Aula 18

Curso Online - Raciocnio Lgico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior

Profs. Alexandre Lima e Moraes Junior 1
Raciocnio Lgico-Quantitativo para Traumatizados
Aula 18
Amostragem
18. Amostragem ............................................................................................................................ 5
18.1 Introduo Inferncia Estatstica ....................................................................... 5
18.2 Amostragem ................................................................................................................... 5
18.2.1 Amostragem Aleatria ................................................................................................... 7
18.3 Teorema Central do Limite ..................................................................................... 10
18.4 Distribuies Amostrais ........................................................................................... 15
18.4.1 Distribuio Amostral da Mdia .................................................................................. 15
18.4.2 Distribuio Amostral de uma Proporo .................................................................... 19
18.4.3 Graus de Liberdade de uma Estatstica ........................................................................ 20
18.4.4 Distribuio Amostral de S
2
......................................................................................... 21
18.4.5 Distribuio t de Student .............................................................................................. 23
18.4.6 Distribuio F de Snedecor .......................................................................................... 25
18.5 Lei dos Grandes Nmeros ....................................................................................... 27
18.6 Memorize para a prova ............................................................................................ 28
18.7 Exerccios de Fixao ................................................................................................ 30
18.8 Gabarito ......................................................................................................................... 35
18.9 Resoluo dos Exerccios de Fixao .................................................................. 36
APNDICE ....................................................................................................................................... 54
2
Ol todos! Surgiram algumas dvidas no frum sobre o conceito de conjuntos
disjuntos. Como o assunto vital para a matria, julgamos oportuno re-
examinar esse tpico, que foi visto na Aula 06.
Re-examinando o conceito de conjuntos disjuntos
Algumas dvidas do frum:
1) Conjuntos disjuntos: P Interseo com Q = "vazio", P e Q so conjuntos
disjuntos. Mas "vazio" subconjunto de todo conjunto, portanto seria
subconjunto de P e Q. Por que ele est includo no meio dos conjuntos
disjuntos?
2) (...) realmente a interseo entre P e Q = vazio. Vazio (resultado da
interseo) um conjunto que sempre estar contido em P e Q. Logo, vazio, P
e Q no podem ser disjuntos, pois ele est contido nos demais conjuntos.
Resposta
O cerne da questo o seguinte: o fato do conjunto vazio ser subconjunto
de qualquer conjunto est em contradio com a definio de conjuntos
disjuntos?
Precisamos relembrar algumas definies. Um conjunto vazio quando no
contm qualquer elemento. O conjunto vazio um subconjunto de
qualquer conjunto. Se imaginarmos um conjunto como sendo algo anlogo a
um recipiente (tal como uma caixa ou uma bolsa) que contm certos objetos,
os seus elementos, ento o conjunto vazio ser anlogo a um recipiente vazio.
Ento uma bolsa de mulher que esteja vazia anloga a um conjunto vazio ...
Para evitar dificuldades lgicas, devemos fazer distino entre o elemento x e
o conjunto {x}, cujo nico elemento x. Uma bolsa de mulher com apenas um
batom dentro conceitualmente distinta da prpria bolsa. Em particular, o
conjunto vazio ={} (uma bolsa vazia) no o mesmo que o conjunto S={}
(uma sacola que contm uma bolsa vazia dentro). O conjunto no contm
elementos enquanto que o conjunto {} contm um elemento, .
A interseo de dois conjuntos quaisquer A e B definida como o
conjunto dos elementos comuns a A e B. Exemplo: A={1,2,3,4,5,6,7,8,9}
e B={7,9,11,13,15} AB = {7,9}. O diagrama de Venn da prxima figura
ilustra a interseo de dois conjuntos A e B. A interseo corresponde regio
que delimitada esquerda pela linha vermelha e direita pela linha azul.
3
Os conjuntos A e B sero disjuntos se a sua interseo for o conjunto
vazio. O diagrama de Venn da prxima figura mostra que os conjuntos
disjuntos A e B no se interpenetram. Exemplo: A={0,2,4,6,8} e
B={1,3,5,7,9} AB = {} = .
Ainda considerando o caso dos conjuntos A e B disjuntos, note que o conjunto
vazio, apesar de ser um subconjunto de A e B, no um elemento de A ou B,
da a disjuno. A noo de interseo est fundamentada no fato dos
conjuntos terem elementos em comum. Suponha que os elementos do
conjunto A sejam estrelas azuis e que os elementos do conjunto B sejam
Smiley Faces amarelas. A figura a seguir mostra que os conjuntos A e B so
disjuntos, pois no tm elementos em comum. A figura tambm indica que
subconjunto de A e B.
4
Conclumos que a definio de conjuntos disjuntos no entra em contradio
com a definio de interseo.
5
18. Amostragem
18.1 Introduo Inferncia Estatstica
A inferncia estatstica consiste nos mtodos usados para tomar
decises ou tirar concluses acerca de uma populao. Esses mtodos
utilizam a informao contida em uma amostra da populao.
A inferncia estatstica pode ser dividida em duas grandes reas: estimao
de parmetros e testes de hipteses. Como exemplo de um problema de
estimao de parmetros, suponha que um engenheiro naval esteja analisando
o limite de resistncia (LR) uma das propriedades mecnicas do ao de
um determinado tipo de ao usado na construo de submarinos. Na prtica,
as medies dos parmetros LR de chapas de ao distintas no so
exatamente iguais, e isto ocorre porque podem existir pequenas diferenas
entre os lotes de matria-prima utilizados no processo de fabricao, erros de
medida, etc. Admita que o engenheiro esteja interessado na estimao do LR
mdio das chapas de ao. Para tal, usar dados de uma amostra que lhe
permitam calcular um nmero que seja uma estimativa razovel (de acordo
com algum critrio estatstico) da verdadeira mdia da populao. Veremos em
aula posterior que possvel estabelecer a preciso da estimativa.
Considere agora a situao em que duas alquotas diferentes, a
1
e a
2
, possam
ser usadas no clculo de um determinado tributo. O governo conjectura que a
1

resulte em uma arrecadao maior que aquela que pode ser obtida com a
2
. O
teste estatstico de hipteses serve para resolver problemas desta natureza.
Nesse caso, a hiptese seria que a arrecadao mdia usando a alquota a
1

maior que a arrecadao mdia usando a alquota a
2
. Aqui o problema no
estimar a arrecadao mdia; em vez disso, o foco est na tirada de
concluses acerca de uma hiptese estabelecida.
Esta aula , de fato, uma transio entre os tpicos Estatstica
Descritiva/Teoria de Probabilidades (j vistos nas aulas anteriores) e a
Inferncia Estatstica.
18.2 Amostragem
Na aula 14 foram vistas as tcnicas para a descrio de um conjunto de dados.
Em problemas de inferncia estatstica, os conjuntos de dados sero as
amostras retiradas das populaes sob investigao. preciso assegurar que
a amostra seja representativa da populao. Isto quer dizer que, a no ser
por pequenas discrepncias inerentes ao acaso, que sempre acontecem em
maior ou menor grau no processo de amostragem, a amostra deve ter as
mesmas caractersticas bsicas da populao, no que diz respeito (s)
varivel(is) de interesse.
6
Sendo assim, importante saber quando temos uma amostra representativa
ou no. Se ela no for representativa, o trabalho do estatstico ficar
comprometido e os resultados sero provavelmente incorretos.
H dois tipos de amostragem: a probabilstica e a no probabilstica. A
amostragem ser probabilstica se todos os elementos da populao tiverem
probabilidade conhecida e diferente de zero de pertencer amostra. Caso
contrrio, a amostragem ser no probabilstica. Segundo essa definio, a
amostragem probabilstica implica um sorteio com regras bem determinadas.
Como veremos mais adiante, as tcnicas da inferncia estatstica pressupem
que as amostras utilizadas sejam probabilsticas, o que muitas vezes no
possvel. Entretanto, o bom senso indicar quando o processo de amostragem,
mesmo no sendo probabilstico, pode ser, para efeitos prticos, considerado
como tal.
A utilizao de uma amostragem probabilstica assegura que a amostra seja
representativa, pois o acaso ser o nico responsvel por eventuais diferenas
entre populao e amostra, o que levado em conta pelos mtodos da
inferncia estatstica.
Uma amostra no representativa uma amostra viciada e o vcio inerente aos
dados dessa amostra o vcio de amostragem. A sua utilizao pela
inferncia estatstica levar a resultados que no correspondem realidade.
Pode-se evitar que isso ocorra por meio de uma coleta adequada dos
elementos que constituiro a amostra.
A amostragem mais usada a amostragem aleatria simples (ou casual
simples), que ser detalhada no prximo item, em que selecionamos ao
acaso, com ou sem reposio, os itens da populao que faro parte da
amostra.
H outros esquemas de amostragem, tais como: a) amostragens sistemtica,
por conglomerados, estratificada e mltipla (todas do tipo probabilstico) e b)
amostragens a esmo ou sem norma, intencional e por voluntrios (no
probabilsticas).
Neste texto, enfocaremos a amostragem aleatria, porque, salvo meno
em contrrio, as tcnicas estatsticas que veremos nas aulas
subseqentes pressupem a utilizao de uma amostragem aleatria
ou algum processo que lhe seja equivalente.
J caiu em prova! (AFPS/2002/ESAF) Assinale a opo correta em
referncia ao significado do termo amostragem aleatria simples.
A) Refere-se a um mtodo de classificao da populao.
B) Refere-se representatividade da amostra.
7
C) um mtodo de escolha de amostras.
D) Refere-se a amostras sistemticas de populaes infinitas.
E) Refere-se amostragem por quotas.
Resoluo
Anlise das alternativas:
A) A amostragem aleatria simples (AAS) no um mtodo de classificao da
populao. A AAS um mtodo de amostragem probabilstica FALSA.
B) A utilizao de uma amostragem probabilstica a melhor estratgia para
se garantir a representatividade da amostra, pois o acaso ser o nico
responsvel por eventuais discrepncias entre populao e amostra, o que
levado em conta pelos mtodos de anlise da Inferncia Estatstica. No
obstante o fato da AAS ser uma tcnica de amostragem probabilstica, o seu
significado est diretamente associado sua caracterstica randmica, sendo
por isso equivalente a um sorteio lotrico FALSA.
C) A AAS um mtodo de amostragem VERDADEIRA.
D) A amostragem sistemtica uma tcnica probabilstica de amostragem
diferente da AAS. Por exemplo, em uma linha de produo, podemos, a cada
cem itens produzidos, retirar um para pertencer a uma amostra da produo
diria. Assim, na amostragem sistemtica, os elementos da populao se
apresentam ordenados e a retirada dos elementos da amostra feita
periodicamente FALSA.
E) Esta opo evidentemente absurda. Sem maiores comentrios FALSA.
GABARITO: C
18.2.1 Amostragem Aleatria
Na maioria dos problemas de estatstica, necessrio usar uma amostra de
observaes a partir de uma populao de interesse, de modo a tirar
concluses referentes populao. Daremos a seguir as definies formais de
alguns termos importantes em Estatstica.
Definio (Populao). Uma populao consiste na totalidade das
observaes em que estamos interessados.
Uma populao pode ser finita ou infinita. Por exemplo, o nmero de latas de
cerveja no totalmente cheias, produzidas em um dia por uma cervejaria,
uma populao finita (isto , de tamanho finito). As observaes obtidas pela
medio diria do nvel de monxido de carbono representam uma populao
infinita..
O contedo deste curso de uso exclusivo vedada, por quaisquer
meios e a qualquer ttulo, a sua reproduo, cpia, divulgao e distribuio, sujeitando-se os infratores
responsabilizao civil e criminal.
8
Quase sempre impossvel ou impraticvel observar a populao inteira. Por
exemplo, no poderamos medir o parmetro LR de todas as chapas de ao
estocadas no estaleiro, pois isso consumiria muito tempo e seria caro.
Portanto, dependemos de um conjunto de observaes da populao para nos
ajudar a tomar decises acerca da populao.
Definio (Amostra). Uma amostra um subconjunto de observaes
selecionadas a partir de uma populao.
A amostragem aleatria, tambm chamada de casual simples, simples ao
acaso, casual, simples, elementar, randmica, etc., equivalente a um
sorteio lotrico. Nela, todos os elementos da populao tm igual probabilidade
de pertencer amostra, e todas as possveis amostras tm tambm igual
probabilidade de ocorrer.
Sendo N o nmero de elementos da populao e n o nmero de elementos da
amostra, cada elemento da populao tem probabilidade n/N (frao de
amostragem) de pertencer amostra. Por outro lado, existem
n
N
possveis
amostras, todas igualmente provveis.
A seleo de uma amostra um experimento aleatrio e cada observao na
amostra o valor observado de uma varivel aleatria.
Seja X a varivel aleatria que representa o resultado de uma seleo de uma
observao proveniente de uma populao. Faa f(x) denotar a funo
densidade de probabilidade de X. Admita que cada observao na amostra seja
obtida independentemente, sob condies inalteradas. Ou seja, as observaes
para a amostra so obtidas observando-se X independentemente, sob
condies inalteradas, isto , n vezes. Faa X
i
denotar a varivel aleatria que
representa a i-sima observao da amostra. Ento X
1
, X
2
, ..., X
n
uma
amostra aleatria e os valores numricos obtidos (observaes) so denotados
por x
1
, x
2
, ..., x
n
. As variveis aleatrias em uma amostra aleatria so
independentes, com a mesma distribuio de probabilidades f(x), tendo em
vista as condies idnticas sob as quais cada observao obtida. A funo
densidade conjunta da amostra aleatria ) ( )... ( ). ( ) ,..., , (
2 1 2 1 n n
x f x f x f x x x f = .
, ,..., Definio (Amostra Aleatria). As variveis aleatrias ) (
2 1 n
X X X so uma
amostra aleatria de tamanho n, se (i) os X
i
s forem variveis aleatrias
independentes e (ii) cada X
i
tiver a mesma distribuio de probabilidade.
O principal objetivo de tomar uma amostra aleatria obter informao sobre
parmetros desconhecidos de uma populao. Considere, por exemplo, que
desejamos ter uma idia da proporo de pessoas no Brasil que preferem uma
determinada marca de gua mineral (suponha que a populao seja composta
por pessoas que tomam gua mineral). Seja p o valor desconhecido dessa
9
proporo. Como impraticvel questionar cada indivduo da populao para
se determinar o verdadeiro valor de p, optamos por fazer uma inferncia em
relao verdadeira proporo p. Neste caso, selecionamos uma amostra
aleatria (de um tamanho apropriado) e usamos a proporo observada p de
pessoas nesta amostra que tenham escolhido a marca de gua mineral em
questo.
A proporo da amostra, p , calculada dividindo o nmero de indivduos na
amostra que preferem a marca de gua mineral pelo tamanho total, n, da
amostra. Deste modo, p uma funo dos valores observados na amostra
aleatria. Como podemos obter vrias amostras diferentes a partir de uma
populao, tem-se que o valor de p variar de amostra para amostra. Conclui-
se que p uma varivel aleatria. Tal varivel aleatria denominada
estatstica ou estimador.
Definio (Estatstica). Uma estatstica qualquer funo das observaes
de uma amostra.
Ns j trabalhamos com estatsticas neste curso. Nas aulas anteriores,
estudamos, por exemplo, a mdia X e a varincia S
2
de um conjunto de dados.
A partir desta aula, usaremos as notaes X e x para o estimador e para a
estimativa da mdia de uma populao, respectivamente. De forma anloga,
2
S e
2
s denotam, respectivamente, o estimador e a estimativa da varincia de
uma populao.
Obtemos estimativas dos parmetros de uma populao, tais como mdia e
varincia, por meio de estatsticas. Em problemas de inferncia, conveniente
ter um smbolo para denotar o parmetro de interesse. Usaremos a letra grega
(teta) para representar o parmetro. O objetivo da estimao chegar a
uma estimativa de com base nos dados da amostra. Um valor numrico de
uma estatstica amostral ser usado como a estimativa.
Em geral, se X for uma varivel aleatria com distribuio de probabilidades
f(x), caracterizada por um parmetro desconhecido , e se
n
X X X ,..., ,
2 1
for uma
amostra aleatria de X, ento a estatstica
(1) ) ,..., , (
2 1 n
X X X g =
denominada estimador de . Note que
uma varivel aleatria, porque

uma funo de variveis aleatrias. Aps a amostra ter sido selecionada,

assume um valor numrico particular E
, chamado de estimativa de .
Definio (Estimativa). Uma estimativa pontual de um parmetro da
populao um nico valor numrico E
de uma estatstica
.
10
Exemplo. Seja uma varivel aleatria normal X com mdia desconhecida . A
mdia da amostra um estimador da mdia desconhecida da
populao. Isto , X = . Depois da amostra ter sido selecionada, o valor
numrico x a estimativa de . Assim, se 23
1
= x , 31
2
= x , 29
3
= x e 26
4
= x ,
ento a estimativa de
25 , 27
4
26 29 31 23
=
+ + +
= x .
Note que o resultado obtido acima mera aplicao da frmula
4
4 3 2 1
X X X X
X
+ + +
=
que define o estimador da mdia amostral.
18.3 Teorema Central do Limite
Vimos que as distribuies de Poisson e a Binomial tm a distribuio normal
como o seu caso limite. Ser que isto acontece com outras distribuies?
Teorema Central do Limite (TCL) (*). Considere n variveis aleatrias
independentes e identicamente distribudas
n
X X X ,..., ,
2 1
com mdia finita e
varincia
2
. Seja a soma
n n
X X X S + + + = ...
2 1
, com mdia n S E
n
= ) ( e varincia
2
) ( n S Var
n
= . Ento a varivel aleatria padronizada
n
n S
S Var
S E S
n
n
n n
) (
) (

assintoticamente normal (isto , tende para a normal quando n tende
para infinito) com mdia nula e desvio-padro igual a um (normal padro ou
reduzida).
Ou seja,
) ( z Z P z
n
n S
P
n

,
em que Z a varivel aleatria N(0,1).
A aproximao da binomial pela normal um exemplo de aplicao do TCL
(vista na aula 16).
(*) Tambm chamado de Teorema do Limite Central ou Teorema Limite
Central.
11
A demonstrao do TCL no ser dada, pois est fora do escopo do curso. No
obstante, podemos testar a validade do TCL na prtica. Para tal, basta rodar
uma simulao em um software estatstico. Foi o que fizemos. As quatro
prximas figuras mostram os histogramas correspondentes s seguintes
realizaes (todas com 1024 observaes):
Uma varivel aleatria uniforme X
1
;
S
2
= X
1
+X
2
, em que X
1
e X
2
so variveis aleatrias uniformes e
identicamente distribudas (IID);
S
10
= X
1
+X
2
+...+X
10
, em que X
1
,X
2
,...,X
10
so variveis uniformes IID; e
S
50
= X
1
+X
2
+...+X
50
, em que X
1
,X
2
,...,X
50
so variveis uniformes IID.
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
0
100
200
300
400
500
600
Uma varivel aleatria uniforme
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
200
400
600
800
1000
1200
Soma de 2 variveis aleatrias uniformes
12
1 2 3 4 5 6 7 8 9
0
200
400
600
800
1000
1200
1400
1600
1800
histograma
curva normal
16 18 20 22 24 26 28 30 32 34
0
200
400
600
800
1000
1200
1400
1600
1800
histograma
curva normal
Observe que o histograma de S
10
bem ajustado pela curva normal. O mesmo
comportamento ocorre para o histograma de S
50
. Reparou que o histograma
de S
2
tem um formato triangular? Isso no acontece por acaso. Mas discutir
porqu isso tem de ser assim est fora do nosso programa ... no fique
preocupado porque isso no cair na prova.
J caiu em prova! (TCE-ES/2001/ESAF) Sejam X
1
, X
2
, ..., X
200
variveis
aleatrias idnticas e independentemente distribudas com densidade comum
do tipo gama, i.e. com densidade (x>0):
= x
x
x f
3
1
exp
3
1
) (

13
Seja Y = X
1
+ X
2
+ ... +X
200
e (w) a funo de distribuio normal padro.
Assinale a opo que d a aproximao do Teorema Central do Limite de P(Y
294).
A) (0,25)
B) (0,20)
C) (0,75)
D) 1 - (0,75)
E) 1 - (0,25)
Resoluo
Vimos na aula 16 que a varivel aleatria X com funo densidade de
probabilidade
b x a
a
e x
a b
x f
/ 1
) (
1
) (

= , 0 > x ,
tem distribuio gama com parmetros 0 > a e 0 > b . Aprendemos que a
distribuio gama tem mdia ab e varincia
2
ab .
O enunciado forneceu a densidade
3 / 2 / 1
2 / 1
3
1
3
1
exp
3
1
) (
x
e x x
x
x f

=
=

.
Logo os parmetros a e b que caracterizam a distribuio gama acima so
/ 2 1 1 = a 2 / 1 2 / 1 1 = = a e 3 = b .
Assim, 5 , 1 3 2 / 1 ) ( = = = ab X E e 5 , 4 9 2 / 1 ) (
2
= = = ab X Var .
Seja Y = S
n
. O TCL afirma que a varivel transformada
) (
( )
Y
Y E Y
n
n S
n

tende para a normal padro quando n . A varivel Y tem mdia E(Y) =
n.E(X) = nab = 200 x 1,5 = 300 e varincia Var(Y) = n.Var(X) = 200 x 4,5 =
900 (Y) = 900
1/2
= 30.
,20 0
5
1
30
6
30
300 294
) (
) (
=
=
Y
Y E Y
Z

.
14
Desta forma, P(Y 294) = P(Z -0,20). As duas figuras que se seguem
ilustram que a rea sob a normal padro direita de z=-0,20 (P(Z -0,20))
equivalente rea sob a normal padro esquerda de z=0,20 (P(Z 0,20)).
Como P(Z 0,20) = (0,20) e P(Z -0,20) = P(Z 0,20), conclumos que P(Z
-0,20) = (0,20).
-3 -2 -1 0 1 2 3
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
P(Z > -0,2)
-3 -2 -1 0 1 2 3
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
P(Z < 0,2)
GABARITO: B
O TCL tambm verdadeiro sob condies mais gerais. Por exemplo, ele vale
quando
n
X X X ,..., ,
2 1
so variveis independentes com a mesma mdia e
varincia, mas no necessariamente identicamente distribudas.
E se X
1
,X
2
,...,X
n
forem variveis aleatrias normais e independentes, com E(X
i
)
=
i
e Var(X
i
) =
2
i
para i =1, 2, ..., n? Voc est lembrado da propriedade
reprodutiva da distribuio normal vistas na aula 16? No nos custar nada
relembr-las, pois so importantes para a prova! Ento vamos l. Seja
15
Y = X
1
+ X
2
+ ... + X
n
.
Ento Y tem mdia
E(Y) =
1
+
2
+ ... +
n

e varincia
Var(Y) =
2
1
+
2
2
+ ... +
2
n
.
18.4 Distribuies Amostrais
Uma estatstica possui uma distribuio de probabilidades, pois uma varivel
aleatria. Chamamos a distribuio de probabilidades de uma estatstica
de distribuio amostral.
18.4.1 Distribuio Amostral da Mdia
Se a populao infinita ou se a amostragem feita com reposio, ento os
valores da amostra podem ser considerados observaes de variveis
aleatrias independentes, com a mesma distribuio de probabilidades da
populao, portanto com a mesma mdia e a mesma varincia
2
da
populao.
A mdia X da amostra aleatria ) , ,..., (
2 1 n
X X X dada por
(2)
n
X X X
X
n
+ + +
=
...
2 1
.
Ento, o valor esperado de X
(3) =
+ + +
=
n
X X X
E X E
n
...
) (
2 1

( ) ( ) ( ) =
= + + + =
n
n
X E
n
X E
n
X E
n
n
1
...
1 1
2 1

e a varincia de X
(4) =
+ + +
=
n
X X X
X
n
...
var ) var(
2 1

( ) ( ) ( )
n n
n
X X X
n
n
2
2
2
2 1 2
] var ... var [var
1
=

= + + + = .
Vemos, portanto, que a mdia em torno da qual devem variar os
possveis valores da estatstica X a prpria mdia da populao.
16
Alm disso, a varincia com que se dispersam os possveis valores da
estatstica X n vezes menor do que a varincia da populao de onde
retirada a amostra. De (4), resulta que
(5)
n
X
= ) ( .
J caiu em prova! (AFPS/2002/ESAF) O desvio-padro da mdia para uma
amostra de tamanho 100 30. A fim de tornar o desvio-padro da mdia igual
a 15, o que deveramos fazer?
A) Aumentar o tamanho da amostra para 200.
B) Aumentar o tamanho da amostra para 150.
C) Diminuir a amostra para 50.
D) Aumentar o tamanho da amostra para 400.
E) Aumentar o tamanho da amostra para 300.
Resoluo
Dados: 30 ) ( = X e 100 = n . O que fazer para obter 15 )' ( = X ?
Primeiramente, devemos descartar a opo D, pois absurda. Aprendemos
que o desvio-padro de X n vezes menor que o desvio-padro da
populao, ou seja, n X / ) ( = . Portanto, o tamanho da amostra deve
aumentar para que o desvio-padro diminua. A relao
2
) (
2 4 '
)' (
X
n n n
X

= = = =
mostra que necessrio que n seja multiplicado por 4 a fim de tornar o
desvio-padro da mdia igual a metade do valor anterior. Logo n= 4 x 100 =
400.
GABARITO: D
No caso de amostragem aleatria simples sem reposio de populaes finitas,
em que a independncia entre os X
i
no se verifica, demonstra-se que
1
) (
2
=
N
n N
n
X Var

em que N o nmero de elementos da populao e o fator ) 1 /( ) ( N n N
chamado de fator de populao finita. Observe que esse fator tende a um
quando o tamanho da populao tende ao infinito. Alm disso, sendo esse
17
fator menor que 1, tem-se que ) (
2
X ser menor para populaes finitas que
para populaes infinitamente grandes.
J caiu em prova! (Analista Judicirio/Estatstica/TRF da 1
Regio/2001/FCC) Uma amostra aleatria simples sem reposio de
tamanho n tomada de uma populao de tamanho N. Determine a varincia
da mdia amostral, sabendo que a varincia populacional
2
.
1
A)
) (
) (
2
N n
N n

1
B)
) (
2
N n
N

C)
) (
) 1 (
2
n N n
N

1
D)
) (
2
N n

E)
) (
2
n N
N

Resoluo
Se a populao infinita ou se a amostragem feita com reposio a varincia
da mdia amostral X dada por
n
X
2
) var(

= ,
em que
2
denota a varincia populacional e n o tamanho da amostra.
No caso de amostragem aleatria simples sem reposio de populaes finitas,
temos que
1
) (
2
=
N
n N
n
X Var

em que N o nmero de elementos da populao e o fator
1
N
n N

o fator de populao finita. Logo, a alternativa A a nica opo correta.
18
GABARITO: A
Se a distribuio da populao for normal, a distribuio amostral de
X ser tambm normal para qualquer tamanho da amostra (veja a
figura a seguir), porque, conforme visto, a soma de variveis normais
independentes tambm uma varivel normal.
Por outro lado, se a distribuio da populao no for normal, mas a
amostra for suficientemente grande, resultar, do TCL, que a distribuio
amostral de X ser aproximadamente normal (vide a prxima figura),
pois o valor de X resultar de uma soma de um nmero grande de variveis
aleatrias independentes. razovel estender esta concluso para o caso da
amostragem sem reposio de populaes finitas, porm suficientemente
grandes.
Na prtica, a distribuio de X (dada uma amostra de apenas quatro ou cinco
elementos) bem aproximada pela normal desde que a populao tenha
distribuio simtrica ou prxima da normal.
19
18.4.2 Distribuio Amostral de uma Proporo
Considere uma populao em que a frao de elementos portadores de certa
caracterstica p, 0<p<1. Sejam f e n f p / = as estatsticas que representam
a freqncia e a proporo (ou freqncia relativa) com que foi observada a
caracterstica em uma amostra de tamanho n proveniente dessa populao,
respectivamente.
Podemos considerar, para cada elemento da amostra, a ocorrncia de um
sucesso, caso a caracterstica desejada seja verificada, e de um fracasso, caso
contrrio. Ento a probabilidade de ocorrncia de sucesso para cada elemento
da amostra p. Se a populao infinita ou a amostragem feita com
reposio, p constante para todos os elementos da amostra, e os resultados
observados para todos eles sero independentes. Neste caso, a distribuio
amostral da estatstica f ser uma distribuio binomial de parmetros n
(tamanho da amostra) e p com mdia
f (6) np E = ) (
e varincia
(7) ) 1 ( ) ( p np f Var = .
A freqncia relativa p ter mdia
(8) , ) (
1
) ( p
n
np
f
n n
f
p E = = =
=
e varincia
20
(9)
n
p p
n
p np
f
n n
f
p Var
) 1 ( ) 1 (
) (
1
) (
2
2
2
2
= =
= .
Observe que a distribuio de p binomial com valores entre 0 e 1, com
intervalos de 1/n.
Sendo a amostra suficientemente grande, podemos aproximar as distribuies
de f e p por distribuies normais de mesma mdia e desvio-padro. Na
prtica, em geral, considera-se que essa aproximao possa ser feita se np5
e n(1-p)5.
18.4.3 Graus de Liberdade de uma Estatstica
Afirmamos nas aulas anteriores que a varincia de uma amostra pode ser
calculada pela frmula
S
2
=
(X
i
X )
2
i=1
n
n

desde que o tamanho n da amostra seja suficientemente grande. E se a
amostra for pequena? Como ficaria a frmula de S
2
? Neste caso, a varincia
amostral seria dada por
(10) S
2
=
(X
i
X )
2
i=1
n
n 1
.
O porqu de usar (n1) em vez de n no denominador da expresso acima ser
apresentado na prxima aula. No obstante, podemos antecipar para o leitor
que a necessidade dessa correo est relacionada com o nmero de graus
de liberdade da varincia amostral.
Considere, por exemplo, a estatstica n X X X X
n
/ ) ... (
2 1
+ + + = . Ela possui n
graus de liberdade porque n valores X
i
livres devem ser considerados no
clculo da estatstica. Por outro lado, a estatstica
2
S , por usar X em vez do
parmetro populacional , tem um grau de liberdade a menos. Note que o
clculo de
2
S admite que j se conhea o valor de X , para o qual j foram
usados todos os valores da amostra. Contudo, quando usamos novamente
todos os valores da amostra para determinar
2
S , esses valores tm apenas n-1
graus de liberdade, pois, dados quaisquer n-1 deles, o valor restante estar
determinado, pois j sabemos o valor da mdia X ; assim, o valor restante no
livre.
O contedo deste curso de uso exclusivo de de vedada, por quaisquer
21
18.4.4 Distribuio Amostral de S
2

Faa n= (leia-se ni) em (10). A distribuio amostral da estatstica definida
por (10),
S
2
=
(X
i
X )
2
i=1
1
,
est relacionada com as distribuies tipo
2
, que so as qui-quadrado com

graus de liberdade, desde que a populao seja normalmente dstribuda.
Seja a amostra aleatria ) ,..., , (
2 1
X X X de uma populao normal de mdia e
desvio-padro . Ento a estatstica
(11)
2
=
X
i

2
=
i=1

Z
i
2
i=1

tem distribuio qui-quadrado com graus de liberdade. A varivel Z
i
em (11)
a varivel aleatria normal padro. Logo, a varivel
2
a soma dos
quadrados de variveis aleatrias normais padronizadas
independentes.
Pode-se demonstrar que
(12) E Z
2
( )
=1.
Segue-se que
(13) E
2
( )
= E Z
i
2
i=1

= E Z
1
2
( )
+ E Z
2
2
( )
+ ... + E Z
2
( )
= ,
ou seja, a mdia de uma varivel qui-quadrado com graus de
liberdade igual a (memorize para a prova!).
Tambm pode-se provar que
(14) Var
2
( )
= 2 ,
isto , a varincia de uma qui-quadrado com graus de liberdade
igual a 2 (memorize para a prova!), e que a moda de
2
(-2), para > 2.

Alm disso, como a varivel
2
resulta de uma soma de variveis

independentes e identicamente distribudas (IID), ento, de acordo com o TCL,
22
a famlia de distribuies do tipo
2
tende distribuio normal

quando o nmero de graus de liberdade aumenta. Na prxima figura,
voc pode observar a qui-quadrada com 4 graus de liberdade na cor azul, a
qui-quadrada com 10 graus de liberdade na cor preta e a qui-quadrada com 20
graus de liberdade na cor vermelha. Repare que a curva vermelha
semelhante a uma normal.
0 5 10 15 20 25 30 35 40 45 50
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
X
4
X
10
X
20
Propriedade (aditividade). A soma de duas variveis independentes
2
1
e
2
2
uma varivel
1
2
2
+
, ou seja, uma varivel
2
com
1
+
2
graus de
liberdade.
Voc encontrar no apndice a Tabela III que fornece o valor de
2
em funo
da rea da cauda superior da respectiva distribuio.
Assim, por exemplo, se entramos na Tabela qui-quadrado com p=10% e =
3, leremos o valor 251 , 6
2
3
= . Isto significa que a probabilidade da varivel
2
3

ser maior que 6,251 igual a 10%.
O conhecimento das distribuies
2
nos leva determinao da distribuio

amostral da estatstica
2
S , conforme a seguir. Pode-se demonstrar que a
estatstica
(15)
X
i
X

2
=
i=1

1

2
(X
i
X )
2
i=1

tem distribuio
2
1
. Logo, podemos escrever
23
1
2
=
1
(X
i
X )
2
i=1
1
=
( 1)S
2
2

ou
(16) S
2
=

2
1
1
2
.
Portanto, (16) mostra que a varincia de uma amostra com = n elementos
extrada de uma populao normal uma varivel aleatria
2
1
multiplicada
pela constante ) 1 /(
2
.
Lembrando a relao (13), temos que
(17) . ) 1 (
1
) (
1
) (
2
2
2
1
2
2

E S E
Por outro lado, usando (14), obtemos
(18) .
1
2
) ( 1 2
) 1 (
) var(
) 1 (
) var(
4
2
4
2
1 2
4
2
S
18.4.5 Distribuio t de Student
Considere a mdia de uma amostra de n observaes retiradas de uma
populao normal de mdia e desvio-padro . Aprendemos que a
distribuio amostral de X normal, com mdia e desvio-padro n / , e
que a estatstica
(19) .
/ n
X
Z
=
segue a normal padro.
Se usarmos em (19) o desvio-padro da amostra, obteremos uma estatstica
cuja distribuio no mais normal. De fato, conforme mostrou Student, a
estatstica
(20) .
/ n S
X
t

=
distribui-se simetricamente, com mdia zero, porm no normalmente. Para
grandes amostras, S deve ser prximo de , e as correspondentes
24
distribuies t de Student devem estar prximas da normal reduzida
(padro). Note que a estatstica (20) possui (n1) = graus de liberdade, o
que justifica a sua representao por t
n-1
. A prxima figura mostra os grficos
das variveis t
1,
t
5
e normal padro. Note que a densidade de t
5
est mais
prxima da normal do que a densidade de t
1
.
-3 -2 -1 0 1 2 3
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
normal
t
1
t
5
A Tabela IV do apndice fornece valores de t em funo de diversos valores do
nmero de graus de liberdade e de probabilidades crticas, correspondentes
ao dobro da rea sob a cauda direita (ou esquerda, tanto faz, pois a
distribuio simtrica) na respectiva distribuio. Assim, por exemplo,
entrando-se na Tabela com a probabilidade p = 0,1 e = GL = 7, lemos o
valor crtico t
7
= 1,895. Isso significa, dada a simetria da distribuio t, que P(-
1,895<t
7
<1,895) = 1-0,1 = 0,9 e que P(t
7
>1,895) = P(t
7
<-1,895) = 0,1/2=
0,05.
A expresso (20) pode ser reescrita como
(21) .
/
1
S
Z
S n
X
t
n

=

Substituindo a raiz quadrada de (16) em (21), obtemos
(22)
2
1
1
1
=
n
n
n
Z t

ou
25
(23)
2
v
v
Z t

=
se fizermos n-1 = em (22). A equao (23) nos mostra a relao existente
entre as distribuies t de Student e qui-quadrado.
18.4.6 Distribuio F de Snedecor
Vimos na aula 16 que a varivel aleatria F com n
1
graus de liberdade no
numerador e n
2
graus de liberdade no denominador, denotada por
2 1
,n n
F ,
definida como
(24)
2
2
1
2
,
/
/
2
1
2 1
n
n
F
n
n
n n
=
em que as variveis
2
1
n
e
2
2
n
so independentes. A figura a seguir ilustra uma
varivel F com 5 graus de liberdade no numerador e 3 graus de liberdade no
denominador.
0 1 2 3 4 5 6 7 8 9 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
F
Sejam
1
1 12 11
,..., ,
n
X X X uma amostra extrada de uma populao normal ) , (
2
1
N
1

e
2
2 22 21
,..., ,
n
X X X uma amostra oriunda de outra populao normal ) , (
2
2 2
N .
Considere que as populaes sejam independentes. Sejam
2
1
S e
2
2
S as
varincias das amostras associadas s populaes 1 e 2, respectivamente.
Ento a razo
26
(25)
2
2
2
2
2
1
2
1
/
/
S
S

Tem distribuio F, com n
1
-1 graus de liberdade no numerador e n
2
-1 graus de
liberdade no denominador, pois
, 1 1
2
2
1
1
2
1
2
2 2
2
1
2
2
2
1 1
2
1
2
1
2
2
2
1
2 1
2
1
2
1
1
1
) 1 (
) 1 (

=
n n
n
n
n
n
F
n
n
n
n
S
S

.
O corpo da Tabela V do apndice (distribuio F) d os valores de F que
determinam caudas direita com probabilidades p para diversos pares de
valores n
1
=GL
1
e n
2
=GL
2
. Por exemplo, entrando-se na Tabela com a
probabilidade p = 5% =0,050, e GL
1
= GL
2
= 5, lemos o valor f
c
= 5,05. Logo,
P(F>5,05) = 5% = 0,050.
J caiu em prova! (Analista da SUSEP/Aturia/2010/ESAF) Considere
as n variveis aleatrias iid, isto , independentes e identicamente distribudas
X
1
, X
2
,..., X
n
com distribuio N(,
2
). Considere ainda X = X
i
/ n
i=1
n
e
s
2
= (X
i
X )
2
/(n 1)
i=1
n

. Dessa maneira o quociente entre as variveis aleatrias
independentes n(X )
2
/
2
e s
2
/
2
uma varivel aleatria:
A) t de Student com n-1 graus de liberdade.
B) Qui-quadrado com n-1 graus de liberdade dividida pelo seu nmero de
graus de liberdade.
C) Qui-quadrado com 1 grau de liberdade.
D) F com n-1 graus de liberdade no numerador e 1 grau de liberdade no
denominador.
E) F com 1 grau de liberdade no numerador e n-1 graus de liberdade no
denominador.
Resoluo
A questo cobra se o candidato conhece a distribuio da estatstica
n(X )
2

2
s
2

2
=
X
/ n

2
X
i
X

2
i=1
n
n 1
.
27
Ora, a mdia amostral X normal, pois X
1
, X
2
,..., X
n
tm distribuio N(,
2
).
Assim, o numerador
X
/ n

2
tem distribuio qui-quadrado com 1 grau de liberdade, pois trata-se do
quadrado de uma varivel aleatria normal reduzida. A estatstica
X
i
X

2
i=1
n

tem distribuio
2
1 n
. Sabe-se que uma varivel aleatria F com n
1
graus de
liberdade no numerador e n
2
graus de liberdade no denominador dada por
F
n
1
,n
2
=
n
1
2
/ n
1
n
2
2
/ n
2
.
Portanto, a varivel aleatria
X
/ n

2
1
X
i
X

2
i=1
n
n 1
tem distribuio F com 1 grau de liberdade no numerador e n-1 graus de
liberdade no denominador.
GABARITO: E
18.5 Lei dos Grandes Nmeros
Na aula 14 mencionamos que uma maneira de interpretar a probabilidade de
um evento E de maneira intuitiva repetir o experimento que d origem a E
um certo nmero de vezes e contar quantas vezes, k, o evento E ocorre nestas
n repeties. Para n grande, temos k/n P(E).
Podemos formalizar esta idia intuitiva para o caso em que temos n provas de
Bernoulli com probabilidade p de sucesso. O fato de, para n grande, k/n estar
suficientemente prximo de p descrito nos seguintes termos: para qualquer
nmero > 0,
28
(26)
2
) 1 (

n
p p
p
n
k
P

ou de modo equivalente,
(27)
2
) 1 (
1
n
p p
p
n
k
P
< .
O resultado (26) chamado de lei dos grandes nmeros para provas de
Bernoulli. A prova ser omitida neste texto.
A relao (27) implica que, para todo nmero > 0, a probabilidade
< p
n
k
P tende para 1 quando n tende para infinito.
Podemos formular a seguinte questo: quantas repeties do experimento
devemos realizar para que k/n difira de p de menos de , com probabilidade
maior ou igual a ?
Portanto,
2 2
) 1 ( ) 1 (
1
p p
n
n
p p
= =

em que = 1 . Como no conhecemos p, usamos o fato que (*)
p(1-p) = p-p
2
1/4,
bastando tomar o nmero de provas n tal que
(28)
2
4
1
= n .
(*) Lembre que o mximo da funo y(x) = x x
2
y(x=1/2) = 1/4.
Exemplo. Quantas tentativas com probabilidade p de sucesso devemos
realizar se = 0,01 e = 95%?
Como 05 , 0 1 = = , precisamos de 000 . 50
01 , 0 ,05 0 4
1
2
=

= n .
18.6 Memorize para a prova
- Uma populao consiste na totalidade das observaes.
29
- Uma amostra um subconjunto de observaes selecionadas a partir de
uma populao.
- Os elementos de uma amostra aleatria so independentes.
- Uma estatstica qualquer funo dos valores de uma amostra.
- Uma estimativa de um parmetro populacional um nico valor numrico
E
, que obtido de uma estatstica
. Por exemplo, seja a mdia

populacional . Ento n X X
i
/
= = o estimador e n x x E
i
/
= = a
estimativa de . Ou seja, o estimador a frmula e a estimativa aplicao da
frmula ao conjunto dos valores que compe a amostra.
- TCL: sejam n variveis aleatrias IID
n
X X X ,..., ,
2 1
com mdia e varincia
2
.
Seja a soma
n n
X X X S + + + = ...
2 1
. Ento a varivel aleatria padronizada
n
n S
n

tende para a normal padro quando n tende para infinito.
- Propriedade reprodutiva da normal: Sejam X
1
,X
2
,...,X
n
variveis
aleatrias normais e independentes com E(X
i
) =
i
e Var(X
i
) =
2
i
, i = 1, 2, ...,
n e Y = X
1
+ X
2
+ ... + X
n
. Ento Y normal com mdia E(Y) =
1
+
2
+ ... +
n
e varincia Var(Y) =
2
1
+
2
2
+ ... +
2
n
.
- A mdia amostral X tem mdia e varincia n /
2
, em que e
2

denotam a mdia e a varincia populacionais, respectivamente. Portanto, a
mdia de X a prpria mdia populacional e a varincia de X n
vezes menor que a varincia da populao
2
.
- A estatstica f (frequncia amostral) binomial com mdia np e
varincia ) 1 ( p np , em que p denota a probabilidade de sucesso e n o
tamanho da amostra.
- A estatstica n f p / = (proporo amostral) binomial com mdia p e
varincia n p p / ) 1 ( .
- Seja a amostra ) ,..., , (
2 1
X X X de uma populao normal com mdia e
desvio-padro . Ento a estatstica
1
2
2
i
i
X

30
uma varivel aleatria qui-quadrado com graus de liberdade. A varivel
2
tem mdia e varincia 2 .

- A soma de duas variveis independentes
2
1
e
2
2
uma varivel
1
2
2
+
, ou
seja, uma varivel
2
com
1
+
2
graus de liberdade.
- Varincia amostral:

1
2 2
) (
1
1
i
i
X X S .
- Relao entre a varincia amostral S
2
e
2
1
(p/ populao normal!):
2
1
2
2
1
S S
2
qui-quadrado com -1 graus de liberdade.
- A mdia da varincia amostral S
2
igual varincia da populao .
2

- A varivel
n S
X
t
n
/
1
tem distribuio t de Student. Esta distribuio

simtrica e tem mdia nula.
-
2
2
1
2
,
/
/
2
1
2 1
n
n
F
n
n
n n
= a varivel aleatria F com n

1
graus de liberdade no numerador
e n
2
graus de liberdade no denominador.
-
1 , 1 2
2
2
1
2 1

=
n n
F
S
S
a razo entre as varincias amostrais das populaes
independentes 1 e 2 uma varivel F com n
1
-1 graus de liberdade no
numerador e n
2
-1 graus de liberdade no denominador.
18.7 Exerccios de Fixao
1. (Analista Tcnico da SUSEP/2006/ESAF) Seja X
1
, X
2
, ... uma sucesso
de variveis aleatrias identicamente distribudas, cada uma com mdia e
varincia
2
, tendo a propriedade de qualquer nmero finito delas so
independentes. Ento, para cada z
), (
...
lim
1
z z
n
n X X
P
n
n
=

<
+ +

onde ) (z uma funo de distribuio:
A) Normal reduzida.
B) Normal.
31
C) Qui-quadrado.
D) Log-normal.
E) Binomial.
2. (Analista Tcnico da SUSEP/2002/ESAF) Sejam X
1
, ..., X
12
variveis
aleatrias uniformemente e independentemente distribudas no intervalo (0;1).
Assinale a opo que corresponde aproximao do Teorema Central do
Limite de
. 7
12
1

>
= i
i
X P
A tabela apresentada a seguir d valores da funo de distribuio F(x) da
distribuio normal padro aproximada a duas casas decimais.
x F(x)
0,0 0,50
0,5 0,69
1,0 0,84
1,5 0,93
2,0 0,98
A) 0,50
B) 0,31
C) 0,07
D) 0,02
E) 0,16
3. (Analista Tcnico da SUSEP/2001/ESAF) O tempo de vida til de uma
pilha uma varivel aleatria com distribuio do tipo contnuo, mdia de 40
horas e desvio-padro de 20 horas. Usa-se a pilha at que sua energia se
esgote quando substituda por uma nova. Suponha que se tenha disposio
um estoque de 25 pilhas com tempos de vida com essas caractersticas e
independentemente distribudos. Seja (x) a funo de distribuio da normal
padro. Assinale a opo que corresponde aproximao do Teorema Central
do Limite para a probabilidade de que com as 25 pilhas se obtenha pelo menos
1.100 horas de uso contnuo.
A) 1-(1)
B) (1)
C) (2)
D) 0,5
O contedo deste curso de uso exclusivo de Nubia vedada, por quaisquer
32
E) (2)- (1)
4. (Analista Ministerial MPE-PE/Estatstica/2006/FCC) Seja a mdia de
uma amostra aleatria simples com reposio, de tamanho 64, retirada de
uma populao Normal com mdia 200 e varincia 400. Usando o fato de que
P(Z>1,64) = 0,05, onde Z a Normal Padro, o valor de a para que P(| X -
|a) = 0,90 igual a
A) 6,4
B) 5,2
C) 4,8
D) 4,1
E) 3,6
(Especialista em Regulao de Aviao
Civil/ANAC/2009/CESPE/adaptada) Considere que U
1
, U
2
e U
3
sejam
cpias independentes de uma distribuio uniforme, com mdia igual a 6 e
varincia igual a 3. Com base nessas informaes, julgue os prximos itens (5
a 8) acerca da soma S = U
1
+ U
2
+ U
3
.
5. A soma S segue uma distribuio uniforme, com mdia igual a 18 e
varincia igual a 9.
6. De acordo com o teorema limite central, se e so, respectivamente, a
mdia e o desvio padro de S, ento a varivel
3
3
=
S
Z segue uma
distribuio normal padro.
7. A mdia correspondente varivel transformada 6
3
=
S
W igual a zero, e
a varincia igual a 1.
8. O valor esperado de S
2
superior a 300.
(ANPEC/2009/adaptada) Sobre variveis aleatrias indique se as
afirmativas 9 e 10 so corretas ou falsas:
9. Se X possui distribuio Normal com mdia e varincia
2
, ento Z = aX +
b possui distribuio Normal com mdia a e varincia (a)
2
2
.
10. Se duas variveis aleatrias X e Y tem covarincia nula, ento elas so
independentes.
33
(ANPEC/2009/adaptada) Sejam X
1
, X
2
, ..., X
n
variveis aleatrias
independentes e normalmente distribudas com mdia e varincia 1. Defina
as variveis aleatrias
=
n
i
i
X n X
1
1
e
=
=
n
i
i
X Z
1
2
. Julgue 11 a 14 os itens a
seguir.
11. Se R = X
1
, quando X
1
>0, P(R1) = (1-)/(1-(0-)), em que (c) a
funo distribuio de uma varivel aleatria Normal padro.
12. Z uma varivel aleatria com distribuio
2
com n graus de liberdade.
13. X n uma varivel aleatria normalmente distribuda com mdia n e
varincia n.
14. A varivel aleatria
n
Z
Y
W
i
i
= , em que Y
i
= (X
i
- ) possui distribuio F com
n
1
e n
2
graus de liberdade, em que n
1
= 1 e n
2
= 2n.
15. O grfico da distribuio t de Student, com 9 graus de liberdade, est
representado na figura abaixo. Podemos afirmar que o valor de t
1
para o qual
a rea sombreada direita de t
1
de 0,05 :
t
1 -t
1

A) 2,6850
B) 2,2622
C) 1,8331
D) 3,6897
E) 1,2297
16. (IBGE/Estatstica/2010/CESGRANRIO) Sejam X
1
, X
2
e X
3
variveis
aleatrias independentes, todas com mdia 100 e varincia 100. O valor
esperado e a varincia de
4
2
3 2 1
X X X
Z
+
= so, respectivamente,
34
A) 100 e 100
B) 100 e 75/2
C) 100 e 25/2
D) 0 e 75/2
E) 0 e 25/2
Questes Extras Matria das Aulas Anteriores
17. (AFTE-RS/2009/Fundatec) Uma pesquisa indica que a distribuio do
tempo que os candidatos de um concurso levam para entregar uma prova
aproximadamente normal, com tempo mdio de 1,5 horas e desvio padro de
15 minutos. Sabendo que P(<X<+2)=0,4772 e P(-<X<+)=0,6827, o
nmero esperado de candidatos que levam entre 1 e 2 horas para entregar a
prova, de um total de 10.000 candidatos, :
A) 5.228
B) 9.972
C) 9.544
D) 6.827
E) 3.173
18. (AFTE-RS/2009/Fundatec) Sabendo que a correlao estatisticamente
significativa entre o preo de vinho e a quantidade vendida de -0,70 pode-se
dizer que:
A) 70% da variabilidade da quantidade vendida determinada pelo preo do
vinho.
B) Quanto maior o preo de vinho, maior a quantidade vendida.
C) H uma reduo de 30% na quantidade vendida para um aumento de
R$1,00 no preo.
D) Da variabilidade total da quantidade vendida, 49% explicada pelo preo
do produto.
E) Para um aumento de R$1,00 no preo do vinho, h uma reduo de 0,7 na
quantidade vendida.
(AFTE-RS/2009/Fundatec) A tabela a seguir representa a distribuio de
frequncias da idade de uma amostra de moradores de um asilo. Utilize para
resolver as questes 19 e 20.
X
i
f
i

70 |-- 74 7
74 |-- 78 19
78 |-- 82 13
35
82 |-- 86 11
86 |-- 90 6
90 |-- 94 4
Total 60
19. A idade aproximada da mediana :
A) 78,22.
B) 80,00.
C) 79,38.
D) 78,55.
E) 79,23.
20. O valor da moda pelo mtodo de King :
A) 72,8.
B) 76,6.
C) 80,0.
D) 76,0.
E) 19,0.
21. (AFTN/1998/ESAF) O logaritmo neperiano (ln) de um ndice de
produo Y est associado ao logaritmo neperiano de um ndice de insumos Q
atravs da relao linear ln(Y) = + ln(Q) + e. Para uma amostra de 100
observaes envolvendo dados de produo e quantidade, encontraram-se
como estimadores de e as quantidades 1 e 2, respectivamente. Assinale a
opo correta.
A) A variao logartmica esperada na produo por unidade de variao em Q
ser de ln(2).
B) A variao esperada no logaritmo do produto Y por unidade de variao no
logaritmo de Q depende de Q e quando Q=exp(2) vale 4.
C) A variao esperada no logaritmo do produto Y por unidade de variao no
logaritmo de Q no depende de Q e constante igual a 2.
D) A variao esperada em ln(Y) por unidade de variao em ln(Q) no est
definida.
E) A variao esperada no logaritmo do produto Y por unidade de variao no
18.8 Gabarito
1 A
2 E
3 A
4 D
36
5 ERRADO
6 ERRADO
7 CERTO
8 CERTO
9 FALSO
10 FALSO
11 FALSO
12 FALSO
13 VERDADEIRO
14 FALSO
15 C
16 D
17 C
18 D
19 E
20 B
21 C
18.9 Resoluo dos Exerccios de Fixao
1. (Analista Tcnico-SUSEP-2006-ESAF) Seja X
1
, X
2
, ... uma sucesso de
variveis aleatrias identicamente distribudas, cada uma com mdia e
varincia
2
, tendo a propriedade de qualquer nmero finito delas so
independentes. Ento, para cada z
), (
...
lim
1
z z
n
n X X
P
n
n
=
)
`

<
+ +

onde ) (z uma funo de distribuio:
A) Normal reduzida.
B) Normal.
C) Qui-quadrado.
D) Log-normal.
E) Binomial.
Resoluo
Sejam
n
X X X ,..., ,
2 1
variveis aleatrias independentes e identicamente
distribudas, com mdia finita e varincia
2
. Ento, de acordo com o TCL, se
n n
X X X S + + + = ...
2 1
,
) ( lim z z
n
n S
P
n
n
= |
\
|

.
37
Isto quer dizer que a varivel aleatria padronizada ) /( ) ( n n S
n

assintoticamente normal com mdia zero e desvio-padro igual a um
(normal reduzida). Alternativamente, podemos escrever que
1) 0, N(
n
n S
D
n

em que o D acima da seta denota convergncia em distribuio. Portanto,
a relao acima pode ser lida como
n
n S
n
converge em distribuio para uma

normal com mdia zero e desvio-padro um.
O TCL tambm verdadeiro sob condies mais gerais. Por exemplo, ele vale
quando
n
X X X ,..., ,
2 1
so variveis independentes com a mesma mdia e
varincia, mas no necessariamente identicamente distribudas.
GABARITO: A
2. (Analista Tcnico-SUSEP-2002-ESAF) Sejam X
1
, ..., X
12
variveis
aleatrias uniformemente e independentemente distribudas no intervalo (0;1).
Assinale a opo que corresponde aproximao do Teorema Central do
Limite de
. 7
12
1

>
= i
i
X P
A tabela apresentada a seguir d valores da funo de distribuio F(x) da
distribuio normal padro aproximada a duas casas decimais.
x F(x)
0,0 0,50
0,5 0,69
1,0 0,84
1,5 0,93
2,0 0,98
A) 0,50
B) 0,31
C) 0,07
D) 0,02
E) 0,16
38
Resoluo
As variveis aleatrias IID
12 2 1
,..., , X X X tm distribuio uniforme no intervalo
(0,1), conforme ilustrado pela figura abaixo.
1
0 1
f(x)
x
Sabemos que: 2 / 1
2
) 1 0 (
2
) (
) ( =
+
=
+
=
b a
X
i
e 12 / 1
12
) 0 1 (
12
) (
) (
2
=
=
a b
X
i
(vide
Aula 1).
Seja o somatrio
n n
X X X S + + + = ...
2 1
. O TCL afirma que, no limite (isto ,
quando somamos um nmero infinito de variveis aleatrias IID), vale
) ( lim z z
n
n S
P
n
n
= |
\
|

.
A questo pede que
)
`

=
)
`

>

= =
12
1
12
1
7 1 7
i
i
i
i
X P X P seja calculado usando uma
verso truncada (ou aproximada) do TCL para n = 12. Observe que
6 1 7
12
12
1
,5 0 12 7 7
= =

=
=
n
n
z

.
Logo,
( ) ( ) 16 , 84 0 , 0 0 1 , 1 0 1 , 1 = = > Z P .
GABARITO: E
3. (Analista Tcnico-SUSEP-2001-ESAF) O tempo de vida til de uma pilha
uma varivel aleatria com distribuio do tipo contnuo, mdia de 40 horas
e desvio-padro de 20 horas. Usa-se a pilha at que sua energia se esgote
quando substituda por uma nova. Suponha que se tenha disposio um
estoque de 25 pilhas com tempos de vida com essas caractersticas e
39
independentemente distribudos. Seja (x) a funo de distribuio da normal
padro. Assinale a opo que corresponde aproximao do Teorema Central
do Limite para a probabilidade de que com as 25 pilhas se obtenha pelo menos
1.100 horas de uso contnuo.
A) 1-(1)
B) (1)
C) (2)
D) 0,5
E) (2)- (1)
Resoluo
Pelo menos 1.100 horas de uso contnuo 100 . 1 ) ... (
25 2 1 25
+ + + = X X X S , ou
seja, o somatrio dos tempos de vida til das 25 pilhas tem de ser, no mnimo,
1.100 horas.
Dados: = 40 h, = 20 h e n = 25.
1
25 20
40 25 100 . 1 100 . 1
=

=
=
n
n
z

( ) ( ) 1 1 ,0 1 100) . 1 (
25
> = Z P S P .
GABARITO: A
4. (Analista Ministerial-Estatstica-MPE/PE-2006-FCC) Seja a mdia de
uma amostra aleatria simples com reposio, de tamanho 64, retirada de
uma populao Normal com mdia 200 e varincia 400. Usando o fato de que
P(Z>1,64) = 0,05, onde Z a Normal Padro, o valor de a para que P(| X -
|a) = 0,90 igual a
A) 6,4
B) 5,2
C) 4,8
D) 4,1
E) 3,6
Resoluo
Note que podemos reescrever P(| X -|a) = 0,90 da forma
40
P{-a X - a} = 0,90
ou
P{ -a X + a} = 0,90.
A Fig. abaixo ilustra a probabilidade acima.
Dados do enunciado: n = 64, = 200,
2
= 400 e P(Z>1,64) = 5%.
,64 1
) (
=
+
=
n
a
z
64 , 1
64 20
=
a
10 , 4 = a .
GABARITO: D
(Especialista em Regulao de Aviao Civil - ANAC-2009-CESPE -
adaptada) Considere que U
1
, U
2
e U
3
sejam cpias independentes de uma
distribuio uniforme, com mdia igual a 6 e varincia igual a 3. Com base
nessas informaes, julgue os prximos itens (5 a 8) acerca da soma S = U
1
+
U
2
+ U
3
.
5. A soma S segue uma distribuio uniforme, com mdia igual a 18 e
varincia igual a 9.
Resoluo
Antes de discutir se a varivel aleatria S = U
1
+ U
2
+ U
3
tem ou no
distribuio uniforme, vamos calcular a mdia e a varincia de S.
41
Mdia:
E(S) = S = E(U
1
+ U
2
+ U
3
) = E(U
1
) + E(U
2
) + E(U
3
) = 3x6 = 18.
Varincia:
var(S) = var(U
1
+ U
2
+ U
3
) = var(U
1
) + var(U
2
) + var(U
3
) = 3x3 = 9, pois a
varincia da soma de variveis independentes igual soma das
varincias individuais.
Agora, precisamos analisar a distribuio de S e todo cuidado pouco ... h
uma propriedade da distribuio normal, denominada propriedade
reprodutiva que diz o seguinte:
Se U
1
, U
2
, ..., U
n
forem variveis aleatrias normais e independentes,
com E(U
i
) =
i
e var(U
i
) =
2
i
para i = 1, 2, ..., n, ento
S = c
1
U
1
+ c
2
U
2
+ ... + c
n
U
n
,
em que c
1
, c
2
, ..., c
n
, so constantes, ser uma varivel aleatria normal com
S = c
1
1
+ c
2
2
+ ... + c
n
n
,
e
var(S) = . ...
2 2 2
2
2
2
2
1
2
1 n n
c c c + + +
Repare que as variveis U
1
, U
2
, ..., U
n
precisam ser normais, para que valha
a propriedade reprodutiva. Na questo, U
1
, U
2
e U
3
so variveis
uniformes. Observe que no h uma propriedade reprodutiva para a
distribuio uniforme. Portanto, no podemos afirmar que S = U
1
+ U
2
+ U
3

tem distribuio uniforme. Alis, isto contraria a intuio, uma vez que o TCL
diz que a distribuio de probabilidades da soma de um nmero infinito de
variveis aleatrias uniformes IID converge para a distribuio normal. Sendo
assim, o item est ERRADO.
possvel determinar a distribuio de S = U
1
+ U
2
+ U
3
, em que U
1
, U
2
e U
3

so cpias independentes de uma distribuio uniforme. Contudo, este clculo
depende do conhecimento do conceito de funo caracterstica, que no foi
mencionado pelo programa do concurso. Prefiro no ensinar para vocs, pois
no precisamos deste conceito para resolver a questo.
GABARITO: ERRADO
42
6. De acordo com o teorema limite central, se e so, respectivamente, a
mdia e o desvio padro de S, ento a varivel
3
3
=
S
Z segue uma
distribuio normal padro.
Resoluo
O TCL diz que a distribuio de probabilidades da soma de um nmero infinito
de variveis aleatrias IID converge para a distribuio normal. A soma de 3
variveis aleatrias uniformes IID no normal ERRADO.
GABARITO: ERRADO
7. A mdia correspondente varivel transformada 6
3
=
S
W igual a zero, e
a varincia igual a 1.
Resoluo
( ) , 0 6
3
18
6
3
) (
6
3
6
3
) ( = = =

= =
S E
E
S
E
S
E W W E
( ) 1
9
9
9
) var(
var
3
1
6
3
var ) var(
2
= = = =

=
S
s
S
W item CORRETO.
GABARITO: CERTO
8. O valor esperado de S
2
superior a 300.
Resoluo
2 2
) ( ) var( S S E S = 333 324 9 18 9 ) var( ) (
2 2 2
= + = + = + = S S S E item CORRETO.
GABARITO: CERTO
(ANPEC-2009-adaptada) Sobre variveis aleatrias indique se as
afirmativas 9 e 10 so corretas ou falsas:
9. Se X possui distribuio Normal com mdia e varincia
2
, ento Z = aX +
b possui distribuio Normal com mdia a e varincia (a)
2
2
.
Resoluo
2 2 2
) var( ) var( a X a Z = = ,
43
mas b X aE Z E + = ) ( ) ( afirmativa FALSA.
GABARITO: FALSO
10. Se duas variveis aleatrias X e Y tem covarincia nula, ento elas so
independentes.
Resoluo
Lembre que independncia implica covarincia nula; a recproca, porm, no
verdadeira afirmativa FALSA.
GABARITO: FALSO
(ANPEC-2009-adaptada) Sejam X
1
, X
2
, ..., X
n
variveis aleatrias
independentes e normalmente distribudas com mdia e varincia 1. Defina
as variveis aleatrias
=
n
i
i
X n X
1
1
e
=
=
n
i
i
X Z
1
2
. Julgue 11 a 14 os itens a
seguir.
11. Se R = X
1
, quando X
1
>0, P(R1) = (1-)/(1-(0-)), em que (c) a
funo distribuio de uma varivel aleatria Normal padro.
Resoluo
Se R = X
1
, P(R1) = P[Z*(1-)/] = P[Z*(1-)/1] = (1-) afirmativa
FALSA.
Nota: Z* denota a varivel aleatria normal reduzida.
GABARITO: FALSO
12. Z uma varivel aleatria com distribuio
2
com n graus de liberdade.
Resoluo
Seja a amostra aleatria ) ,..., , (
2 1 n
X X X de uma populao normal de mdia e
desvio-padro
2
. Ento a estatstica

=
n
i
i
n
X
1
2
2

tem distribuio qui-quadrado com n graus de liberdade. A varivel
2
n
a
soma dos quadrados de n variveis aleatrias normais reduzidas
44
independentes. Note que
=
=
n
i
i
X Z
1
2
no uma soma de variveis aleatrias
normais reduzidas. Portanto, o item FALSO.
GABARITO: FALSO
13. X n uma varivel aleatria normalmente distribuda com mdia n e
varincia n.
Resoluo
Dado: 1
2
=
n
X
2
2
) (
=
n n n
n
n X n n X n = = = = = 1 ) ( ) (
2
2
2 2 2 2
VERDADEIRO.
GABARITO: VERDADEIRO
14. A varivel aleatria
n
Z
Y
W
i
i
= , em que Y
i
= (X
i
- ) possui distribuio F com
n
1
e n
2
graus de liberdade, em que n
1
= 1 e n
2
= 2n.
Resoluo
Define-se a varivel F com n
1
graus de liberdade no numerador e n
2
graus de
liberdade no denominador, ou, simplesmente
2 1
, n n
F por
2
2
1
2
,
/
/
2
1
2 1
n
n
F
n
n
n n
=
em que as variveis
2
1
n
e
2
2
n
so independentes. Observe que Y
i
normal e
que
n
Z
no qui-quadrado e tampouco normal afirmativa FALSA.
GABARITO: FALSO
15. O grfico da distribuio t de Student, com 9 graus de liberdade, est
representado na figura abaixo. Podemos afirmar que o valor de t
1
para o qual
a rea sombreada direita de t
1
de 0,05 :
45
t
1 -t
1

A) 2,6850
B) 2,2622
C) 1,8331
D) 3,6897
E) 1,2297
Resoluo
Deve-se entrar na Tabela IV (Distribuio t de Student) com = 9 (nmero de
graus de liberdade) e = 0,05 x 2 = 0,1 t
1
= 1,8331.
GABARITO: C
16. (IBGE Estatstica 2010 - CESGRANRIO) Sejam X
1
, X
2
e X
3

variveis aleatrias independentes, todas com mdia 100 e varincia 100. O
valor esperado e a varincia de
4
2
3 2 1
X X X
Z
+
= so, respectivamente,
A) 100 e 100
B) 100 e 75/2
C) 100 e 25/2
D) 0 e 75/2
E) 0 e 25/2
Resoluo
( ) ( ) ( )
= + =
+ =
+
=
4 2 4 4 4
) 2 (
4 4
2
) (
3 2 1 3 2 1 3 2 1
X E X E X E X X X
E
X X X
E Z
0
4
100
2
100
4
100
= + =
=

+ =
+ =
+
=
4 2 4
var
4 4
) 2 (
4
var
4
2
var ) var(
3 2 1 3 2 1 3 2 1
X X X X X X X X X
Z
46
= + + =
= ) var(
4
1
) var(
2
1
) var(
4
1
4
var
2
var
4
var
3 2 2 2 1 2
3 2 1
X X X
X X X

.
2
75
16
100
4
100
16
100
= + + =
Nota: sejam X e Y variveis aleatrias independentes. Ento
( ) ( ) ( ) Y X Y X var var var + = .
Ou seja, a varincia da diferena de X e Y a soma das varincias
individuais.
GABARITO: D
Questes Extras Matria das Aulas Anteriores
17. (AFTE-RS/2009/Fundatec) Uma pesquisa indica que a distribuio do
tempo que os candidatos de um concurso levam para entregar uma prova
aproximadamente normal, com tempo mdio de 1,5 horas e desvio padro de
15 minutos. Sabendo que P(<X<+2)=0,4772 e P(-<X<+)=0,6827, o
nmero esperado de candidatos que levam entre 1 e 2 horas para entregar a
prova, de um total de 10.000 candidatos, :
A) 5.228
B) 9.972
C) 9.544
D) 6.827
E) 3.173
Resoluo
As trs figuras abaixo ilustram, respectivamente, as probabilidades i)
P(<X<+2) = 0,4772, ii) P(-<X<+) = 0,6827 e iii) P(-2<X<+2) =
2x0,4772 = 0,9544, em que = 90 minutos e = 15 minutos.
47
40 50 60 70 80 90 100 110 120 130 140
0
0.005
0.01
0.015
0.02
0.025
0.03
normal
d
e
n
s
i
d
a
d
e
normal
P(<X<+) = 47,72%
40 50 60 70 80 90 100 110 120 130 140
0
0.005
0.01
0.015
0.02
0.025
0.03
normal
d
e
n
s
i
d
a
d
e
normal
P(-<X<+) = 68,27%
,
48
40 50 60 70 80 90 100 110 120 130 140
0
0.005
0.01
0.015
0.02
0.025
0.03
normal
d
e
n
s
i
d
a
d
e
normal
P(-2<x<+2)=95,44%
O nmero esperado de candidatos que levam entre 60 (=-2) e 120 (=+2)
minutos para entregar a prova, de um total de 10.000 candidatos, dado por
10.000 x P(60<X<120) = 10.000 x 0,9544 = 9.544.
GABARITO: C
18. (AFTE-RS/2009/Fundatec) Sabendo que a correlao estatisticamente
significativa entre o preo de vinho e a quantidade vendida de -0,70 pode-se
dizer que:
A) 70% da variabilidade da quantidade vendida determinada pelo preo do
vinho.
B) Quanto maior o preo de vinho, maior a quantidade vendida.
C) H uma reduo de 30% na quantidade vendida para um aumento de
R$1,00 no preo.
D) Da variabilidade total da quantidade vendida, 49% explicada pelo preo
do produto.
E) Para um aumento de R$1,00 no preo do vinho, h uma reduo de 0,7 na
quantidade vendida.
Resoluo
Dados: a) R = -0,7 (estimativa do coeficiente de correlao), b) varivel
dependente (Y) = quantidade vendida e c) varivel independente (X) = preo
do vinho.
Vimos que o coeficiente de determinao R
2
de uma regresso linear simples
exprime a porcentagem da variao total da varivel dependente (=
49
quantidade vendida) que explicada pela reta de regresso ajustada. Note
que R
2
= 0,7
2
= 0,49 = 49% para a questo opo D.
Anlise das outras alternativas:
Nota: lembre que a reta estimativa dada por

y = a +bx, em que a a
estimativa do intercepto e b a estimativa da declividade da reta de
regresso.
A) est errada porque apenas 49% da variabilidade da quantidade vendida
determinada pela reta ajustada.
B) est errada porque quanto menor o preo de vinho, maior a quantidade
vendida (correlao negativa).
C) como no foi dado o valor da estimativa da declividade da reta (parmetro
b), no se pode afirmar que h uma reduo de 30% na quantidade vendida
para um aumento de R$1,00 no preo.
E) como no foi dado o valor do parmetro b, no se pode afirmar que para
um aumento de R$1,00 no preo do vinho, h uma reduo de 0,7 na
quantidade vendida. Repare que esta opo uma pegadinha para aqueles
que adotarem b = -0,7.
GABARITO: D
(AFTE-RS/2009/Fundatec) A tabela a seguir representa a distribuio de
frequncias da idade de uma amostra de moradores de um asilo. Utilize para
resolver as questes 19 e 20.
X
i
f
i

70 |-- 74 7
74 |-- 78 19
78 |-- 82 13
82 |-- 86 11
86 |-- 90 6
90 |-- 94 4
Total 60
19. A idade aproximada da mediana :
A) 78,22.
B) 80,00.
C) 79,38.
D) 78,55.
E) 79,23.
50
Resoluo
X
i
f
i

Frequncias
acumuladas
Frequncias
acumuladas
(%)
70 |-- 74 7 7 11,67%
74 |-- 78 19 26 43,34%
78 |-- 82 13 39 65,01%
82 |-- 86 11 50 83,34%
86 |-- 90 6 56 93,34%
90 |-- 94 4 60 100,00%
Total 60
A tabela acima que a classe da mediana 78 |-- 82. O seu valor calculado
por meio da seguinte regra de trs:
(82 78) est para (39 26) assim como (md 78) est para (30 26)
ou
4 est para 13 assim como (md 78) est para 4
4
13
=
(md 78)
4
md 78 =
16
13
md = 78 +
16
13
= 78 +1,23 = 79,23 (opo E)
GABARITO: E
20. O valor da moda pelo mtodo de King :
A) 72,8.
B) 76,6.
C) 80,0.
D) 76,0.
E) 19,0.
Resoluo
A classe modal a que ocorre com a maior frequncia: 74 |-- 78.
Clculo da moda pelo Mtodo de King:
mo = L
i
+
f
post

f
post
+ f
ant
h

,
em que:
51
- L
i
= 74 denota o limite inferior da classe modal;
- f
post
=13 a frequncia da classe posterior classe modal;
- f
ant
= 7 a frequncia da classe anterior classe modal; e
- h = 4 a amplitude da classe modal.
Ento
mo = 74 +
13
13+ 7
4 = 74 + 2,6 = 76,6 (opo B)
bom relembrar o clculo da moda pelo Mtodo de Czuber
mo = L
i
+
d
1

d
1
+ d
2
h

,
em que:
- L
i
= 74 o limite inferior da classe modal;
- d
1
=19 7 =12 a diferena entre a frequncia da classe modal e a da classe
imediatamente anterior;
- d
2
=19 13 = 6 a diferena entre a frequncia da classe modal e a da classe
imediatamente seguinte; e
- h a amplitude das classes.
Ento a moda pela frmula de Czuber
mo = 74 +
12

12 + 6
4

= 74 + 2,667 = 76,667 (resultado aproximadamente igual ao
obtido pelo mtodo de King!)
Caso a questo da prova no especifique, dever ser utilizado o mtodo de
Czuber.
GABARITO: B
21. (AFTN/1998/ESAF) O logaritmo neperiano (ln) de um ndice de
produo Y est associado ao logaritmo neperiano de um ndice de insumos Q
atravs da relao linear ln(Y) = + ln(Q) + e. Para uma amostra de 100
observaes envolvendo dados de produo e quantidade, encontraram-se
como estimadores de e as quantidades 1 e 2, respectivamente. Assinale a
opo correta.
A) A variao logartmica esperada na produo por unidade de variao em Q
ser de ln(2).
52
B) A variao esperada no logaritmo do produto Y por unidade de variao no
C) A variao esperada no logaritmo do produto Y por unidade de variao no
logaritmo de Q no depende de Q e constante igual a 2.
D) A variao esperada em ln(Y) por unidade de variao em ln(Q) no est
definida.
E) A variao esperada no logaritmo do produto Y por unidade de variao no
Resoluo
Lembra que esta questo foi colocada na Aula 6? Vrios colegas tiveram
dvidas. Agora estamos prontos para entender a resoluo, pois trata-se de
um exerccio que cobra a regresso linear.
Por razes didticas, adotemos a seguinte transformao de variveis: ln(Y) =
Y, ln(Q) = X e e = . Ento a relao
Y = + X + ,
vista na aula passada, representa um modelo de regresso linear simples
(RLS), em que Y a varivel dependente (admite-se que seja aleatria), X
a varivel independente (suposta no aleatria), o erro aleatrio do
modelo, o intercepto e a declividade ( e so parmetros do modelo).
Pode-se demonstrar que os estimadores a e b de e , respectivamente, tm
mdias dadas por E(a) = e E(b) = (voltaremos a esse assunto na Aula 21).
Tomando a esperana no modelo de RLS, obtemos
E[Y] = E[] + E[X] + E[],
como o modelo supe que o erro aleatrio tenha mdia nula, ou seja E[]=0, e
X representa observaes de uma varivel no aleatria, temos que
E[Y' ] =

Y ' = a + bX' ,
em que usamos os seguintes fatos: E[] = a e E[X] = E[]X = bX. A
equao E[Y] = a + bX indica que, dado o valor de uma observao,
por exemplo X
1
, a reta de regresso fornece o valor esperado
correspondente da varivel independente, E[Y
1
] (memorize para a
prova!).
A reta estimativa foi dada pelo enunciado e

Y ' =1+ 2X'. Ela est representada
na figura a seguir.
53
Repare que a variao esperada da varivel dependente (denotada por
E[Y]=E[lnY]) por unidade de variao em X=lnQ no depende de X (logo
no depende de Q), sendo constante e igual a 2 (= ). Ento podemos afirmar
que
a variao esperada no logaritmo do produto Y por unidade de variao no
logaritmo de Q no depende de Q e constante igual a 2 (opo C).
GABARITO: C
At a prxima aula. Bom estudo!
Alexandre e Moraes Jr.
54
APNDICE
TABELA I
NORMAL: rea direita de Z
c

Parte
inteira e
primeira
decimal
de Z
c

Segunda decimal de Z
c

Parte
inteira e
primeira
decimal
de Z
c

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,49601 0,49202 0,48803 0,48405 0,48006 0,47608 0,47210 0,46812 0,46414 0,0
0,1 0,46017 0,45620 0,45224 0,44828 0,44433 0,44038 0,43644 0,43251 0,42858 0,42465 0,1
0,2 0,42074 0,41683 0,41294 0,40905 0,40517 0,40129 0,39743 0,39358 0,38974 0,38591 0,2
0,3 0,38209 0,37828 0,37448 0,37070 0,36693 0,36317 0,35942 0,35569 0,35197 0,34827 0,3
0,4 0,34458 0,34090 0,33724 0,33360 0,32997 0,32636 0,32276 0,31918 0,31561 0,31207 0,4
0,5 0,30854 0,30503 0,30153 0,29806 0,29460 0,29116 0,28774 0,28434 0,28096 0,27760 0,5
0,6 0,27425 0,27093 0,26763 0,26435 0,26109 0,25785 0,25463 0,25143 0,24825 0,24510 0,6
0,7 0,24196 0,23885 0,23576 0,23270 0,22965 0,22663 0,22363 0,22065 0,21770 0,21476 0,7
0,8 0,21186 0,20897 0,20611 0,20327 0,20045 0,19766 0,19489 0,19215 0,18943 0,18673 0,8
0,9 0,18406 0,18141 0,17879 0,17619 0,17361 0,17106 0,16853 0,16602 0,16354 0,16109 0,9
1,0 0,15866 0,15625 0,15386 0,15151 0,14917 0,14686 0,14457 0,14231 0,14007 0,13786 1,0
1,1 0,13567 0,13350 0,13136 0,12924 0,12714 0,12507 0,12302 0,12100 0,11900 0,11702 1,1
1,2 0,11507 0,11314 0,11123 0,10935 0,10749 0,10565 0,10383 0,10204 0,10027 0,09853 1,2
1,3 0,09680 0,09510 0,09342 0,09176 0,09012 0,08851 0,08691 0,08534 0,08379 0,08226 1,3
1,4 0,08076 0,07927 0,07780 0,07636 0,07493 0,07353 0,07215 0,07078 0,06944 0,06811 1,4
1,5 0,06681 0,06552 0,06426 0,06301 0,06178 0,06057 0,05938 0,05821 0,05705 0,05592 1,5
1,6 0,05480 0,05370 0,05262 0,05155 0,05050 0,04947 0,04846 0,04746 0,04648 0,04551 1,6
1,7 0,04457 0,04363 0,04272 0,04182 0,04093 0,04006 0,03920 0,03836 0,03754 0,03673 1,7
1,8 0,03593 0,03515 0,03438 0,03362 0,03288 0,03216 0,03144 0,03074 0,03005 0,02938 1,8
1,9 0,02872 0,02807 0,02743 0,02680 0,02619 0,02559 0,02500 0,02442 0,02385 0,02330 1,9
2,0 0,02275 0,02222 0,02169 0,02118 0,02068 0,02018 0,01970 0,01923 0,01876 0,01831 2,0
2,1 0,01786 0,01743 0,01700 0,01659 0,01618 0,01578 0,01539 0,01500 0,01463 0,01426 2,1
2,2 0,01390 0,01355 0,01321 0,01287 0,01255 0,01222 0,01191 0,01160 0,01130 0,01101 2,2
2,3 0,01072 0,01044 0,01017 0,00990 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842 2,3
2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,00639 2,4
2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480 2,5
2,6 0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357 2,6
2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264 2,7
2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193 2,8
2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139 2,9
3,0 0,00135 0,00131 0,00126 0,00122 0,00118 0,00114 0,00111 0,00107 0,00104 0,00100 3,0
3,5 0,00023 0,00022 0,00022 0,00021 0,00020 0,00019 0,00019 0,00018 0,00017 0,00017 3,5
4,0 0,00003 0,00003 0,00003 0,00003 0,00003 0,00003 0,00002 0,00002 0,00002 0,00002 4,0
5,0 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 5,0
55
TABELA II
NORMAL: rea de 0 a Z
c

Parte
inteira e
primeira
decimal
de Z
c

Segunda decimal de Z
c

Parte
inteira e
primeira
decimal
de Z
c

0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586 0,0
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535 0,1
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409 0,2
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173 0,3
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793 0,4
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240 0,5
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490 0,6
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524 0,7
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327 0,8
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891 0,9
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214 1,0
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298 1,1
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147 1,2
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774 1,3
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189 1,4
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408 1,5
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449 1,6
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327 1,7
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062 1,8
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670 1,9
2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169 2,0
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574 2,1
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899 2,2
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158 2,3
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361 2,4
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520 2,5
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643 2,6
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736 2,7
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807 2,8
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861 2,9
3,0 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900 3,0
3,5 0,49977 0,49978 0,49978 0,49979 0,49980 0,49981 0,49981 0,49982 0,49983 0,49983 3,5
4,0 0,49997 0,49997 0,49997 0,49997 0,49997 0,49997 0,49998 0,49998 0,49998 0,49998 4,0
5,0 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 5,0
56
TABELA III
QUI-QUADRADO: VALORES Yc tais que P(Y>Yc)=p
GL 0,995 0,990 0,975 0,950 0,900 0,750 0,500 0,250 0,100 0,050 0,025 0,010 0,005 0,001
1 0,0000393 0,000157 0,000982 0,00393 0,0158 0,102 0,455 1,323 2,706 3,841 5,024 6,635 7,879 10,83
2 0,0100 0,0201 0,0506 0,103 0,211 0,575 1,386 2,773 4,605 5,991 7,378 9,210 10,60 13,82
3 0,0717 0,115 0,216 0,352 0,584 1,213 2,366 4,108 6,251 7,815 9,348 11,34 12,84 16,27
4 0,207 0,297 0,484 0,711 1,064 1,923 3,357 5,385 7,779 9,488 11,14 13,28 14,86 18,47
5 0,412 0,554 0,831 1,145 1,610 2,675 4,351 6,626 9,236 11,07 12,83 15,09 16,75 20,52
6 0,676 0,872 1,237 1,635 2,204 3,455 5,348 7,841 10,64 12,59 14,45 16,81 18,55 22,46
7 0,989 1,239 1,690 2,167 2,833 4,255 6,346 9,037 12,02 14,07 16,01 18,48 20,28 24,32
8 1,344 1,646 2,180 2,733 3,490 5,071 7,344 10,22 13,36 15,51 17,53 20,09 21,95 26,12
9 1,735 2,088 2,700 3,325 4,168 5,899 8,343 11,39 14,68 16,92 19,02 21,67 23,59 27,88
10 2,156 2,558 3,247 3,940 4,865 6,737 9,342 12,55 15,99 18,31 20,48 23,21 25,19 29,59
11 2,603 3,053 3,816 4,575 5,578 7,584 10,34 13,70 17,28 19,68 21,92 24,72 26,76 31,26
12 3,074 3,571 4,404 5,226 6,304 8,438 11,34 14,85 18,55 21,03 23,34 26,22 28,30 32,91
13 3,565 4,107 5,009 5,892 7,042 9,299 12,34 15,98 19,81 22,36 24,74 27,69 29,82 34,53
14 4,075 4,660 5,629 6,571 7,790 10,17 13,34 17,12 21,06 23,68 26,12 29,14 31,32 36,12
15 4,601 5,229 6,262 7,261 8,547 11,04 14,34 18,25 22,31 25,00 27,49 30,58 32,80 37,70
16 5,142 5,812 6,908 7,962 9,312 11,91 15,34 19,37 23,54 26,30 28,85 32,00 34,27 39,25
17 5,697 6,408 7,564 8,672 10,09 12,79 16,34 20,49 24,77 27,59 30,19 33,41 35,72 40,79
18 6,265 7,015 8,231 9,390 10,86 13,68 17,34 21,60 25,99 28,87 31,53 34,81 37,16 42,31
19 6,844 7,633 8,907 10,12 11,65 14,56 18,34 22,72 27,20 30,14 32,85 36,19 38,58 43,82
20 7,434 8,260 9,591 10,85 12,44 15,45 19,34 23,83 28,41 31,41 34,17 37,57 40,00 45,31
21 8,034 8,897 10,28 11,59 13,24 16,34 20,34 24,93 29,62 32,67 35,48 38,93 41,40 46,80
22 8,643 9,542 10,98 12,34 14,04 17,24 21,34 26,04 30,81 33,92 36,78 40,29 42,80 48,27
23 9,260 10,20 11,69 13,09 14,85 18,14 22,34 27,14 32,01 35,17 38,08 41,64 44,18 49,73
24 9,886 10,86 12,40 13,85 15,66 19,04 23,34 28,24 33,20 36,42 39,36 42,98 45,56 51,18
25 10,52 11,52 13,12 14,61 16,47 19,94 24,34 29,34 34,38 37,65 40,65 44,31 46,93 52,62
26 11,16 12,20 13,84 15,38 17,29 20,84 25,34 30,43 35,56 38,89 41,92 45,64 48,29 54,05
27 11,81 12,88 14,57 16,15 18,11 21,75 26,34 31,53 36,74 40,11 43,19 46,96 49,64 55,48
28 12,46 13,56 15,31 16,93 18,94 22,66 27,34 32,62 37,92 41,34 44,46 48,28 50,99 56,89
29 13,12 14,26 16,05 17,71 19,77 23,57 28,34 33,71 39,09 42,56 45,72 49,59 52,34 58,30
30 13,79 14,95 16,79 18,49 20,60 24,48 29,34 34,80 40,26 43,77 46,98 50,89 53,67 59,70
40 20,71 22,16 24,43 26,51 29,05 33,66 39,34 45,62 51,81 55,76 59,34 63,69 66,77 73,40
50 27,99 29,71 32,36 34,76 37,69 42,94 49,33 56,33 63,17 67,50 71,42 76,15 79,49 86,66
60 35,53 37,48 40,48 43,19 46,46 52,29 59,33 66,98 74,40 79,08 83,30 88,38 91,95 99,61
70 43,28 45,44 48,76 51,74 55,33 61,70 69,33 77,58 85,53 90,53 95,02 100,43 104,21 112,32
80 51,17 53,54 57,15 60,39 64,28 71,14 79,33 88,13 96,58 101,88 106,63 112,33 116,32 124,84
90 59,20 61,75 65,65 69,13 73,29 80,62 89,33 98,65 107,57 113,15 118,14 124,12 128,30 137,21
100 67,33 70,06 74,22 77,93 82,36 90,13 99,33 109,14 118,50 124,34 129,56 135,81 140,17 149,45
Exemplo: o valor da qui-quadrado com =16 graus de liberdade (GL) com rea da cauda superior igual
a 0,100 (P(Y>y
c
) = 0,1) 23,54, ou seja, 54 , 23
16
=
2
.
,
57
TABELA IV (t de Student): valores t
c
tais que P(-t
c
< t < t
c
) = 1-p
GL 0,5 0,4 0,3 0,2 0,1 0,05 0,02 0,01 0,005 0,002 0,001
1 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,657 127,321 318,309 636,619
2 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 14,089 22,327 31,599
3 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,841 7,453 10,215 12,924
4 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 5,598 7,173 8,610
5 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 4,773 5,893 6,869
6 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 4,317 5,208 5,959
7 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499 4,029 4,785 5,408
8 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 3,833 4,501 5,041
9 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250 3,690 4,297 4,781
10 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 3,581 4,144 4,587
11 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 3,497 4,025 4,437
12 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055 3,428 3,930 4,318
13 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 3,372 3,852 4,221
14 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 3,326 3,787 4,140
15 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 3,286 3,733 4,073
16 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 3,252 3,686 4,015
17 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898 3,222 3,646 3,965
18 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,197 3,610 3,922
19 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861 3,174 3,579 3,883
20 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,153 3,552 3,850
21 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,135 3,527 3,819
22 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,119 3,505 3,792
23 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,104 3,485 3,768
24 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797 3,091 3,467 3,745
25 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,078 3,450 3,725
26 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,067 3,435 3,707
27 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,057 3,421 3,690
28 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,047 3,408 3,674
29 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,038 3,396 3,659
30 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,030 3,385 3,646
40 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,704 2,971 3,307 3,551
50 0,679 0,849 1,047 1,299 1,676 2,009 2,403 2,678 2,937 3,261 3,496
60 0,679 0,848 1,045 1,296 1,671 2,000 2,390 2,660 2,915 3,232 3,460
120 0,677 0,845 1,041 1,289 1,658 1,980 2,358 2,617 2,860 3,160 3,373
5000 0,675 0,842 1,037 1,282 1,645 1,960 2,327 2,577 2,808 3,092 3,292
Exemplo de uso da tabela t de Student: entrando-se na tabela com a probabilidade p = 0,1 e GL = 7,
lemos o valor t
7
= 1,895. Logo, P(-1,895<t
7
<1,895) = 0,9 e P(t
7
>1,895) = P(t
7
<-1,895) = 0,1/2= 0,05.
58
TABELA V
DISTRIBUIO F: valores fc tais que P(F>fc) = p
GL1
GL2 P(F>) 1 2 3 4 5 6 7 8 9 10
1 0,100 39,9 49,5 53,6 55,8 57,2 58,2 58,9 59,4 59,9 60,2
0,050 161 199 216 225 230 234 237 239 241 242
0,025 648 799 864 900 922 937 948 957 963 969
0,010 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056
0,005 16211 19999 21615 22500 23056 23437 23715 23925 24091 24224
0,001 405284 499999 540379 562500 576405 585937 592873 598144 602284 605621
2 0,100 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39
0,050 18,5 19,0 19,2 19,2 19,3 19,3 19,4 19,37 19,38 19,40
0,025 38,5 39,0 39,2 39,2 39,3 39,3 39,4 39,4 39,4 39,4
0,010 98,5 99,0 99,2 99,2 99,3 99,3 99,4 99,4 99,4 99,4
0,005 199 199 199 199 199 199 199 199 199 199
0,001 999 999 999 999 999 999 999 999 999 999
3 0,100 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23
0,050 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
0,025 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42
0,010 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23
0,005 55,55 49,80 47,47 46,19 45,39 44,84 44,43 44,13 43,88 43,69
0,001 167,03 148,50 141,11 137,10 134,58 132,85 131,58 130,62 129,86 129,25
4 0,100 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94 3,92
0,050 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
0,025 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84
0,010 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55
0,005 31,33 26,28 24,26 23,15 22,46 21,97 21,62 21,35 21,14 20,97
0,001 74,14 61,25 56,18 53,44 51,71 50,53 49,66 49,00 48,47 48,05
5 0,100 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30
0,050 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
0,025 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62
0,010 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05
0,005 22,78 18,31 16,53 15,56 14,94 14,51 14,20 13,96 13,77 13,62
0,001 47,18 37,12 33,20 31,09 29,75 28,83 28,16 27,65 27,24 26,92
6 0,100 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94
0,050 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
0,025 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46
0,010 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87
0,005 18,63 14,54 12,92 12,03 11,46 11,07 10,79 10,57 10,39 10,25
0,001 35,51 27,00 23,70 21,92 20,80 20,03 19,46 19,03 18,69 18,41
7 0,100 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70
0,050 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
0,025 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76
0,010 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62
0,005 16,24 12,40 10,88 10,05 9,52 9,16 8,89 8,68 8,51 8,38
0,001 29,25 21,69 18,77 17,20 16,21 15,52 15,02 14,63 14,33 14,08
Exemplo: entrando-se na tabela com a probabilidade p = 5% =0,050, e GL
1
= GL
2
= 5, lemos o
valor f
c
= 5,05. Logo, P(F>5,05) = 5% = 0,050.

Aula 18

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 18

Enviado por

Direitos autorais:

Formatos disponíveis

Curso Online - Raciocnio Lgico-Quantitativo para Traumatizados

Profs. Alexandre Lima e Moraes Junior

uma varivel aleatria, porque

, que so as qui-quadrado com

(-2), para > 2.

resulta de uma soma de variveis

tende distribuio normal

nos leva determinao da distribuio

, que obtido de uma estatstica

. Por exemplo, seja a mdia

tem mdia e varincia 2 .

tem distribuio t de Student. Esta distribuio

= a varivel aleatria F com n

converge em distribuio para uma

Você também pode gostar