =
2
1
1
k

P(X =1) =
2
2
1
k

O teorema pode ser til apesar da inflao dos limites porque o teorema aplicvel para variveis
aleatrias de qualquer distribuio, e porque estes limites podem ser calculados conhecendo da
distribuio nada mais do que a mdia e a varincia.
A desigualdade de Chebyshev usada para provar a lei fraca dos grandes nmeros.
Exemplo de aplicao
Para ilustrao, assuma que temos um extenso corpo de texto, por exemplo artigos duma publicao.
Assuma que conhecemos que os artigos so em mdia de 1000 caracteres em extenso com um desvio
padro de 200 caracteres. Da desigualdade de Chebyshev podemos ento deduzir que pelo menos 75%
dos artigos tm um comprimento entre 600 e 1400 caracteres (k =2).
Prova probabilstica
A desigualdade de Markov afirma que para qualquer varivel aleatria Y que toma valores reais e para
qualquer nmero positivo a, temos P(|Y| >a) s
a
Y E |) (|
. Uma forma de provar a desigualdade de
Chebyshev aplicar a desigualdade de Markov varivel aleatria Y = (X - )
2
com a =(ok)
2
.
Tambm pode ser provado directamente. Para qualquer evento A, seja I
A
uma varivel aleatria
indicadora de A, isto , I
A
igual a 1 se A ocorre e 0 em outro caso. Ento
P(|X - , > ko) =E(I
|X - | > ko)
= ( )
1 )] /( ) [(
2
> o k X
I E s
( ) ( )
2 2
2
2
2
1 1
k
X E
k k
X
E =
=
|
|
.
|
\
|
|
.
|
\
|
o

o

A prova directa mostra porqu os limites so bastante inflados nos casos tpicos: o nmero 1 a
esquerda de > substitudo por | |
2
) /( ) ( o k X direita de > sempre o ltimo excede 1. Em
alguns casos este ltimo excede 1 por uma margem muito grande.
LEI A

1. An Introduction to Probability & Random Processes
por Kenneth B & Gian-Carlo R, pp 305-318
* Exerccios na pg. 309 nrs 1, 2, 3, 4, 5.
* Exerccios nas pp 320-324. Nrs 1, 3, 10, 12
Tipos de Correlaes
Correlao uma medida de associao entre duas variveis. As variveis no so designadas como
dependentes ou independentes. Os dois coeficientes de correlao mais populares so o coeficiente de
correlao de Spearman (rho) e o coeficiente de correlao de momento-produto de Pearson.
Quando se calcula um coeficiente de correlao de dados ordinais, escolhe a tcnica de Spearman. Para
o intervalo ou dados do tipo razo, use a tcnica de Pearson.
O valor de um coeficiente de correlao pode variar de menos um a mais um. Um menos um indica
uma perfeita correlao negativa, enquanto que mais um indica uma perfeita correlao positiva. Uma
correlao de zero significa que no h relao entre as duas variveis. Quando h uma correlao
negativa entre duas variveis, significa que enquanto o valor de uma varivel cresce, o valor de outra
varivel decresce, e vice-versa. Em outras palavras, para uma correlao negativa, as variveis
trabalham opostas uma da outra. Se h uma correlao positiva entre duas variveis, significa que
quando o valor de uma varivel cresce o valor da outra varivel tambm cresce. As variveis movem-
se juntas.
O erro padro de um coeficiente de correlao usado para determinar os intervalos de confiana por
volta de uma correlao verdadeira de zero. Se o coeficiente de correlao cai fora do intervalo, ento
o coeficiente de correlao significativamente diferente de zero. O erro padro pode ser calculado
para o intervalo ou dados do tipo razo (isto , somente para a correlao do momento-produto de
Pearson).
A singificncia (probabilidade) do coeficiente de correlao determinada da estatstica t. A
probabilidade da estatstica t indica se o coeficiente de correlao observado ocorreu por acaso se a
correlao verdadeira zero. Em outras palavras, procura-se saber se a correlao significativamente
diferente de zero. Quando a estatstica t calculada para coeficiente de correlao da diferena
carecterstica de Spearman, deve haver pelo menos 30 casos antes que a distribuio t possa ser usada
para determinar a probabilidade. Se h menos do que 30 casos, deve-se recorrer a uma tabela especial
para determinar a probabilidade do coeficiente de correlao.
Exemplo
Uma companhia quis saber se h uma relao significativa entre o nmero total de vendedores e o
nmero total de vendas.
Varivel 1 Varivel 2
207 6907
180 5991
220 6810
205 6553
190 6190
Coeficiente de correlao =0,921
Erro padro de coeficiente =0,068
Teste-t para significncia do coeficiente =4,100
Graus de liberdade =3
Probabilidade bi-caudal =0,0263
Outro Exemplo
Respondentes a uma pesquisa foram solicitados a julgar a qualidade de um produto numa escala Likert
de quatro pontos (excelente, bom, aprecivel, pobre). Foram tambm solicitados a julgar a reputao
da companhia que fabricara o produto numa escala de trs pontos (bom, aprecivel, pobre). H uma
relao significativa entre a percepo dos respondentes sobre a companhia e suas percepes da
qualidade do produto?
Uma vez que todas variveis so ordinais, o mtodo de Spearman escolhido. A primeira varivel a
classificao da qualidade do produto. As respostas so codificadas como 4 =excelente, 3 =bom, 2 =
aprecivel e 1 =pobre. A segunda varivel a reputao percebida da companhia e codificada como
3 =bom, 2 =aprecivel e 1 =pobre.
Varivel 1 Varivel 2
4 3
2 2
1 2
3 3
4 3
1 1
2 1
Coeficiente de correlao =0,830
Teste-t para significncia do coeficiente =3,332
Nmero de pares =7
A probabildade deve ser determinada a partir de uma tabela por causa do pequeno tamanho da amostra.
Regresso
Regresso simples usada para examinar a relao entre uma varivel dependente e uma varivel
independente. Depois de realizar uma anlise, a regresso estatstica pode ser usada para predizer a
varivel dependente quando a varivel independente conhecida. A regresso vai para alm da
correlao por adicionar a capacidade de predio.
As pessoas usam regresso num nvel intuitivo diariamente. No negcio, um homem bem trajado tido
como financeiramente bem sucedido. Uma me sabe que muito acar na dieta dos seus filhos resulta
em nveis de energia muito altos. A facilidade de acordar nas manhs depende de como atrasou de ir a
cama na noite anterior. A regresso quantitativa aumenta a preciso por desenvolver uma frmula
matemtica que pode ser usada para os propstos preditivos.
Por exemplo, um pesquisar mdico pode querer usar o peso do corpo (varivel independente) para
predizer a dose mais apropriada para uma nova droga (varvel dependente). O propsito de descrever a
regresso de determinar uma frmula que se adequa relao entre as duas variveis. Ento pode-se
usar tal frmula para predizer valores para a varivel dependente quando somente a varivel
independente conhecida. O mdico pode pre-escrever uma dose apropriada baseando-se no peso do
corpo de uma pessoa.
A linha de regresso (conhecida como a linha de quadrados mnimos) a representao grfica do
valor esperado da varivel dependente para todos valores da varivel independente. Tecnicamente, a
linha que minimiza os resduos quadrticos. A linha de regresso a linha que melhor ajusta os
dados numa rede de pontos.
Usando a equao da regresso, a varivel dependente pode ser predita da varivel independente. O
declive da linha de regresso (b) definido como sendo a variao da ordenada dividida pela variao
correspondente da abscissa.
O intercepto no eixo dos y (a) o ponto no eixo das ordenadas onde a linha de regresso intercepta o
eixo y. O declive e y intercepto so incorporados na equao de regresso. O intercepto geralmente
chamado de constante, e o declive referido como coeficiente. Dado que o modelo de regresso no
usualmente uma predio perfeita, existe tambm um termo de erro na equao.
Na equao de regresso, y sempre a varivel dependente e x sempre a varivel independente.
Existem trs formas equivalentes para matematicamente descrever um modelo linear de regresso.
y =intercepto +(declive . x) +erro
y =constante +(coeficiente . x) +erro
y =a +bx +e
O significado do declive da linha de regresso determinado pela estatstica t. a probabilidade de
que o coeficiente de correlao observado ocorreu pelo acaso se a correlao verdadeira zero. Alguns
pesquisadores preferem dizer a razo-F em vez da estatsitica t. A razo-F igual a estatstica t ao
quadrado.
A estatstica t para significncia do declive essencialmente um teste para determinar se o modelo de
regresso (equao) utilizvel. Se o declive significativamente diferente de zero, ento podemos
usar o modelo de regresso para predizer a varivel dependente para qualquer valor da varvel
indepndente.
Por outro lado, tome um exemplo onde o declive zero. No tem nenhuma habilidade de predio
porque para qualquer valor da varivel independente, a predio para a varivel dependente ser a
mesma. Conhecendo o valor da varivel independente no melhora nossa habilidade de predizer a
varivel dependente. Assim, se o declive no significativamente diferente de zero, no use o modelo
para fazer predies.
O coeficiente de determinao (r-quadrado) o quadrado do coeficiente de correlao. Seu valor pode
variar de zero a um. Este valor tem a vantagem em relao ao coeficiente de correlao no sentido de
que pode ser interpretado directamente como a proporo da varincia na varivel dependente que
pode ser considerada para a equao de regresso. Por exemplo, um valor r-quadrado de 0,49 significa
49% da varincia na varivel dependente pode ser explicada pela equao da regresso. Outros 51%
so no explicados.
O erro padro da estimativa para regresso mede a quantidade da variabilidade nos pontos a volta da
linha de regresso. o desvio padro de pontos dos dados da maneira como eles se distribuem a volta
da linha de regresso. O erro padro da estimativa pode ser usado para determinar intervalos de
confiana por volta de uma predio.
Exemplo
Uma companhia pretende saber se h uma relao significativa entre suas despesas de publicidade e
seus volumes de venda. A varivel independente o oramento de publicidade e a varivel dependente
o volume de vendas. Um intervalo de tempo de um ms ser usado porque as vendas so esperadas a
ficarem atrs das despesas actuais de publicidade. Os dados foram colectados para um perodo de seis
meses. Todos nmeros esto em milhares de dolares. H uma relao significativa entre o oramento
de publicidade e volume de vendas?
Varivel independente Varivel dependente
4,2 27,1
6,1 30,4
3,9 25,0
5,7 29,7
7,3 40,1
5,9 28,8
Modelo: y =10,079 +(3,700 . x) +erro
Erro padro da estimativa =2,568
Teste-t para a significncia do declive =4,095
Graus de liberdade =4
Probabilidade bi-caudal =0,0149
r-qaudrado =0,807
Num relatrio pode-se fazer uma afirmao como esta: Uma regresso linear simples foi realizada
sobre os dados de 6 meses para determinar se havia uma relao significativa entre as despesas em
publicidade e o volume de vendas. A estattica-t para o declive foi significante em 0,05 nvel crtico de
alfa, t(4) =4 . 10, p =0,15. Assim, rejeita-se a hiptese nula e conclui-se que houve uma relao
significante positiva entre as despesas em publicidade e volume de vendas. Alm disso, 80,7% da
variabilidade no volume de vendas podia ser explicada.
LEIA

1) An Introduction to Probability & Random Processes
por Kenneth B & Gian-Carlo, pg. 18-30, 212-215, 300-
303
2) Robert B Ash, Lectures on Statistics, pg. 28-29
Ref: http://en.wikipedia.org/wiki/Correlation
Ref: http://en.wikipedia.org/wiki/Regression
O teste de Qui-quadrado
Um teste qui-quadrado qualquer teste da hiptese estatstica no qual o teste estatstico tem uma
distribuio qui-quadrado quando a hiptese nula verdadeira, ou qualquer teste no qual a distribuio
de probabilidade do teste estatstico (assumindo que a hiptese nula verdadeira) pode ser feito para
aproximar uma distribio qui-quadrado to perto quanto desejarmos por fazer o tamanho da amostra
suficiente grande.
Especificamente, um teste qui-quadrado para independncia avalia estatisticamente diferenas
significativas entre propores para dois ou mais num conjunto de dados.
- Teste qui-quadrado de Pearson, tambm conhecido como o teste Qui-quadrado da bondade de
ajuste.
- otco_qioOuo tcot tambm conhecido como correlco de Yates paraa continuidade.
- Teste qui-quadrado de Mantel-Haenszel
- Teste qui-quadrado de associao linear-por-linear
Na teoria de probabilidade e estatstica, a distribuio qui-quadrado (tambm qui-quadrado ou
_
2
distribuio) uma das mais usadas distribuies tericas de proabilidade na estatstica inferencial,
isto , em testes estatsticas de significncia. Ela til porque, sub hipteses razoveis, quantidades
facilmente calculadas, podem ser provadas como tendo distribuies que se aproximam distribuio
qui-quadrado se a hiptese nula verdadeira.
Se X
i
so k variveis aleatrias normalmente distribuidas com mdia 0 e varincia 1, ento a varivel
aleatria
Q =
=
k
i
i
X
1
2
distribuida segundo a distribuio qui-quadrado. Esta expresso usualmente escrita
Q ~ .
2
k
_
A distribuio qui-quadrado tem nico parmetro: k um inteiro positivo que especifica o nmero de
graus de liberdade (isto , o nmero de X
i
).
A distribuio qui-quadrado um caso especial da distribuio gama.
As situaes bem conhecidas nas quais a distribuio qui-quadrado usada so os estes comuns de
qui-quadrado da bondade de ajuste de uma distribuio observada no contexto terico, e da
independncia de dois critrios de classificao de dados qualitativos. Totavia, muitos outros testes
estatsticos conduzem ao uso desta distribuio.
Funo Caracterstica
A funo caracterstica da distribuio qui-quadrado
2 /
) 2 1 ( ) ; (
k
it k t

= u
Propriedades
A distribuio qui-quadrado tem numerosas aplicaes na estatistica inferencial, por exemplo, em
testes qui-quadrado e na estimao de varincias. Ela entra nos problemas de estimao da mdia duma
populao normalmente distribuida e o problema de estimao do declive de uma linha de regresso
atravs do seu papel na distribuio t-Student. Ela entra em todos problemas de anlise de varincia
atravs do seu papel na distribuio-F, que uma distribuio da razo de duas variveis aleatrias
independentes qui-quadrados divididas pelos seus respectivos graus de liberdade.
Vrias distribuies qui e qui-quadrado
Nome Estatstica
Distribuio qui-quadrado
2
1
=
|
|
.
|
\
|
k
i i
i i
X
o

Distribuio qui-quadrado no central
2
1
=
|
|
.
|
\
|
k
i i
i
X
o

Distribuio qui-quadrado
=
|
|
.
|
\
|
k
i i
i i
X
1
2
o

Distribuio qui no central
=
|
|
.
|
\
|
k
i i
i
X
1
2
o

LEI A

Ref: http://en.wikipedia.org/wiki/pearson%chi-square_test
Ref: http://en.wikipedia.org/wiki/Chi-Square _test
Teste T-Student
Um teste t um teste de hiptese estatstica para dois grupos nos quais o teste estattico tem
distribuio T-Student se a hiptese nula verdadeira.
Histria
A esstatstica t foi introduzida por William Sealy Gosset para de forma barata controlar a fermentao
de bebidas. Student era o nome de sua caneta. Gosset foi um estatstico que trabalhava para
fermentadora Guinness em Dublin, Irlanda, e foi contratado na sequncia da implementao da poltica
inovativa de Claude Guinness de recrutar os melhores graduados de Oxford e Canbridge para aplicar a
bioqumica e estatstica nos processos industriais da Guinness. Gosset publicou o teste t em Biometrika
em 1908, mas foi forado pelo seu patro que considerou o facto de que eles estavam usando estatstica
como um negcio secreto, a usar um nome de sua caneta. De facto, a identidade de Gosset foi
desconhecida no somente para os seus colegas de estatstica mas tambm para seu patro-a
companhia insistia no pseudnimo por forma que podia ocultar a revelao das suas regras.
Hoje em dia, geralmente usado para a confiana que pode ser substituda em julgamentos feitos das
amostras pequenas.
Utilidade
Entre os testes t muito frequentemente usados so:
* Um teste da hiptese nula de que a mdia de duas populaes normalmente distribuidas so iguais.
Dados dois conjuntos de dados, cada um caracterizado pela sua mdia, o desvio padro e o nmero de
pontos dos dados, podemos usar algum tipo do teste t para determinar se as mdias so distintas, dado
que as distribuies subjacentes podem ser assumidas a serem normais. Todos tais testes so
usualmente chamados de testes t-Student, embora estritamente falando, esse nome devia somente ser
usado se as varincias de duas populaes so tambm assumidas a serem iguais; a forma do teste
usado quando esta hiptese no usada, algumas vezes, chamada o teste de Welch. Existem
diferentes verses do teste t dependento se as duas amostras so
- so independentes uma da outra (exemplo, indivduos aleatoriamente colocados em dois grupos), ou
- pareamento, tal que cada membro de uma amostra tenha uma nica relao com um membro
particular da outra amostra(exemplo, as mesmas pessoas medidas antes e depois de uma interveno,
ou pontuaes do teste IQ de um marido e sua esposa).
Se o valor t que calculado est acima do limiar escolhido para a significncia estatstica (usualmente
o nvel de 0,05), ento a hiptese nula de que os dois grupos no diferem rejeitada a favor de uma
hiptese alternativa, que tipicamente afirma que os grupos so diferentes.
- Um teste de que a mdia de uma populao normalmente distribuida tem um valor especificado
numa hiptese nula.
- Um teste de que o declive da linha de regreso difere significativamente de 0.
Uma vez que um valor t determinado, um valor P pode ser encontrado usando uma tabela de valores
da distribuio t-Student.
I ntervalos de confiana usando uma amsotra de tamanho pequeno
Considera uma populao normalmente distribuida. Para estimar a varincia populacional tome uma
amostra de tamenho n e calcule a varincia da amostra, s. Um estimador no tendencioso da varincia
da populao
2
o =
2
1
s
n
n

Claramente para pequenos valores de n esta estimao incorrecta. Por isso para amostras de
tamanhos pequenos em vez de calcular o valor de z para o nmero de desvios padro a partir da mdia,
z =
n
x
o

e usar probabilidades basedas na distribuio normal, calcule o valor de t
t =
n
s
x
n
1

A probabilidade de que o valor de t esteja num intervalo particular pode ser encontrada usando a
distribuio t. Os graus de liberdade da amostra so o nmero de dados que precisam de serem
conhecidos antes que o resto dos dados possam ser calculados.
ex:
Uma amostra de coisas tem os pesos:
30,02; 29,99; 30,11; 29,97; 30,01; 29,99
Calcular intervalo de confiana com 95% de confiana para o peso da populao.
Assume que a populao ~N(, o
2
)
A mdia do peso da amostra 30,015 com desvio padro de 0,045. Com a mdia e os primeiros cinco
pesos possvel calcular o sexto peso. Consequentemente existem 5 graus de liberdade.
A distribuio t diz-nos que, para cinco graus de liberdade, a probabilidade de que t >2,571 0,025.
Tambm, a probabilidade de que t <-2,571 0,025. Usando a frmula para t = 2,571 um intervalo de
confiana de 95% para a mdia das populaes pode ser encontrada por tomar , o sujeito da equao.
Esto
6
045 , 0
571 , 2 015 , 30
6
045 , 0
571 , 2 015 , 30 + < <
(29,97 < < 30,06)
LEIA

1. Introduction to Probability By Charles M. Grinstead, pg.
18-30, 212-215, 300-303
2. Robert B. Ash, Lectures on Statistics, page 23-29.
Respostas aos problemas 1- 6 na pg 23.
Ref:http://en.wikipedia.org/wiki/Statistical_Hypothesis_testing
Ref: http://en.wikipedia.org/wiki/Null_hypothesis

Unidade 3 Teoria de probabilidade (40 horas)
Na matemtica, uma funo indicadora ou uma funo caracterstica uma funo definida num
conjunto X que indica a pertinncia de um elemento num sub-conjunto A de X. Uma funo indicadora
de um sub-conjunto A de um conjunto X uma funo
1
A
: X {0, 1}
definida como
1
A
(x) =
e
e
A x se
A x se
0
1
Reflexo
OestudodaCorrelao,Regresso,TestesdeHiptesese
outramodelagemmatemticapodesersimplicadoatravs
dasTICs.Oseguintelinkpermiteostreinantesaprender
modelarcomfacilidade.
http://www.ncaction.org.uk/subjects/maths/ictlrn.htm
A funo indicadora de A algumas vezes denotada por
_
A
(x) ou 1
A
(x) ou mesmo A(x).
Desigualdade de Benferroni
Seja P(E
i
) a probabilidade de que E
i
verdadeira, e seja P( a probabilidade de que pelo menos
um dos E
)
1 i
n
i
E
=
1
, E
2
, ..., E
n
verdadeira. Ento a desigualdade de Bonferroni, ambm conhecida como a
desigualdade de Boole, afirma que
P( s )
1 i
n
i
E
=
=
n
i
i
E P
1
), (
onde
denota a unio. Se E
i
e E
j
so conjuntos disjuntos para todo i e j, ento a desigualdade torna-
se uma igualdade. Um teorema bonito que exprime a relao exacta entre a probabilidade de unies e
as probabilidades de eventos individuais conhecido como o princpio de incluso-excluso.
Uma classe ligeiramente larga de desigualdades conhecida como a de desigualdades de Bonferroni.
Funo Geradora
Em matemtica uma funo geradora uma srie formal de potncias cujos coeficientes incorporam
informao a cerca de uma sequncia a
n
que indexada pelos nmeros naturais.
Existem vrios tipos de funes geradoras, inclundo funes geradoras ordinrias, funes
geradoras exponenciais, srie de Lambert, srie de Bell, e srie de Dirichlet; definies e exemplos
so dados abaixo. Cada sequncia tem uma funo geradora de cada tipo. A funo geradora particular
que mais til num dado contexto depender da natureza da sequncia e os detalhes dos problemas a
abordar.
Funes geradoras so muitas vezes expressas na forma fechada como funes de um argumento
formal x. Algumas vezes, uma funo geradora avaliada num valor especfico de x. Todavia, deve ser
recordado que funes geradoras so sries formais de potncias e elas no precisam ser convergentes
para todos valores de x.
Se a
n
a funo de massa de probabilidade de uma varivel aleatria discreta, ento sua funo
geradora ordinria chamada uma funo geradora de probabilidade.
A funo geradora ordinria pode ser generalizada a sequncias com mltiplos ndices. Por exemplo, a
funo geradora ordinria de uma sequncia a
m,n
(onde n e mso nmeros naturais)
G(a
n,m
; x, y) =
=0 ,
,
n m
n m
n m
y x a
Funo Caracterstica (Teoria de Probabilidade)
Na teoria de probabilidade, a funo caracterstica de qualquer varivel aleatria define
completamente sua funo de probabilidade. Na recta real, ela dada pela seguinte frmula, onde X
qualquer varivel aleatria com distribuii em equao:
( )
itX
X
e E t = ) ( 0
onde t um nmero real, i a unidade imaginria, e E denota o valor esperado.
Se F
X
uma funo de probabilidade acumulada, ento a funo caracterstica dada pela integral de
Riemann-Stieltjes
( )
}
O
= ) (x dF e e E
X
itx itX

Nos casos em que existe uma funo de densidade de probabilidade, f
X
torna-se
( )
}

= dx x f e e E
X
itx itX
) (
Se X um vector cujos componentes so variveis aleatrias, toma-se o ragumento t a ser um vector e
tX um produto interno.
Cada distribuio de probabilidade em R ou em R
n
tem uma funo caracterstica, porque intergra uma
funo limitada sobre um espao cuja medida finita.
O teorema de continuidade
Se uma sequncia de funes caractersticas de distribuies F
n
converge para uma funo
caracterstica de distribuio F, ento F
n
(x) converge para F(x) para cada valor de x no qual F
contnua.
Usos das funes caractersticas
Funes caractersticas so particularmente teis para lidar com funes de variveis aleatrias. Por
exemplo, se X
1
, X
2
, ..., X
n
uma sequncia de variveis aleatrias independentes (no necessariamente
identicamente distribuidas), e
,
1
=
=
n
i
i i n
X a S
onde os a
i
so constantes, ento a funo caracterstica para S
n
dada por
) ( )... ( ) ( ) (
2 2 1 1
t a X t a X t a X t S
n n n
0 0 0 0 =
Em particular 0
X +Y
(t) =0
X
(t) 0
Y
(t). Para ver isso, escreve a definio da funo caracterstica do
modo seguinte:
0
X +Y
(t) = ( )
) ( Y X it
e E
+
= ( )
itY itX
e e E
)
= ( ) ( )
itY itX
e E e E
)
=0
X
(t) 0
Y
(t).
Observe que a independencia de X e de Y requer estabelecer a igualdade da terceira e quarta
expresses.
Por causa do teorema de continuidade, as funes caractersticas so usadas em muitas provas
frequentes do teorema central do limite.
As funes caractersticas podem tambm ser usadas para determinar os momentos da varivel
aleatria. Dado que o n-simo momento existe, a funo caracterstica pode ser diferenciada n vezes e
E(X
n
) =
0
) (
) ( ) 0 (
=

(
=
t
X
n
n
n n
X
n
t
dt
a
i i 0 0
LEI A

1. Robert B Ash, Lectures in Statistics, pg. 32 de 45
Ref:
http://en.wikipedia.org/wiki/Characteristics_function_%28probability_theory%%29
I ndependncia Estatsitica
Na teoria de probabilidade, dizer que dois eventos so independentes intuitivamente significa que a
ocorrncia de um deles no faz com que outro ocorra nem com menos nem com mais probabilidade.
Por exemplo:
- O evento de obter um 6 na primeira vez quando um dado lanado e o evento de obter um 6
no segundo lanamento so independentes.
- Por contraste, o evento e obter um 6 na primeira vez quando um dado lanado e o evento de
que a soma dos nmeros observados no primeiro e segundo lanamentos 8 so
independentes.
- Se duas cartas so extradas de um baralho sem reposio, o evento de extraco de uma carta
vermelha no experimento e o evento de extraco da carta vermelha no segundo experimento so
independentes.
- Por contraste, se duas cartas so extradas sem reposio de um baralho de cartas, o evento de
extraco de uma carta vermelha no primeiro experimento e o evento de extraco de uma carta
vermelha no segundo expeerimento so independentes.
De igual modo, duas variveis aleatrias so independentes se a distribuio de probabilidade de
qualquer valor observado de uma delas a mesma como se a outra no tivesse sido observada.
Eventos I ndependentes
Definio padro:
Dois eventos A e B so independepentes se e somente se P(AB) =P(A)P(B)
Aqui AB) a interseco de A e B, isto , o evento de que ambos A e B ocorrem.
Mais geral, qualquer coleco de eventos-possivelmente mais do que dois- so mutuamente
independentes-se e somente se para qualquer subconjunto finito A
1
, ..., A
n
da coleco temos:
P(A
1
... A
n
) =P(A
1
)...P(A
n
)
Esta relao chamada a regra de multiplicao para eventos independentes.
Se dois eventos A e B so independentes, ento a probabilidade condicional de A dado que B ocorreu
a mesma como se B no tivesse ocorrido, ou seja a mesma probabilidade incondicional (ou
marginal) de A, isto
P(A|B) =P(A)
H pelo menos duas razes porqu esta afirmao no tomada como definio de idenpendncia: (1)
os dois eventos A e B no jogam o papel de simetria nesta afirmao, e (2) problemas surjem com esta
afirmao quando eventos de probabilidade 0 so envolvidos.
Se dizemos que a probabilidade condicional P(A|B) dada por
P(A|B) =
) (
) (
B P
B A P
(para P(B) = 0)
estamos a dizer que a afirmao acima equivalente a
P(AB) =P(A)P(B)
que a definio padro dada acima.
Amostragem Aleatria
Uma amostra um sub-conjunto escolhido de uma populao para investigao. Uma amostra
aleatria um subconjunto da populao escolhido por um mtodo com um compontente imprevisto.
Amostragem aleatria pode tambm referir-se a tomar uma srie de observaes independentes da
mesma distribuio de probabilidade, sem envolver qualquer populao real. Uma probabilidade
amostral a probabilidade em que cada item tem uma probabilidade conhecida de estar na amostra.
A amostra usualmente no ser completamente representativa da populao da qual ela foi extrada-
esta variao aleatria nos resultados conhecida como erro de amostragem (erro amostral). Assim,
estimativas obtidas de amostras aleatrias podem ser acompanhadas pelas medidas de incerteza
associada com a estimativa. Esta pode tomar a forma de um erro padro, ou se a amostra
suficientemente grande para o teorema do limite central ter efeito, os intervalos de confiana podem
ser calculados.
Tipos de amostras aleatrias
- Uma amostra aleatria simples seleccionada tal que cada amostra possvel tem igual
possibilidade de ser escolhida.
- Uma amostra auto-ponderada, ..., uma amostra na qual cada indivduo, ou objecto, na
populao de interesse tem igual oportunidade de ser seleccionado para amostra. Amostras
aleatrias simples so amostras auto-ponderadas.
- Amostragem estratificada envolve a selecco de amostras independentes de uma srie de sub-
populaes (ou estratos) dentro da populao. Os grandes ganhos na eficincia so algumas
vezes possveis a partir de uma estratificao judiciosa.
- Amostragem por cluster envolve a seleco de unidades amostrais em grupos. Por exemplo, uma
amostra de chamadas telefnicas pode ser colectada por tomar primeiro uma coleco de linhas
telefnicas e colectar todas chamadas nas linhas seleccionadas. A anlise de amostras por cluster
deve tomar em considerao a correlao intra-cluster que reflecte o facto de que unidades no
mesmo cluster so provavelmente a serem mais similares do que duas unidades escolhidas ao
acaso.
Distribuio Multinomial
Na teoria de probabilidade, a distribuio multinomial uma generalizao da distribuio binomial
A distribuio binomial a distribuio da probabilidade do nmero de sucessos em n ensaios
independentes de Bernoulli, com a mesma probabilidade de sucessos em cada ensaio.
Na distribuio multinomial, cada ensaio resulta em exactamente um de alguns nmeros fixos finitos k
de possveis resultados, com probabilidade p
1
, ..., p
k
(tal que p
i
> 0 para i = 1, 2, ..., k e
=1) , e
= i
i
p
1
k
onde temos n ensaios independentes. Ento sejam X variveis aleatrias a indicar o nmero de vezes o
resultado i foi observado durante os n ensaios. X =(X
i
, ..., X
k
) segue uma distribuio ultinomial com
parametros n e p.
Solues a partir da frmula da Distribuio Multinomial
Uma verso curta da frmula multinomial para os trs resultados consecutivos dada abaixo.
Se X consiste de eventos E
1
, E
2
, E
3
, e as probabilidades correspondentes de p
1
, p
2
e p
3
de ocorrncias,
onde x
1
o nmero de vezes E
1
ocorrer, x
2
o nmero de vezes E
2
ocorrer e x
3
o nmero de
vezes E
3
ocorrer, ento a probabilidade de X
3 2 1
3 2 1
3 2 1
! ! !
!
x x x
p p p
x x x
n
onde x
1
+x
2
+x
3
=n e p
1
+p
2
+p
3
=1
Exemplo
1) Numa grande cidade, 60% dos trabalhadores tm transporte prprio para o servio, 30% tomam
autocarro, e 10% tomam train. Se 5 trabalhadores so seleccionados ao acaso, determinar a
probabilidade de que 2 trabalhadores iro ao servio de carro prprio, 2 tomaro autocarro e 1 tomar
train.
Soluo
n =5, x
1
=2, x
2
=2, x
3
=1 e p
1
=0,6; p
2
=0,3 e p
3
=0,1
Por isso, a probabilidade de que 2 trabalhadors iro ao servio de carro prprio, 2 tomaro autocarro e
1 tomar train :
1 2 2
) 1 , 0 ( ) 3 , 0 ( ) 6 , 0 (
! 1 ! 2 ! 2
! 5
=0,0972
2) Uma caixa contm 5 bolas vermelhas, 3 bolas azuis e 2 bolas brancas. Se 4 bolas so seleccionadas
da caixa com reposio, determinar a probabilidade de obter 2 bolas brancas, uma bola azul e uma bola
branca.
Soluo
N =4, x
1
=2, x
2
=1, x
3
=1 e p
1
=
10
5
; p
2
=
10
3
e p
3
=
10
2

Por isso, a probabilidade de obter 2 bolas vermelhas, uma bola azul e uma bola branca
1 1 2
10
2
10
3
10
5
! 1 ! 1 ! 2
! 5
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=12
50
9
200
3
= |
.
|
\
|
=0,18
{Allan G, 2005, pg. 132}
Ordem Estatstica
Distribuies de probabilidade para n =5, ordem estatstica de uma distribuio exponencial com u = 3
Em estatstica, a k-sima ordem estatstica de uma estatstica amostral igual ao seu k-simo menor
valor. J untamente com a caracterstica estatstica, a ordem estatstica entre os instrumentos na
estatstica no paramtrica e inferncia.
Casos especiais importantes da ordem estatstica so o mnimos e o mximo valor duma amostra, e
(com algumas qualificaes discutidas abaixo) a median amostral e outros quartis amostrais.
Quando usamos a teoria de probabilidade para analisar a ordem estatstica de amostras aleatrias de
uma distribuio contnua , a funo de probabilidade acumulada usada para reduzir a anlise ao caso
da ordem estatstica da funo de distribuio.
LEI A

1. Robert B Ash, Lectures in Statistics, pg. 25-26 e
respostas dos problemas 1-4 nas pg. 26/27
Ref: http://en.wikipedia.org/wiki/probability_distribution
Ref: http://en.wikipedia.org/wiki/Ranking
Ref: http://en.wikipedia.org/wiki/non_parametric_Statistics
Notao e exemplos
Por exemplo, supe que 4 nmeros so observados ou registados, resultando numa amostra de tamnaho
n =4. Se os valores amostrais so
6, 9, 3, 8
estes nmeros usualmente sero denotados por
x
1
=6, x
2
=9, x
3
=3, x
4
=8
onde o sub-ndice i em x
i
indica simplesmente a ordem na qual s observaes foram registadas e
usualmente assumido no ser significante. Um caso quando significante quando as observaes so
partes de uma srie temporal.
A ordem estatstica ser denotada
x
(1)
=3, x
(2)
=6, x
(3)
=8, x
(4)
=9
onde o sub-ndice (i) dentro de parnteses indica a i-sima ordem estatstica da amostra.
A primeira ordem estatstica (ou a menor ordemestatstica) sempre o mnimo da amostra, isto ,
X
(1)
=mn{X
1
, ..., X
n
}
onde seguindo a conveno comum, usamos letras masculas para referir a variveis aleatrias, e letras
minsculas (como em cima) para referir aos seus valores reais observdos.
De igual modo, para uma amostra de tamanho n, a n-sima ordem estatstica (ou maior ordem
estatsitca) o mximo, tal que
X
(n)
=mx{X
1
, ..., X
n
}
A amplitude da amostra a diferena entre a mxima e mnima ordem estatstica. claramente uma
funo da ordem estatstica
Amplitude{X
1
, ..., X
n
}=X
(n)
X
(1)

Uma importncia similar na anlise exploratria de dados que simplesmente relacionada ordem
estatstica a amplitude amostral interquartlico.
A mediana amostral pode ser ou no uma ordem estatstica, uma vez que existe um nico ponto mdio
somente quando o nmero n de observaes mpar. Mais precisamente, se n =2m+1, para algum m,
ento a mediana amostral X
(m+1)
e assim uma ordem estatstica. Por outro lado, quando n par, n =
2me existem dois valores mdios, X
(m)
e X
(m+1)
, e a mediana amostral alguma funo de duas
variveis (usualmente a mdia) e por isso no uma ordem estatstica. Observaes similares se
aplicam para todos quantis amsotrais.
Distribuio Normal Multivariada
Na teoria de probabilidade e estatstica, a distribuio normal multivariada, tambm algumas vezes
chamada uma distribuio Gaussiana mutltivariada, uma distribuio especfica de probabilidade,
que pode ser pensada como uma generalizao a dimenses mais altas da distribuio normal uni-
dimensional (tambm chamada uma distribuio Gaussian).
Momentos superiores
Os k-simos momentos de X so definidos por
( )
(
= =
[
=
N
j
rj
j
def
rN r
def
X E X X N
1
1 1
) ( ,...., ,...,
onde r
1
+r
2
+... +r
N
=k
Os momentos centrais de ordem k so dados como se segue
(a) Se k mpar, ( ) 0 ,...,
1
= X N
(b) Se k par com k =2, ento
= ) ... ( ) ( ,...,
2 1 XZ kl ij
X o o o

onde a soma tomada em todas alocaes do conjunto {1, ..., 2} em pares (no odernadas), dando
) )! 1 ( 2 (
1
)! 1 2 (
termos na soma, cada um sendo o produto de covarincias. As covarincias so

determinadas pela substituio de termos da lista [1, ..., 2] pelos termos correspondentes a lista
consistindo de r
1
uns, ento r
2
dois, etc, depois de cada uma das possveis alocaes da primeira lista
em pares.
Em particular, os momentos de ordem 4 so
| |
| |
| |
| |
| |
jk in jn ik kn ij n k j i
ik ij jk ii k j i
ij jj ii
j
i
ij ii j i
ii i
X X X X E
X X X E
X X E
X X E
X E
o o o o o o
o o o o
o o o
o o
o
+ + =
+ =
+ =
=
=
2
) ( 2
3
) ( 3
2
2 2 2
3
2 4

Para o momento de ordem quatro (quatro variveis) existem trs termos. Para o sexto momento de
ordem 6 exitem 3 5 =15 termos, e para o oitavo momento de ordem oito existem 3 5 7 termos.
XV. Sntese do Mdulo
No fim deste mdulo os alunos so esperados que saibam calcular vrias medidas de disperso e
aplicar as leis de probabilidade a vrias distribuies. Os alunos devem ser capazes de determinar
vrios coeficientes de correlao e regresso.
A unidade um de Probabilidade e Estatstica cobre distribuies de Frequncias relativas e
distribuies acumuladas, vrias curvas de frequncias, mdia, moda e mediana, Quartis e Percentis,
Desvios padro, distrtibuies simtricas e enviasadas. O estudante introduzido a vrias medidas e
exemplos de orientao.
Os exemplos so bem ilustrados e os estudantes podem seguir sem dificuldades. recomendado que os
estudantes resolvam as avaliaes formativas dadas para analisar (avaliar) seu progresso na
compreenso do contedo. Os estudantes devem procurar um tempo para estudar o material de
referncia em CDs em anexo, abrir as fontes de recurso e os websites recomendados. Muito
importante, os estudantes so encorajados a ler o contedo muito extensamente e resolver as questes
que aparecem depois de cada tpico. A unidade dois do mdulo leva os estudantes aos conceitos de
Momento e funo geradora de momento, s desigualdades de Markov e Chebyshev, s distribuies
especiais de probabilidade Univariadas e Bivariadas; Distribuies Conjuntas, Marginais e
condicionais; Idenpendncia; esperanas, regresso e correlao em distribuies bivariadas; Clculo
de regresso e coeficiente de correlao para os dados bivaridos. Distribuio da funo de variveis
aleatriaas, distribuio normal bivariada. Deduo das distribuies tais como qui-quadrado, t e F.
A unidade dois tem vrias actividades da aprendizagem para ajudar aprendizagem e os estudantes so
aconselhados a dominar o contedo de vrios sub-tpicos e fazer a auto-avaliao atravs das
avaliaes formativas. Fracasso na resposta das avaliaes formativas deve ser um indicador positivo
de que os alunos devem revisar os sub-tpicos antes de prosseguir para outros sub-tpicos. As tarefas
dadas atravs de vrias actividades de aprendizagem exigem que o estudante domonstre um alto nvel
de competncia e habilidades nas TICs. Os objectivos da aprendizagem esto bem formulados no
incio do mdulo e devem guir os alunos no nvel de espectativas para o mdulo.
A unidade trs focaliza a teoria de probabilidade e se concentra sobre as vrias distribuies de
probabilidade.
A avaliao sumativa ser usada para julgar o domnio do mdulo pelos estudantes.
recomendado que os estudantes revisem o mdulo antes de realizarem a avaliao sumativa final.
XVI . Avaliao Sumativa
Responda 4 das questes colocadas. Cada questo vale 15 pontos
Questo 1: Estatstica Geral
1) Na tabela seguinte, os pesos de 40 bois esto aproximados ao quilograma mais perto.
128 161 135 142 145 156 150 145
157 138 150 147 140 125 144 173
144 146 140 176 154 148 163 164
135 146 142 142 149 119 134 158
165 168 138 147 152 153 136 126
Determine
a) O peso mais alto
b) O peso mnimo
c) A amplitude
d) Construa uma tabela de distribuio de frequncias comeando com a classe 118-126.
e) Calcule a mdia dos dados
f) Calcule o desvio padro
Questo 2: Probabilidade Geral
2) A) Uma moeda e um dado so lanados para cima juntos. Desenhe um diagrama de espao de
possibilidades e determine a probailidade de obter:
a) Uma cara
b) Um nmero maior do que 4
c) Uma cara e um nmero maior do que 4
d) Uma cara ou um nmero maior do que 4
B) Eventos M e N so tais que P(M) =
20
19
, P(N) =
5
2
e P(M N) =
5
4
. Determine
P(M|N).
Questo 3: Distribuio de Poisson
3) Um livro contm 500 pginas e tem 750 erros.
a) Qual o nmero mdio de erros por pgina?
b) Determine a probabilidade de que a pgina 427 contenha
i) nenhum erro
ii) exactamente 4 erros
c) Determine a probabilidade de que as pginas 427 e 428 no contenham nenhum erro.
Questo 4: Varivel aleatria contnua
4) Uma varivel aleatria contnua (v. a c.) X tem a funo de densidade de probabilidade f(x) onde
s s
< s +
=
casos outros nos
x k
x x k
x f
0
3
1
1 0 4
0 2 ) 2 (
) (
2

a) Determine o valor da constante k.
b) Esboce y =f(x)
c) Determine P(-1 s X s 1)
d) Determine P(X >1)
Questo 5: Probabilidade de um evento
5) Dado que P(AB) =
8
7
, P(A|B) =
4
1
e P(A
C
) =
8
5
, determine os valores de
a) P(A)
b) P(B)
c) P(A|B
C
)
d) P(A
C
B
C
)
e) A probabilidade de que somente um dos enventos A, B vai ocorrer.
Questo 6: Valor esperado
6) A varivel aleatria contnua tem a f. d. p.
f(x) =x +
2
1
0 s X s 1
Determine
a) E(X)
b) E(24X +6)
c) E(
2
1
) 1 ( X
Questo 7:
7) As massas, aproximadas, de 50 rapazes esto registadas abaixo
Massa (kg) 60-64 65-69 70-74 75-79 80-84 85-89
Frequncia (f) 2 6 12 14 10 6
a) Costrua uma curva de frequncia acumulada
b) Use a curva para estimar
i) Mediana
ii) Amplitude interquartlico
iii) 7 decil
iv) 60 percentil
Esquema de Correco da Avaliao Sumativa
1)
a) 176
b) 119
c) 176 119 =57
d) Usando 7 classes d-nos um intervalo 9
Peso (kg) Registo Frequncia
118-126 /// 3
127-135 /////; 5
136-144 /////; //// 9
145-153 /////; /////;
//
12
154-162 /////; 5
163-171 //// 4
172-180 // 2
Total 40
e) Aceite qualquer mtodo do clculo da mdia
f) Aceite qualquer mtodo do clculo do desvio padro.
2) A) Uma moeda tem ou Cara (C) ou coroa (K) enquanto que um dado tem as faces 1, 2, 3, 4, 5,
6.
Moeda/Dado 1 2 3 4 5 6
Cara (C) H1 H2 H3 H4 H5 H6
Coroa (K) T1 T2 T3 T4 T5 T6
Espao Amostral =12
a)
2
1
12
6
=
b)
3
1
12
4
=
c)
6
1
12
2
=
d)
3
2
12
8
=
B) P(M N) =P(M) +P(N) P(M N)
) (
5
2
30
19
5
4
N M P + =

30
7
30
24
30
12
30
19
) ( = + = N M P
3) Nmero mdio de erros por pgina
500
750
=1,5
b) Seja X o nmero de erros por pgina. Ento, assumindo que os erros ocorrem ao acaso, X ~
P
O
(1,5)
i) P(X =0) =e
-1,5

=0,2231
P(no haver nenhum erro na pgina 427) =0,047 (3 d.p)
ii) P(X =4) =e
-1,
=
! 4
) 5 , 1 (
4
=0,0470
P(haver 4 erros na pgina 427) =0,047 (3d.p)
c) Esperamos 1,5 erros em cada pgina e a assim em duas pginas 427 e 428 esperamos 1,5 +1,5 =3
erros.
Seja Y o nmero de erros em duas pginas
Y ~P(3), assim P
0
(Y =0) =e
-3

=0,4421
4) a) Uma vez que X uma varivel aleatria, ento
}
=
X a
dx x f
||
1 ) (
Portanto
} }
= + +
0
2
3
1
1
0
2
1 4 ) 2 ( kdx dx x k
| | | | 1 4 ) 2 (
3
3
1
1
0
0
2
3
= + +

x k x
k

|
.
|
\
|
+
3
4
4 ) 8 (
3
k
k
=1
8k =1
k =
8
1

a) A f. d. p de X

P(-1 s X s 0) =
24
7
) 2 (
8
1
2
0
1
= +
}
dx x
e
P(0 s X s 1) =rea do rectngulo =
2
1

Portanto
P(-1 s X s 1) =
24
19
2
1
24
7
= +

P(0 s X s 1) =rea do rectngulo =
6
1
2
1
3
1
=
Portanto P(X >1) =
6
1

5) a) P(A) =1 P(A
C
) =1 -
8
5
=
8
3

b) P(A B) =P(A) +P(B) P(A B)
+ =
8
3
8
7
P(B) -
4
1

P(B) =
4
3

c) P(A|B
C
) =P(A) - P(A|B)
=
4
1
8
3
=
8
1

d) A
C
U B
C
=(A B)
C
e P(A
C
U B
C
) =1 P(A B) =
4
3

e) Somente um de A, B ocorre =(A|B
C
) U (A
C
|B)
P(somente A, B ocorre) =P(A|B
C
) +P(A
C
|B)
={P(A) P(A|B)} +{P(B) P(A|B)}
=
8
1
+
8
5
2
1
=
6) a) E(X) =
8
7

b) E(24X +6) =20
c) ( )
5
3
2
1
1 ) 1 (
1
0
2
1
2
1
= |
.
|
\
|
+ =
}
dx x X X E
7) a) Mdia =76,3 kg
b) Amplitude interquartlico =9 kg
c) Estimativa de 50
10
7
=35 decil a partir da curva
d) Estimativa de 50
100
60
=30 percentil a partir da curva
XVI I . Referncias
http://en.wikipedia.org/wiki/Statistics
A concise Course in A-Level Statistics By J . Crawshaw and J .Chambers, Stanley
Thornes Publishers, 1994
http://en.wikipedia.org/wiki/Probability
Business Calculation and Statistics Simplified, By N.A. Saleemi, 2000
http://microblog.routed.net/wp-content/uploads/2007/01/onlinebooks.html
Statistics: concepts and applications, By Harry Frank and Steven C Althoen, Cambridge
University Press, 2004
http://mathworld.wolfram.com/Statistics
http://mathworld.wolfram.com/Probability
Probability Demystified, By Allan G. Bluman, McGraw Hill, 2005.
http://directory.fsf.org/math/
http://microblog.routed.net/wp-content/uploads/2007/01/onlinebooks.html
Lectures on Statistics, By Robert B. Ash, 2005.
Introduction to Probability, By Charles M. Grinstead and J . Laurie Snell, Swarthmore
College.
http://directory.fsf.org/math/
Simple Statistics, By Frances Clegg, Cambridge University Press 1982.
Statistics for Advanced Level Mathematics, By I. Gwyn Evans University College
of Wales, 1984.

XVI I I . Registos do desempenho do estudante
Nome do ficheiro em EXCEL
Matemtica: Registos do desempenho do estudante em Probabilidade e Estatsitica

XI X. Autor Principal do Mdulo
Mr. Paul Chege (B. Ed (Sc), M. Ed)
paulamoud@yahoo.com
O autor do mdulo formador de professores na Universidade de Amoud, Borama, Repblica Somalia
Ele foi formador de professores em Kenya, Repblica das Seychelles e na Somlia. Ele tem sido
envolvido no reforo da Matemtica e das Cincias nos nveis secundrio e universitrio atravs do
programa da Agncia da Corporao Internacional J aponesa (J apan International Corporation Agency
J ICA) em quinze pases Africanos.
Ele casado e com trs filhos.
XX. Estrutura do ficheiro
Sugestes da Escrita do Mdulo. A indicao de ficheiros e estrutura devem seguir o sistema do
Consrcio AVU/PI como definido e explicado pela AVU. Os autores do Mdulo ainda precisam de
fornecer o nome de todos ficheiros (mdulo e outros ficheiros que acompanham o mdulo).
Diariamente cada mdulo ser carregado no portiflio pessoal criado para cada consultor. Para isso,
treinamento ser dado pelo Professor Thierry Karsenti e sua equipa (Salomon Tchamn Ngano e Toby
Harper).
Nome do ficheiro do mdulo (WORD): Mathematics: Probability abd Statistics (Word)
Nome de outros ficheiros (WORD, PDF, PPT, etc) para o mdulo.
1. Matemtica: Registos do desempenho do estudante em Probabilidade e Estatsitica
(Mathematics: Probability and Statistics Student Records (Excel)
2. Porbabilidade e estatstica: Esquema de correco para Avaliao Sumativa (Probability and
Statistics: Marking Scheme for Summative Evaluation (Word))
3. An Introduction to Probability and Random Processes, Textbook by Kenneth Baclawski and
Gian-Carlo Rota (1979) (PDF)
4. Introduction to Probability, Textbook by Charles M. Grinstead and J . Laurie Snell (PDF)
5. Lectures on Statistics, Textbook by Robert B. Ash (PDF).

Probabilidade e Estatística

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Probabilidade e Estatística

Enviado por

Direitos autorais:

Formatos disponíveis

Probabilidade

, onde n o nmero total de itens selecionados sem reposio.

; a =3, b =3, x =2, n =2, n x =2 2 =0

termos na soma, cada um sendo o produto de covarincias. As covarincias so

Você também pode gostar