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

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

1a

NOTA DE AULA

1

Introdução à Estatística

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

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

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

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

1.

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

2.

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

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

1

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

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

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

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

1. 2.

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

Podemos citar como exemplo de

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

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

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

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

Parâmetro e Estatística, tendo em vista que:
2

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

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

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

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

Qualitativas ou Quan-

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

• • • •

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

1◦

grau completo,

2◦

grau completo, superior, pós-graduado;

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

As variáveis qualitativas podem, ainda, ser classicadas como:

nais.

Nominais ou Ordi-

(a) As

variáveis qualitativas nominais variáveis qualitativas ordinais

- são caracterizadas por dados que se

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

aprentam uma ordenação natural. qualidade.

Por exemplo:

3

2.

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

Discreta ou Contínua.

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

de procedimento de contagem.

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

variáveis quantitativas contínuas - são variáveis numéricas cujos valores

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

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

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

4

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

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

fac . bastando para isso multiplicar a freqüência relativa fi por 100. 1) (20. agora. n. Desta (12. Este tipo de informação é denominado de por porcentagens.de uma Tabela de Freqüências.67 50. pode ser útil também. 3). Vejamos.67 25. 1). para um grupo de 12 pessoas. Idade 12 15 17 18 19 20 ni 2 3 1 4 1 1 12 fi 0.33 8.2500 0. 4). a informação de quantas observações apresentam valores menores ou iguais a um certo valor xado. Veja como ca para o conjunto de dados da Figua 1: Tabela 1: Tabela de Freqüências da variável idade. tais como a qualitativa ordinal e as quantitativas (discreta ou contínua).33 100.00 8. 7 .33 33.00 16. representar a freqüência relativa em termos de porcentagem.67 100.0833 0.67 41. (18.33 91.00 Total (n) Observação: forma. denominamos de Distribuição de Freqüências. os pares Ao conjunto de todos os pares de valores. a qual também pode ser expressa em termos relativos ou Tabela 2: Tabela de Freqüências da variável idade. (15. 1) representam a distribuição de freqüências da variável idade para esse grupo de pessoas.0833 1.1667 0.3333 0. referentes a cada dado obsere vado e sua respectiva freqüência.0000 fi × 100 (%) fac (%) 16. ainda. para um grupo de 12 pessoas.00 83. (19. a qual é constituída por uma coluna referente aos dados e outra referente às freqüências associadas a cada valor observado (ni ). a qual é dada pela razão entre a freqüência do i-ésimo valor observado. como ca a tabela de freqüências anterior com estas informações adicionadas: freqüência acumulada. (17.33 8. Pode-se. 2). Para alguns tipos de variáveis. ni e o total de dados observados.0833 0. Uma maneira adequada de apresentar os dados e suas respectivas freqüências é através Idade 12 15 17 18 19 20 Frequência (ni ) 2 3 1 4 1 1 12 Total de observações (n) Uma medida bastante útil na interpretação de tabelas de freqüências é a freqüência relativa (fi ).

0 17 10.0 3 9.5 10 6. Por exemplo. Neste gráco.5 11 7.5 2 8. Uma vantagem em agrupar os dados em classes consiste na organização de grandes conjuntos de dados de forma mais clara e objetiva.0 13 8. consiste na perda de informações por não se saber exatamente quais os valores ocorridos dentro de cada classe. informar sobre a variabilidade da mesma.0 20 7. Gráco de Colunas .0 8 .5 6 5.3 14 6. Para ilustrar como proceder a construção de uma tabela de freqüências em classes. é necessário o agrupamento de dados em categorias ou classes para se proceder a construção de uma tabela de freqüências. para variáveis qualitativas nominais cujos nomes das categorias são pequenos. Por outro lado.8 7 10.5 4 7.Representação Gráca Uma representação gráca da distribuição de freqüências de uma variável tem a vantagem de. considere o seguinte conjunto de dados: Tabela: Dados referentes às notas no 1o estágio de 20 estudantes de estatística. cada valor observado é representado por retângulos de mesma base e alturas proporcionais às freqüências. não se repetirá por mais de uma vez.5 18 4.0 12 7.0 8 3. Código do aluno Nota Código do aluno Nota 1 7.2 Distribuição de Frequências para Dados Agrupados em Classes Em algumas situações.8 5 6. um mesmo valor não ocorrerá com grande freqüência.8 16 9. termos de porcentagem: Para ilustrar. em um conjunto de dados contínuos. numa maneira rápida e concisa.8 9 4.0 19 5.1.é mais adequado para variáveis discretas mas também pode ser utilizado para variáveis qualitativas ordinais. ou até mesmo. utilizando a freqüência absoluta e relativa em Figura 1: Figura 2: 2. veja como ca este gráco para a distribuição de freqüências da variável idade. uma desvantagem. ou ainda.0 15 9.

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

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

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

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

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

00 20. utilizar os pontos médios das classes e suas respectivas freqüências para calcular a média aritmética de maneira análoga ao exposto anteriormente. 1 M e(X ) = x = n k i=1 1 18 xi . 6 6 Exercício: Dado o seguinte conjunto de dados: 12 12 15 15 15 17 18 18 18 18 19 20 Determine a média. o ponto médio da classe modal e como mediana. 14 . no caso em que seja impossível recuperar cada valor observado. moda e mediana. Exemplo: Dada a seguinte distribuição de freqüência da variável S =salário (dados agrupados em classes): Salário Frequência Absoluta 4. Da mesma forma. pode-se supor que todos os dados dentro de uma classe tenham seus valores iguais ao ponto médio desta classe. Assim. temos: Exemplo 8: A partir do segundo conjunto de dados.ni = (1 × 1 + 2 × 2 + 3 × 1 + 5 × 2) = = 3. pode-se. moda e mediana.2 Medidas de Tendência Central para Dados Agrupados Sabemos que ao agrupar um conjunto de dados em classes. e. 1 2 2 3 5 5.• ni • fi é freqüência absoluta do valor observado xi . perde-se informação sobre cada valor individual e. 00 8. 00| − 16. 00| − 12. 00 10 12 8 8 2 Determine o valor (aproximado) da média. 00 12. 00 16.2. é freqüência relativa do valor observado xi . • n= k i=1 ni é o total de observações. Solução: 2. por exemplo. pode-se adotar como valor modal. o ponto médio da classe mediana. 00| − 8. 00| − 20. 00| − 24.

Na prática. Estas distâncias são denominadas de em relação à média.3 Medidas de Dispersão ou de Variabilidade Na sumarização de um conjunto de dados. desvios Denição 2. é obtida pelo cálculo da média dos quadrados dos desvios em relação à média: 1 V ar(X ) = s = n 2 k (xi − x)2 ni i=1 15 .é uma medida que representa a variabilidade de um conjunto de dados e. valores nos dois grupos. . torna-se importante o conhecimento de uma medida que forneça este tipo de informação. por exemplo. sendo que as mais utilizadas baseam-se na idéia que consiste em vericar a distância de cada valor observado em relação à média. os seguintes dados: Variável Variável Note que a média X: 3 4 5 6 7 Y : 3 5 5 7 a qual nada informa sobre a variação dos M e(X ) = M e(Y ) = 5.1 (Variância). esconde toda a informação sobre a variabilidade dos dados. Veja. uma única medida representativa da posição central.Solução: 2.2. existem várias medidas que expessam a variabilidade de um conjunto de dados. Assim.

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

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

Os extremos: o menor e o maior valor observado no conjunto de dados (xm´ in e respectivamente). ou seja. 3◦) A mediana (M d). costuma-se denir outras estatísticas utilizando quartis. Este gráco consiste em uma reta que se prolonga do menor ao maior valor. no caso dados agupados em classes. Veja. na mediana M d = Q2 e no terceiro quartil Q3 . decis ou percentis. tais como: = Q3 − Q1 Intervalo semi-interquartil = (Q3 − Q1 )/2 Amplitude de percentis 10-90 = P90 − P10 Intervalo interquartil de Observação: O histograma pode ser utilizado para se obter o k − e ´simo percentil. . medianos e superiores. Para contornar estes problemas. .Diagrama em Caixa ("Box-Plot") As informações obtidas pelas 5 medidas podem ser representadas por um gráco conhecido por "Box-Plot"ou diagrama em caixa. através de um exemplo que será apresentado logo em seguida.Apenas com estes dois valores não temos a idéia da assimetria dos valores.3 Outra Estratégia de Análise de Dados Em algumas situações a média e o desvio padrão podem não ser adequados para representar um conjunto de dados. 2.3. Veremos como proceder. sobre o quanto os dados se distribum em torno dos valores inferiores. 2.Quartis Q1 = P25 Q2 = P50 Q3 = P75 Decis D1 = P10 D2 = P20 . pois: i . e um retângulo com retas traçadas no primeiro quartil Q1 . Exemplo: O seguinte conjunto de dados representa a pulsação de 22 fumantes: 18 . por valores extremos. de forma exagerada.São afetadas. ii .1 Desenho Esquemático . como ca este gráco através do seguinte exemplo prático. O primeiro e o terceiro quartil (ou junta). 5 medidas foram sugeridas por Tukey (1977): 1◦) 2◦) xma ´x . Pk . D9 = P90 Além das medidas de tendência central e de variação já introduzidas.

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

nk ).2a LISTA DE EXERCÍCIOS 1 .64.60.62. O levantamento das chas biométricas revelou as seguintes estaturas em centímetros: 165 164 151 160 155 169 153 156 165 160 170 157 162 162 155 154 151 155 162 150 168 160 154 151 168 155 156 158 166 155 154 152 163 156 170 158 171 159 175 154 159 158 153 158 156 162 165 156 161 157 a) Elabore uma distribuição de freqüências. os valores da média e da mediana serão os k k (xi − x) × ni = i=1 E.61. 2. fazendo o limite inferior da primeira classe igual a 150 (inclusive) e amplitudes dos intervalos de classe igual a 5 cm. 2. 2. .55. a mediana. .59. a moda. b) Baseado na distribuição de freqüência calcule: a média.50. 2. (xk . os quartis. 2.Mostre que: 40 por 70. . 20 .57. ressalte uma característica vantajosa da mediana em relação à média. por isso. n2 ).As taxas de juros recebidas por 10 ações durante certo período foram (medidas em porcentagem): 2. 2. Mostre que a soma dos desvios em relação à média é igual zero. c) Esboce o histograma 5 . n1 ).63. 3 .Obtenha a média e a mediana para o seguinte conjunto de dados: 20 30 40 a) Se substituímos o valor mesmos? Justique? b) Analisando os resultados acima.Na turma A do curso normal da Escola X.Considere uma distribuição de freqüências qualquer representada por (x1 . Calcule a média e a mediana. ou seja. (x2 . 2. . 2 . 2. a variância 2 x2 i ni i=1 − k i=1 2 xi = k 2 x2 i ni − nx i=1 n também pode ser obtida pela seguinte fórmula: 1 V ar(X ) = s = n 2 k 2 x2 i ni − x i=1 4 . estão matriculados 50 alunos no corrente ano. 2. que k i=1 (xi − x) × ni = 0.64.

1. que era a seguinte: Peso (g) 960 . 1001.1060 1060 .1040 1040 . 2.1080 TOTAL ni 60 160 280 260 160 80 1000 a) Qual a média da distribuição? E qual a variância? b) Queremos dividir os frangos em quatro categorias com relação ao peso de modo que: os 20% mais leves sejam da categoria D. d) o desvio-padrão de A é igual ao desvio-padrão de B dividido por 1000.Dados os conjuntos de números: A = {1000.980 980 .B. 1002. 1003. os 20% seguintes (ou seja os mais pesados) sejam da categoria A.1020 1020 . e) o desvio-padrão de A é igual ao quadrado do desvio-padrão de B. 1005} e B = {0. 1004. os 30% seguintes sejam da categoria B.C e D? 21 .6 . Quais os limites de peso entre as categorias A. 7 . 5} podemos armar que: a) o desvio-padrão de A é igual a 100 vezes o desvio-padrão de B. 4.Em uma granja foi observada a distribuição dos frangos em relação ao peso. 3. c) o desvio-padrão de A é igual ao desvio-padrão de B multiplicado pelo quadrado de 1000. b) o desvio-padrão de A é igual ao desvio-padrão de B. os 30% seguintes sejam da categoria C.1000 1000 .

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

C: Sair o número 10.2 (Espaço Amostral). B: Sair um número menor ou igual a 6. 23 . isto é. denimos como evento. é que torna possível construir um modelo matemático preciso com o qual se analisará o experimento. ou seja. Exemplo: Considerando o experimento E: lançamento de um dado alguns possíveis eventos associados a esse experimento seriam os seguintes: A: Sair o número 3. as possibilidades de resultado. associado a um experimento E qualquer.ocorre se A ocorre. Esta regularidade. porém podemos descrever o conjunto de todos os possíveis resultados do experimento. Denição 3. surgirá uma regularidade nos resultados. Observação: Como estamos tratando com conjuntos. Exemplo: Considere os seguintes experimentos: E1 : Jogar um dado e observar o número da face superior E2 : Jogar duas moedas e observar o resultado Denição 3. Dois eventos são mutuamente exclusivos.Observações: a) Cada experimento poderá ser repetido um grande número de vezes sob as mesmas condições. É o conjunto de todos os possíveis resultados de um experimento aleatório.ocorre se A não ocorre. Dado um espaço amostral Ω. ou ambos ocorrem. c A . B . c) Quando o experimento é repetido um grande número de vezes. se eles não podem ocorrer simultaneamente.3 (Evento). são válidas todas as operações indicadas na teoria dos conjuntos: → → → A A ∪ ∩ B . ou B ocorre. qualquer subconjunto desse espaço amostral.4 (Eventos mutuamente Excludentes). b) Não podemos armar que resultado particular ocorrerá. Denição 3. chamada de regularidade estatística. A ∩ B = φ.ocorre se A e B ocorrem simultaneamente.

.3. indica a chance de P (A).7 (Espaços Amostrais Finitos). A freqüência relativa do evento A. se esse espaço possui um número nito de elementos. A e se. representado por P (A) .. que associa a cada evento um número real.. Quanto mais próxima de 1 é P (A) . P (Ac ) = 1 − P (A) . se. então c) Se A e B são dois eventos quaisquer.Freqüência Relativa). fA = 1. Principais Teoremas: a) Se φ deniota o conjunto vazio. fA∪B = fA + fB . satisfazendo os seguintes axiomas: (i) 0 ≤ P (A) ≤ 1. então P (A ∩ B ) .3 Probabilidade Denição 3. então P (φ) = 0. Dizemos que S é um espaço amostral nito. fA = 0.4 Espaço Amostral Finito Denição 3. e seja A e B dois eventos associados ao experimento. (iii) Se A e B forem mutuamente exclusivos (A ∩ B = φ). e quanto mais próxima de zero..5 (Denição Clássica de Probabilidade . o espaço amostral S pode ser escrito na forma S = {a1 . então. A A ocorrer em todas as nunca ocorrer nas n repetições. a probabilidade de um evento A ocorrer. é defenida como fA = nA . ak }. (ii) P (Ω) = 1. P (A ∪ B ) = P (A) + P (B ) − c b) Se A é o evento complementar de A. denotada por ocorrência do evento A. ou seja. n repetições. 3. Suponha que um experimento é repetido n vezes.6 (Denição axiomática de probabilidade). Observação: A probabilidade de um evento A. Dado um espaço amostral Ω. n Propriedades: (i) (ii) (iii) 0 ≤ fA ≤ 1. é uma função denida em Ω. e somente se. a2 . (iv) Se B forem eventos mutuamente excludentes. maior é a chance de ocorrência do evento A. Sejam nA e nB o número de vezes que o evento A e o evento B ocorram nas n repetições. representada por fA . e se fA∪B for a freqüência relativa associada ao evento A ∪ B. então P (A ∪ B ) = P (A) + P (B ) . menor é a chance de ocorrência do evento A. 24 . Denição 3. e somente se.

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

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

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

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

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

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

será formado no máximo por um número innito enumerável de valores x1 . Consider- Exemplo: Considere uma urna com duas bolas brancas e três vermelhas. x2 . isto é. 2. P (B ) = P (A). denominaremos X de variável aleatória discreta. A será denido assim A = {s ∈ S . P (B ) da Exemplo: No exemplo anterior. aremos a variável aleatória reposição. Alecxandro e Amanda Aluno(a): Período 2003. Portanto RX . Se o número de valores possíveis de X (isto é. que associe a cada elemento s ∈ S X (s). 1. Denição: de Seja X: número de bolas vermelhas obtidas em duas extrações sem X uma variável aleatória discreta. X (s) ∈ B }. 3} com as seguintes probabilidades 4.1 Variáveis Aleatórias discretas Denição: Seja X uma variável aleatória.Engenharias) Professores: Alexsandro. Seja B B ⊂ RX .Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . 31 .UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . Então. Uma um número real. denimos B um evento no contradomínio RX . 4a NOTA DE AULA 4 Variáveis Aleatórias um experimento e Denição: Seja função aleatória. X . RX ) for nito ou innito enumerável. X (s) ∈ B } um evento denido em Neste caso dizemos que Denição: Seja seguinte maneira: A e B são eventos equivalentes. onde A = {s ∈ S . é denominada variável Exemplo: Lança-se três moedas honestas.2 Data: .. temos RX = {0. S um espaço amostral associado ao experimento. Seja X uma variável RX . o contradomínio X. .. Considere a variável aleatória: X: número de caras Denição: Sejam um experimento aleatória denida em relação a e seu espaço amostral S. S e seja RX seu contradomínio. Nesse caso.

i = 1. ele será irrecuperável.m. . Longo ou Curto. é denominada distribuição de probabilidade. ∀i. p(xi )]. 2.80 0. 32 . se existir uma função f. Para estudar a variabilidade do seu empreendimento... Σ∞ i=1 p(xi ) = 1. daí. é denominada função de probabilidade da variável aleatória coleção de pares [xi . . Além disso. As partes são adquiridas em fábricas diferentes. como seria a distribuição das freqüências da variável aleatória L: lucro por conjunto montado? Exemplo: Suponhamos que uma válvula eletrônica seja posta em um soquete e ensa3 iada.10 Se o produto nal apresentar algum componente coma característica C. conforme suas medidas estejam dentro das especicações. S= P (X = n) = 4.10 0..) de X que satisfaça às seguintes f (x) ≥ 0 +∞ −∞ para todo x. denominada função densidade de probabilidade (f.p.d. denominado p(xi ). Cada componente pode ser classicada como Bom.. Produto Bom (B) Longo (L) Curto (C) Cilindro 0. devem satisfazer às seguintes condições: p(xi ) ≥ 0.m. Sabe-se que o custo por peça é de 5 u. a probabilidade 4 1 de que seja negativo é igual a . A função X. e a montagem consistirá em juntar as duas partes e pintá-las. o empresário quer ter uma idéia da distribuição dos lucros por peça montada. foram obtidos as probabilidades de produção de cada componente com suas respectivas características. Admitamos que a probabilidade de que o teste seja positivo seja .. 2. A Tabela com esses valores se encontra abaixo.20 0.. A p denida acima. i = 1. f (x)dx = 1. Considere a variável aleatória Assim X : no de testes necessários para concluir o experimento. Cada componente longo pode ser recuperado a um custo adicional de 5 u. e o conjunto será vendido como sucata ao preço de 5 u. Os números p(xi ) = P (X = xi ).10 Esfera 0. Se o preço de venda de cada unidade é de 25 u.2 Variáveis Aleatórias Contínuas Denição: condições: a) b) Diz-se que X é uma variável aleatória contínua.m. Exemplo: Um empresário pretende estabelecer uma rma para montagem de um produto composto de uma esfera e um cilindro.m. Os ensaios continuam até que a primeira válvula positiva apareça. Adimitamos também que estejamos ensaiando uma partida 4 grande dessas válvulas.70 0.A cada possível resultado probabilidade de (a) (b) xi associaremos um número xi .

com −∞ < a < b < +∞. 4.c a) Qual a probabilidade de acertar a mosca.d. Se X for uma variável aleatória discreta F (x) = j p(xj ). de X é dada por: X seja uma variável contínua com f.d.p.c F. x F (x) = −∞ f (s)ds. f .d. X tome os três valores 0.p. e seja X a distância do ponto atingido pelo dardo ao centro do alvo.2. 0 ≤ x ≤ 10 0.3 Função de Distribuição Acumulada Denição: Seja X uma variável aleatória. f (x) = Então.1 e 2. Exemplo: Suponha que estamos atirando dardos em um alvo circular de raio de 10 cm. 1/6 e 1/2. onde o somatório é estendido a todos os índices j que satisfaçam à condição xj ≤ x.1.p. b . Exemplo: Suponhamos que a variável aleatória seja contínua. 0 < x < 1. 0 < x < 1. discreta ou contínua. se ela é um círculo de raio 1 cm? b) Mostre que a probabilidade de acertar qualquer círculo concêntrico é proporcional a sua área.d. c.a. 0. X teremos P (a ≤ X ≤ b) = f. f dada b a f (x)dx. a Exemplo: Suponhamos que F.p. 0. Teorema 4. c.d. Então. (a) A função F é não decrescente. de X é dada por: Teorema 4. (b) limx→−∞ F (x) = 0 e limx→+∞ F (x) = 1. Se X for uma variável aleatória contínua com f.d. c. a 2x. a f. com Exemplo: Suponhamos que a variável aleatória probabilidades 1/3. respectivamente.3.c. como Teorema 4. 33 .a. Dene-se a função função de distribuição acumulada da variável aleatória X como F F (x) = P (X ≤ x). Seja a por f (x) = 2x. de X é f (x) = kx.c) para quaisquer a.

.. com f. enquanto uma peça não-defeituosa lhe dá um lucro de Us$ 5. c) A função de distribuição Exemplo: Suponha que Esboce o gráco de F é denida para todos os valores de x. o gráco da função de distribuição será constituído por segmentos de reta horizontais. . X uma variável aleatória p(xi ) = P (X = xi ).4 O Valor Esperado de Uma Variável Aleatória Denição: Seja Seja X ). xn . . F (x) = 0. será uma função contínua para todo x.. +∞ |x| f (x)dx −∞ 34 .Teorema 4. conseqüentemente... diremos que E (X ) existirá se. . qual o valor esperado de Denição: Seja X for o lucro líquido por X? f. f .4... e somente se. denotado por E (X ) é denido como discreta.p.. (b) Seja X uma variável aleatória discreta. o fabricante perde US$ 1. xn .. dx para todo x no qual F seja derivável. com valores possíveis Então.d.. Se peça. . Seja F a função de distribuição de X ... X (ou esperança de E (X ) = Σ∞ i=1 xi p(xi ). com valores possíveis x1 . F e calcule a 4. x > 0.. (a) Seja F a função de distribuição de uma variável aleatória contínua. se a série denida acima convergir absolutamente. . A F é contínua.p f . x < 0.. i = 1. Então.d. − p(xj ) = P (X = xj ) = F (x+ j ) − F (xj ).. Observações: a) Se função X for uma variável aleatória discreta. o valor esperado de x1 . 2. Exemplo: Um fabricante produz peças tais que 10% delas são defeituosas e 90% delas são não-defeituosas. n.. f.. No valor xj p(xj ) = P (X = xj ) F o gráco X for uma variável aleatória contínua. x2 . exceto nos valores possíveis de apresenta um salto de magnitude b) Se X : x1 .d.. −x 1 − e . com um número nito de valores possíveis. Então. Se uma peça defeituosa for produzida. Pode acontecer que esta integral (imprópria) não convirja.p.. x2 . f (x) = d F (x).. O valor esperado de X uma variável aleatória contínua com X é denido como +∞ E (X ) = −∞ xf (x)dx. .. e suponha-se que esses valores tenham sido indexados de modo que x1 < x2 < .

4. 1500 < x ≤ 3000. 2. b constantes e X uma variável aleatória. então E [H (X )] = i=1 H (xi )p(xi ). c.: x .p.. b] com a Exemplo: Seja seguinte X uma variável aleatória contínua denida num intervalo f. X uma variável aleatória. V ar(X ) pode ser simplicado com o auxílio do seguinte resultado. Encontre a esperança dessa variável aleatória. Exemplo: Seja a variável aleatória X denida como segue. −∞ X 4. . i = 1.d..d. x2 . 15002 −(x−3000) . f (x) = 1 . 15002 f (x) =    0. a ≤ x ≤ b. 0 ≤ x ≤ 1500. for uma variável aleatória discreta assumindo valores x1 .4. da seguinte maneira: V ar(X ) = E [X − E (X )]2 .− b−a 0.c. a.5.5 A Variância de uma Variável Aleatória Denição: Seja X uma variável aleatória. onde C é uma constante.d. A raiz quadrada da Variância de O cálculo de X é denominada desvio padrão de X. Então. denotada por V ar(X ).p.. c. .. +∞ b) Se X for uma variável aleatória contínua com f. Suponha que X seja o tempo (em minutos) durante o qual um equipamento elétrico seja utilizado em carga máxima.p.1 Propriedades de Valor Esperado Propriedade 1: Se X = C.c. então.for nita. E (X ) = C . com função de ∞ probabilidade p(xi ). Suponha-se que C seja uma constante e E (CX ) = CE (X ). V ar(X ) = E (X 2 ) − [E (X )]2 . Suponha-se que aleatória contínua com a seguinte X seja uma variável f. Propriedade 2: Então. propriedade 4: Seja a) Se X uma variável aleatória e H (X ) uma função contínua.. obs: a variável X denida dessa maneira é chamada de variável aleatória uniforme. f . Propriedade 3: Sejam E (aX + b) = aE (X ) + b. Teorema 4. 35 . então E [H (X )] = H (x)f (x)dx. Denimos a Variância de X. [a. em um certo período de tempo especicado.

V ar(CX ) = C 2 V ar(X ).2.1 Proprieades da Variância de uma Variável Aleatória Propriedade 1: Se C for uma constante. Uma escala de 11 categorias é empregada: 0. Seja X a variável aleatória que pode tomar um dos 11 valores acima..05 1 0.1.06 4 0. Admita que a distribuição de probabilidade de x seja X=x P (X = x) Portanto 0 0.15 10 0..06 8 0.d.4. b constantes e X uma variável aleatória. Propriedade 3: Sejam = a2 V ar(X )...15 2 0. Propriedade 2: Se C for uma constante.05 E (X ) = E (X 2 ) = V ar(X ) = Exemplo: Suponhamos que X seja uma variável aleatória contínua com f.06 5 0.5. −1 ≤ x ≤ 0. onde 0 representa um céu perfeitamente claro. 10 representa um céu completamente encoberto.15 9 0.06 7 0. E (X ) = V ar(X ) = 36 . enquanto os outros valores representam as diferentes condições intermediárias. 1 − x. 0 ≤ x ≤ 1.06 6 0.p. V ar(C ) = 0. Suponhase que tal classicação seja feita em uma determinada estação meteorológica.15 3 0. a. em termos de graus de nebulosidade. f (x) = Então 1 + x.10. em um determinado dia e hora. Então V ar(aX + b) Exemplo: O serviço de meteorologia classica o tipo de céu que é visível.

resultados possíveis: 0. f (x) = x2 2 se se 0 ≤ x ≤ 1.4a LISTA DE EXERCÍCIOS (T ) que os candidatos levam para 1 . ser divisível por 3).Num teste de digitação. P (X ≥ 5). 1. 2 . a) Calcule b) Calcule c)Calcule P (X ser par)..Verique se as expressões abaixo são funções densidade de probabilidade (assuma que elas se anulam fora dos intervalos especicados). c) Calcule a demanda esperada.. x ≥ 0. 2.2 6 0. . pela seguinte distribuição de T pi 3 0. numa loja de autopeças..A função de probabilidade da variável aleatória X é P (X 2 2 Calcule E (X ). 3. E [(X + 3) ] e V ar (3X = k ) = 1/5.Suponha que a variável aleatóriaX tenha valores possíveis 1. e j = 1. Suponha que P (X 5 . Determine a média e a variância do número de pontos obtidos no teste. k = 1. 6 . j = 0.. . . para quaisquer dois inteiros positivos s e t. 4.1 5 0. ..1.. a o modelo acima tem sentido? b) Verique que essa expressão representa uma legítima distribuição de probabilidade.2 7 0. F. 2... P (X = j ) = 1/2j . 2. de forma aproximada.2. V ar (X ). 5. c) Mostre que.2 8 0.1 4 0.. siga o seguinte modelo: P (X = k ) = a) Encontre o valor de b) Calcule a a2k .Suponha que a demanda por certa peça. 5 se terminar em 8 minutos e assim por diante.. P (X > s + t | X > s) = P (X ≥ t). o tempo em minutos probabilidade: digitar um texto é modelado. 4 . a) b) f (x) = 3x. 2.. k = 1. E (X ).2.1 O candidato recebe 4 pontos se terminar a digitação em 9 minutos..d. k! a..Considere uma variável aleatória j a) Para que valores de X com P (X = j ) = (1 − a)a . d) Qual é a variabilidade da demanda? 3 . 37 . − 2)..a de X.1 9 0.

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

. Alecxandro e Amanda Aluno(a): Período 2003. 39 .2 Modelo de Bernoulli Denição: Consideremos uma única tentativa de um experimento aleatório de forma que tenhamos sucesso ou fracasso nessa tentativa... logo 1−p será a probabilidade de fracasso. se não ocorre sucesso.2 Data: . Tenho 5 bilhetes consecutivos numerados de 21 a 25. ∀j = 1. k. 2. 5a NOTA DE AULA 5 Alguns Modelos de Variáveis Aleatórias 5. Quem tem maior possibilidade de ser sorteado? Propriedades É fácil vericar que: E (X ) = V ar(X ) = 1 k k k i=1 xi k x2 i − ( . k Exemplo: Uma rifa tem 100 bilhetes numerados de 1 a 100. com os números 1. Dena a variável aleatória se ocorre sucesso.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . P (X = 0) = 1 − p P (X = 1) = p. isto é. sua função de probabilidade é dada por P (X = xj ) = 1 . ou 1.1.Engenharias) Professores: Alexsandro. . .1. 68 e 93. xk ... Onde X da seguinte forma: X = 0.. Dizemos que X segue o modelo Uniforme Discreto se atribui a mesma pro1/k a cada um desses k valores. 5. x2 .1 Modelo Uniforme Discreto Denição: babilidade Seja X uma variável aleatória cujos possíveis valores são representados por x1 . 29. Seja p a probabilidade de sucesso. e meu colega tem outros 5 bilhetes. 11.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE .1 Variáveis Aleatórias Discretas 5. k i=1 xi )2 i=1 k .

As probabilidades de sucesso e fracasso são as mesmas para cada X: número de sucessos em n tentativas.. Exemplo: Lança-se um dado e observa-se ocorrência da face 6. Então P (X = k ) = n k pk (1 − p)n−k Teorema 5. Seja X uma variável aleatória binomial com parâmetros n e p. A variável denida acima é chamada de Distribuição geométrica com parâmetro Notação: p. Seja a variável aleatória p a probabilidade de sucesso. ensaios são independentes. X= número 5. e sua função de P (X = x) = px (1 − p)1−x .1. . 2. x = 1. p). Suponha que os P (X = x) = (1 − p)x−1 p. 1.Nessas Condições a variável aleatória probabilidade é dada por: X segue o modelo de Bernoulli.3.1. Um grupo de três indivíduos é sorteado dentre a população vacinada. Seja n tentativas independentes de um mesmo experimento aleatório. Teorema 5.3 Modelo Binomial Consideremos probabilidade tentativa. Cada tensucesso com probabilidade tativa adimitindo apenas dois resultados: p e fracasso com 1 − p.. x = 0. 5. Seja X uma variável aleatória binomial com parâmetros n e p. e submetidos a testes para averiguar se a imunização foi efetiva. Construa a distribuição de probabilidade da variável de indivíduos imunes na amostra. logo 1 − p é a probabilidade de fracasso. Exemplos: Sabe-se que a eciência de uma vacina é de 80%. Sua função de proba- bilidade é dada pelo teorema seguinte: Teorema 5. que a esse experimento é dita ser uma Variável aleatória denotaremos por X : b(n. então 40 . Se X : Geométrica(p). Considere X : número de ensaios até ocorrer o primeiro sucesso.2. Dessa forma. Então E (X ) = np e V ar(X ) = np(1 − p). Note que.4 Distribuição Geométrica Considere um experimento cujos resultados podem ser classicados como sucesso ou fracasso. X: Geométrica(p). A variável aleatória Binomial com X associada parâmetros n e p. E (X ) = p e V ar(X ) = p(1 − p).1.

(i) E (X ) = 1 p 1− p p2 (ii) V ar(X ) = Exemplo: Se a probablidade de que um certo ensaio dê reação positiva for igual a 0. . Qual a probabilidade de que seja necessário examinar todos os motores dessa caixa? 5. A variável X assim denida tem distribuição Hipergeométrica.1. Retiramos dessa população. 2. sem reposição. Se X tem distribuição Hipergeométrica com parâmetros N.. para dois quaisquer inteiros positivos s e t. dos quais r têm uma determinada carac- terística (sucesso).4. Dessa forma a distribuição de probabilidade da variável aleatória X é dada por P (X = k ) = r k N −r n−k N n . Então Teorema 5. Há 6 motores defeituosos numa caixa.1.6 Distribuição de Poisson Uma variável aleatória X tem distribuição de Poisson com parâmetro λ > 0. k ≤ r. Se nenhum motor for defeituoso. k! 41 . P (X ≥ s + t | X > s) = P (X > t) 5. Se X :Geométrica(p) então.5 Distribuição Hipergeométrica Consideremos uma população com N elementos. 0 ≤ k ≤ n. a caixa é aceita. qual será a probabilidade de que menos de 5 reações negativas ocorram antes da primeira positiva? Teorema 5. Seja X: número de sucessos na amostra.5. todos os 50 motores são testados.. testando 5 motores. onde E (X ) = np e V ar(X ) = np(1 − p) (N − n) . Um inspetor de qualidade examina cada caixa.. antes da posterior remessa. n e p. p = r/N . Se pelo menos um for defeituoso. k = 0. se sua função de probabilidade é dada por P (X = k ) = e−λ λk . (N − 1) Exemplo: Pequenos motores são guardados em caixas com 50 unidades. uma amostra de tamanho n. 1.4.

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

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

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

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

Considere que o centro de serviço está na origem da rede e que o custo é de R$ 200. 0.Uma urna tem 10 bolas brancas e 40 pretas. 0. Encontre a probabilidade da variável assumir valores menores que 3/4. determine: Resp. 1 P (1 < X < 2) P (1 < X < 2 | X < 3) P (X < 3 | 1 < X < 2) 10 .00 para as distâncias acima de 8 quilômetros.Sendo a) b) c) d) e) X: Exp(1). 1/3 Resp.633 P (X < 2 | X > 1) 13 .779 X : N (4. Qual é o custo médio do conserto? Resp.5 46 .00 entre 3 e 8 quilômetros e de R$ 1000. 1/4 12 . 0. 4] . 0.00 para distâncias até 3quilômetros. a) Qual a probabilidade da pane ocorrer nos primeiros 500 metros? E de ocorrer nos 3 quilômetros centrais da rede? Resp.Sendo a) b) c) d) e) X : U [0. 1/20 e 3/10 b) O custo de reparo da rede depende da distância do centro de serviço ao local da pane. determine: P (X ≤ 4) Resp.865 P (0 < X < 2) P (X < 2) P (X > 3) P (1 < X < 4) Resp.Seja a) T de um vírus exposto ao meio ambiente segue uma distribuição Exponencial com parâmetro λ = 1/20 s. a) Qual a probabilidade de que a sexta bola retirada com reposição seja a primeira branca? b) Qual a probabilidade de que em 16 bolas retiradas sem reposição ocorram 3 brancas? c) Qual a probabilidade de que em 30 bolas retiradas com reposição ocorram no máximo 2 brancas? 9 . 460 11 . 1/2 Resp. 1) .05 Resp. Calcule a probabilidade condi- P (T > 15 | T > 10) . 1/2 Resp.350 Resp.Suponha que o valor esperado de uma variável aleatória com distribuição uniforme é 1 e a variância é igual a 1/12. 0. de R$400.Suponha que o tempo de vida cional 14 .865 Resp.8 . Resp. Resp.Admite-se que uma pane pode ocorrer em qualquer ponto de uma rede elétrica de 10 km com a mesma probabilidade. calcule: P (X > 2) P (X ≥ 2) Resp. 0. 1/4 Resp. 0.

0.Uma clínica de emagrecimento recebe pacientes adultos com peso seguindo uma distribuição normal de média 130 kg e desvio padrão 20 kg.3413 Resp. 0. 100) . Resp.b) c) d) e) f) P (4 < X < 5) P (2 ≤ X < 5) P (5 ≤ X < 7) P (X ≤ 1) P (0 < X < 2) Resp. 0. quão rápido deve ser o candidato para que obtenha essa posição? Determine os valores que delimitam cada uma dessas classicações.Seja a) b) c) d) e) X : N (90. o candidato deve completá-lo em menos de 80 minutos. 95.6826 P (85 ≤ X ≤ 110) P (|X − 90| ≤ 10) a f ) O valor de 16 .9938 Resp.1102 P (−7 ≤ X ≤ −6) P (|X + 5| > 2) .6687 Resp.4 47 . 0.3289 P (−5 < X ≤ −2) P (X ≤ 0) P (X > −6) Resp. 0.6 kg Obesos: 143. 0.Para a) b) c) d) e) tal que P (90 − a ≤ X ≤ 90 + a) = 0. 6 X : N (−5. Resp.9429 Resp. os 25% pacientes de menor peso são classicados de magros. 0. 0. quantos são esperados passar? b) Se os 5% melhores candidatos serão alocados para aeronaves maiores. a = 19. Resp.0013 Resp. kg 18 . 10) . 0. 0. P (X ≤ 115) P (X ≥ 80) P (X ≤ 75) Resp. Suponha que o tempo necessário para completar o teste seja distribuído de acordo com uma normal de média 90 minutos e desvio padrão 20 minutos. 0. 0. Se 65 candidatos tomam o teste. calcule: Resp. enquanto os 25% de maior peso de obesos.1574 Resp.6255 Resp. Para efeito de determinar o tratamento mais adequado.Um teste de aptidão feito por pilotos de aeronaves em treinamento inicial requer que uma série de operações seja realizada em uma rápida sucessão.0228 determine: 15 . Magros: 116. 0.0668 Resp.8413 Resp. a) Para passar no teste. 0.8187 Resp.4286 17 . 0.

Y ) freqüência Total Esta mesma tabela pode ser apresentada de maneira mais conveniente através da tabela de dupla entrada. variável que foi representada por lares prestados.2 Data: . variável representada por X.Engenharias) Professores: Alexsandro. 6a NOTA DE AULA 6 Variáveis Aleatórias Bidimensionais 6. É muito comum estarmos interessados no comportamento conjunto de várias variáveis aleatórias. Perguntouse aos alunos se trabalhavam.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . os conceitos estudados aqui podem ser expandidos de maneira análoga para mais de duas variáveis. Trataremos aqui apenas de duas variáveis.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . Introduziremos o estudo através do seguinte exemplo: Uma amostra de 20 alunos do primeiro ano de uma faculdade foi escolhida. e o número de vestibu- Y. Os dados obtidos estão na tabela abaixo. X Y X Y não 1 sim 1 não 2 não 1 não 1 sim 2 sim 3 não 1 sim 1 sim 1 não 2 não 2 sim 1 não 3 sim 2 não 2 não 2 não 1 sim 3 não 2 Podemos coletar as freqüências de ocorrência dos possíveis pares. (X. construindo uma tabela de freqüência conjunta de X e Y.1 Variáveis Aleatórias Discretas Na maioria das situações dicilmente trabalhamos com apenas uma variável aleatória. porém. da seguinte forma: 48 . Alecxandro e Amanda Aluno(a): Período 2003.

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

...Sub-região 1 0 1 2 0 2 3 0 1 4 0 0 5 1 1 6 2 0 7 1 0 8 2 1 9 2 2 10 0 2 X Y Considerando que escolhemos uma das sub-regiões ao acaso. Y ) P (X.. yn ) p(xm ) p(yn ) 1. cada sub-região tem mesma probabilidade 1/10 de ser escolhida. ... ou seja. . em conhecer a distribuição de probabilidade de X ou de Y. . ....... . ... (X... . y1 ) p(x2 . xm Total p(xm .1.. p(x1 ) p(x2 ) .. Y ) representada através Considerando a distribuição de probabilidades conjunta de de uma tabela de dupla entrada.... y1 p(x1 . Y ) Total Cuja tabela de dupla entrada é dada por: X|Y Total Total 6.2 Distribuições Marginais de Probabilidades Quando trabalhamos com uma variável aleatória bidimensional podemos ter o interesse em estudar o comportamento de uma única variável. y1 ) ... Y X x1 x2 .. . yn Total p(x1 .Y). isto é.. podemos construir a distribuição conjunta de (X... .0 50 . .. tal como apresentada a seguir: Tabela 1: tabela de dupla entrada para apresentar a distribuição conjunta de (X. yn ) p(x2 . yn ) . .. Y ): (X.. y1 ) p(y1 ) p(xm .

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

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

F.M

Através dessa tabela podemos construir a distribuição da variável

Z = F +M

e

W = F.M ,

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

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

1 1 3 + = . 10 20 20

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

Z

e de

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

11

12

13

14

15

24

27

32

36

40

45

50

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

X = x,

dado que

Y =y

ocorreu, é dada pela expressão:

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

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

adotaremos

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

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

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

(x, y )

das variáveis

(X, Y ).

Como denição alternativa

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

(x, y ). X
e

Observação:

Y

são independentes

⇐⇒ p(x, y ) = p(x)p(y ), ∀ (x, y ).

Se existe pelo menos um par

(x0 , y0 )

tal que:

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

então,

X

e

Y

não são independentes.

Exemplo: Suponhamos que tabela:

X

e

Y

tenham distribuição conjunta dada pela seguinte

X|Y
1 2 3

1 0 1/5 0

2 1/5 1/5 1/5

3 0 1/5 0

Determine as distribuiçãoes marginais de

X

e

Y.

Estas variáveis são independentes?

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

Propriedade 1:

Para variáveis aleatórias

X

e

Y,

vale sempre que

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

Propriedade 2:

Se

X

e

Y

são duas variáveis aleatórias independentes, então

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

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

X Y
2

e

Y

são independentes.

X

e

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

X|Y
-1 0 1

2/12 0 1/12

53

Calcule,

E (X ), E (Y )

e

E (XY ).

Depois determine se

X
e

e

Y

são independentes.

Denição: Uma medida de dependência linear entre

X

Y

é dada pela covariância:

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

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

X

e

Y

são independentes, então a

Cov (X, Y ) = 0, a recíproca, neste

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

X

e

Y

é

calculado pela seguinte expressão:

ρX,Y =
Onde,

Cov (X, Y ) . σX σY X
e

σX σY

são respectivamente os desvios-padrão das variáveis

Y. |ρX,Y | ≤ 1.
A

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

ρX,Y

próximos de

±1

indicam correlação forte.

Propriedade 3:

Sejam

X

e

Y

variáveis aleatórias quaisquer, então

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

X

e

Y

são independentes, então

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

Cov (F, M )

e

ρF,M

no exemplo da seção 6.1.3.

54

6a

LISTA DE EXERCÍCIOS

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

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

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

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

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

o

lançamento (K).

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

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

P (X )
5/16

P (Y )
b)

a) Complete a tabela.

X

e

Y

são independentes?

c) Obtenha as marginais de X e Y.

55

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

3 (Parâmetro). um subconjunto da população. Esta ciência divide-se basicamente em duas partes. Para iniciar o estudo da Estatística Inferencial é necessário compreender os seguintes conceitos básicos: Denição 7.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . A população é um conjunto formado por todos os elementos que possuem pelo menos uma característica observável. Alecxandro e Amanda Aluno(a): Período 2003.1 (População). População e Amostra Denição 7. A Amostra é apenas uma parte da população.1 Introdução A Estatística é uma ciência que tem como objetivo a tomada de decisão em situações de incerteza. 7a NOTA DE AULA 7 Introdução à Inferência Estatística 7. É uma característica numérica da população. é Dois outros conceitos estreitamente relacionados com os de Parâmetro e Estatística. são os de Denição 7.4 (Estatística). Alguns exemplos são: 1) População: os eleitores da cidade de Campina Grande Amostra: 650 eleitores escolhidos aleatoriamente ( ao acaso) Característica de interesse: percentual de eleitores que planejam votar num candidato X nas próximas eleições. quilometragem média e uma possível relação entre estas duas variáveis.2 (Amostra). ou seja.2 Data: . A primeira parte é conhecida como Estatística Descritiva que trata da coleta. organização e descrição de dados.Engenharias) Professores: Alexsandro. . A segunda é a Estatística Inferencial que se preocupa em fazer armações e/ou testar hipóteses sobre características numéricas em situações de incerteza. Denição 7. É uma característica numérica da amostra que será usada para extrair informações sobre a população. 2) População: automóveis Uno Mille produzidos em 1995 Amostra: todos os automóveis produzidos em agosto de 1995 Características de interesse: número de defeitos apresentados 57 nos primeiros 3 meses de uso.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos .

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

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

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

a) X . 2. ou simplesmente amostra aleatória (a. uma ou mais comunidades em que ele suspeita que a maioria dos eleitores são favoráveis a sua candidatura.) de uma variável aleatória (v. Variáveis aleatórias X1 . . i = 1. n têm a mesma distribuição de probabilidade da variável X . pois o amostrador pode facilmente se equivocar em seu pré-julgamento. Assim.AAS). ... da população cuja distribuição é dada acima. quando satisfazem as seguintes condições: 1) As variáveis aleatórias X1 .. 7. Xn constituem uma amostra aleatória simples de tamanho n. . a distribuição X=x P (X = x) 1 3 5 7 Considere todas as amostras possíveis de tamanho 2. ou parcialmente intencionais. O perigo desse tipo de amostragem é obviamente grande. o uso de amostragens intencionais.Amostragens intencionais Enquadram-se aqui os diversos casos em que o amostrador deliberadamente escolhe certos elementos para pertencer à amostra. 5. X2 . chamar a atenção que esta intencionalidade pode ser usada tanto para garantir a representatividade da amostra. por julgar tais elementos bem representativos da população. cada qual com vantagens e desvantagens.4 Amostra Aleatória Simples Denição 7.. Devemos. 5. em que os administradores de uma empresa desejam que determinados elementos de uma população não quem fora da amostra.3 Comentários Adicionais sobre Amostragem Como podemos ver. como também para induzir resultados. 3. 7.. ocorrendo em vários tipos de situações reais. É importante ressaltar que a denição do tamanho da amostra a ser retirada da população é um outro problema associado à amostragem. há diferentes maneiras pelas quais as amostras podem ser selecionadas. Exemplos freqüentes ocorrem na área empresarial. Um exemplo deste último objetivo seria a intencionalidade de um político para que pertençam a amostra. Xn são independentes.a. com reposição. 7}. Além disso considere X1 o número selecionado na primeira 61 ..5 (Amostra Aleatória Simples . e 2) Cada uma das variáveis aleatórias Xi . é bastante freqüente. Exemplo : Considere uma população formada pelos seguintes elementos Considere a variável de probabilidade de {1.2. X2 .. Apesar disso... X : valor assumido X é dada por: pelo elemento na população. O tamanho amostral deve minimizar os custos operacionais da amostragem e será tanto maior quanto for a variabilidade das características populacionais a serem estudadas.2.

Xn . .. X2 .7... ou seja qual a distribuição de T quando X1 ...2. E (X ) Assim. ..... ou seja dada uma amostra aleatória X1 .. . identicando a população pela variável aleatória e a sua Variância X .. Uma estatística é uma característica da amostra. Exemplo: Considerando o exemplo da seção 7. X2 .extração e X2 o número selecionado na segunda extração.. X2 ) e as distribuições marginais de X1 e X2 . X n X1 .. uma pergunta natural seria o que aconT quando retiramos todas as amostras de uma população conhecida segundo um plano amostral adotado. X2 . dada uma amostra aleatória média amostral X1 . deniremos uma estatística T como qualquer função de X1 . . um exemplo de estatística seria a ¯ = 1 (X1 + X2 + · · · + Xn ). pela distribuição de X Mostraremos a seguir que estes resultados não foram uma mera coincidência. Denição 7. Xn de uma população X .6. X2 ..4 podemos construir a distribuição de ¯ = 1 (X1 + X2 + · · · + Xn ) e algumas estatísticas.. Essa distribuição será chamada de distribuição amostral da estatística T. Xn uma amostra aleatória.1 Distribuição Amostral da Média Voltando ao exemplo anterior podemos observar que µ = E (X ) = 4. Vemos também. Um parâmetro é uma medida usada para descrever uma característica da população. Xn ). podemos construir a distribuição de probabilidades conjunta de (X1 . Assim. 16. . X. 62 . Denição 7. ou seja T = f (X1 . como por exemplo a distribuição de X n n 2 2 ¯ ) /(n − 1).. Xn . teríamos ¯ =x X ¯ P (X = x) S2 = s P (S 2 = s) Total Total 7. σ 2 = 4. 2 e V ar(X ¯ ) = 2.3. X2 . X2 .3 Distribuições Amostrais Voltemos às denições de estatísticas e parâmetros.. S = i=1 (Xi − X Assim. Observe que X1 e X2 são independentes e têm distribuições iguais à distribuição de 7. Assim. 08. 2 e V ar (X ) = ¯ que E (X ¯ ) = 4.. . Xn Sendo tece com a estatística assume todos os valores possíveis. seriam parâmetros a média V ar(X ).

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

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

0.75? E superior a 0.2643) 6 . Uma amostra de 25 indivíduos que tomaram a vacina foi sorteada e testes foram feitos para vericar a imunização ou não desses indivíduos.A capacidade máxima de um elevador é de 500kg. 3 . cuja distribuição de probabilidade é apresentada a D pi 0 0. com probabilidade 90%.1315) c) Estar entre 0 e 2.O número de divórcios. 0.05 3 0. D2 ). 0.85? (Resp. 0.Suponha que uma indústria farmacêutica deseja saber a quantos voluntários se deva aplicar uma vacina. por indivíduo adulto casado. 2 .9876) 5 . qual a probabilidade de sete passageiros ultrapas- sarem esse limite? (Resp. sua distribuição de probabilidade.5 1 0. 0.5) 4 . Se o fabricante estiver correto. indivíduos e os seguintes estimadores para a média de divórcios foram considerados: µ ˆ1 = √ D1 D2 e µ ˆ2 = max(D1 .Supõe-se que o consumo mensal de água por residência em um certo bairro tem 3 distribuição normal com média 10 e desvio padrão 2 (em m ). em certa comunidade foi modelado pela variável aleatória seguir: D. qual é a probabilidade de a média amostral não se afastar da 3 verdadeira média por mais de 1 m ? (Resp.0125) b) Ser superior a 2. (Resp.05 foi sorteada com dois desses Para cada estimador.35) 7 .7a LISTA DE EXERCÍCIOS p é amostrada. de forma in- 1 . 100). Qual o tamanho da amostra a escolher sabendo-se que p(1 − p) ≤ 1/4? (Resp.Um fabricante arma que sua vacina contra gripe imuniza em 80% dos casos. D2 ) − min(D1 .4 2 0.2643 e 0. (Resp. 2). qual é a probabilidade da proporção de imunizados na amostra ser inferior a 0.5. de modo que a proporção de indivíduos imunizados na amostra dira de menos de 2% da proporção verdadeira de imunizados na população. Para uma amostra de 25 dessas residências. D2 ). duas vezes.Uma variável de Bernoulli com probabilidade de sucesso dependente. Determine X dos pesos dos N (70. (Resp. 1692) 65 . 0. representada por (D1 .Coleta-se uma amostra de 10 observações independentes de uma a probabilidade de a média amostral: a) Ser inferior a 1. obtenha Uma amostra aleatória. Apresente a distribuição de probabilidade da média amostral. Se a distribuição usuários for suposta N (2.

2 Propriedades de Estimadores Considere uma amostra aleatória para terística de interesse da população. Ou seja.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE .2 Data: . 66 . se E (θ ¯ ep Exemplo 8. O vício de um estimador é dado por ˆ) = E (θ ˆ) − θ. Um estimador θ ˆ) = θ. µ = 1 N N i=1 Xi é a média populacional. respectivamente.3. Algumas denições são necessárias: θ Denição 8. Xn ). Nosso objetivo será construir intervalos de conança para a média e para a proporção populacional a partir das distribuições de ¯ X e p ˆ. Denição 8.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos . Considere uma população com N elementos.. Onde µ = E (X ) e p é a proporção populacional.. B (θ ˆ é dito ser não viciado para o parâmetro θ se B (θ ˆ) = 0. ou seja X1 ..Engenharias) Professores: Alexsandro. .2.1. respectivamente. X2 . Justique porque X ˆ são não viciados para µ e p. Não iremos abordar os métodos de estiamação pontual. Estimativa é o valor assumido pelo estimador em uma particular amostra.1 Introdução Neste capítulo iremos estudar as propriedades de um estimador e a estimação intervalar. Seja θ.2.. mas justicaremos porque ¯ X e p ˆ são bons estimadores para a média e a proporção. Assim.. Alecxandro e Amanda Aluno(a): Período 2003. i=1 onde. Xn de uma v. X2 . Denição 8. 8a NOTA DE AULA 8 Estimação de Parâmetros 8.. que descreve alguma caracˆ um estimador θ um parâmetro desta população e θ ˆ = T (X1 .a. ulacional σ 2 é denida como: Exemplo 8. a variância pop1 σ = N 2 N (Xi − µ)2 .1. 8. respectivamente. .

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

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

para que a amplitude do intervalo de 90% de conança para a vida média seja de 3 meses? 8. estamos aceitando uma p ˆ. γ ) = p ˆ − zγ/2 p ˆ(1 − p ˆ) . e 60% delas preferiram a marca A. Construa um intervalo de conança para p com coeciente de conança γ = 0. γ ) = p ˆ − zγ/2 1 .p ˆ + zγ/2 n p ˆ(1 − p ˆ) . Exemplo 8. A vida média de baterias automotivas de uma certa marca está sendo estudada.6.5 meses.7. Portanto. por 1/4: Nesse caso. 400 pessoas foram entrevistadas sobre de- terminado produto. n p(1 − p) Outra solução possível. podemos obter um intervalo de conança p(1 − p) IC2 (p. podemos construir um intervalo de conança para a proporção populacional. γ ) = p ˆ − zγ/2 Como p(1 − p) . é possível admitir que a vida útil dessas baterias segue uma distribuição normal com desvio padrão de 4. 95.2 Intervalo de Conança para a proporção populacional De maneira análoga ao caso da média. Ao utilizarmos IC2 .3. o que se reete numa maior amplitude do intervalo de conança. quando substituindo tem valor máximo 0 ≤ p ≤ 1.p ˆ + zγ/2 4n 1 . é baseada no fato que a expressão igual a 1/4. quando comparado ao intervalo IC1 . estaremos substituindo a variância n por um valor seguramente maior do que o real. com outras marcas. Se preferirmos IC2 . o intervalo será: IC1 (p. um intervalo de conança para com nível de conança IC (p. 69 . γ é dado por Assim. n Uma possível p é desconhecido. p p(1 − p) n .Exemplo 8. Numa pesquisa de mercado. Baseado em estudos similares.p ˆ + zγ/2 n p(1 − p) . solução é substituirmos p(1 − p) por p ˆ(1 − p ˆ). Assim. Pelo Teorema Central do Limite sabemos que p ˆ≈ N p. menor precisão para γ. estamos nos assegurando que o Observação: Ao aceitarmos de p é bem aproximada por coeciente de conança será de. De qual tamanho deverá ser a amostra. 4n IC1 . no mínimo. o intervalo ainda não pode ser calculado diretamente. estamos levando em consideração que a variância p ˆ(1−p ˆ) .

tal que 0 < α < 1.p. Para isso. mostra-se que 1 2 lim fn (t) = √ e−t /2 . é conhecida como a função gama. como podemos conhecer a variância de uma população? Desta forma. n→∞ 2π (iv) Em virtude da importância desta distribuição. Gosset. γ = 1 − α. X : N (µ. Iremos considerar 2 a siuação em que X : N (µ. tanto a média como a variância.a. onde Tn tem P (−tα ≤ Tn ≤ tα ) = 1 − α. e tα é um número tal que P (−tα ≤ T(n−1) ≤ tα ) = γ . é da forma fn (t) = Γ[(n + 1)/2] √ Γ(n/2) nπ 1+ t2 n −(n+1)/2 . . que é denida como: Denição 8. (iii) O gráco de fn (t) é simétrico em torno de 0.8.. onde Γ (p) = ∞ 0 xp−1 e−x dx. σ 2 ) com µ e σ X1 ... Xn de X . 70 . −∞ < t < ∞.d. são desconhecidas. que Assim. −X teremos Assim. (ii) Essa distribuição leva este nome em homenagem ao estatístico inglês W. Ele se assemelha ao gráco da dis- tribuição normal padrão.S. S/ n S2 = 1 n−1 n i=1 (Xi onde ¯ )2 . pois se não conhecemos a média. considerando uma amostra aleatória desconmostrar ¯ − µ) (X √ : t(n−1) . Esta situação não é muito realista. uma situação mais próxima da realidade seria o caso em que. para alguns valores distribuição t de Student com n graus de liberdade. iremos utilizar a distribuição t de Student. dado 0<γ<1 P onde ¯ − µ) (X √ ≤ tα S/ n = γ.3. Observações: (i) Notação: T : t(n) . pode-se Nosso objetivo agora é estudar a situação em que hecidos.6. em verdade. T é dita ter distribuição t de Student com n graus de liberdade. que publicou sua pesquisa sob o pseudônimo de Student.3 Intervalo de Conança para a média de uma população com variância desconhecida Até aqui consideramos a média de uma população desconhecida e a variância conhecida. se sua f. Uma v. σ ) com µ e σ desconhecidos. fornece o valor de A tabela de tc . p > 0. ela se encontra tabulada.

7.5.8. 5.1. Obtenha um intervalo de conança para o tempo médio de reação.9. n n Exemplo 8. 3.8.3. 95. Estimar a idade média de toda a empresa com uma conança de 99%. 4. o tempo de reação de um novo medicamento pode ser considerado como tendo distribuição normal. Numa grande empresa uma amostra aleatória de 20 empregados forneceu a idade média igual a 32.9.8. 71 .3. 3.5.4.6. Que suposição devemos fazer para estimar a idade média? Exemplo 8. Os dados foram os seguintes (em minutos): 2. é dado por S ¯ S ¯ − tα √ X . 3. 4.4. receberam o medicamento e tiveram seu tempo de reação anotado. 3. 5.3. 5. 5. Use γ = 0.6.0.2. o intervalo de conança para µ com nível de conança 1 − α. 4.Logo. Vinte pacientes foram sorteados. 4.9.5 e 6.9. Por analogia a produtos similares. X + tα √ . 4. 4.8. 4. 5.7. 5. 6.8 e desvio padrão 5.

301. forneceu os seguintes pesos: µ. 275.Colhida uma amostra de 30 peças.A experiência com trabalhadores de uma certa indústria indica que o tempo necessário para que um trabalhador. [288.Em uma pesquisa de opinião. 281. 267. aleatoriamente selecionado. 4 1 4 2 a) Qual ou quais dos estimadores acima são não-viesados para b) Qual dos dois estimadores acima é o melhor? Justique. Resp. 293. Sugestão: Adote um nível de 5%. 291. 303. 324. satisfaz. 277. [36. 335.Seja Uma x ¯ = 140 min. 271. 283. dando um intervalo de 95% de conabilidade.78%.7] 3 . 11. Estimar a porcentagem de pessoas com essa mesma opinião na população.Em uma linha de produção de certa peça mecânica. colheu-se uma amostra de 100 itens.21%] 4 . 309. Determinar os limites de con- µ da população de todos os trabalhadores que fazem aquele determinado serviço. Construir um IC para a proporção de itens defeituosos na população ao nível de 10%.93] 72 . Qual o erro cometido ao estimarmos este intervalo de X uma população normal com média µ e variância σ2.3. 284. Resp. Por meio da construção do intervalo de conança. [4. 144. 7. 319. 307. 10. 293. de que são extraídas todas as amostras possíveis de tamanho 2. 315.98. 265. com desvio padrão de 12 minutos. Resp. 298. 250. 287. levantou-se uma amostra. Determinar ao nível de 87% um IC para a média da população. 322. 5. 240 responderam sim a determinada pergunta. entre 600 pessoas pesquisadas. 339. 306. 289. realize uma tarefa é distribuído de maneira aproximadamente normal. amostra de 25 trabalhadores forneceu ança de 95% para a média conança? Resp. 15. [135.02] 2 . 304.De uma população normal com variância igual a 16. 328. 6 . Resp. 43. Dos estimadores abaixo: X +1 X µ1 = 1 2 1 2 2 µ2 = 1 X +3 X.8a LISTA DE EXERCÍCIOS 1 . 307. 269. responder se esta amostra satisfaz a espectativa pela qual o peso médio deve ser 300 Kg.92%] 5 .08%. constatando-se que 4 peças eram defeituosas. 311. obtendo-se as observações: 10. [0.33.

pode-se dizer que a moeda é honesta? Resp. se a primeira prova resultar sucesso 0. 0.c.26. b) Verique se c) Por que p ˆ2 são consistentes. Resp. e considere os estimadores: p ˆ1 = p ˆ2 = 1.Suponha um experimento consistindo de sucesso (i) (ii) n provas de Bernoulli.Em 50 lances de uma moeda. determinar o número de elementos necessários para construir um intervalo de 95% de conança para a média adimitindo-se que nossa estimativa tenha um erro de 10%.74] 9 . p ˆ1 e a) Determine a esperança e a variância de cada estimador. 5. A partir de um intervalo de conança de 96%. X n Seja X o número de sucessos. foram obtidas 30 caras.46. p ˆ2 não é um bom estimador para p? 73 .7 .Construa um IC para a média ao nível de 5% considerando a distribuição amostral abaixo: Classes 0  5 5  10 10  15 15  20 ni 2 3 5 2 Resp.58] 10 . [7. c. sim.Sendo σ = 0. n = 96 8 . com probabilidade de p. 13. [0.

freqüentemente nos parecerá conveniente admitir um valor hipotético para ele e. Teste bilteral H0 : θ = θ0 H1 : θ = θ0 2. que permite se decidir por um valor do parâmetro θ grau de risco conhecido. depois. a hipótese será considerada aceitável.1 Introdução Até o presente momento consideramos o problema de estimarmos um parâmetro desconhecido da população tanto pontualmente como através de um intervalo de conança. 9. utilizar a informação da amostra para conrmar ou rejeitar esse valor hipotético. Teste unilateral à direita H0 : θ = θ0 H1 : θ > θ0 74 . a hipótese H0 é a hipótese a ser testada. Apresentaremos agora. outra maneira de tratar o problema de fazer uma armação sobre um parâmetro desconhecido. Alecxandro e Amanda Aluno(a): Período 2003.2 Data: . Formularemos duas hipóteses básicas: A Inferência Estatística fornece um processo de análise denominado Teste de Hipóte- ou por sua modicação com um H0 : H1 : H1 hipótese nula hipótese alternativa Geralmente. 9a NOTA DE AULA 9 Testes de Hipóteses 9.Campus I DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA Disciplina: Probabilidade e Estatística (6 créditos .Engenharias) Professores: Alexsandro. Caso rejeitemos H0 .2 Denições Básicas 9.2.1 Tipos de Testes Iremos considerar os seguintes tipos de testes: 1.UNIVERSIDADE FEDERAL DE CAMPINA GRANDE . ses. Em vez de procurarmos uma estimativa do parâmetro.

Essa região é construída sob α = P (rejeitar H0 | H0 verdadeira).2 Tipos de Erros Quando realizamos um teste de hipóteses estamos sujeitos a cometer certos tipos de erros. 9. Rejeita-se H0 . H0 . Teste unilateral à esquerda H0 : θ = θ0 H1 : θ < θ0 9. usando uma estatística Ou seja.2.3 Região Crítica do Teste O objetivo do teste de hipóteses é decidir. θ se a hipótese H0 é ou não aceitável. 75 . Esta região é construída de modo que ˆ ∈ RC | H0 verdadeira) = α. Denotando por β = P (nao rejeitar H0 | H0 f alsa).3 Procedimento Geral do Teste de Hipóteses O procedimento padrão para a realização de um teste de hipóteses é o seguinte: (i) Fixa-se qual a hipótese H0 a ser testada e qual a hipótese alternativa. sendo H0 verdadeira. H0 . teremos Denição 9. P (θ onde α é xado a priori. Não rejeita-se H0 quando H0 é falsa.1 (Erro Tipo I). RC é a região onde rejeitaremos ˆ.3. a partir de α de cometer o erro tipo I e usa-se este valor para construir a região crítica do teste. 9. (ii) Usa-se a teoria estatística e as informações disponíveis para decidir qual estatística (estimador) será usada para testar a hipótese (iii) Fixa-se a probabilidade H0 . β a probabilidade de se cometer esse erro.2. Denotando por α a probabilidade de se cometer esse erro. teremos α = P (rejeitar H0 | H0 verdadeira). a saber: Denição 9.2 (Erro Tipo II). É importante destacar que a região crítica é sempre construída sob a hipótese de ser verdadeira. Essa decisão é tomada através da consideração de uma região crítica RC. A probabilidade H0 α de se cometer um erro tipo I é um valor arbitrário e recebe o nome de nível de signicância do teste.

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

A resistência das lajotas tem distribuição normal com desvio padrão de 12 kg. Assim. 27. Um laboratório realiza 10 análises do índice obtendo: 26. Dessa população. que é de 206 kg. Uma fábrica anuncia que o índice de nicotina dos cigarros da marca X Exemplo 9. pode-se aceitar a armação do fabricante.3.36 mg 2 . a estatística de teste será x ¯0 = n i=1 xi .2. Ao nível de 10%.1. rejeitamos H0 . 28. Retirada uma amostra aleatória de tamanho hipóteses do tipo: a) n dessa população queremos testar H0 : p = p 0 H1 : p = p 0 H0 : p = p 0 H 1 : p > p0 H0 : p = p 0 H 1 : p < p0 b) c) 77 . ou então. obtendo-se x ¯ = 210 kg. podemos aplicar o teste de hipóteses seguindo os seguintes passos: 1. Exemplo 9. Retira-se uma amostra de 30 lajotas. sabemos que p ˆ≈ N p. 22. 24. Um fabricante de lajotas de cerâmica introduz um novo material em sua fabricação e acredita que aumentará a resistência média. Ao nível de 10%. testar as apresenta-se abaixo de 26 mg por cigarro.(iv) Estatística de teste: dada uma amostra de tamanho n. 23.5 Teste para a proporção populacional Consideraremos uma população abilidade X onde X =1 com probabilidade p e 1 − p. 26. não rejeitamos H0 . a estatística de teste será a proporção amostral X = 0 com probp ˆ. Pelo T. Assim. Seja X uma população normal com variância 36. 28. caso contrário. z0 = σ/ n (v) Conclusão: se x ¯0 ∈ RC ou z0 ∈ RCp . 25.C. a estatística n de teste será: x ¯ 0 − µ0 √ . pode o fabricante aceitar que a resistência média de suas lajotas tenha aumentado? 9. considerando o intervalo com valores padronizados. Sabendo-se que o índice de nicotina dos cigarros da marca X se distribui normalmente com variância 5. obtendo-se x ¯ = 43. p(1 − p) n . ao nível de 5%? Exemplo 9. hipóteses: H0 : µ = 45 H1 : µ = 45 toma-se uma amostra de tamanho 16.L. 14.

Portanto. utilizaremos o fato de que ¯ − µ) (X √ : t(n−1) . a estatística do teste será T = ¯ − µ) (X √ . n RC = [0. Fixado um nível de signicância por: a) S RC = −∞. das 200 famílias pesquisadas. a região crítica do teste será dada respectivamente . 1). Além disso. 3. adimitindo-se que. Qual deve ser o procedimento adotado para avaliar a veracidade da armação da estação. Queremos testar hipóteses do tipo: a) H 0 : µ = µ0 H 1 : µ = µ0 H 0 : µ = µ0 H1 : µ > µ 0 H 0 : µ = µ0 H1 : µ < µ0 α. porém. podemos aplicar o teste de hipóteses seguindo os seguintes passos: 1. 9. p0 − z 1−α 2 p0 (1−p0 ) ] n ∪ [p0 + z 1−α 2 p0 (1−p0 ) . Uma estação de televisão arma que 60% dos televisores estavam lig- ados no seu programa especial da última segunda-feira. o caso em que queremos testar hipóteses sobre a média de uma população com distribuição normal. S/ n Assim. n p0 (1−p0 ) ]. µ0 − tα √ n S ∪ µ0 + tα √ . b) c) 2. A estatística de teste é p ˆ avaliada em uma amostra particular. 1]. dado um nível de signicância mente: a) b) c) α a região crítica do teste será respectiva- RC = [0. teremos 2 que estimar a variância através da estatística S . n RC = [p0 + z 1−2α 2 p0 (1−p0 ) .4. 1].6 Teste para a média de uma população normal com variância desconhecida Consideraremos agora.∞ n 78 . p0 − z 1−2α 2 Onde zα é um valor tabelado tal que P (0 ≤ Z ≤ zα ) = α e Z : N (0. Exemplo 9.2. com variância desconhecida. Uma rede competidora deseja contestar essa armação e decide usar uma amostra de 200 famílias para um teste. S/ n Assim. Para isso. 104 estavam assistindo ao programa? Utilize um nível de 5%.

com α = 0. 3. µ0 − t2α √ n Onde tα é um valor tabelado tal que P (|T | < tα ) = 1 − α e T : t(n−1) . Um fabricante arma que seus cigarros contêm não mais que 30 mg de nicotina. 576. 717. Estamos desconados de que a média das receitas municipais per capita das cidades pequenas (0-20. Ao nível de 5%. 1045. S RC = −∞. Exemplo 9.359. 13. 1.6. informamos que a soma das observações é 13.5002 = 182.335. a) Mostre que o teste de hipótese usado.5.229 unidades.b) c) S . 05. 582.∞ RC = µ0 + t2α √ n . Exemplo 9.5 mg e desvio padrão de 3 mg. Uma amostra de 25 cigarros fornece média de 31.000. Para comprovar ou não essa hipótese. 2.000 habitantes) é maior do que a das receitas do estado.650. além disso. que é de 1.093. e obtivemos os seguintes resultados: 1. levará à aceitação de que a média das cidades pequenas é igual à do estado.250. b) Você não acha estranha essa conclusão quando observa que a média da amostra obtida é bem maior do que a média do estado? Como você explicaria isso? 79 . A estatística de teste é dada por ¯ X avaliada em uma amostra particular. 2621. sorteamos dez cidades pequenas. obs: Para facilitar os cálculos. testar a armação do fabricante. 1838.230. . e a soma dos quadrados das observações é 22.500. 1439.

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

Sign up to vote on this title
UsefulNot useful