Apostila

Lvio Jos Brand 2012
Fundamentos
de Estatstica
Introduo
Estatstica
A estatstica nos fornece uma linguagem atravs da qual

podemos falar sobre a incerteza, usada e compreendida pelas
pessoas com conhecimento de estatstica em toda parte.
No h certeza nas concluses
Como h variao em tudo, as concluses so incertas.
Introduo
Os dados batem os casos anedticos
Um caso anedtico uma narrativa surpreendente que se fixa em

nossa mente exatamente por ter essa caracterstica. Casos
anedticos humanizam um fato, mas tambm podem levar a
interpretaes errneas.
Morar perto de linhas de transmisso de eletricidade causa
leucemia em crianas? O National Cancer Institute dedicou 5
anos e 5 milhes de dlares coletando dados sobre esse assunto.
Os pesquisadores compararam 638 crianas portadoras de
leucemia com 620 saudveis.
http://oglobo.globo.com/saude/excesso-de-raio-dental-aumenta-riscode-tumor-cerebral-4608637
3
Como obter dados

Mtodos pelos quais possvel obter os dados
Tipos de pesquisas quantitativas:
Quanto a participao do pesquisador nos resultados:

experimentao ou levantamento;
Quanto ao objetivo da anlise: descritivo ou analtico;
Quanto a complexidade dos dados: simples ou multivariados;
Quanto a amplitude da coleta: censo ou amostra.
24 = 16 possibilidades!

Como obter dados

A Investigao da Amostra
O primeiro passo na avaliao da validade de uma pesquisa

(levantamento ou experimento) determinar se a mesma teve
como base uma amostra probabilstica ou no-probabilstica.
Pesquisas que empregam mtodos de amostragem noprobabilstica esto sujeitas a srios vieses na coleta de dados,
que podem apresentar resultados sem qualquer significado.
Como obter dados

Vantagens da amostragem

Custo menor.
Velocidade maior.
Preciso controlada.
Necessidades especializadas: quando censo impossvel.
Se voc usar mtodos comumente aceitos de amostragem para
selecionar 1.500 adultos de uma populao com milhes de
adultos, voc pode quase sempre estimar com erro inferior a 3% a
proporo de pessoas que tem certa caracterstica ou opinio.
Este fato no depende do tamanho da populao, mas somente do
tamanho da amostra.
6
Como obter dados

Tipos de Amostras

1) Amostra Probabilstica
Uma amostra probabilstica aquela na qual os sujeitos da
amostra so escolhidos com base em probabilidades conhecidas.
O nico meio de fazermos inferncias estatsticas corretas de uma
amostra para uma populao atravs da utilizao de uma
amostra probabilstica.
Os quatro tipos de amostras probabilsticas geralmente mais
utilizados so a amostra aleatria simples, a amostra
estratificada, a amostra sistemtica e a amostra de grupo
(cluster).
2) Amostra no-probabilstica: amostra
amostragem de quota; amostragem de fatia.
7
de
julgamento;
Como obter dados

Amostragem Aleatria Simples (AAS)
Populao: N=64
Amostra: n=8
Cada elemento na populao tem a mesma

possibilidade de ser selecionado na amostra
Como obter dados

Amostragem Estratificada
Populao: N=64
Amostra: n=8
E1
E2
E3
E4
Como obter dados

Amostragem por Conglomerados
Populao: N=64
Amostra: n=8
c1 c2 c3 c4 c5 c6 c7 c8
10
Como obter dados

Amostragem Sistemtica
Populao: N=64
Amostra: n=8 k=5
11
Como obter dados

Principais tipos de erros
Mesmo quando empregam mtodos de amostragem probabilstica

aleatria, as pesquisas esto sujeitas a erros potenciais. Existem
quatro tipos de erros de pesquisa:
1) Erro de Cobertura (ou de abrangncia, ou vis de seleo);

2) Erro por falta de resposta ou vis por falta de resposta;
3) Erro de amostragem;
4) Erro de medio.

12
Como obter dados

Erros de Cobertura (ou de abrangncia, ou vis de
seleo)
Resultam da excluso de certos grupos de sujeitos da lista de populao, de
modo que os mesmos no tm chance de ser selecionados na amostra.
Populao: N=64
Amostra: n=8
Ignorado pelo plano amostral

(vis de seleo)
13
Como obter dados

Erros por falta de resposta
Resultam da falha em coletar dados de todos os elementos da amostra, e os
erros decorrentes da falta de resposta resultam em vis pela falta de resposta.
Populao: N=64
Amostra: n=8
No responderam
Falta de resposta Vis por falta de resposta
14
Como obter dados

Erros de medio (erros grosseiros ou acidentais)
Referem-se falta de exatido das respostas registradas. Pode
ocorrer devido a diversos fatores, tais como:
deficincia na formulao da pergunta;
por um efeito causado pelo entrevistador sobre o informante;
arredondamento mal feito;
condies ambientais, etc.
15
Como obter dados

Erro de Amostragem
Embora somente uma amostra seja efetivamente selecionada, se

muitas amostras diferentes fossem selecionadas, espera-se que
cada amostra seja uma representao em miniatura da populao
e produza estimativas razoveis de suas caractersticas.
Erros de amostragem refletem a heterogeneidade ou diferenas
de oportunidade de amostra para amostra, com base na
probabilidade de os elementos serem selecionados nas amostras
em particular.
16
Como obter dados

Caracterstica de interesse: espessura de uma camada, ngulo de
mergulho de um eixo de dobra, nmero de gros de zirco, classificao
de um fssil, identificao da rocha num determinado grupo petrogrfico,
etc.
Populao?
Amostra Aleatria?
17
Como obter dados

Caracterstica de interesse: espessura de uma camada, ngulo de
mergulho de um eixo de dobra, nmero de gros de zirco, classificao
de um fssil, identificao da rocha num determinado grupo petrogrfico,
etc.
Populao
Os indivduos so definidos segundo os limites impostos pela

natureza e o propsito do estudo.
Exemplo1: populao de corpos arenosos (elementos
arquiteturais)
existentes
numa
determinada
unidade
estratigrfica:
Espessura
de
arenitos;
relao
clsticos/qumicos, etc.
Exemplo2: populao de unidades estratigrficas situadas em
uma bacia sedimentar: porosidade da unidade estratigrfica;
espessura de corpos arenosos por unidade estratigrfica; etc
Amostra Aleatria?
18
Lvio Jos Brand / Estatstica 2012
Estatstica
Descritiva
19
Estatstica Descritiva
Indivduos e Variveis
Os indivduos so os objetos descritos por um conjunto de

dados.
Uma varivel qualquer caracterstica de um indivduo. Uma
varivel pode assumir valores diferentes para indivduos
diferentes.
Para cada indivduo, os dados fornecem valores para uma ou
mais variveis.
A estatstica descritiva utiliza grficos e resumos numricos para
descrever as variveis num conjunto de dados e as relaes entre
elas.
20
Variveis Categricas e Quantitativas
Algumas variveis so categricas e outras quantitativas.
Uma varivel categrica posiciona um indivduo em um dos

diversos grupos ou categorias.
- escala nominal: prorpiedade de automvel (sim, no); seguro de
vida (prazo limitado, por dote, toda a vida, outro, nenhum); etc.
- escala ordinal: satisfao com produto (muito insatisfeito,
relativamente insatisfeito, neutro, relativamente satisfeito, muito
satisfeito); ttulo na faculdade (professor titular, professor
associado, professor assistente, professor); etc
21
Variveis Categricas e Quantitativas
Uma varivel quantitativa assume valores numricos com os

quais se faz sentido efetuar operaes aritmticas, tais como
adio e clculo de mdias.
-Dados contnuos: gerados a partir de algum processo de
medio ( temperatura; altura; peso; idade; salrio; etc)
-Dados discretos: gerados a partir de algum processo de
contagem (nmero de revistas assinadas: 0, 1, 2,).
22
Organizando Dados Numricos
Quando um conjunto de dados coletado, os dados esto

geralmente em forma bruta, isto , as observaes numricas
no esto arrumadas em qualquer ordem ou sequncia especfica.
medida que o nmero de observaes cresce, vai-se tornando
mais difcil focalizar os principais aspectos em um conjunto de
dados; assim, precisamos de meios para organizar as
observaes de modo que possamos compreender melhor que
informaes os dados esto comunicando.
A Disposio Ordenada
Se colocarmos os dados brutos em ordem de classificao, da menor
para a maior observao, a sequncia ordenada chamada de
disposio ordenada. Quando os dados esto classificados em uma
disposio ordenada, nossa avaliao de seus principais aspectos
fica facilitada. Torna-se ento fcil detectar os extremos, os valores
tpicos e as concentraes de valores.
23
A Distribuio de Frequncia
A distribuio de uma varivel informa os valores que ela assume

e com que frequncia assume esses valores.
Uma distribuio de frequncia uma tabela resumida na qual

os dados so organizados em grupos de classe ou categorias
convenientemente estabelecidas e numericamente ordenadas.
24
Tabulando Dados Numricos
Ao construir a tabela de distribuio de frequncia, deve-se
atentar para:
1) A seleo do nmero apropriado de grupos de classe para a
tabela.
O nmero de grupos de classe a ser utilizado depende
principalmente do nmero de observaes nos dados. Um
nmero maior de observaes requer um nmero maior de
intervalos de classes. Em geral, entretanto, a distribuio de
frequncia deve possuir ao menos 5 grupos de classe, porm
no mais do que 15.

Obs.:
log n
= (q3 q1 )
1
3
x mx - x mn
k=
onde n o nmero de observaes e k o nmero de classes.

25
Tabulando Dados Numricos
Frmula de Sturges:
Nmero de classes (k) = 1 + 3,3log10n,
Frequncias Acumuladas
Uma medida muito usada para descrever dados quantitativos

a frequncia acumulada (Fac), que indica quantos elementos,
ou que percentagem deles, esto abaixo de um certo valor.
26
Histograma
Histogramas so utilizados para descrever dados numricos que

tenham sido agrupados em distribuio de frequncia.
O histograma d uma idia de como a verdadeira densidade de
frequncias da populao da qual os dados foram selecionados.
Histogramas so grficos de barras verticais nos quais as barras
retangulares so construdas nos limites de cada classe.
O eixo vertical representa o nmero, a proporo, o percentual ou
a densidade de observaes por intervalo de classe.

27
Curva de Densidade
Uma curva de densidade uma curva que:

Est sempre ou sobre o eixo horizontal ou acima dele
Tem rea exatamente igual a 1 abaixo dela
Uma curva de densidade descreve o padro geral de uma

distribuio. A rea sob a curva e acima de qualquer amplitude
de valores a proporo de todas as observaes que caem
neste intervalo.
As curvas de densidade, assim como as distribuies, podem
apresentar diversas formas.
28
Curva de Densidade
Uma curva de densidade com uma forma apropriada ,

geralmente, uma descrio adequada do padro geral de uma
distribuio.
Evidentemente que nenhum conjunto de dados reais descrito
exatamente por uma curva de densidade. A curva consiste em
uma aproximao de fcil utilizao e com preciso suficiente para
ser usada na prtica.
29
Nmero de erros de impresso da primeira pgina de um jornal
durante determinado perodo.
Histograma
DensidadedeFreqncia
0,10
38,0%
34,0%
0,05
18,0%
6,0%
2,0%
2,0%
0,00
4
12
16
24
20
Nmero de erros
30
Medidas Resumo
As trs principais propriedades que descrevem um conjunto de

dados numricos so:
1) Medidas de localizao
2) Variao
3) Formato
Em qualquer anlise e/ou interpretao, vrias medidas descritivas
representando as propriedades de localizao, variao e formato
podem ser utilizadas para extrair e resumir as principais
caractersticas do conjunto de dados. Se essas medidas descritivas
resumidas forem calculadas atravs de uma amostra de dados,
elas sero chamadas de estatsticas; caso sejam calculadas
atravs de toda uma populao de dados (curva de densidade),
elas sero chamadas de parmetros.

31
Medidas de localizao de tendncia central
A Mdia Aritmtica da Amostra

A maioria dos dados apresenta uma diferente tendncia de se
agrupar ou concentrar em torno de um ponto central. Assim sendo,
para um conjunto de dados, em particular, geralmente se torna
possvel selecionar um valor tpico ou mdia para descrever todo
o conjunto. Tal valor descritivo tpico uma medida de
localizao ou tendncia central.
Para uma amostra contendo um conjunto de n observaes X1,
X2,,Xn, a mdia aritmtica (representada pelo smbolo X ) pode
ser escrita como
X 1 + X 2 + ... + X n
1 n
X = Xi =
n i =1
n
32
A Mdia Aritmtica (dados agrupados em classes)

k
1
X = X j fj =
n j =1
uj =
XjA
h
X
j =1
k
f
j =1
fj
k
X = u .h + A
u=
j =1
k
onde:
j =1
Xj: ponto mdio da j-sima classe;

fj : frequncia da j-sima classe;
k: nmero de classes.
33
fj
j
A Moda
A moda o valor que aparece mais frequentemente em um

conjunto de dados.
A Moda (dados agrupados):
d1
h
M o = LI +
d1 + d 2
onde:
d1: excesso de frequncia da classe modal sobre a classe anterior
classe modal;
d2: excesso de frequncia da classe modal sobre a classe posterior
classe modal;
h: intervalo de classe padro;
LI: limite inferior da classe que contm a moda.
34
A Mediana
Para uma amostra contendo um conjunto de n observaes X1,

X2,,Xn, a mediana (representada pelo smbolo Md) o valor que
divide a disposio ordenada pela metade (50% das observaes
so menores e 50% so maiores).
Regra para o clculo da Mediana (dados no agrupados)
Posio de X correspondente mediana: valor correspondente
observao ordenada (n+1)/2.
Se o tamanho da amostra for um nmero mpar, a mediana
representada palo valor numrico de X correspondente ao ponto
de posicionamento (n+1)/2.
Se o tamanho da amostra for um nmero par, o ponto de
posicionamento fica entre duas observaes no meio da disposio
ordenada. A mediana a mdia dos valores numricos
correspondentes quelas duas observaes centrais.

35
Regra para o clculo da Mediana (dados agrupados)
Fac
2
h
M d = LI +
f md
onde:
LI: limite inferior da classe que contm a mediana;
n: nmero de observaes;
Fac: frequncia acumulada at a classe anterior classe da
mediana;
fmd: frequncia absoluta da classe da mediana;
h: intervalo de classe padro.
36
Medidas de localizao no-centrais
Quartis
Enquanto a mediana o valor que divide a disposio ordenada
pela metade (50% das observaes so menores e 50% so
maiores), os quartis so medidas descritivas que dividem os
dados ordenados em quatro partes.
O primeiro quartil, Q1, o valor que faz com que 25% das
observaes sejam menores e 75% sejam maiores.
O segundo quartil, Q2, o valor que faz com que 50% das
O terceiro quartil, Q3, o valor que faz com que 75% das

37
Quantis
De modo geral, podemos definir uma medida, chamada quantil de

ordem p ou p-quantil, indicada por q(p), onde p uma proporo
qualquer, 0 < p < 1, tal que 100p% das observaes sejam
menores do que q(p).
q(0,25) = 1 Quartil = 25 Percentil

q(0,50) = Mediana = 2 Quartil = 5 Decil = 50 Percentil
q(0,75) = 3 Quartil = 75 Percentil
q(0,40) = 4 Decil
q(0,95) = 95 Percentil

38
Clculo dos quantis para dados no agrupados
x( i ) ,
q ( p ) = (1 - f i )q (p i ) + f i q (p i +1 ),
x1 ,
x( n ) ,
onde f i =
i - 0,5
se p = p i =
, i = 1,2,..., n
n
se p i < p < p i +1
se p < p1
se p > p n
(p - p i )
( pi +1 pi )
39
Clculo dos quantis para dados agrupados

n
Fac
100
h, i = 1,2,...,99
Pi = LI +
f Pi
onde:
LI: limite inferior da classe que contm o percentil;
n: nmero de observaes;
Fac: frequncia acumulada at a classe anterior classe do
percentil i;
fPi: frequncia absoluta da classe do percentil i;
h: intervalo de classe do percentil i.
40
Boxplot
um desenho esquemtico representando o menor e o maior valor, a

mediana, os quartis e os valores atpicos (caso existam).
Valores atpicos
* *
** *
Q1
Md=Q2
Q3
Cerca inferior= maior entre [menor valor; Q1-1,5 (Q3-Q1)]
Cerca superior= menor entre [maior valor; Q3+1,5 (Q3-Q1)]
Os valores que ficarem abaixo da cerca inferior ou acima da cerca

superior so considerados valores atpicos (ou outliers).
41
Medidas de variao (disperso)
A Varincia da Amostra e o Desvio Padro da Amostra
A varincia a soma das diferenas ao quadrado em torno da

mdia aritmtica dividida pelo tamanho da amostra menos 1.
(X
n
S2 =
i =1
i X)
n 1
n
1
S2 =
X i2 nX 2 (Dados no agrupados)
n 1 i =1
DP = S 2 (Desvio Padro)
42
A Varincia e o Desvio Padro

k
k
1
1
2
2
2
2
(X j X ) f j = X j f j nX
S =
n 1 j =1
n 1 j =1
(Dados agrupados em classes ou frequncias)
43
Resumindo e Descrevendo Dados Numricos
A Varincia (dados agrupados em classes)
S 2X = h 2 Su2
k
1
2
2
2
u j f j nu
Su =
n 1 j =1
44
Propriedades da Mdia e da Varincia de um

conjunto de dados
X : conjunto de dados numricos
X : mdia aritmtica de X
S2X : varincia de X
1) Se Y = X + a
2) Se Y = aX
3) Se Y = aX + b
Y = X +a
Y = aX
Y = aX + b
S =S
S =a S
2
Y
2
X
2
Y
2
X
45
S =a S
2
Y
2
X
Medidas de Variao
O Coeficiente de Variao
O coeficiente de variao uma medida relativa de variao. Ele
expresso como uma percentagem em vez de se utilizarem termos
de unidades dos dados especficos.
S
CV =
X
100%
Como uma medida relativa, o coeficiente de variao

particularmente til quando comparamos a variabilidade de dois
ou mais conjuntos de dados que so expressos em diferentes
unidades de medida.
46
Medidas de Variao
O coeficiente de variao tambm muito til quando
comparamos dois ou mais conjuntos de dados que so medidos
nas mesmas unidades, porm diferem de tal modo que uma
comparao direta dos respectivos desvios padres no de
muita ajuda.

A mdia = 50 DP=10
B mdia = 12 DP=4
CVA=(10/50)100% = 20,0%
CVB=(4/12)100% = 33,3%
Na verdade, em relao mdia aritmtica, B muito mais
varivel do que A.
47
Medidas de Variao
Se
CV 15%: baixa disperso (dados homogneos);
15% < CV 30%: mdia disperso;
CV > 30%: alta disperso (dados heterogneos).
CV > 30%: mediana melhor p/ representar os dados;
CV 30%: mdia melhor p representar os dados.
48
Varivel reduzida, escores reduzidos
X X
z=
,
S
A varivel
que mede o desvio em relao mdia, em unidades de desvio

padro, denominada varivel reduzida e uma quantidade
abstrata (ou seja, independe das unidades usadas).
Se os desvios em relao mdia forem dados em unidades de
desvio padro, diz-se que esto expressos em unidades reduzidas
ou escores reduzidos. Essas grandezas so muito valiosas para a
comparao de distribuies.
49
Medidas de Formato
Assimetria
Coeficiente de assimetria de Pearson:
X Mo
As =
S
3(X - M d )
ou A s =
S
As = 0, distribuio simtrica;
As > 0, distribuio assimtrica positiva;
As < 0, distribuio assimtrica negativa.
|As| 0,15, distribuio praticamente simtrica;
0,15 < |As| 1, assimetria moderada;
|As| > 1, forte assimetria.
50
Medidas de Formato
Assimetria
Coeficiente de momento de assimetria:
(X
n
n m3
a3 =
3
n2 S
(Excel)
m3 =
i =i
a3 = 0, distribuio simtrica;
a3 > 0, distribuio assimtrica positiva;
a3 < 0, distribuio assimtrica negativa.
51
X)
n 1
Medidas de Formato
Curtose
Q3 Q1
K=
2(P90 P10 )
K > 0,263, platicrtica (muito achatada);

K = 0,263, mesocrtica (normal);
K < 0,263, leptocrtica (pouco achatada).
52
Medidas de Formato
Curtose
Coeficiente de momento de curtose

3(n 1)
n(n + 1)
m4
a4 =
4
(n 2)(n 3) S (n 2)(n 3)
2
(X
n
m4 =
i =1
(Excel )
X)
n 1
a4 > 3, leptocrtica (pouco achatada);

a4 = 3, mesocrtica (normal);
a4 < 3, platicrtica (muito achatada).
53
Medidas de associao
Medidas de associao entre variveis qualitativas

(categricas)
Tabulando dados categorizados utilizando tabelas de
contingncia
Com frequncia necessrio examinar as respostas de duas
variveis categricas simultaneamente. Essas tabelas combinadas
com cruzamento de classificaes (tabulaes cruzadas) so
conhecidas como tabelas de contingncia.

54
Medidas de associao

Suponha 2 variveis qualitativas X e Y, classificadas em r
categorias A1, A2, , Ar para X e s categorias B1, B2, , Bs para Y.
Tabela 1: Notao para tabelas de contingncia

Y
X
B1
B2
Bj
...
A1
A2
n11
n21
n12
n22
...
...
n1j
n21
...
...
...
Bs
n1s
n21
Total
n1.
n2.
Ai
ni1
ni2
...
nij
...
nis
ni.
Ar
nr1
n.1
nr2
n.2
...
nrj
n.j
...
Total
...
...
nrs
n.s
nr.
n..
55
n ij = nmero de elementos pertencent es i - sima categoria de X e j - sima categoria de Y.

s
n i. = n ij = nmero de elementos pertencent es i - sima categoria de X.

j=1
r
n .j = n ij = nmero de elementos pertencent es j - sima categoria de Y

i =1
n.. = n = n ij = nmero total de elementos

i =1 j=1
56
Qui-quadrado de Pearson
Sob a hiptese de no associao entre as variveis :
n *ij
n i. n .j
n i.
*
=
n ij =
, i = 1,2,..., r; j = 1,2,..., s
n .j
n
n
r
2 =
i =1 j =1
(n
ij
) , onde : n
* 2
ij
n
*
ij
ij
: valores observados
nij* : valores esperados

Se a hiptese de no-associao for verdadeira, ento o valor

2
calculado para
deve ser prximo de zero, caso contrrio o valor
2
de deve ser grande.
57
Medidas de associao entre variveis numricas
Coeficiente de correlao de Pearson

Y (observado)
YY
P4
Y (ajustado)
R3
e1
b0
R2
P1
R1
e2
P2
Y = A + B X
e4
Y Y = e (resduo)
R4
e3
P3
X
X1
X2
X3
X4
A diferena entre os valores observados e

ajustados so os resduos
58
Coeficiente de correlao de Pearson

n
r = corr(X, Y) =
x y
1 r -1
nx . y
(x i x ) (y i y ) =
1
i =1
n
n - 1 i =1 DP(X) DP(Y)
n 2
2
2
2
xi nx yi ny
i =1
i =1
Covarincia entre X e Y
1 n
(x i x )(y i y )
cov(X, Y) =
n - 1 i =1
59
Interpretao de r
Se o valor absoluto do valor calculado de r exceder o valor da
tabela de valores crticos de r, conclua que h uma correlao
linear significativa. Caso contrrio, no h evidncia suficiente
para apoiar a concluso de uma correlao linear significativa.
Equao da
quadrados
reta
n
Y = A + B X
A = Y B X
ajustada pelo mtodo
B =
X Y nX Y
i i
i =1
2
2
X
n
X
i
i =1
60
dos
mnimos
Interpretao de r
Se o valor absoluto do valor calculado
de r exceder o valor da tabela de
valores crticos de r, conclua que h
uma correlao linear significativa.
Caso contrrio, no h evidncia
suficiente para apoiar a concluso de
uma correlao linear significativa.
61
Medida de Qualidade do Ajuste:
Partio das Somas de Quadrados
n

2
(
Y
Y
)
Soma de Quadrados Total: i
i =1
SQT
representa a variao de Yi em torno de sua mdia X
n
Y )2
(
Y
Soma de Quadrados do Modelo (da Regresso): i
i =1
SQM
representa a variao da esperana de Y dado X em torno da
mdia de Y
62
Medida de Qualidade do Ajuste:
Partio das Somas de Quadrados
n

Soma de Quadrados dos erros (ou Resduos): (Yi Yi )2

i =1
SQE ou SQRes
representa a variao de Y em torno da reta estimada
63
Coeficiente de Determinao
Proporo da variao de Y explicada pela incluso da

varivel X no modelo
SQM
r ==
SQT
0 r2 1
b0 Y i + b1 X iY i n (Y
n
i =1
i =1
Y
i =1
2
i
n (Y
64
Medida de associao
quantitativas
Clculo do R2
R2 =
entre
variveis
qualitativas
var( X ) var( X )
var( X )
= 1
, onde :
var( X )
var( X )
(X
n
var(X) =
j=1
-X
(X
ni
vari (X) =
j=1
ij
- Xi
var(X) =
ni
n var (X)
i =1
n
i =1
var(X) = mdia das varincias ponderadas pelo n o de observaes em cada grupo;

vari (X) = varincia do i - simo grupo
k = n o de grupos
O R2 indica o quanto da variao na varivel numrica explicada com a

incluso da varivel categrica. 0 R2 1.
65
Probabilidade
66
Introduo Probabilidade
A
idia de probabilidade
A teoria da probabilidade o ramo da matemtica que descreve o

comportamento aleatrio.
Ao considerarmos probabilidades, lidamos com experimentos
aleatrios, tais como medir a intensidade da corrente eltrica em
um circuito, jogar um dado, responder a um teste de questes de
mltipla escolha, submeter-se a um teste sobre uso de drogas, etc),
os quais produzem resultados.
Um evento qualquer conjunto de resultados ou consequncias de
um experimento.
Um evento simples um resultado ou um evento que no pode
mais ser decomposto em componentes mais simples.
O espao amostral de um experimento consiste em todos os
eventos simples possveis.
67
Espao Amostral
o conjunto de todos os eventos simples possveis do

experimento, denotado usualmente por .
O Espao Amostral pode ser:

- Discreto: finito ou contvel infinito;
- Contnuo: no contvel ou no enumervel.
68
Evento Aleatrio
Um evento aleatrio, A, por definio um subconjunto do espao

amostral .
Operaes com Eventos

Eventos podem ser combinados usando operaes de conjuntos:
i) A unio de dois eventos A e B (em smbolo: A U B), representa
a ocorrncia de pelo menos um dos eventos A ou B (isto : ou A
ocorre, ou B ocorre ou ambos os eventos ocorrem).
ii) A interseo de dois eventos A e B (em smbolo: A B)
representa a ocorrncia simultnea de A e B (isto : ambos os
eventos A e B ocorrem).
69
Operaes com Eventos

iii) O complementar de A (em smbolos: Ac), representa o
conjunto de pontos em S que no esto em A. Ou seja, o evento
A no ocorre se o experimento produz um resultado em Ac.
iv) Dois eventos A e B so disjuntos ou mutuamente exclusivos se
eles no podem ocorrer simultaneamente, isto , A B = .
Exemplos:
1) E - jogar um dado e observar a face que caiu para cima.
= {1, 2, 3, 4, 5,6}
Sejam os eventos: A - ocorrer n par;
B - ocorrer um no maior ou igual a 4.
Neste caso: A = { 2, 4, 6 } e B = { 4, 5, 6}
A U B = { 2, 4, 5, 6 }
A B = { 4, 6 }
Ac = { 1, 3, 5 } e Bc = {1, 2, 3}
70
Exemplos:
2) E - jogar um dado e observar a face que caiu para cima.
= {1, 2, 3, 4, 5,6}
Sejam os eventos: A - ocorrer n par;
B - ocorrer n mpar.
Neste caso: A = { 2, 4, 6 } e B = { 1, 3, 5}
AB=
Neste caso, os eventos A e B so disjuntos, pois a ocorrncia de
um n par e mpar no pode ser verificada como decorrncia do
mesmo experimento.
71

Se A for um evento associado a um experimento, ento, no

poderemos afirmar com certeza que A ir ocorrer ou no.
Por isso, muito importante tentar associar um nmero ao
evento A, o qual medir de alguma maneira quo verossmil
que o evento A venha ocorrer.
Esta tarefa nos leva Teoria de Probabilidade.
72
Probabilidade
uma funo utilizada para atribuir valores numricos aos eventos
do espao amostral, conforme as definies a seguir:

Definio 1: Aproximao da Probabilidade pela Frequncia

Relativa (procedimento frequencialista ou a posteriori )
Repeties do experimento em condies idnticas
Realize (ou observe) um procedimento e conte o nmero de vezes
em que o evento A realmente ocorre. Com base nesses
resultados, P(A) estimada como:
n repeties
f n ocorrncias do evento A
P(A) = lim n
fn
n de vezes em que ocorreu A
=
n n de vezes que o procedimento foi repetido
73
Definio 2: Abordagem Clssica da Probabilidade

(requer resultados igualmente provveis)
Suponha que um determinado experimento tenha n diferentes
eventos simples e que cada um desses eventos tenha igual
chance de ocorrer. Se o evento A pode ocorrer em k desses n
casos, ento
n de casos favorveis a A no experimento k

P(A) =
=
n total de eventos simples no experimento n
Consiste na atribuio de probabilidades, baseando-se em
caractersticas tericas da realizao do fenmeno.
74
Definio 3: Probabilidades Subjetivas

P(A), a probabilidade do evento A, estimada com base no
conhecimento de circunstncias relevantes.
Opinio de um especialista
Ex.: Potencial de uma bacia ainda no explorada
75
Axiomas da Probabilidade
i) 0 P(A) 1, para todo evento A contido no ;
ii) P() = 1;
iii) P(A1 U A2 U..... U An) = P(A1) + P(A2) + ......+ P(An),
com os Ais eventos disjuntos.
76
Algumas propriedades de probabilidade

1) Se o conjunto vazio, ento P() = 0;
2) Se Ac o complemento de A, ento P(Ac) = 1- P(A);
3) Se A B, ento P(A) P(B)
4) Se A e B so dois eventos quaisquer, ento
P(AUB) = P(A) + P(B) - P(A B); (regra de adio de
probabilidades)
5) Se A e B forem eventos disjuntos (ou mutuamente exclusivos),
ento P(AUB) = P(A) + P(B).
77
Clculo de Probabilidade Conjunta

Probabilidade de ocorrncia de um Evento Conjunto, A e B
(isto , A B):
nmeros de resultados favorveis a A e B no espao amostral
P(A B) =
nmero total de eventos elementare s no espao amostral
Probabilidade Conjunta usando

Tabela de Contingncia
Eventos
B1
B2
Total
A1
P(A1 e B1)
P(A1 e B2)
P(A1)
A2
P(A2 e B1)
P(A2 e B2)
P(A2)
Total
P(B1)
P(B2)
78
Regra de Adio de Probabilidades

P(A B) =
nmeros de resultados favorveis a A ou B no espao amostral

nmero total de eventos elementare s no espao amostral
P(A ou B) = P(A U B) = P(A) + P(B) - P(A B)
79
Princpio fundamental da contagem
Quando duas aes distintas so realizadas em sucesso, se a

primeira puder ser realizada em m maneiras distintas e a segunda
em n, temos um total de mn maneiras distintas em que se pode
realizar as duas aes em conjunto.
Permutao
Conjunto de objetos organizados de alguma maneira

Duas permutaes so iguais apenas se contiverem os mesmos
objetos e na mesma ordem
n!
Sem repetio P(n, k) =
(n - k )!
Com repetio
nk
80
Combinao
Conjunto de objetos em que no importa a ordem

Podemos construir qualquer permutao de n elementos tomados
k a k escolhendo em primeiro lugar a combinao, ou conjunto dos
objetos envolvidos, e ento colocando estes objetos em alguma
ordem. Pelo princpio fundamental da contagem o nmero de
permutaes ser igual ao produto do nmero de possveis
combinaes pelo nmero de modos como podem ser ordenados.
P(n, k) = C(n, k)k!

n!
C(n, k) =
(n k )!k!
81
Probabilidade Condicional
Existem situaes nas quais estamos interessados em saber a

probabilidade de um evento A sabendo que o evento B ocorreu.
Por exemplo:
Sabendo que uma pessoa selecionada aleatoriamente de uma
populao tem histria familiar de diabete (evento B), pode-se
querer saber qual a probabilidade dessa pessoa ter diabete
(evento A).
Ento, vamos estudar como a probabilidade de um evento A muda
depois de sabermos que algum outro evento B ocorreu.
Esta nova probabilidade de A chamada a probabilidade
condicional do evento A dado que (ou sabendo que) o evento B
ocorreu.
Notao: P(A | B)

82
Definio:
Se A e B so dois eventos quaisquer tal que P(B) > 0, ento
define-se a probabilidade condicional de A dado B, P(A | B), como
sendo
P(A B)
P(A | B) =
P(B)
Note que pela definio acima, P(AB) e P(B) so calculados em
relao ao espao amostral original .
83
Uma probabilidade condicional nada mais do que uma
probabilidade calculada a partir de um subconjunto de (isto ,
calculada em relao ao espao amostral reduzido) e no mais a
partir do espao amostral original .
Eventos
Verm.
Preta
Total
No s
24
24
48
Total
26
26
52
P(s / verm) =
P(verm. e s) 2 / 52
1
=
=
P(verm.)
26 / 52 13
Probabilidade condicional
usando tabela de
contingncia
P(verm. e s) 2 / 52 1
P(verm. / s) =
=
=
P(s)
4 / 52 2
84
Consideraes:
A noo intuitiva de probabilidade condicional foi introduzida e,
depois, uma definio formal desta noo foi estabelecida.
Ento, pode-se notar que a probabilidade condicional de A dado
B, P(A | B), pode ser calculada:
- Diretamente, pela considerao da probabilidade de A em
relao ao espao amostral reduzido B; ou
- Empregando a definio dada, onde P(AB) e P(B) so
calculados em relao ao espao amostral original .
85
Regra do Produto de Probabilidades

A partir da definio de probabilidade condicional, obtm-se a
regra do produto (ou regra de multiplicao) de probabilidades,
Esta regra bastante til para calcular a probabilidade de
ocorrncia conjunta dos eventos A e B.
Ou seja, esta regra usa o conceito de probabilidade condicional
para se obter a probabilidade de ocorrncia conjunta de, no caso,
dois eventos.
P( A B) = P( A| B) P(B)
86
Definio: Independncia de eventos

Dois eventos A e B so independentes se a informao da
ocorrncia ou no de B no altera a probabilidade de ocorrncia
de A, isto ,
P(A B) = P(A)P(B)
Ou ainda, equivalentemente,
a) se P(A | B) = P(A), se P(B) > 0, ou
b) se P(B | A) = P(B), se P(A) > 0.
87
Eventos independentes
Observaes:
i) Se A independe de B, ento B tambm independe de A;
ii) Independncia de A e B implica independncia de outros
eventos.
Se A e B so independentes, ento
A e Bc tambm so independentes;
Ac e B tambm so independentes;
Ac e Bc tambm so independentes.
88
Exerccio
Uma urna contm 2 bolas brancas (B) e 3 vermelhas (V). Suponha
que sorteemos 2 bolas ao acaso, sem reposio. Isto significa que
escolhemos a 1a bola, verificamos a sua cor e no a devolvemos
urna; misturamos as bolas restantes e retiramos a 2a bola.
Pergunta-se: Qual a probabilidade
a) de se obter 2 bolas brancas (B)?
b) de se obter uma bola branca (B)?
c) de se obter nenhuma bola branca (B)?
89
Diagrama em rvore
Em cada galho da rvore esto indicadas as probabilidades de

ocorrncia, sendo que para as 2as bolas temos probabilidades
condicionais.
Resultados
Probabilidades
1/4
B
BB
2/5 x 1/4 = 2/20
B
2/5
BV
2/5 x 3/4 = 6/20
V
3/4
B
VB
3/5 x 2/4 = 6/20
2/4
VV
3/5 x 2/4 = 6/20
V
3/5
--------------------------------------------2/4
V
Total
20/20 = 1
90
a) P(2 bolas brancas) = P(B e B)
= P(B na 1a) x P(B na 2a | B na 1a) = 2/5 x 1/4 = 2/20
b) P(obter 1 bola branca) = P(B e V) + P(V e B)
= [P(B na 1a) x P(V na 2a | B na 1a)] +
+ {P(V na 1a) x P(B na 2a | V na 1a)} =
= [2/5 x 3/4] + {3/5 x 2/4} = [6/20] + {6/20} = 12/20
c) P(de se obter nenhuma bola branca) = P(V e V)
= P(V na 1a) x P(V na 2a | V na 1a) = 6/20
91
Eventos Independentes
Exemplo da urna: Imagine agora que as duas extraes feitas so
com reposio, isto a 1 bola reposta na urna antes da extrao da
2a bola.
Ento, nestas condies as extraes so independentes, no sentido
de que o resultado de cada extrao no tem influncia no resultado da
outra.
Construa o diagrama de rvores para este caso.
Resultados
BB
BV
VB
VV
Total
Probabilidades
2/5 x 2/5 = 4/25
2/5 x 3/5 = 6/25
3/5 x 2/5 = 625
3/5 x 3/5 = 9/25
1
Observe que a P(B na 2a | B na

1a) = 2/5 = P(B na 2a),ou seja,
se o evento A independente
do evento B, ento P(A | B) =
P(A).
92
Definio: Partio do Espao Amostral
Os eventos A1, A2,........., Ak formam uma partio do espao amostral

se eles no tm interseo entre si e se sua unio igual ao
espao amostral . Isto ,
Ai Aj = para i j e
k
UA
= A1 A2 ... Ak =
i =1
A figura abaixo apresenta um exemplo de uma partio de em 5

eventos.
A1
A2
A4
A5
A3
K=5
Exemplo: Experimento (E) - Jogar um dado

= {1, 2, 3, 4, 5, 6}
Uma partio possvel de :
A1 = {1, 2};
A2 = {3, 4};
A3 = {5};
A4 = {6}
Note que Ai Aj = para i j
4
UA = A A
i
A3 A4 =
i =1
Enquanto: C1 = {1,2,3,4}, C2 = {4,5,6} no seria uma partio de .

Pois, C1 C2 = {4}
94
Teorema de Bayes
Seja A1, A2,......., Ak uma partio do espao amostral tal que

P(Ai) > 0, para i = 1, 2, ......, k e seja B um evento qualquer em ,
tal que P(B) > 0.
Ento para i = 1, 2, ........., k
P ( Ai | B ) =
P( B | Ai ) P( Ai )
k
P( B | A )P( A )
j =1
95
Observao:
O Teorema de Bayes permite inverter probabilidades
condicionais. Isto , s vezes fcil calcular P(B|Ai), mas o que
se deseja conhecer P(Ai|B). O Teorema de Bayes fornece uma
regra simples para calcular probabilidades condicionais P(Ai|B) a
partir de probabilidades condicionais P(B|Ai) e probabilidades
no-condicionais P(Ai).
Ou seja, o Teorema de Bayes expressa uma probabilidade
condicional em termos de outras probabilidades condicionais e
no condicionais (marginais).
96
Exemplo 1: Num estudo de reservatrio foram sistematicamente

amostrados (20 cm) os testemunhos de trs poos. Do total de
amostras 15% so do poo 1, 35% do poo 2 e 50% do poo 3.
Nestes poos ocorrem 1%, 5% e 2%, respectivamente, de
amostras cimentadas. Se uma amostra escolhida ao acaso:
a) Qual a probabilidade de ser arenito cimentado?

b) No caso dos trs poos, dado que foi selecionada uma amostra
de arenito cimentado, qual a probabilidade de ser uma amostra do
poo 2?
97

Considere os eventos:
Pi - amostra selecionada do poo i, com i =1, 2, 3
C - amostra de arenito cimentado
Probabilidades fornecidas:
P(P1) = 0,15; P(P2) = 0,35; P(P3) = 0,50
P(C | P1) = 0,01; P(C | P2) = 0,05; P(C | P3) = 0,02
Note que P1, P2 e P3 formam uma partio do espao
amostral pois uma dada amostra cimentada vem,
necessariamente, de um e apenas um dos 3 poos.
98
Ento o evento C pode ser escrito em termos de intersees de C

com os eventos P1, P2 e P3, conforme figura a seguir.
P1
P2
P3
C = (C P1) U (C P2) U (C P3)
99

C = (C P1) U (C P2) U (C P3)

C a unio de trs eventos disjuntos (ou mutuamente
exclusivos), logo a
P(C) = (C P1) U (C P2) U (C P3) =
P(C) = P[(C P1)] + P[(C P2)] + P[(C P3)] =
3
= P (C Pi )
i =1
(*)
Se P(Pi)>0, para i = 1,2,3

Ento P(C Pi) = P(C | Pi) P(Pi)
(**) em (*), temos que:
(**)
P(C ) = P(C | Pi )P( Pi )

i =1
(***)
100

Soluo (cont.):
a) Qual a probabilidade de ser arenito cimentado?
P(P1) = 0,15; P(P2) = 0,35; P(P3) = 0,50
P(C | P1) = 0,01; P(C | P2) = 0,05; P(C | P3) = 0,02
Da pgina anterior, obtivemos que:
P(C) = P(P1) P(C | P1) + P(P2) P(C | P2) + P(P3) P(C | P3)
Logo,
P(C) = (0,15)(0,01) + (0,35)(0,05) + (0,50)(0,02) = 0,029 = 2,9%
101

Soluo (cont.):
b) No caso dos trs poos, dado que foi selecionada uma
amostra de arenito cimentado, qual a probabilidade de ser uma
amostra do poo 2?
Queremos: P(P2 | C) = ?
Da definio de probabilidade condicional temos que:
P ( P2 | C ) =
P ( P2 C )
P (C )
102

Soluo (cont.): b) No caso dos trs poos, dado que foi

selecionada uma amostra de arenito cimentado, qual a
probabilidade de ser uma amostra do poo 2?
Queremos: P(P2 | C) = ?
P(P1) = 0,15; P(P2) = 0,35; P(P3) = 0,50
P(C | P1) = 0,01; P(C | P2) = 0,05; P(C | P3) = 0,02
Da pgina anterior, obtivemos que:
P (C | P2 ) P ( P2 )
P ( P2 | C ) =
=
P (C | P1 ) P ( P1 ) + P (C | P2 ) P ( P2 ) + P (C | P3 ) P ( P3 )
(0,05)(0,35)
=
= 0,603
0,029
103
Lvio Jos Brand 2012
Variveis
Aleatrias
Discretas
104
Variveis Aleatrias Discretas

Noo Geral de Varivel Aleatria
Informalmente, uma varivel aleatria (v.a.) um nmero

associado a um resultado de um experimento.
Exemplo1: E - jogar uma moeda equilibrada duas vezes

= {kk, kc, ck, cc}, onde: k - coroa; c - cara
Eventos kk
probabilidades 1/4
kc ck cc
1/4 1/4 1/4
105

Se definimos X - nmero de caras observadas, vemos que o valor

de X depende do resultado do experimento.
Logo os possveis valores de X so {0, 1, 2}.
Valores de X Eventos correspondentes

0 kk
1 kc ou ck
2 cc
********************************************************
X
0
1
2
1/4 1/2 1/4
P(X = xi)
P( X = x ) = 1
i
xi
106

Exemplo: Ao descrever uma pea manufaturada, podemos

empregar as categorias defeituosae no defeituosa.
Todavia podemos atribuir um nmero a cada resultado nonumrico do experimento.
Por exemplo,
peas no-defeituosas - atribuir o valor 1.
peas defeituosas - atribuir o valor 0.
107

Notao
Utiliza-se letras maisculas para v.as. (por ex., X, Y, Z,...) e para o

valor que elas assumem utiliza-se letras minsculas, como, x, y ,
z,....
Em muitas situaes experimentais, desejamos atribuir um

nmero real x a todo elemento s do espao amostral S.
Isto , X(s) = x o valor da funo X do espao amostral no
espao dos nmeros reais.
Com isto em mente, formulamos a seguinte definio.

108

Definio: Sejam E um experimento e um espao amostral

associado ao experimento.
Uma funo X, que associe a cada elemento s um nmero
real, X(s), denominada varivel aleatria.
Em smbolos: X: R
s X(s)=x
Graficamente,
s.
R
X
. X(s)
109

Uma varivel aleatria discreta se o nmero de valores

possveis de X for finito (isto , {x1, x2,..., xk}) ou se for infinito
enumervel (isto , {x1, x2, ...,xk, ...}).
Obs.: Usualmente, X assumir apenas um nmero finito de
valores.
110

O que queremos?
A cada v.a. atribuir uma noo de probabilidade.
Definimos ento para cada valor xi da v.a. X, o evento, [X = xi] =
{s S tal que X(s) = xi}.
Assim poderemos calcular P([X=xi]), ou simplesmente, P(X = xi).
Voltando ao Exemplo 1:
E - jogar uma moeda equilibrada duas vezes
= {kk, kc, ck, cc}, onde: k - coroa; c - cara
X - v.a. que representa o nmero de caras observadas nos dois
lanamentos.
[X=0] = {kk}
[X=1] = {ck, kc}
[X=2] = {cc}
Logo: P(X=0) = 1/4, P(X=1) = 1/2, P(X=2) =1/4
111

Funo de probabilidade (fp)
A funo que atribui a cada valor xi (i=1, 2,...) da varivel aleatria

X sua probabilidade de ocorrncia denominada de funo de
probabilidade.
Notao utilizada: P(X=x i) = p(xi), i = 1, 2, ....
ou ainda,
X
P(X=xi)=p(xi)
x1
p(x1)
x2
p(x2)
x3 ......
p(x3) ......
Uma funo de probabilidade satisfaz 0 p(xi) 1 e p(xi) = 1
112

Definio 2: Funo de distribuio acumulada

A funo de distribuio acumulada (f.d.a.), ou
simplesmente funo de distribuio de uma varivel
aleatria X definida, para qualquer nmero real x, por:
F ( x ) = P ( X x ) = p ( xi )
xi x
Obs.: O domnio de F todo o conjunto dos nmeros

reais, enquanto que o contradomnio o intervalo [0,1].
113

Voltando ao Exemplo 1: Utilizando a funo de probabilidade

de X, temos que a funo de distribuio acumulada de X
dada por:
Relembrando: X - V.A. que representa o nmero de caras
observadas nos dois lanamentos.
X
0
1
2
P(X = xi)=p(xi)
1/4 1/2 1/4
A funo de distribuio acumulada (f.d.a.) de X :
0, se x < 0
1
, se 0 x < 1
F ( x) = 4
3 , se 1 x < 2
4
1, se x 2
114

Grfico da funo de distribuio acumulada

F(x)
3/4
1/2
115

Exemplo 3: (Magalhes & Lima)

Uma populao de 1000 crianas foi analisada em um estudo
para determinar a efetividade de uma vacina contra um tipo
de alergia. No estudo, as crianas recebiam uma dose de
vacina e aps um ms passavam por um novo teste. Caso
ainda tivessem tido alguma reao alrgica, recebiam outra
dose da vacina. Ao fim de 5 doses todas as crianas foram
consideradas imunizadas.
Os resultados completos esto na tabela abaixo:
Doses
freqncia
1
245
2
288
3
4
256 145
5
66
116

Supondo que uma criana sorteada ao acaso dessa populao,

qual ser a probabilidade dela ter recebido 2 doses?
Soluo.: Utilizando a idia de atribuir probabilidade atravs da
freqncia de ocorrncia, a probabilidade desejada de: 288/1000
= 0,288.
A funo de probabilidade da V.A. nmero de doses recebidas (X)
fica sendo:
X
p(xi)
1
0,245
2
0,288
3
0,256
4
0,145
5
0,066
117

Suponha agora que desejamos calcular a probabilidade da

criana ter recebido at 2 doses de vacina.
Soluo.: O que precisamos obter a funo de distribuio no
ponto 2, ou seja, calcularmos a probabilidade de ocorrncia de
valores menores ou iguais a 2.
Logo,
F(2) = P(X 2) = P(X=1) + P(X=2)= 0,245 + 0,288 =0,533.
118

Note que, tendo em vista que a varivel aleatria s

assume os valores 1, 2, 3, 4 , 5; ento o valor de F no
se altera no intervalo [2 ; 3).
Ou seja, por exemplo, F(2,1)=F(2,5)=F(2,99)= 0,533.
Logo, podemos escrever: F(x) = P(X x) = 0,533 para 2
x < 3.
A funo de distribuio acumulada :
0,
0,245
0,533
F ( x) =
0,789
0,934
se x < 1
se 1 x < 2
se 2 x < 3
se 3 x < 4
se 4 x < 5
se x 5
119

F(x)
Grfico da funo de distribuio acumulada
1
0,939
0,789
0,533
0,245
120

Importante:
i) 0 F(x) 1
ii) Observe que P(X = x i) igual ao salto (pulo) que a
funo F(x) d no ponto xi; por exemplo,
P(X=3) = F(3) - F(3-) = 0,789 - 0,533 = 0,256 .
Generalizando: P(X=xi) = F(xi) - F(xi-)
121

Esperana e Varincia de uma v. aleatria discreta

Sabe-se que para descrever um conjunto de dados utilizase medidas resumo como a mdia, a varincia, etc.
Pode-se fazer o mesmo para descrever um modelo
probabilstico.
Para isto utiliza-se a mdia e a varincia da varivel
aleatria.
122

Definio:
A mdia, valor esperado ou esperana de uma varivel aleatria
discreta X dada pela expresso:
E ( X ) = xi p ( xi )
i
Em palavras: A esperana (ou mdia) da varivel aleatria X,

representada por E(X), uma mdia dos possveis valores que a
varivel aleatria pode assumir ponderados pelas respectivas
probabilidades de ocorrncia.
Notao alternativa: = E(X)
123

Exemplo: A esperana da varivel aleatria X.

X - representa o nmero de caras obtidas no lanamento de 2
moedas.
X
P(X = xi)=p(xi)
0
1/4
1
1/2
E ( X ) = xi p ( xi ) =
i
= 0.P(X=0) +1.P(X=1) + 2.P(X=2)

= 0.(1/4) + 1.(1/2) + 2.(1/4)
= (1/2) + (2/4) = 1
124

Definio: Seja X uma V.A. com mdia E(X) (ou, ).

Ento a varincia de X denotada por Var(X) definida por:
Var(X) = E{( X - E(X) )2} = E{( X - )2} = (xi - )2p(xi)
Em palavras: A varincia de X a soma dos desvios
quadrticos em torno da mdia ponderados pelas
probabilidades de ocorrncia de X.
125

Observaes importantes:
Var(X) = E{( X - E(X) )2} = E(X2) - (E(X))2
(maneira mais fcil para fazer os clculos);
onde:
E ( X 2 ) = xi2 p( xi )
i
Notao alternativa: 2 = Var(X)
126

Definio: O desvio-padro de uma V. aleatria discreta

O desvio padro de X, DP(X), definido por:
= DP( X ) = Var ( X )
Obs.: Em muitas aplicaes prefervel usar o desvio padro ao

invs da varincia, pois ele tem a mesma unidade de medida da
varivel aleatria.
127

Exemplo: A varincia da varivel aleatria X.

X - representa o nmero de caras obtidas no lanamento de 2
moedas.
X
P(X=xi)=p(xi)
0
1/4
1
1/2
Var(X) = E{( X - E(X) )2} =

= E(X2) - (E(X))2 = x2p(x) (E(X ))2 =
= (021/4 + 121/2 + 221/4) 12 = (1/2 + 4/4)-1=
=1/2
128

Variveis Aleatrias Independentes
Relembrando:
Os eventos aleatrios A e B so independentes se e somente se
P(AB)=P(A)P(B).

Definio: v.as. discretas independentes

As variveis aleatrias X e Y, assumindo os valores x1, x2, ......e
y1, y2, ....., respectivamente, so independentes se, e somente se,
para todo par de valores (xi,yj) de X e Y,
Basta que a igualdade acima no seja satisfeita para um par (xi,yj),

para que X e Y no sejam independentes.
A definio acima pode ser estendida para mais de duas v.as.
129

Propriedades do Valor Esperado:
i) Se X = c, onde c uma constante. Ento: E(X) = c.

ii) Suponha que b seja uma constante e suponha que X uma v.a.
Ento: E(bX) = b E(X).
iii) Se a e b so constantes. Ento: E(aX + b) = a E(X) + b.
iv) Sejam X e Y duas v.as quaisquer.
Ento E(X+Y) = E(X) +
E(Y).
v) Se X e Y so v.as. independentes. Ento: E(XY) = E(X) E(Y).

130

Propriedades da Varincia:
i) Se c uma constante. Ento V(c) = 0.

ii) Se c for uma constante. Ento: V(X + c) = V(X). Esta
propriedade intuitivamente evidente, porque somar
uma constante a um resultado X no altera sua
variabilidade, que aquilo que a varincia mede.
Apenas desloca os valores de X para a direita ou para
a esquerda, dependendo do sinal de c.
iii) Se c for uma constante. Ento: V(cX) = c2V(X).
iv) Para quaisquer constantes a e b, V(aX + b) = a2V(X).

131

Propriedades da Varincia
Covarincia entre duas variveis aleatrias
A covarincia e o coeficiente de correlao so medidas da

relao linear entre duas variveis aleatrias.
Definio: Se X e Y so duas v.as, a covarincia entre elas

definida por
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}
Em palavras: a Covarincia o valor mdio do produto dos

desvios de X e Y em relao s suas respectivas mdias.
132

Propriedades da Varincia:
vi) Se X e Y so v.as independentes. Ento: V(X+Y) = V(X) +

V(Y).
vii) Se X e Y so v.as independentes. Ento: V(X - Y) = V(X) +
Var(Y).
viii) Se X e Y no so v.as independentes:
Ento: V(X + Y) = V(X) + V(Y) + 2Cov(X,Y)
V(X - Y) = V(X) + V(-Y) + 2Cov(X,-Y) = V(X) + V(-Y) +
2{E[X(-Y)] - E(X)E(-Y)} =
= V (X) + V(Y) + 2{-E(XY) + E(X)E(Y)} =
V(X) + V(Y) 2Cov(X,Y)

133

Definio: Quando a Cov(X,Y)=0, dizemos que as v.as X e Y so

no correlacionadas.
Proposio: Se X e Y so duas v.as independentes ento
Cov(X,Y)=0.
Ou seja, se X e Y so independentes ento elas so no
correlacionadas.
Ateno: no vale a recproca. Isto , se X e Y so no
correlacionadas (Cov(X,Y)=0) NO IMPLICA que X e Y sejam
independentes.
Comentrio: Se a correlao zero, o que podemos dizer que
no existe dependncia linear entre as variveis.
134

O Coeficiente de Correlao
A Covarincia depende das unidades de medida de X e Y.

O Coeficiente de Correlao no depende das unidades de
medida de X e Y.
Definio: O coeficiente de correlao entre X e Y definido por

Cov( X , Y )
(X ,Y ) =
( X ) (Y )

Isto , o coeficiente de correlao a covarincia dividida pelo

produto dos desvios padres das duas variveis.
O coeficiente de correlao uma medida da relao linear entre
X e Y.
135

Variveis Aleatrias Discretas: Bernoulli
A Distribuio de Bernoulli
Um experimento particularmente simples um no qual somente 2
possveis resultados existem.
Exemplos:
1) Uma moeda lanada: o resultado ou cara ou coroa.
2) Um dado lanado: ou ocorre a face 5, ou no (neste caso,
ocorrendo uma das faces: 1,2, 3,4 ou 6).
3) Uma pea escolhida, ao acaso, de um lote contendo 300
peas: esta pea defeituosa ou no.
4) Uma pessoa escolhida, ao acaso, dentre 500 pessoas: ou
no do sexo masculino.

136

O resultado de cada experimento acima pode ser classificado

como sucesso ou fracasso.
Para cada experimento anterior podemos designar os dois
resultados possveis do experimento por 0 e 1.
Ento, vamos definir uma v.a. X que assume apenas 2 valores: X
= 1 se ocorre sucesso e X = 0 se ocorre fracasso.
Indicaremos por p a probabilidade de sucesso, isto , P(Sucesso)
= p, 0 < p < 1

137

Definio: Dizemos que uma v.a. X tem uma distribuio de

Bernoulli (ou uma v.a. de Bernoulli) com parmetro p (com 0 < p
< 1), se X assume somente os valores 0 e 1 com funo de
probabilidade:
Onde: q=1-p. Ou escrevendo de outra maneira: P(X = 1) = p, P(X =

0) = 1 p.
Experimentos que resultam em uma v.a. de Bernoulli so
chamados de ensaios de Bernoulli.
138

139

Exemplo: Experimento - lanamento de um dado equilibrado. Seja

X = 1, se a face 5 ocorre e X = 0 , caso contrrio. Determine a
funo de probabilidade de X.
Soluo:
X
P(X=x)
0
5/6
1
1/6
140

Variveis Aleatrias Discretas: Binomial
A Distribuio Binomial
Considere agora n ensaios de Bernoulli. Isto , suponha que
repitamos um ensaio de Bernoulli n vezes.
Suponha que as repeties so independentes (resultado de um
ensaio no afeta o resultado de qualquer outro ensaio).
A probabilidade de sucesso em cada ensaio constante (
sempre p).
Um resultado qualquer ser constitudo de uma seqncia de
sucessos e fracassos, ou, de uns e zeros.

141

Definio: Chama-se experimento binomial ao experimento:

i) Que consiste em n ensaios de Bernoulli;
ii) Cujos ensaios so independentes;
iii) A probabilidade de sucesso em cada ensaio sempre igual a p.

Definio: Seja X uma v.a. que representa o nmero de sucessos

em n ensaios (ou experimentos) de Bernoulli. Ento X uma v.a.
binomial com parmetros (n, p). A funo de probabilidade de uma
v.a. binomial com parmetros n e p dada por:
142

Se X uma V.A. binomial com parmetros n e p, denota-se por X

~ bin (n, p).
Esperana de X: E(X) = np
Varincia de X: Var(X) = np(1-p)

Se cada uma das v.as X1, X2, ..., Xn tem distribuio de Bernoulli
com parmetro p e se
X = X1 + X2 + ...+ Xn
Ento X tem distribuio binomial com parmetros n e p.
143

Se X1, X2, ..., Xk so v.a.s independentes e se cada Xi tem

distribuio binomial com parmetros ni (i =1, 2, ..., k) e p.
Ento a soma
X1 + X2 +...+ Xk
tem distribuio binomial com parmetros (n1 + n2 +...+ nk) e p.
(isto , X1 + X2 + ...+ Xk ~ Bin (n1 + n2 +...+ nk, p)).
144

Variveis Aleatrias Discretas: Poisson
A Distribuio de Poisson
Quando observamos eventos discretos em uma rea de
oportunidade (intervalo de tempo, superfcie, volume, etc) de
modo que se encurtarmos suficientemente a rea em pequenas
unidades:
1) Em cada unidade a probabilidade de observarmos exatamente
um sucesso estvel;
2) Em cada unidade a probabilidade de observarmos mais de um
sucesso zero;
3) A probabilidade de sucesso em cada unidade
estatisticamente independente das demais.
Podemos utilizar a distribuio de Poisson para modelar o
fenmeno observado.
145

Definio: Uma v.a. X uma v.a. de Poisson com parmetro

> 0, se sua funo de probabilidade dada por:
Onde P(X=x) a probabilidade de observarmos x sucessos, dado

que em mdia so esperados sucessos por unidade.
Notao: X ~ Pois ()
Observao: e = 2,71828
146

A distribuio de Poisson fornece um modelo para muitos

fenmenos aleatrios, como por exemplo:

a) o n de acidentes fatais por semana em um dado lugar;

b) o n de falhas de um computador em um dia de operao;
c) o n de partculas radioativas emitidas por unidade de tempo;
d) o n de chamadas telefnicas por hora que chegam a uma
central telefnica de uma empresa;
e) o n de bactrias por unidade de volume de algum fluido;
f) o n de defeitos de algum arame por unidade de comprimento
147

A distribuio de Poisson como aproximao da distribuio

Binomial (n,p).
Se n grande, p pequeno, ento
Observao: A aproximao boa se n grande e p pequeno

e de tal forma que np 7.
148
Variveis
Aleatrias
Contnuas
149
Variveis Aleatrias Contnuas

Varivel Aleatria Contnua
Uma funo X, definida sobre o espao amostral e assumindo

valores em um intervalo de nmeros reais, chamada uma
varivel aleatria contnua.
Informalmente: X uma v.a. contnua se o nmero de valores
possveis de X for um intervalo ou uma coleo de intervalos. Os
valores da v.a. so, usualmente, resultantes de uma mensurao.

Exemplos:
Medidas de: comprimento, rea, peso, altura, salrio, tempo de
vida de um equipamento, etc.
So quantidades que podem ser modeladas por variveis
aleatrias contnuas.

Funo Densidade de Probabilidade (fdp)
A fdp um modelo terico para as freqncias relativas de uma

varivel aleatria contnua.
Diz-se que X uma v.a. contnua se existir uma funo f,
denominada funo densidade de probabilidade (fdp), que
satisfaa s seguintes condies:
1) f(x) 0, x;
2) rea sob a curva = 1;
3) P (c < X < d ) = rea entre c e d .
f(x)
x
151

Observaes Importantes:
1) A condio ii) pode ser escrita como
f ( x ) dx = 1

2) P( a < X < b) representa a rea sob a curva da fdp f entre a e b

(com a < b).
3) Pela forma como atribumos as probabilidades no caso
contnuo, teremos rea zero sob qualquer valor individual, logo,
P(X=x0) = 0, para qualquer x0.
4) Devido a obs. anterior, se X for uma v.a. contnua, ento todas
as probabilidades abaixo so iguais: P(a < X < b), P(a X < b),
P(a < X b), P(a X b), para quaisquer a e b.

5) Note que a funo de densidade de probabilidade (fdp)

no uma probabilidade, mas uma funo matemtica que
nos auxilia na atribuio de probabilidades.
6) Relembrando:
b
b
f ( x ) dx = Pf = Pf (b) Pf ( a )
a
Teorema Fundamental do Clculo
Primitiva de f
definio

Definio: Funo de distribuio acumulada

A funo de distribuio acumulada (f.d.a.), ou simplesmente
funo de distribuio de uma varivel aleatria contnua X
definida, para qualquer nmero real x, por:
x
F ( x) = P ( X x) =
f (u )du ,
para todo x real.
Exemplo 5: Seja X uma varivel aleatria contnua com fdp

dada por:
2 x , 0 x 1
f ( x) =
0, c.c.
a) Determine a f.d.a de X . Isto , determine F(x).

2 x, 0 x 1
f ( x) =
0, c.c.
Resoluo:
0
0du,
-
x
0
2u 2 x 2
F ( x) = 0du + 2udu = 0 +
|0 = x ,
2
0
-
1
x
0
2
0du + 2udu + 0du = 0 + 2u |10 +0 = 1,
2
-
0
1
se x < 0
se 0 x < 1
se x 1

Logo:
0, se x < 0
F ( x ) = x 2 , se 0 x < 1
1
se x 1
Grfico de F(x):
F(x)

Importante:
i) 0 F(x) 1, para todo x real
ii) lim x -F(x) = 0
iii) lim xF(x) = 1
iv) No caso de uma V.A. contnua, no h saltos (pulos) na
f.d.a., ou seja, F(x) - F(x-) = 0.
v) Para todos os valores de x para os quais F(x) derivvel
temos que,
dF ( x )
F ' ( x) =
= f ( x)
dx

Exemplo:
Suponha que
0, se x < 0
F ( x ) = x 2 , se 0 x < 1
1
se x 1
seja a f.d.a. de uma V.A. X.

Determine a fdp de X.
Soluo:
dF ( x)
Utilizando o fato que
F ' ( x) =
= f ( x)
dx
2 x , 0 x 1
temos que f ( x) =
0, c.c.

Definio: A mdia, valor esperado ou esperana de uma

varivel aleatria contnua X, com funo de densidade f, dada
pela expresso:
E( X ) =
xf ( x)dx
Notao alternativa: = E(X)

Varincia para variveis aleatrias contnuas
Definio: Se X uma V.A. contnua com mdia E(X). Ento a

varincia de X denotada por Var(X) definida por:
} {
Var ( X ) = E ( X E ( X )) 2 = E ( X ) 2 = ( x ) 2 f ( x)dx

Notao alternativa: 2 = Var(X)

Expresso alternativa: Var(X) = E{( X - E(X) )2} = E(X2) -(E(X))2
(maneira fcil para fazer os clculos); onde:
E( X 2 ) =
2
x
f ( x)dx

Definio: O desvio-padro de uma V. aleatria contnua

O desvio padro de X, DP(X), definido por:
= DP ( X ) = Var ( X )
Obs.: Em muitas aplicaes prefervel usar o desvio padro ao

invs da varincia, pois ele tem a mesma unidade de medida da
varivel aleatria.

Exemplo: Gelogos estudaram uma certa regio e

estabeleceram um modelo terico para a varivel X, comprimento
de fsseis da regio (em cm).
Suponha que X seja uma V.A. contnua com a seguinte fdp:
1 x
+
1
,

f ( x ) = 40 10
0,

a) Calcule E(X).
b) Calcule DP(X).
para 0 x 20
caso contrrio

Alguns modelos probabilsticos p/ variveis aleatrias

contnuas
De um modo geral, podemos dizer que as variveis
aleatrias cujos valores resultam de mensurao so V.A.
contnuas.
Exemplos:
Os pesos ou as alturas de pessoas de uma cidade;
A demanda diria de arroz em um supermercado;
O tempo de vida de uma lmpada;
Erros de medida resultantes de experimentos laboratoriais.

Alguns modelos contnuos

Distribuio Uniforme;
Distribuio Normal;
Distribuio Exponencial;
Distribuio Lognormal;

Definio: Distribuio Uniforme

Uma varivel aleatria X tem distribuio uniforme no intervalo
[a,b], com < a < b < +, a,b se sua funo de
densidade de probabilidade (fdp) dada por

Distribuio Uniforme
A funo de distribuio de X, F(x), dada por

Se X uniformemente distribuda no intervalo [a,b] ento:

E(x) = (a + b)/2
Var(X) = (b - a)2/12
Verificando

Distribuio Uniforme
Exemplo 1: Suponha que X seja uma V.A. que represente a
corrente medida em um fio fino de cobre (em mili amperes).
Assuma que X uniformemente distribuda no intervalo
[9mA,11mA]. Qual a probabilidade que a corrente medida
esteja entre 9,5 e 10 mA?
Calcule tambm a esperana de X, a varincia e o desvio
padro.

Soluo:

A distribuio Normal
A distribuio normal uma das distribuies mais
importantes em estatstica.
A distribuio Normal foi introduzida pelo matemtico francs
Abraham De Moivre em 1733.
Foi usada por ele para aproximar probabilidades associadas
com v.a.s Binomiais quando n grande.
Todavia, o trabalho de De Moivre foi perdido (por algum
tempo) e, independentemente Karl Gauss desenvolveu a
distribuio Normal 100 anos mais tarde (aproximadamente).
A Normal - tambm conhecida como Gaussiana.

Definio: Dizemos que a V.A. X tem distribuio Normal

com parmetros e 2, - < < + e 0 < 2 < +, se sua
fdp dada por:
Notao: X ~ N(, 2)

Conhecidos os valores de e , a frmula anterior fica

determinada para qualquer valor de X.
possvel calcular qual a probabilidade (ou a proporo de

valores) em cada intervalo de dados.
Denotamos por N(;) ou N(;2), a distribuio Normal com

mdia e desvio padro (ou varincia 2) isto , (X ~
N(;2)).

Modelo Normal - A rea sob o grfico de f(x) (ou sob a curva de

freqncia normal) igual a 1, pois f(x) uma fdp. Esta
propriedade vale para quaisquer valores de (,).
rea sob o grfico de f(x) em um intervalo especificado

representa a probabilidade (essencialmente, a proporo de
casos ou freqncia relativa) no intervalo.

Calculando Probabilidades

Suponha que X~ N(, 2) e queiramos determinar
A integral acima indicada no pode ser calculada

exatamente, e a probabilidade indicada s pode ser obtida
aproximadamente por mtodos numricos.
Esta tarefa facilitada pelo uso da varivel Z=(X-)/, desta
forma somente necessrio construir uma tabela para a
distribuio normal padro, (N(0,1)).

Teorema 1:
Se X ~ N(,2) e Y = aX + b, onde a e b so constantes e a 0,
Ento Y ~ N(a+b, a22).
Corolrio 1: Seja X ~ N(, 2).

Ento, Z = (X )/ ~ N (0,1)

Quando uma distribuio normal tem = 0, e 2 = 1, a

distribuio chamada de distribuio normal padro ou
reduzida.
Observao: A densidade e a funo de distribuio de um V.A.
N(0,1) so denotadas usualmente por e . Assim, a fdp de Z
:

Exemplo 4: Suponha que dimetros de eixos manufaturados

por uma mquina so V.A.s normais com mdia 10cm e
desvio padro 0,1cm. Para uma dada aplicao o eixo deve
satisfazer a especificao que o dimetro esteja entre 9,9 e
10,2cm. Qual a proporo de eixos produzidos por essa
mquina que satisfazem a especificao?

Soluo:

Combinaes lineares de V.A.'s distribudas normalmente

Teorema 2: Se as V.A.'s X1, X2, ....., Xk so independentes e
se Xi ~ N(i,i2), i = 1,...,k, ento a soma
Corolrio 2: Se as V.A.'s X1, X2, ....., Xk so independentes,

se Xi~N(i, i2), i=1,...,k, e se a1, a2, ....., ak so constantes
sendo pelo menos uma das ais no nulas, ento

Corolrio 3: Suponha que X1, X2, ....., Xn constituam uma

sequncia v.a.s independentes e normalmente distribudas
com E(Xi)= e V(Xi)=2. Seja
a mdia amostral. Ento
Z=
~ N( 0 ,1 )

Distribuio Exponencial
Definio: A V.A. X tem distribuio exponencial com parmetro

(>0) se a sua fdp :
A fda de X dada por:
194

Se X ~ Exp(), ento:
(i) E(X) = 1/,
(ii) Var(X) = 1/2
Aplicaes: na engenharia, fsica, biologia, etc.
A distribuio exponencial utilizada como um modelo para o tempo
de vida de vrias coisas. Por exemplo:
Tempo de vida de equipamentos;
Tempo que um tomo radioativo leva para se desintegrar;
O tempo requerido para atender um cliente em um estabelecimento;
Intervalos entre solicitaes de servios;
Tempos de sobrevivncia de espcies; etc.
A exponencial representa o tempo de vida (ou tempo de espera) at
que um evento ocorra.
195

Exemplo 2: O tempo de vida (em horas) de uma lmpada

uma V.A. T com fdp
Qual a probabilidade de que o tempo de vida da lmpada seja

maior do que a sua mdia?
196

Soluo:
E(T) = 500 horas (vida mdia da lmpada). Assim,
197

Exemplo 3: Considere a varivel aleatria X que representa o

intervalo de tempo em minutos entre emisses consecutivas de
uma fonte radioativa, tal que X ~ Exp( ) , com = 0,2 .
a) Calcule a probabilidade de ocorrer emisso em um intervalo
inferior ou igual a 2 minutos.
b) Calcule a probabilidade deste intervalo de tempo ser superior a 7,
sabendo-se que maior que 5.
198

a)
199

b) Calcule a probabilidade deste intervalo de tempo ser superior a 7,

sabendo-se que maior que 5.
Adicionalmente, note que:
Este fato uma importante propriedade da distribuio exponencial.

200

Falta de memria da Distribuio Exponencial

Se X ~ exp() ento
201

A distribuio lognormal
Para dados que so altamente assimtricos ou que contm

outliers, a distribuio normal, em geral, no apropriada. A
distribuio lognormal, que relacionada com a normal,
frequentemente uma boa escolha para estes conjuntos de dados.
A distribuio lognormal derivada da distribuio normal como
segue:
Se X uma varivel aleatria com mdia e varincia 2, ento a
varivel Y = ex dita ter a distribuio lognormal com parmetros
e 2. Note que se Y tem distribuio lognormal com parmetros
e 2, ento X = lnY tem distribuio normal com mdia e
varincia 2.
202

Funo densidade de probabilidade da lognormal

1
1
2
(
)
x
exp
ln
2 2
f ( x ) = x 2
0
se x > 0
se x 0
Se Y uma varivel aleatria com distribuio lognormal de

parmetros e 2, ento a mdia E(Y) e a varincia V(Y) so
dadas por
2
E (Y ) = e
V (Y ) = e
2 + 2 2
2 + 2
203

Note que se Y tem distribuio lognormal, os parmetros e 2

no se referem mdia e varincia de Y.
Exerccio:
Os tempos de vida de certo componente eletrnico so
distribudos com parmetros =1 dia e = 0,5 dia.

a) Encontre o tempo de vida mdio destes componentes.

Encontre o desvio padro dos tempos de vida.
b) Calcule P(Y>4).
204
Lvio Jos Brand 2012
Teorema do
Limite Central
205
Teorema do Limite Central

Definio: Amostra Aleatria (a.a)
Suponha que exista uma distribuio (implcita) para a populao

de tal forma que os dados amostrais possam ser pensados como
v.a.s independentes tendo esta distribuio.
Uma amostra aleatria de tamanho n de uma v.a. X com dada
distribuio um conjunto X1, X2,,Xn de n v.as independentes,
cada uma com a mesma distribuio de X.

Por exemplo,
suponha que se esteja investigando o tempo de vida de lmpadas
produzidas por uma fbrica.
Suponha que o tempo de vida (X) seja Normalmente distribudo.
Espera-se que cada uma das observaes do tempo X1, X2,...,Xn
em uma a.a. de n lmpadas sejam v.a.s independentes com a
mesma distribuio Normal.
206

Estatstica
Se X1,X2,...,Xn uma a.a de uma v.a. X, uma estatstica qualquer

funo de X1,X2,...,Xn.
As estatsticas mais comuns so: a mdia amostral, a proporo
amostral, a varincia amostral, o desvio padro amostral.
O processo de tirar concluses acerca da populao baseado em

dados amostrais faz uso constante destas estatsticas.
207

Distribuio de Amostragem
Um dos principais objetivos da anlise de dados utilizar as

estatsticas da amostra, como a mdia aritmtica da amostra e a
proporo da amostra, para estimar os parmetros
correspondentes nas respectivas populaes.
Hipoteticamente, para utilizar a estatstica de amostragem para
estimar o parmetro da populao, deveramos examinar cada
amostra que tivesse possibilidade de ocorrer.
Se essa seleo de todas as amostras possveis fosse
efetivamente realizada, a distribuio dos resultados seria
chamada de distribuio de amostragem.
O processo de generalizao dos resultados dessas amostras
para toda a populao chamado de inferncia estatstica.
Na prtica, uma amostra simples de tamanho predeterminado
selecionada aleatoriamente, a partir da populao.

208

O Teorema do Limite Central
O TLC um dos resultados mais extraordinrios em probabilidade.

Informalmente, o teorema afirma que a soma de um grande
nmero de v.a.s independentes possui uma distribuio de
amostragem aproximadamente Normal.
Seja X1, X2,...,Xn uma sequncia de v.a. independentes e
identicamente distribudas, com E(Xi)= e V(Xi)=2.
Faamos X=X1+X2+...+Xn.

Ento, quando n suficientemente grande

X1 + X 2 + ... + X n n
A distribuio de amostragem de Z =
N(0;1).
n
onde E(X 1 + X 2 + ... + X n ) = n e V(X 1 + X 2 + ... + X n ) = n 2

209

Distribuio de amostragem da mdia aritmtica
Equivalentemente, com as mesmas hipteses anteriores o TLC

tambm apresentado da seguinte forma:
Seja X1, X2,...,Xn uma sequncia de v.a. independentes e
identicamente distribudas (iid), com E(Xi)= e V(Xi)=2.
n
Xi
Faamos X =

i =1
Ento a distribuio de amostragem da varivel
X
Z=
N(0,1),
quando n for grande
210

Aproximao Normal da distribio Binomial
Se X tiver uma distribuio binomial com parmetros n e p, e se

X np
Y=
np (1 p)
Ento, para n grande, Y ter uma distribuio aproximadamente

N(0,1).
n > 10, se p .
n 30, se p 0 ou 1. Na prtica esta aproximao ser razovel
quando np>5 e n(1-p)>5.
Notamos agora duas aproximaes possveis para a dist. Binomial:
- Poisson: quando n grande e p pequeno (np7)
- Normal
211

Aproximao Normal da distribuio das propores
Se X for o nmero de sucessos e p for a proporo de sucessos em

uma amostra aleatria de tamanho n, tal que p = X / n , ento
np (1 p )
n Xi
X + X 2 + ... + X n
p = V ( p ) = V = V 1
=
=
2
n
n
i =1 n
p(1 p )
n
e portanto a v.a.
Z=
p p
p (1 p )
n
ter uma distribuio aproximadamente N(0,1), para n grande.

n > 10, se p .
n 30, se p 0 ou 1. Na prtica esta aproximao ser razovel
quando np5 e n(1-p)5.
212

Aproximao Normal da distribuio de Poisson
Se X tiver distribuio de Poisson com parmetro suficientemente

grande ento:
Z=
ter uma distribuio aproximadamente N(0,1).

Na prtica, esta aproximao ser razovel quando >18.
213

Observao:
1) A velocidade de convergncia depende da distribuio inicial,
sendo mais rpida nas distribuies simtricas.
2) Pelo teorema temos que quanto maior o tamanho da amostra,
melhor a aproximao. Estudos envolvendo simulaes mostram
que em muitos casos valores de n ao redor de 30 fornecem
aproximaes bastante boas na prtica.
3) Nos casos em que a verdadeira distribuio dos dados
simtrica, excelentes aproximaes so obtidas, mesmo com
valores de n inferiores a 30.
214

Correo de continuidade
Ao empregar aproximaes Normais para a Binomial ou Poisson

estamos aproximando a distribuio de uma varivel aleatria
discreta por uma contnua. Isto requer cautela quanto s
extremidades dos intervalos considerados.
Se a varivel aleatria contnua, a probabilidade de um ponto
nula (por ex., P(X=3)=0), enquanto para uma varivel aleatria
discreta esta probabilidade pode ou no ser nula.
Para melhorar a aproximao, costume alterar em 0,5 unidades
os valores das extremidades dos intervalos, para mais ou para
menos.
215

Correo de continuidade
i) P ( X x ) = P ( X x 0,5)
ii) P ( X
> x) = P( X x + 0,5)
iii) P ( X
x) = P( X x + 0,5)
iv) P ( X
< x) = P( X x 0,5)
216
Nes de
Anlise de Risco
217
Noes de Anlise de Risco

Valor Monetrio Esperado

Avaliao Econmica de um Prospecto
= {seco, acumulao pequena, acumulao mdia, acumulao
grande} = {S,P,M,G}.
P(S)=0,90
P(P)=0,06
P(M)=0,03
P(G)=0,01
218

Avaliao Econmica de um Prospecto
X = {(S, -5), (P, 20), (M, 100), (G, 500)}.

VME = valor monetrio estimado = E(X)
= (-5)(0,90) + (20)(0,06) + (100)(0,03) + (500)(0,01)=
= 4,7 milhes.
219

Anlise de Risco
Tabela de Retorno
Tabela 1 - Tabela de Retorno para a ao Ai
Rumos de ao alternativos
(aes a tomar)

Eventos
A1
A2
E1
x11
x12
E2
x21
x22
Onde
xij o retorno que ocorre quando o rumo de ao j selecionado e
o evento i ocorre.
220

Anlise de Risco
rvore de Deciso
A1
A2
E1
x11
E2
x21
E1
E2
x12
x22
221

Anlise de Risco
Perda de Oportunidade
a diferena entre o lucro mais elevado possvel para um evento
e o lucro real obtido para uma ao empreendida.
Valor Monetrio Esperado (VME) para um rumo de ao j o
lucro para cada combinao Xij do evento i e da ao j, vezes a
probabilidade de ocorrncia do evento Pi, somado para todos os
eventos.

VME j = X ij Pi
i =1

VMEj = valor monetrio esperado da ao j;

Xij = retorno que ocorre quando o rumo de ao j selecionado e
o evento i ocorre;
Pi = probabilidade de ocorrncia do evento i.
222

Anlise de Risco
Perda de Oportunidade Esperada

n
POE j = lij Pi
i =1

POEj = perda de oportunidade esperada da ao j;

lij = perda de oportunidade que ocorre quando o rumo de ao j
selecionado e o evento i ocorre;
Pi = probabilidade de ocorrncia do evento i.
223

Anlise de Risco
Lucro esperado em condies de certeza

Representa o lucro que ser realizado se tivermos a informao
perfeita sobre qual evento ir ocorrer.

Valor Esperado da Informao Perfeita (VEIP)

Representa a quantia mxima que estamos dispostos a pagar
para obter a informao perfeita.
VEIP = lucro esperado em condies de certeza valor monetrio
esperado da melhor alternativa.
VEIP = POE (menor)
224

Anlise de Risco
Relao entre Retorno e Risco
Relao entre retorno e risco j =

VME j
j
VMEj = valor monetrio esperado da ao j;

j = desvio padro para a ao j;
225
Bibliografia
BUSSAB, W. O., MORETTIN, P. A. (2005). Estatstica Bsica. 5 ed.
So Paulo: Saraiva.
CIENFUEGOS, F. Estatstica Aplicada ao Laboratrio. Editora
Intercincia. 2005.
COSTA NETO, P. L. O. Estatstica. So Paulo, 15 ed., Edgard
Blcher, 1997.
LEVINE, D. M., BERENSON, M. L. e STEPHAN, D. (1998).
Estatstica: Teoria e Aplicaes Usando Microsoft Excel em
Portugus. Rio de Janeiro: LTC.
226
Bibliografia
MAGALHES, M.N. e LIMA, A.C.P. (2005). Noes de
Probabilidade e Estatstica, 6 ed. rev. So Paulo: Editora da
Universidade de So Paulo.
MONTOMERY, DOUGLAS C., Estatstica Aplicada e
Probabilidade para Engenheiros, 2 ed. LCT 2003.
SPIEGEL, M.R, Estatstica, 3 ed., Makron Books, 1993, Rio de
Janeiro.
TRIOLA, MARIO F. Introduo Estatstica, 9 ed., LCT, 2005.
227

Apostila

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila

Enviado por

Direitos autorais:

Formatos disponíveis

Lvio Jos Brand 2012

A estatstica nos fornece uma linguagem atravs da qual

No h certeza nas concluses

Como h variao em tudo, as concluses so incertas.

Um caso anedtico uma narrativa surpreendente que se fixa em

Como obter dados

Mtodos pelos quais possvel obter os dados

Tipos de pesquisas quantitativas:

Quanto a participao do pesquisador nos resultados:

Como obter dados

O primeiro passo na avaliao da validade de uma pesquisa

Como obter dados

Como obter dados

Como obter dados

Cada elemento na populao tem a mesma

Como obter dados

Como obter dados

Como obter dados

Amostra: n=8 k=5

Como obter dados

Mesmo quando empregam mtodos de amostragem probabilstica

1) Erro de Cobertura (ou de abrangncia, ou vis de seleo);

Como obter dados

Ignorado pelo plano amostral

Como obter dados

Como obter dados

Como obter dados

Embora somente uma amostra seja efetivamente selecionada, se

Como obter dados

Como obter dados

Os indivduos so definidos segundo os limites impostos pela

Lvio Jos Brand / Estatstica 2012

Os indivduos so os objetos descritos por um conjunto de

Variveis Categricas e Quantitativas

Algumas variveis so categricas e outras quantitativas.

Uma varivel categrica posiciona um indivduo em um dos

Variveis Categricas e Quantitativas

Uma varivel quantitativa assume valores numricos com os

Organizando Dados Numricos

Quando um conjunto de dados coletado, os dados esto

A distribuio de uma varivel informa os valores que ela assume

Uma distribuio de frequncia uma tabela resumida na qual

Tabulando Dados Numricos

onde n o nmero de observaes e k o nmero de classes.

Tabulando Dados Numricos

Uma medida muito usada para descrever dados quantitativos

Histogramas so utilizados para descrever dados numricos que

Uma curva de densidade uma curva que:

Uma curva de densidade descreve o padro geral de uma

Uma curva de densidade com uma forma apropriada ,

As trs principais propriedades que descrevem um conjunto de

Medidas de localizao de tendncia central

A Mdia Aritmtica da Amostra

A Mdia Aritmtica (dados agrupados em classes)

Xj: ponto mdio da j-sima classe;

A moda o valor que aparece mais frequentemente em um

A Moda (dados agrupados):

Para uma amostra contendo um conjunto de n observaes X1,

Regra para o clculo da Mediana (dados agrupados)

Medidas de localizao no-centrais

De modo geral, podemos definir uma medida, chamada quantil de

q(0,25) = 1 Quartil = 25 Percentil

Clculo dos quantis para dados no agrupados

Clculo dos quantis para dados agrupados