Escolar Documentos
Profissional Documentos
Cultura Documentos
Perodo 2004.1
1a
Data:
NOTA DE AULA
Introduo Estatstica
ou mtodo cientco que estuda os fenmenos aleatrios e, procura inferir as leis que os
mesmos obedecem. Assim, um conceito mais abrangente e absoluto deve englobar tanto o
primeiro conceito, o qual o mais popular, quanto o segundo, o qual normalmente escapa
noo corrente.
coleta, organizao, descrio, anlise e interpretao dos dados, a m de extrair informaes a respeito de uma populao.
Dentro dessa idia, podemos considerar a Cincia Estatstica como dividida basicamente em duas partes:
1.
2.
certo produto produzido numa indstria, a populao pode ser composta por todas as
peas produzidas numa determinada hora, turno, dia ou ms, dependendo dos objetivos;
certa cidade, a populao seria todas as famlias desta populao. Mas, se o objetivo
fosse pesquisar apenas a renda mensal do chefe da famlia, a populao a ser pesquisada
seria composta por todos os chefes de famlia desta cidade.
A Populao pode ser:
1.
2.
populao innita seria o conjunto formado por todos os alunos de estatstica do Brasil,
pois este conjunto composto por um nmero incontvel de elementos.
Denio 1.4 (Parmetro). uma medida numrica que descreve uma caracterstica
da populao.
Denio 1.5 (Estatstica). uma medida numrica que descreve uma caracterstica
da amostra.
Exemplos de algumas medidas numricas so: proporo, mdia, moda, ndices, etc.
dado) associada a cada elemento da populao ou amostra. A varivel apresenta diferentes valores, quando sujeita a mensuraes sucessivas, e, em geral, denotada pelas
letras maisculas: X , Y ou Z .
Antes de realizar qualquer tratamento estatstico de um conjunto de dados, importante identicar qual o tipo de dado (ou varivel) que ser analisado, pois, mediante a
este conhecimento que o pesquisador poder ou no adotar determinadas tcnicas estatsticas para a resoluo de problemas. Por exemplo, ser que possvel calcular o peso mdio
de lutadores de boxe, quando os dados so coletados segundo a categoria de peso (Leve,
Mdio e Pesado)?
Tipos de Variveis
Basicamente, as variveis podem ser classicadas como sendo
titativas.
1.
Qualitativas ou Quan-
Escolaridade:
grau completo,
nais.
(a) As
Nominais ou Ordi-
Por exemplo:
escolaridade e conceito de
2.
Discreta ou Contnua.
de procedimento de contagem.
Por exemplo:
Observao 1. O fato de uma varivel ser expressa por nmeros no signica que ela
1a
LISTA DE EXERCCIOS
1 - Dena e/ou explique com suas prprias palavras, o que voc entende por Cincia
Estatstica e quais os principais ramos (partes) da Estatstica.
2 - Atravs de um exemplo, dena: Populao e Amostra.
3 - Considere as seguintes situaes:
1) Em uma pesquisa, feita pela EMPETUR com 1015 pousadas escolhidas aleatoriamente, 269 (ou 26,5%) possuam Home-page na Internet para divulgao e
prestao de servios ao turista.
2) Outra pesquisa feita entre as 50 Agncias de Viagens de uma certa localidade
mostra que 42 (ou 84%) prestam servios pela Internet.
Identique em qual das situaes ns temos um exemplo de Parmetro e outro de
Estatstica (no sentido de medida). Justique sua resposta.
4 - O que voc entende por varivel?
exemplo.
5 - Como voc diferencia uma varivel discreta de uma varivel contnua?
Utilize um
13,
Perodo 2004.2
2a
Data:
NOTA DE AULA
Estatstica Descritiva
A estatstica pode ser considerada como um instrumento ou um conjunto de mtodos
matemticos que devem ser utilizados quando se pretende transformar dados em informao.
Para ilustrar este processo, veja a Figura 1:
12
15
18
15
12
18
18
15
18
17
19
Mdia
Moda
Mediana
Proporo
20
Quantis
Conjunto de dados
Conjunto de informaes
Figura 1
No primeiro retngulo, tem-se um conjunto de observaes da varivel idade de um
grupo de 12 pessoas e, no segundo retngulo, as estatsticas (informaes) que podem
representar esses nmeros.
12
12
15
15
15
17
18
18
18
18
19
20
Desta maneira, ca fcil vericar a freqncia com que cada um dos dados foi observado, por exemplo: o valor 12 ocorreu 2 vezes; o valor 15 ocorreu 3 vezes, e assim por
diante.
de uma
Idade
Frequncia (ni )
12
15
17
18
19
20
12
n.
fi
por 100.
Para alguns tipos de variveis, tais como a qualitativa ordinal e as quantitativas (discreta ou contnua), pode ser til tambm, a informao de quantas observaes apresentam
valores menores ou iguais a um certo valor xado. Este tipo de informao denominado
de
freqncia acumulada, fac , a qual tambm pode ser expressa em termos relativos ou
por porcentagens.
Vejamos, agora, como ca a tabela de freqncias anterior com estas informaes
adicionadas:
Idade
ni
fi
12
0,1667
16,67
16,67
15
0,2500
25,00
41,67
17
0,0833
8,33
50,00
18
0,3333
33,33
83,33
19
0,0833
8,33
91,67
0,0833
8,33
100,00
12
1,0000
100,00
20
Total (n)
Observao:
fi 100
(%)
fac
(%)
(20, 1)
representam a distribuio
Representao Grca
Uma representao grca da distribuio de freqncias de uma varivel tem a vantagem de, numa maneira rpida e concisa, informar sobre a variabilidade da mesma.
Grco de Colunas - mais adequado para variveis discretas mas tambm pode ser
utilizado para variveis qualitativas ordinais, ou ainda, para variveis qualitativas nominais
cujos nomes das categorias so pequenos.
Neste grco, cada valor observado representado por retngulos de mesma base
e alturas proporcionais s freqncias.
Figura 1:
Figura 2:
Cdigo do aluno
Nota
1o
10
7,5
8,0
9,0
7,3
6,0
5,8
10,0
3,5
4,0
6,0
Cdigo do aluno
11
12
13
14
15
16
17
18
19
20
Nota
7,5
7,0
8,5
6,8
9,5
9,8
10,0
4,8
5,5
7,0
Note que, no haver vantagem alguma se organizarmos estes dados numa tabela de
freqncias, uma vez que os dados pouco se repetem. Assim, torna-se til o agrupamento
dos dados, que, de um modo geral, pode ser feito de acordo com os seguintes passos:
Rol.
junto de dados.
A escolha do nmero de classes arbitrria, a qual pode ser estabelecida de acordo
com o bom senso do pesquisador ou obtido por alguma frmula matemtica
construda para este m. Uma sugesto prtica a escolha entre 5 e 15 classes com
a mesma amplitude e duas frmulas matemticas que podem orientar na escolha do
nmero de classes, so:
(a)
k=
(b)
k = 1 + 3, 3 log(n)
Onde
o nmero de classes e
3. Calcular a
Amplitude Total:
AT ot = xmax xmin
Onde
xmax
4. Determinar a
xmin
Amplitude de Classe:
h=
AT ot
k
5. A partir do menor valor observado no conjunto de dados, ou de algum valor imediatamente inferior e adequadamente escolhido, delimitar as classes, ou seja, determinar
os limites inferiores e superiores de cada classe.
Neste momento, os seguintes smbolos so teis:
(a)
li |Li
i sima
li |Li
isima classe,
De acordo com estes passos, o conjunto de dados anterior pode ser organizado como:
(Construir
Histograma
Este grco uma adaptao do grco de colunas, onde as bases correspondem aos
intervalos de classe e as alturas so proporcionais s freqncias de classe. Veja como ca
o histograma para a distribuio das notas:
(Construir
Conjunto de dados 1:
10
Conjunto de dados 2:
1.
1)
2)
(b)
n+1
, se o
2
o valor observado na posio
PM d =
PM d ;
total de observaes
par
n
n
e P 2M d =
+ 1, se o
, n,
. Pois, neste
2
2
caso, existem duas posies centrais e a mediana ser a mdia aritmtica dos
P 1M d =
Md
ou
M d(X).
11
Exemplo 1:
2
|{z}
mediana
Note que, o nmero de observaes, n = 5, mpar, logo o valor da mediana (valor
n+1
central) est na posio PM d =
= 5+1
= 3, que igual a M d = 2.
2
2
Exemplo 2:
dois
2|{z}3
valores
centrais
3 + 1 = 4.
Md =
xP1M d + xP2M d
2+3
=
= 2, 5.
2
2
Observao:
Pode-se, tambm, obter a posio da mediana atravs dos seguintes passos:
1)
2)
(a) Se
PM d
for um nmero
PM d =
n
;
2
para
o maior inteiro mais prximo, e, assim, o valor da mediana estar nesta nova
posio obtida.
(b) Se
Exemplo 3:
M d = 2.
Exemplo 4:
n
= 62 = 3 (inteiro), assim, de
2
acordo com o procedimento descrito na observao acima, temos que a mediana
No conjunto de dados 2, temos
PM d =
3 + 1 = 4:
Md =
xP1M d + xP2M d
2+3
=
= 2, 5.
2
2
12
PM d = 3 e PM d +1 =
2.
Moda
freqncia.
Notao:
Mo
ou
Exemplo 5:
Mo (X).
1 2 2 3 5,
dito ser
unimodal,
tendo em vista que um nico valor ocorre com maior frequncia. Assim, a moda
Mo = 2.
Exemplo 6:
tendo em vista que, neste caso, dois valores ocorrem com maior frequncia, assim,
os valores modais so:
3.
Mo = 2
Mo = 5.
Mdia Aritmtica (Mdia) - obtida a partir da razo entre a soma dos valores
observados e o total de observaes:
Mdia
Notao:
M e, M e(X)
Exemplo 7:
(n)
x.
M e(X) = x =
Observao:
1)
P A mdia aritmtica
(sigma).
ou
(n)
1+2+2+3+5
= 2, 6.
5
Por exemplo, se
x 1 , x2 , . . . , x k
so
X,
podemos escrever:
M e(X) = x =
x1 + x2 + . . . + xk
1X
=
xi
k
k i=1
x2
ocorreu
n2
vezes,...,
como:
k
X
i=1
k
X
i=1
Onde:
13
(1)
ni
n
(2)
xi .fi .
(3)
xi .
ni
n=
fi
Pk
i=1
ni
o total de observaes, e,
Exemplo 8:
xi ,
xi .
1 2 2 3 5 5,
temos:
1X
1
18
M e(X) = x =
xi .ni = (1 1 + 2 2 + 3 1 + 5 2) =
= 3.
n i=1
6
6
Exerccio:
12
12
15
15
15
17
18
18
18
18
19
20
Soluo:
classes e suas respectivas freqncias para calcular a mdia aritmtica de maneira anloga
ao exposto anteriormente. Da mesma forma, pode-se adotar como valor modal, o ponto
mdio da classe modal e como mediana, o ponto mdio da classe mediana.
Exemplo:
agrupados em classes):
Salrio
Frequncia Absoluta
4, 00| 8, 00
8, 00| 12, 00
12, 00| 16, 00
16, 00| 20, 00
20, 00| 24, 00
10
12
8
8
2
14
S =salrio
(dados
Soluo:
Varivel
X: 3 4 5 6 7
Varivel
Y : 3 5 5 7
M e(X) = M e(Y ) = 5,
valores nos dois grupos. Assim, torna-se importante o conhecimento de uma medida que
fornea este tipo de informao.
Na prtica, existem vrias medidas que expessam a variabilidade de um conjunto de
dados, sendo que as mais utilizadas baseam-se na idia que consiste em vericar a distncia
de cada valor observado em relao mdia. Estas distncias so denominadas de
em relao mdia.
desvios
conjunto de dados e, obtida pelo clculo da mdia dos quadrados dos desvios em
relao mdia:
k
1X
(xi x)2 ni
V ar(X) = s =
n i=1
2
15
Y:
Observao:
apresenta ...
xi
por
si ,
2
D.P.(X) = s = s = t
(xi x)2 ni
n i=1
O uso do desvio padro como medida de variabilidade prefervel pelo fato de ser
expresso na mesma unidade de medida dos valores observados.
medida relativa de variabilidade. O seu valor determinado por intermdio do quociente entre o desvio padro e a mdia aritmtica dos dados.
CV (X) =
s
100
x
entre conjunto de dados, em relao variabilidade; ainda que as unidades de medida nos
conjuntos de dados sejam distintas. Por exemplo, comparar a variabilidade das distribuies
da varivel peso expressa em quilogramas (Kg ) e altura expressa em metros (m).
Um critrio de deciso sobre a representatividade ou no da mdia, pode ser dada pela
seguinte linha de corte:
Se
Se
CV 50%,
CV < 50%,
a mdia
no representativa.
a mdia representativa.
Exemplos:
a) O desvio padro das variveis
DP (X) = DP (Y ) = s =
Km,
40
Km
2 = 1, 41.
e 50
Km.
16
Calcule
Q1 , Q2
Q3 ,
quartis, denota-
Q1
separa os
25%
inferiores dos
75%
Q2
separa os
50%
inferiores dos
50%
Q3
separa os
75%
inferiores dos
25%
Analogamente, h nove
decis,
denotados por
D1 , D2 , . . . , D9 ,
percentis que
no agrupados:
expresso:
L=
k
100
n
Onde:
-
2)
1. Se
k esimo
percentil; e
for um nmero
no inteiro,
k esimo
percentil,
Pk ,
para o maior
for um nmero
L + 1.
Uma vez dominados os clculos para os percentis, pode-se seguir o mesmo processo
para calcular os quartis e decis, tendo-se o cuidado de calcular o valor de L, pelas frmulas
k
k
n, k = 1, 2, 3 e L = 10
n, k = 1, 2, . . . , 9, respectivamente. Pode-se,
4
ainda, obter os quartis e decis pelas seguintes relaes existentes entre estas medidas e os
L=
percentis:
17
Quartis
Decis
Q1 = P25
Q2 = P50
D1 = P10
D2 = P20
Q3 = P75
.
.
.
D9 = P90
Alm das medidas de tendncia central e de variao j introduzidas, costuma-se denir
outras estatsticas utilizando quartis, decis ou percentis, tais como:
= Q3 Q1
Intervalo semi-interquartil = (Q3 Q1 )/2
Amplitude de percentis 10-90 = P90 P10
Intervalo interquartil
de
Observao:
O histograma pode ser utilizado para se obter o k esimo percentil, Pk , no caso
dados agupados em classes. Veremos como proceder, atravs de um exemplo que
1)
A mediana (M d);
2)
xmax ,
respectivamente);
3)
Q1 ,
na mediana
M d = Q2
e no terceiro quartil
Q3 .
Exemplo:
18
52
52
60
60
60
60
63
63
66
67
68
69
71
72
73
75
78
80
82
83
84
90
19
2a
LISTA DE EXERCCIOS
20 30 40
a) Se substitumos o valor
40
por
70,
mesmos? Justique?
b) Analisando os resultados acima, ressalte uma caracterstica vantajosa da mediana em relao mdia.
3 - Mostre que:
k
X
(xi x) ni =
i=1
E, por isso, a varincia
k
X
P
x2i ni
k
i=1
i=1
xi
2
=
k
X
x2i ni nx2
i=1
1X 2
V ar(X) = s =
x ni x2
n i=1 i
2
4 - Na turma A do curso normal da Escola X, esto matriculados 50 alunos no corrente ano. O levantamento das chas biomtricas revelou as seguintes estaturas em
centmetros:
165 164 151 160 155 169 153 156 165 160
170 157 162 162 155 154 151 155 162 150
168 160 154 151 168 155 156 158 166 155
154 152 163 156 170 158 171 159 175 154
159 158 153 158 156 162 165 156 161 157
a) Elabore uma distribuio de freqncias, fazendo o limite inferior da primeira classe
igual a 150 (inclusive) e amplitudes dos intervalos de classe igual a 5 cm.
b) Baseado na distribuio de freqncia calcule: a mdia, a mediana, a moda, os
quartis.
c) Esboce o histograma
5 - As taxas de juros recebidas por 10 aes durante certo perodo foram (medidas em
porcentagem): 2.59; 2.64; 2.60; 2.62; 2.57; 2.55; 2.61; 2.50; 2.63; 2.64. Calcule a
mdia e a mediana.
20
{0, 1, 2, 3, 4, 5}
B =
Peso (g)
ni
960 - 980
60
980 - 1000
160
1000 - 1020
280
1020 - 1040
260
1040 - 1060
160
1060 - 1080
80
TOTAL
1000
21
Data:
.
3a
Perodo 2003.2
NOTA DE AULA
Introduo Probabilidade
3.1 Introduo
Ao jogarmos uma moeda para o ar, de modo geral, no podemos armar se vai dar cara ou
coroa, da mesma forma, quando lanamos um dado no sabemos qual das faces 1, 2, 3, 4,
5, ou 6 ocorrer. H numerosos exemplos de tais situaes no campo dos negcios e do
governo. A previso da procura de um produto novo, o clculo dos custos de produo, a
opinio plblica sobre determinado assunto, a contratao de um novo empregado - tudo
isso contm algum elemento de acaso.
Independente de qual seja a aplicao em particular, a utilizao das probabilidades
indica que existe um elemento de acaso, ou de incerteza, quanto ocorrncia ou no de
um evento futuro. Assim que em muitos casos, pode ser virtualmente impossvel armar
com antecipao o que ocorrer; mas possvel dizer o que pode ocorrer.
O ponto central em todas essas situaes a possibilidade de quanticar quo provvel
determinado evento.
As probabilidades so utilizadas para exprimir a chance de ocorrncia de determinado
evento.
3.2 Denies
Denio 3.1 (Fenmenos aleatrios ou Experimentos aleatrios). So aqueles
onde o processo de experimentao est sujeito a inuncias de fatores casuais e conduz
a resultados incertos.
Exemplos:
E1
E2
E3
22
Observaes:
a) Cada experimento poder ser repetido um grande nmero de vezes sob as mesmas
condies;
b) No podemos armar que resultado particular ocorrer, porm podemos descrever
o conjunto de todos os possveis resultados do experimento, ou seja, as possibilidades de
resultado;
c) Quando o experimento repetido um grande nmero de vezes, surgir uma regularidade nos resultados. Esta regularidade, chamada de regularidade estatstica, que torna
possvel construir um modelo matemtico preciso com o qual se analisar o experimento.
E2
c
A - ocorre se A no ocorre.
Denio 3.4 (Eventos mutuamente Excludentes). Dois eventos so mutuamente exclusivos, se eles no podem ocorrer simultaneamente, isto , A B = .
23
3.3 Probabilidade
Denio 3.5 (Denio Clssica de Probabilidade - Freqncia Relativa).
nA
.
n
Propriedades:
(i)
0 fA 1;
(ii)
(iii)
fA = 1,
fA = 0,
(iv) Se
ocorrer em todas as
repeties;
repeties;
A B,
fAB
for a freqncia
ento,
fAB = fA + fB .
axiomas:
(i) 0 P (A) 1;
(ii) P () = 1;
(iii) Se A e B forem mutuamente exclusivos (A B = ), ento P (A B) =
P (A) + P (B) .
P (A) , indica a chance de
P (A), maior a chance de ocorrncia
P () = 0.
c
b) Se A o evento complementar de A, ento
P (Ac ) = 1 P (A) .
P (A B) = P (A) + P (B)
P (A B) .
nito, se esse espao possui um nmero nito de elementos, ou seja, o espao amostral
S pode ser escrito na forma S = {a1 , a2 , ..., ak }.
24
A, P (A),
associado a um espao
{ai },
pi ,
A = {ai }.
denominado probabilidade de
a)
pi 0, i = 1, 2, ..., k ;
b)
p1 + p2 + ... + pk = 1.
resultados,
1 r k,
ou
seja
Ento, considerando
que cada
a2 ,
a1 , a2 e a3 .
a1
o qual por sua vez duas vezes mais provvel de ocorrer que
probabilidades
p 1 , p2
a3 .
Encontre as
p3 .
pontos do tipo
S = {a1 , a2 , ..., ak },
por
P ({ak }) =
Exemplo:
as probabilidades
P ({ak }
sero dadas
1
.
k
Se
S = {a1 , a2 , ..., ak }
ento
P (A) =
pontos amostrais (m
k),
m
.
k
Exemplo: Uma urna contm duas bolas brancas, trs pretas e cinco azuis.
a) Qual a probabilidade de se extrair uma bola branca?
b) Qual a probabilidade de se extrair uam bola preta ou uma azul?
25
Em muitos casos existem situaes em que o experimento pode ser realizado em duas
p maneiras e
p q maneiras.
a segunda de
maneiras, ento
(P (A B)) ,
depende da
P (A B) = P (A) P (B) .
Exemplo: Jogam-se duas moedas equilibradas. Qual a probabilidade de ambas darem
cara?
Suponhamos agora que queiramos estender este resultado ao caso de trs moedas.
Qual a probabilidade de trs caras?
Exemplo: Uma urna contm duas bolas brancas e cinco pretas. Qual a probabilidade
de sair duas bolas pretas supondo que os sorteios so feitos com reposio?
Seja
Ento
P (A) =
Considere agora o seguinte evento
B:
P (B) =
Suponha agora que soubssemos da ocorrncia de
bilidade de
A.
P (A | B) =
26
B e quisssemos calcular
P (A | B). Assim
a proba-
A,
quando
B,
denotaremos
a probabilidade condicionada do
P (A B)
P (B)
P (A | B) =
com
P (A | B)
P (B) 6= 0.
Exemplo: Dois dados so lanados. Considere os eventos:
A = {(x1 , x2 ); x1 + x2 = 10}
Calcule:
P (A), P (B), P (A | B)
B = {(x1 , x2 ); x1 > x2 }.
e
P (B | A)
P (A | B) =
P (AB)
P (B)
P (A B) = P (B)P (A | B).
Analogamente
P (B | A) =
P (AB)
P (A)
P (A B) = P (A)P (B | A).
dado
igual a probabilidade de
A,
se a probabilidade condi-
isto , se
P (A | B) = P (A).
evidente que se
independente de
B, B
independente de
A.
Assim
P (B | A) = P (B).
Exemplo: Em uma caixa temos 10 peas, das quais 4 so defeituosas. So retiradas
duas peas com reposio. Calcule a probabilidade de ambas serem boas.
27
P (A B) = P (A)P (B)
P (A C) = P (A)P (C)
P (B C) = P (B)P (C)
P (A B C) = P (A)P (B)P (C)
Exemplo: Sendo S = {1, 2, 3, 4} um espao equiprovvel e A = {1, 2}; B = {1, 3}; C =
{1, 4} trs eventos de S . Vericar se os eventos A, B e C so mutuamente independentes.
S,
B1 , B2 , ..., Bk
quando
a)
Bi Bj = ,
b)
ki=1 Bi = S ,
c)
P (Bi ) > 0,
para todo
para todo
Considere um evento
i 6= j ,
i.
referente a
S,
B1 , B2 , ..., Bk
uma partio de
S.
Assim,
podemos escrever
A = (A B1 ) (A B2 ) (A B3 ) ... (A Bk ).
Logo,
P (A) = P (A B1 ) + P (A B2 ) + P (A B3 ) + ... + P (A Bk ).
Ento, como
da probabilidade total:
Bi
dada a ocorrncia de
P (Bi | A) =
da seguinte forma
P (Bi )P (A | Bi )
P (Bi A)
=P
.
P (A)
j P (Bj )P (A | Bj )
Bi 's
e a probabilidade condicional de
A.
28
dado
Bi ,
mas no
Exemplo: Um saco contm trs moedas, uma das quais foi cunhada com duas caras,
enquanto as outras duas so normais e no viciadas. Uma moeda retirada ao acaso e
jogada. Dado que o resultado foi cara, qual a probabilidade de que essa seja a moeda de
duas caras?
Exemplo: Suponha trs urnas com as seguintes conguraes: a urna 1 contm 3 bolas
pretas, 1 branca e 5 vermelhas; a urna 2 contm 4 bolas pretas, 3 brancas e 2 vermelhas; a
urna 3 contm 2 bolas pretas, trs brancas e 3 vermelhas. Escolheu-se uma urna ao acaso
e dela extraiu-se uma bola ao acaso, vericou-se que a bola branca. Qual a probabilidade
da bola ter vindo da urna 2? da 3?
3a
1 - Uma caixa com
LISTA DE EXERCCIOS
lmpadas contm
lmpadas
(r < N )
Essas lmpadas so vericadas uma a uma, at que uma lmpada defeituosa seja encontrada. Descreva um espao amostral para este experimento. Suponha agora, que
as lmpadas so vericadas at que todas as defeituosas sejam encontrdas. Descreva
um espao amostral para este experimento.
2 - O seguinte grupo de pessoas est numa sala: 5 homens maiores de 21 anos; 4 homens
com menos de 21 anos de idade; 6 mulheres maiores de 21 anos, e 3 mulheres menores.
Uma pessoa escolhida ao acaso. Denem-se os seguintes eventos:
A: A pessoa maior de 21 anos
B: A pessoa menor de 21 anos
C: A pessoa homem
D: A pessoa mulher
Calcule:
a)
P (B D)
b)
P (A C)
bolas brancas e
bolas vermelhas.
A urna 2 contm
bolas
a probabilidade
ocorrncia de
associados a um experimento. Se
0,6, enquanto a probabilidade da
B.
29
resposta entre as 4 possveis. Suponha que o estudante saiba a resposta de 60% das
questes. Se o estudante escolhe a resposta correta para uma dada questo, qual a
probabilidade de que ele sabia a resposta?
7 - Mostre que, se os eventos
B.
8 - Um dado viciado de tal forma que a probabilidade de sair um certo ponto proporcional ao seu valor (por exemplo, o ponto 6 3 vezes mais provvel de sair do que o
ponto 2). Calcular a probabilidade de tirar um nmero par, sabendo-se que saiu um
nmero maior que 3.
9 - Mostre que se
P (C | A B) =
10 - Uma caixa tem trs moedas: uma no viciada, outra com duas caras e uma terceira
1
viciada, de modo que a probabilidade de ocorrer cara nesta moeda de
. Uma
5
moeda selecionada ao acaso na caixa. Saiu cara. Qual a probabilidade de que a
moeda viciada tenha sido a selecionada?
11 - Uma urna contm 4 bolas brancas e 6 bolas vermelhas; outra urna contm 3 bolas
brancas e 6 vermelhas. Passa-se uma bola, escolhida ao acaso, da primeira para a
segunda urna, e em seguida, retiram-se trs bolas desta ltima, sem reposio. Qual
a probabilidade de que ocorram trs bolas da mesma cor?
2
12 - A probabilidade de que A resolva um problema de
e a probabilidade de que
3
B resolva de 34 . Se ambos tentarem independentemente, qual a probabilidade do
problema ser resolvido?
13 - Uma companhia de seguros analisou a freqncia com que 2000 segurados usaram o
hospital. Os resultados so apresentados na tabela:
homens
mulheres
usaram o hospital
100
150
no usaram o hospital
900
850
A, B
40%, 20% e 10%. Um desses colgios selecionado ao acaso e 8 alunos so escolhidos, com reposio. Se obtemos RRRMMMMM (R para rapaz e M para moa) qual
a probabilidade de ter sido selecionado o colgio B?
30
Perodo 2003.2
Data:
Aluno(a):
4a
NOTA DE AULA
Variveis Aleatrias
Denio: Seja
funo
um experimento e S
um nmero real,
aleatria.
Exemplo: Lana-se trs moedas honestas. Considere a varivel aleatria:
X:
nmero de caras
RX ,
isto ,
S.
Seja
uma varivel
um evento denido em
A = {s S; X(s) B}
Neste caso dizemos que
so eventos equivalentes.
Denio: Seja
seguinte maneira:
denimos
P (B)
da
RX = {0, 1, 2, 3}
RX )
Exemplo: Considere uma urna com duas bolas brancas e trs vermelhas.
aremos a varivel aleatria
X:
(isto ,
reposio.
Denio:
de
X,
Seja
Portanto
RX ,
o contradomnio
31
x1 , x2 , ...
xi .
xi
(a)
p(xi ) 0, i;
(b)
i=1 p(xi ) = 1.
p(xi ) = P (X = xi ), denominado
p(xi ), i = 1, 2, ... devem satisfazer s seguintes condies:
associaremos um nmero
Os nmeros
A funo
X.
Exemplo: Um empresrio pretende estabelecer uma rma para montagem de um produto composto de uma esfera e um cilindro. As partes so adquiridas em fbricas diferentes,
e a montagem consistir em juntar as duas partes e pint-las. Para estudar a variabilidade
do seu empreendimento, o empresrio quer ter uma idia da distribuio dos lucros por pea
montada. Cada componente pode ser classicada como Bom, Longo ou Curto, conforme
suas medidas estejam dentro das especicaes. Sabe-se que o custo por pea de 5 u.m.
Alm disso, foram obtidos as probabilidades de produo de cada componente com suas
respectivas caractersticas. A Tabela com esses valores se encontra abaixo.
Produto
Cilindro
Esfera
Bom (B)
0,80
0,70
Longo (L)
0,10
0,20
Curto (C)
0,10
0,10
Se o produto nal apresentar algum componente coma caracterstica C, ele ser irrecupervel, e o conjunto ser vendido como sucata ao preo de 5 u.m. Cada componente
longo pode ser recuperado a um custo adicional de 5 u.m. Se o preo de venda de cada
unidade de 25 u.m., como seria a distribuio das freqncias da varivel aleatria L:
lucro por conjunto montado?
Exemplo: Suponhamos que uma vlvula eletrnica seja posta em um soquete e ensa3
iada. Admitamos que a probabilidade de que o teste seja positivo seja ; da, a probabilidade
4
1
de que seja negativo igual a . Adimitamos tambm que estejamos ensaiando uma partida
4
grande dessas vlvulas. Os ensaios continuam at que a primeira vlvula positiva aparea.
Considere a varivel aleatria
X : no
Assim
S=
P (X = n) =
Diz-se que
a)
32
f,
c) para quaisquer
Rb
a
a, b ,
com
teremos
P (a X b) =
f (x)dx.
Exemplo: Suponhamos que a varivel aleatria
f.d.p. f
dada
por
f (x) =
Exemplo: Suponha que estamos atirando dardos em um alvo circular de raio de 10 cm,
e seja
f (x) =
f.d.p.
de
kx, 0 x 10
0, c.c
F
F (x) = P (X x).
como
como
p(xj ),
F (x) =
f (s)ds.
f (x) =
F.d.a.
de
de
Ento, a
F.d.a.
dada por:
33
dada por:
f.d.p.
Teorema 4.4. (a) Seja F a funo de distribuio de uma varivel aleatria contnua,
com f.d.p. f . Ento,
f (x) =
d
F (x),
dx
(b) Seja X uma varivel aleatria discreta, com valores possveis x1 , x2 , ..., e
suponha-se que esses valores tenham sido indexados de modo que x1 < x2 < ... Seja F
a funo de distribuio de X . Ento,
p(xj ) = P (X = xj ) = F (x+
j ) F (xj ).
Observaes:
a) Se
for uma varivel aleatria discreta, com um nmero nito de valores possveis,
o grco
x.
c) A funo de distribuio
Exemplo: Suponha que
Esboce o grco de
F (x) =
e calcule a
x.
0,
x < 0,
x
1 e , x > 0.
f.d.p.
Denio: Seja
Seja
X ),
x1 , x2 , ..., xn , ...
(ou esperana de
E(X) =
i=1 xi p(xi ),
se a srie denida acima convergir absolutamente.
Exemplo: Um fabricante produz peas tais que 10% delas so defeituosas e 90% delas
so no-defeituosas.
X?
denido como
f.d.p f .
O valor esperado de
E(X) =
xf (x)dx.
Pode acontecer que esta integral (imprpria) no convirja. conseqentemente, diremos que
E(X)
|x| f (x)dx
34
for nita.
Exemplo:
Suponha que
seja
o tempo (em minutos) durante o qual um equipamento eltrico seja utilizado em carga
mxima, em um certo perodo de tempo especicado. Suponha-se que
aleatria contnua com a seguinte
f (x) =
Exemplo: Seja
seguinte
f.d.p.:
x
,
15002
(x3000)
,
15002
0,
0 x 1500,
1500 < x 3000,
c.c.
[a, b]
com a
f.d.p.
f (x) =
1
,
ba
0,
a x b,
c.c.
X = C,
Propriedade 2:
Ento,
onde
Suponha-se que
E(X) = C .
E(CX) = CE(X).
Propriedade 3: Sejam
a, b constantes e X
E(aX + b) =
aE(X) + b.
propriedade 4: Seja
H(X)
for uma varivel aleatria discreta assumindo valores x1 , x2 , ... com funo de
P
probabilidade p(xi ), i = 1, 2, ..., ento E[H(X)] =
i=1 H(xi )p(xi );
R +
b) Se X for uma varivel aleatria contnua com f.d.p. f , ento E[H(X)] =
H(x)f (x)dx.
a) Se
V ar(X),
Seja
Denimos a Varincia de
X,
denotada por
da seguinte maneira:
V ar(X)
X.
Teorema 4.5.
V ar(X) = E(X 2 ) [E(X)]2 .
35
V ar(C) = 0.
Propriedade 2: Se
V ar(CX) = C 2 V ar(X).
b)
Propriedade 3: Sejam
= a2 V ar(X).
a, b
constantes e
V ar(aX +
Seja
X=x
P (X = x)
seja
10
0,05
0,15
0,15
0,06
0,06
0,06
0,06
0,06
0,15
0,15
0,05
Portanto
E(X) =
E(X 2 ) =
V ar(X) =
Exemplo: Suponhamos que
f (x) =
1 + x, 1 x 0,
1 x. 0 x 1.
Ento
E(X) =
V ar(X) =
36
f.d.p.
4a
LISTA DE EXERCCIOS
(T )
T
pi
0,1
0,1
0,2
0,2
0,2
0,1
0,1
P (X = k) =
a) Encontre o valor de
b) Calcule a
F.d.a
de
a2k
, k = 1, 2, 3, 4.
k!
a.
X.
= k) = 1/5, k = 1, 2, ..., 5.
2).
P (X = j) = 1/2j ,
j = 1, 2, ...
a) Calcule
P (X
b) Calcule
P (X 5).
c)Calcule
P (X
ser par).
X com
P (X = j) = (1 a)a , j = 0, 1, 2, ...
t,
f (x) = 3x,
f (x) =
x2
2
se
0 x 1.
se
x 0.
37
c)
f (x) =
(x3)
, se
2
3 x 5.
f (x) = 2, se 0 x 2.
1 + x, se 1 x 0
e)f (x) =
1 x, se 0 < x 1.
d)
f )f (x)
= ,
< x < 0.
se
a) Verique que
sejam
f +g
f.d.p.
no uma
no mesmo intervalo
f.d.p.
Se
for um
a x b.
nesse intervalo.
nesse intervalo.
9 - O dimetro
f.d.p.
F.d.a.
tal que
da varivel
X.
x)/4, (1 + 2x)/4
probabilidade?
11 - Uma varivel aleatria
Calcule
E(X)
0, se x 0
5
x
,
se 0 < x < 1
F (x) =
1, se x 1.
tem
V ar(X).
(f.d.p)
para o com-
f (x) =
a)Calcule a
x
,
40
se 4 x 8
se 8 < x 10
10 < x 11.
x
+ 35 ,
20
1
, se
10
F.d.a.
38
Perodo 2003.2
Data:
Aluno(a):
5a
NOTA DE AULA
Seja
x1 , x2 , ..., xk . Dizemos que X segue o modelo Uniforme Discreto se atribui a mesma pro1/k a cada um desses k valores, isto , sua funo de probabilidade dada por
babilidade
P (X = xj ) =
1
, j = 1, 2, ..., k.
k
Exemplo: Uma rifa tem 100 bilhetes numerados de 1 a 100. Tenho 5 bilhetes consecutivos numerados de 21 a 25, e meu colega tem outros 5 bilhetes, com os nmeros 1, 11,
29, 68 e 93. Quem tem maior possibilidade de ser sorteado?
Propriedades
fcil vericar que:
Pk
xi
E(X) = i=1 ,
k
" k
#
P
1 X 2 ( ki=1 xi )2
V ar(X) =
x
.
k i=1 i
k
1p
da seguinte forma:
X = 0,
P (X = 0) = 1 p
P (X = 1) = p.
39
se no ocorre sucesso, ou 1,
P (X = x) = px (1 p)1x , x = 0, 1.
E(X) = p
Note que,
1 p.
probabilidade
e fracasso com
tentativa.
Seja
X:
nmero de sucessos em
X associada
parmetros n e p, que
A varivel aleatria
Binomial com
tentativas.
X : b(n, p).
Teorema 5.1. Seja X uma varivel aleatria binomial com parmetros n e p. Ento
P (X = k) =
n
k
pk (1 p)nk
Teorema 5.2. Seja X uma varivel aleatria binomial com parmetros n e p. Ento
E(X) = np e V ar(X) = np(1 p).
Exemplos:
Um grupo de trs
X=
nmero
a varivel aleatria
P (X = x) = (1 p)x1 p, x = 1, 2, ...
A varivel denida acima chamada de Distribuio geomtrica com parmetro
Notao:
X:
Geomtrica(p).
p.
(i) E(X) =
1
p
(ii) V ar(X) =
1p
p2
Exemplo: Se a probablidade de que um certo ensaio d reao positiva for igual a 0,4,
qual ser a probabilidade de que menos de 5 reaes negativas ocorram antes da primeira
positiva?
P (X s + t | X > s) = P (X > t)
terstica (sucesso). Retiramos dessa populao, sem reposio, uma amostra de tamanho
n.
Seja
X:
P (X = k) =
A varivel
r
k
N r
nk
N
n
dada por
, 0 k n, k r.
p = r/N . Ento
E(X) = np
e
V ar(X) = np(1 p)
(N n)
.
(N 1)
Se
nenhum motor for defeituoso, a caixa aceita. Se pelo menos um for defeituoso, todos os
50 motores so testados. H 6 motores defeituosos numa caixa. Qual a probabilidade de
que seja necessrio examinar todos os motores dessa caixa?
P (X = k) =
e k
, k = 0, 1, 2, ...,
k!
41
> 0,
se sua funo
sendo
X : P o().
com o parmetro
utilizada ser
A notao
e
V ar(X) = .
Exemplo 1: Num livro de 800 pginas h 800 erros de impresso. Qual a probabilidade
de que uma pgina contenha pelo menos 3 erros?
Exemplo 2: Numa central telefnica chegam 300 telefonemas por hora. Qual a probabilidade de que:
a) num minuto no haja nenhum chamado;
b) em 2 minutos haja 2 chamados;
c) em
f.d.p.
f (x) =
(ii)
[a, b],
1
,
ba
0,
a x b,
c.c.
X : U [a, b].
Propriedades: Se
(i)
Notao:
E[X] =
X : U [a, b],
ento
a+b
;
2
V ar[X] =
(ba)2
.
12
42
Notao:
X : Exp().
Propriedades:
a)
E (X) =
1
e
V ar (X) =
1
.
2
s, t > 0,
teremos
= 0, 2.
Vamos
Notao:
X : N (, 2 ) .
Propriedades
(i) Grco: tem a forma de sino;
(ii)
f (x)
x = ;
E (X) =
V ar (X) = 2 ;
43
(v) Seja
X : N (, 2 ),
X
. Mostra-se que Z tambm tem
considere a varivel
Z
V ar(Z) = 1.
distribuio normal.
que
E(Z) = 0
Logo, a
Z =
f.d.p.
de
dada por
1 1 2
f (z) = e 2 z , < z < .
2
Portanto, se
X : N (, 2 ) Z : N (0, 1).
A distribuio de
se encontra tabelada;
P (0 Z z),
z.
Dessa
Exemplos:
1. Considere
X : N (100, 25),
a)
P (100 X 106)
b)
P (89 X 107)
c)
P (112 X 116)
d)
P (X 108)
2. Sendo
X : N (50, 16),
calcular:
determinar
a)
P (X x ) = 0, 05
b)
P (X x ) = 0, 99
x ,
tal que:
44
5a
1 - Seja
X : b(10, 25 ).
Calcular:
a)
P (X = 3);
b)
P (X 2);
c)
P (X 2 < 1);
d)
P (|X 2| 1);
e)
f)
E(X)
LISTA DE EXERCCIOS
V ar(X);
X : b(n, p).
n, p, E(Z), V ar(Z),
2 - Seja
Sabendo-se que
X6
sendo Z =
.
3
E(X) = 12
V AR(X) = 4,
determinar
= 3.
Se
P (X 2);
b)
P (X > 1);
c)
E(X)
V ar(X)
d) Quantas vezes deve, no mnimo, ser lanada a moeda para garantir a ocorrncia
de cara com pelo menos 0,8 de probabilidade?
7 - Numa urna h 40 bolas brancas e 60 bolas pretas.
Retiram-se 20 bolas.
Qual a
45
X : U [0, 4] ,
calcule:
a)
P (X > 2)
Resp. 1/2
b)
P (X 2)
Resp. 1/2
c)
P (1 < X < 2)
d)
Resp. 1/3
e)
Resp. 1
Resp. 1/4
10 - Admite-se que uma pane pode ocorrer em qualquer ponto de uma rede eltrica de 10
km com a mesma probabilidade.
a) Qual a probabilidade da pane ocorrer nos primeiros 500 metros? E de ocorrer nos
3 quilmetros centrais da rede? Resp. 1/20 e 3/10
b) O custo de reparo da rede depende da distncia do centro de servio ao local da
pane. Considere que o centro de servio est na origem da rede e que o custo de
R$ 200,00 para distncias at 3quilmetros, de R$400,00 entre 3 e 8 quilmetros e
de R$ 1000,00 para as distncias acima de 8 quilmetros. Qual o custo mdio do
conserto? Resp. 460
11 - Suponha que o valor esperado de uma varivel aleatria com distribuio uniforme
1 e a varincia igual a 1/12. Encontre a probabilidade da varivel assumir valores
menores que 3/4. Resp. 1/4
12 - Sendo
X:
Exp(1), determine:
a)
P (0 < X < 2)
b)
P (X < 2)
c)
P (1 < X < 4)
d)
P (X > 3)
e)
P (X < 2 | X > 1)
Resp. 0,865
Resp. 0,865
Resp. 0,350
Resp. 0,05
Resp. 0,633
X : N (4, 1) ,
P (X 4)
= 1/20
Resp. 0,779
determine:
Resp. 0,5
46
b)
P (4 < X < 5)
Resp. 0,3413
c)
P (2 X < 5)
Resp. 0,8187
d)
P (5 X < 7)
Resp. 0,1574
e)
P (X 1)
f)
P (0 < X < 2)
15 - Seja
Resp. 0,0013
Resp. 0,0228
X : N (90, 100) ,
determine:
a)
P (X 115)
b)
P (X 80)
Resp. 0,8413
c)
P (X 75)
Resp. 0,0668
d)
P (85 X 110)
Resp. 0,6687
e)
Resp. 0,6826
f ) O valor de
16 - Para
Resp. 0,9938
tal que
X : N (5, 10) ,
a)
P (5 < X 2)
b)
P (X 0)
c)
P (X > 6)
d)
P (7 X 6)
e)
P (|X + 5| > 2) .
P (90 a X 90 + a) = 0, 95.
Resp.
a = 19, 6
calcule:
Resp. 0,3289
Resp. 0,9429
Resp. 0,6255
Resp. 0,1102
Resp. 0,4286
17 - Uma clnica de emagrecimento recebe pacientes adultos com peso seguindo uma
distribuio normal de mdia 130 kg e desvio padro 20 kg. Para efeito de determinar
o tratamento mais adequado, os 25% pacientes de menor peso so classicados de
magros, enquanto os 25% de maior peso de obesos.
delimitam cada uma dessas classicaes. Resp. Magros: 116,6 kg Obesos: 143,4
kg
18 - Um teste de aptido feito por pilotos de aeronaves em treinamento inicial requer
que uma srie de operaes seja realizada em uma rpida sucesso. Suponha que o
tempo necessrio para completar o teste seja distribudo de acordo com uma normal
de mdia 90 minutos e desvio padro 20 minutos.
a) Para passar no teste, o candidato deve complet-lo em menos de 80 minutos. Se
65 candidatos tomam o teste, quantos so esperados passar?
b) Se os 5% melhores candidatos sero alocados para aeronaves maiores, quo rpido
deve ser o candidato para que obtenha essa posio?
47
Perodo 2003.2
Data:
Aluno(a):
6a
NOTA DE AULA
Y.
X,
e o nmero de vestibu-
X
Y
no
sim
no
no
no
sim
sim
no
sim
sim
X
Y
no
no
sim
no
sim
no
no
no
sim
no
Podemos coletar as freqncias de ocorrncia dos possveis pares, construindo uma tabela
de freqncia conjunta de
Y.
(X, Y )
freqncia
Total
Esta mesma tabela pode ser apresentada de maneira mais conveniente atravs da
tabela de dupla entrada, da seguinte forma:
48
X|Y
Total
Total
Dessa forma, ca facilitada a tarefa de obter a tabela de freqncia individual para
cada varivel que, pela posio em que seus valores aparecem na tabela de dupla entrada,
X
Y,
(ou
Y ).
(ou
Y ), ou simplesmente marginal
tabelas de freqncia:
freqncia
Total
freqncia
Total
Seja
x1 , x2 , ..., xm
p(xi , yj ) = P [(X = xi ) (Y = yj )] = P (X = xi , Y = yj ),
isto ,
p(xi , yj )
representa a probabilidade de
(X, Y )
ser igual a
(xi , yj ).
(X, Y )
ao conjunto:
m X
n
X
P (X = xi , Y = yj ) = 1.
i=1 j=1
A distribuio conjunta de probabilidades da varivel
(X, Y )
(Y ).
(X)
49
Sub-regio
10
X
Y
Considerando que escolhemos uma das sub-regies ao acaso, isto , cada sub-regio
tem mesma probabilidade 1/10 de ser escolhida, podemos construir a distribuio conjunta
de
(X, Y ):
(X, Y ) P (X, Y )
Total
X|Y
Total
Total
ou de
Y.
y1
...
yn
X
x1
x2
p(x1 , y1 )
p(x2 , y1 )
...
...
p(x1 , yn )
p(x2 , yn )
p(x1 )
p(x2 )
...
...
...
...
...
...
...
...
...
...
xm
p(xm , y1 )
p(y1 )
...
Total
Total
...
p(xm , yn ) p(xm )
p(yn )
1,0
50
X,
obtida a partir de
X = xi
P (X = xi )
Y = yj
P (Y = yj )
Introduziremos atravs do
seguinte exemplo:
Em uma cidade do Estado de So Paulo, admite-se que o nmero de anos para completar o ensino fundamental (varivel
(varivel
M)
(F, M ) p(f, m)
(8,3)
3/10
(8,4)
1/10
(8,5)
1/10
(9,3)
2/10
(9,4)
1/20
(9,5)
1/10
(10,4)
1/10
(10,5)
1/20
Total
F +M
F.M .
Acrescentando,
tabela anterior, colunas correspondendo aos valores dessas novas variveis temos
51
(F, M ) p(f, m) F + M
(8,3)
3/10
(8,4)
1/10
(8,5)
1/10
(9,3)
2/10
(9,4)
1/20
(9,5)
1/10
(10,4)
1/10
(10,5)
1/20
F.M
W = F.M ,
Z = F +M
para isso basta somar as probabilidades nos valores comuns, por exemplo:
1
1
3
+
= .
10 20
20
W:
Z=z
P (Z = z)
e de
W =w
P (W = w)
11
12
24
13
27
14
32
15
36
40
45
50
X = x,
P (X = x | Y = y) =
Caso
dado que
Y =y
P (X = x, Y = y)
, se P (Y = y) > 0.
P (Y = y)
P (Y = y) = 0, a probabilidade condicional
P (X = x | Y = y) = P (X = x).
adotaremos
Ou
seja,
P (X = x | Y = y) = P (X = x),
para todos os possveis valores
(x, y)
das variveis
(X, Y ).
podemos usar:
P (X = x, Y = y) = P (X = x)P (Y = y),
para quaisquer
(x, y).
Observao:
so independentes
(x0 , y0 )
tal que:
ento,
no so independentes.
tabela:
X|Y
1/5
1/5
1/5
1/5
1/5
Y.
Esta relao pode ser de qualquer tipo, como por exemplo uma
relao linear, quadrtica, exponencial, etc. Nosso objetivo aqui no ser o de determinar
qual o tipo de relao que existe entre as variveis em questo e sim o de medir o grau
de correlao entre estas variveis. Neste curso iremos medir o grau de correlao linear
entre variveis quantitativas discretas. Na literatura existem outras medidas de correlao,
inclusive entre variveis qualitativas, porm este no ser o nosso objetivo aqui neste curso.
Antes de denirmos a medida de correlao linear entre as variveis vamos enunciar
algumas propriedades envolvendo o valor esperado de funes de variveis aleatrias.
Propriedade 1:
Y,
resultado:
Propriedade 2:
Se
E(XY ) = E(X)E(Y ).
Obs: A recproca desta propriedade no verdadeira, ou seja, se
E(XY ) = E(X)E(Y ),
ento no necessariamente verdade que
Exemplo: Considere as variveis
so independentes.
X|Y
-1
2/12
3/12
1/12
1/12
1/12
2/12
2/12
53
Calcule,
E(X), E(Y )
E(XY ).
Depois determine se
so independentes.
so independentes, ento a
X,Y =
Onde,
X Y
Cov(X, Y )
.
X Y
Y.
|X,Y | 1.
interpretao de sua expresso segue os mesmos passos da covarincia, sendo que valores
de
X,Y
prximos de
Propriedade 3:
Sejam
so independentes, ento
Cov(F, M )
F,M
54
6a
LISTA DE EXERCCIOS
10
11
12
13
14
15
total
110
235
120
465
51
122
178
351
15
84
162
261
total
176
441
460
1077
a) Calcule as marginais de A e T.
b) Determine as mdias destas variveis.
3 - Uma moeda equilibrada lanada duas vezes de forma independente. Ao nal dos
lanamentos, duas variveis aleatrias so anotadas: o nmero total de caras (C) e
o nmero de coroas no 2
lanamento (K).
-1
-2
3/64
1/32
0
-1
1/16
1/16
1/64
11/64
5/64
P (Y )
5/16
1/64
3/64
5/16
P (X)
5/16
1/32
1/4
a) Complete a tabela.
b)
so independentes?
c) Obtenha as marginais de X e Y.
55
W = XY.
(X, Y ).
apresentada
na tabela abaixo:
X\ Y
-2
-1
0,1
0,2
0,1
0,2
0,2
0,1
0,1
Y.
so independentes?
c) Calcule
(X, Y ).
6 - Na caixa I existem duas bolas numeradas 0 e 1, enquanto que a caixa II contm duas
bolas numeradas -1 e 0. Uma bola retirada aleatoriamente de cada caixa, de forma
independente uma da outra. A esse experimento, associamos as variveis aleatrias:
nmero da bola retirada na caixa I
(Y )
(X),
(Z).
Xe Y
c) Calcule a Cov(X, Y
d) Obtenha
7 - A varivel
Xe Y
e entre
Z.
Z.
).
V ar (X + Y ) .
Bernoulli com
p = 0, 4
Y : b(3 : 0, 5).
Admita que
independentes.
a) Determine
P (X = 0 | Y = 2) .
E (X) , E (Y )
E (W )
Xe Y
e do produto
e verique que
(X, Y ) .
56
W = XY.
E (W ) = E (X) E (Y ) .
so
Perodo 2003.2
Data:
Aluno(a):
7a
NOTA DE AULA
7.1 Introduo
A Estatstica uma cincia que tem como objetivo a tomada de deciso em situaes de
incerteza. Esta cincia divide-se basicamente em duas partes. A primeira parte conhecida
Denio 7.1 (Populao). A populao um conjunto formado por todos os elementos que possuem pelo menos uma caracterstica observvel.
Parmetro e Estatstica.
Populao e Amostra
1)
2)
nos primeiros 3
meses de uso, quilometragem mdia e uma possvel relao entre estas duas variveis.
57
3)
de TV a
Caractersticas numricas como mdia, varincia e proporo so consideradas parmetros se obtidas pelo uso de dados populacionais e no apresentam incerteza sobre seu real
valor. Por outro lado, quando estas caractersticas so baseadas em dados amostrais (dados
de uma parte da populao) tem-se as estatsticas, as quais podem apresentar diferentes
valores se obtidas a partir de diversas amostras.
58
Entretanto, tal
procedimento no prtico para uma populao muito grande; busca-se, ento, simular tal
sorteio, o que feito pelo uso de uma tabela de dgitos pseudo-aleatrios (Ver Tabela em
Livros de Estatstica), ou ainda, pelo uso de funes aleatrias existentes em programas
computacionais, tais como Excel ou programas especcos para anlise estatstica.
Amostragem Estraticada
Muitas vezes a populao se divide em Sub-populaes ou Estratos, sendo razovel
supor que, de estrato para estrato, a(s) varivel(is) de interesse apresente(m) comportamento(s) substancialmente diverso(s) (comportamento heterogneo), tendo, entretanto,
comportamento(s) razoavelmente homogneo(s) dentro de cada estrato. Em tais casos, se
o sorteio dos elementos da amostra for realizado sem levar em considerao a existncia
dos estratos, pode acontecer que os diversos estratos no sejam convenientemente representados na amostra, a qual seria mais inuenciada pelas caractersticas da varivel nos
estratos mais favorecidos pelo sorteio. Evidentemente, a tendncia ocorrncia de tal fato
ser tanto maior quanto menor o tamanho da amostra. Para evitar isso, pode-se adotar
uma amostragem estraticada.
A amostragem estraticada consiste em identicar os estratos (grupos distintos da
populao), e em especicar quantos elementos da amostra sero retirados em cada estrato.
costume considerar trs tipos de amostragem estraticada:
uniforme, proporcional e
tima. Detalhes sobre estas tcnicas podem ser obtidos em literatura especca.
Amostragem Sistemtica
Uma amostragem sistemtica quando a retirada dos elementos da populao feita
periodicamente, sendo o intervalo de seleo calculado, para uma populaa nita, por
meio da diviso do tamanho da populao pelo tamanho da amostra a ser selecionada.
59
seja a populao que nos interessa constituda por todas as peas produzidas por certa
mquina. Ora, mesmo estando a mquina em funcionamento normal, existe uma parte da
populao que formada pelas peas que ainda vo ser produzidas.
monte de minrio, poderamos por simplicao retirar a amostra de uma camada prxima
superfcie exterior do monte, pois o acesso s pores interiores seria problemtico.
Por exemplo, se desejarmos retirar uma amostra de 100 parafusos de uma caixa
contendo 10.000, evidentemente no faremos uma amostragem casual simples, pois seria
extremamente trabalhosa, mas procederemos retirada simplesmente a esmo. Outro exemplo, poderia ser observar uma amostra de hotis de uma determinada cidade, e que, por um
motivo qualquer, no possumos a listagem dos hotis. Ento, poderamos proceder a uma
amostragem simplesmente a esmo ou ao acaso, buscando hotis localizados em diferentes
bairros, de diferentes tamanhos e estrelas, e caso tivssemos interessados em pesquisar
hotis numa nica rua, procuraramos observar hotis tanto do lado direito, quanto do lado
esquerdo da rua, e evitaramos observar hotis que fossem vizinhos.
Os resultados da amostragem a esmo so, em geral, equivalentes aos de uma amostragem
probabilstica se a populao homognea (elementos com caractersticas bastante semelhantes) e se no existe a possibilidade de o amostrador ser inconscientemente inuenciado
por alguma caracterstica dos elementos da populao.
60
Amostragens intencionais
Enquadram-se aqui os diversos casos em que o amostrador deliberadamente escolhe
certos elementos para pertencer amostra, por julgar tais elementos bem representativos
da populao.
O perigo desse tipo de amostragem obviamente grande, pois o amostrador pode
facilmente se equivocar em seu pr-julgamento.
populao um outro problema associado amostragem. O tamanho amostral deve minimizar os custos operacionais da amostragem e ser tanto maior quanto for a variabilidade
das caractersticas populacionais a serem estudadas.
X : valor assumido
X dada por:
{1, 3, 5, 5, 7}.
X=x
P (X = x)
61
X1
extrao e
X2
X2 .
X.
Observe que
X1
X2
(X1 , X2 )
e as distribuies marginais de
X1
Denio 7.6. Um parmetro uma medida usada para descrever uma caracterstica
da populao.
E(X)
e a sua Varincia
V ar(X).
Denio 7.7. Uma estatstica uma caracterstica da amostra, ou seja dada uma
amostra aleatria X1 , X2 , ..., Xn de uma populao X , deniremos uma estatstica T
como qualquer funo de X1 , X2 , ..., Xn , ou seja T = f (X1 , X2 , ..., Xn ).
Assim, dada uma amostra aleatria
mdia amostral
X1 , X2 , ..., Xn ,
= 1 (X1 + X2 + + Xn ).
X
n
X1 , X2 , ..., Xn uma amostra aleatria, uma pergunta natural seria o que aconT quando retiramos todas as amostras de uma populao conhecida
segundo um plano amostral adotado, ou seja qual a distribuio de T quando X1 , X2 , ..., Xn
Sendo
assume todos os valores possveis. Essa distribuio ser chamada de distribuio amostral
da estatstica
T.
= x
X
P (X = x)
Total
S2 = s
P (S 2 = s)
Total
62
Teorema 7.1. Seja X uma varivel aleatria com mdia e varincia 2 , e seja
(X1 , X2 , ..., Xn ) uma amostra aleatria de X . Ento,
=
E(X)
2
= .
V ar(X)
n
Um teorema bem mais forte do que este o que se refere distribuio de probabilidade
da varivel
.
X
Teorema 7.2 (Teorema Central do Limite). Para amostras aleatrias (X1 , X2 , ..., Xn ),
retiradas de uma populao com mdia e varincia 2 nita, a distribuio amostral
da mdia X aproxima-se, para n sucientemente grande, de uma distribuio normal,
com mdia e varincia 2 /n.
Observaes:
No teorema acima no zemos nenhuma suposio sobre a natureza das distribuies
das variveis
X1 , X2 , ..., Xn ,
X1 , X2 , ..., Xn
for a mdia
X
< 110).
P (90 < X
a) Se
calcule
p.
portador da caracterstica e
X = 0,
como:
p.
Logo,
se o indivduo for
X = 1,
63
ou seja, a distribuio de
do Limite para a varivel
p
p =
Sn .
obtida da distribuio de
Sn
, temos que:
n
p N
p(1 p)
p,
n
.
Exemplo: Suponha que 30% dos estudantes de uma escola sejam mulheres, colhemos
uma amostra aleatria de 10 estudantes e calcula-se a proporo amostral de estudantes
do sexo feminino. Qual a probabilidade de que
p dira
de
em menos de 0,01?
,
X
mdia amostral,
determinar o valor de
n.
de modo que
) = ,
P (X
com
0<<1
>0
xados.
Z
P X = P X = P
= ,
)n/ . Logo, podemos obter z/2 da N (0, 1), tal que P (z/2 Z
onde Z = (X
z/2 ) = , de modo que
n
z/2 =
,
Como
N (, 2 /n),
X
ento
n=
2
2 z/2
2
2,
para re-
solver este problema utiliza-se uma pequena amostra piloto para estimar o valor da varincia
populacional ou ento baseia-se em alguma informao prvia sobre a mesma.
Exemplo: Suponha que uma pequena amostra piloto de tamanho 10, extrada de uma
= 15 e S 2 = 16. Fixando-se = 0, 5 e = 0, 95, calcule
populao, forneceu os valores X
o valor de
n.
P
2
(Xi X)
, a varincia amostral.
(n1)
tatstica para se estimar a varincia populacional.
Observao:
S2 =
64
7a
LISTA DE EXERCCIOS
D,
seguir:
D
pi
0,5
0,4
0,05
0,05
(D1 , D2 ),
1 =
D1 D2
2 = max(D1 , D2 ) min(D1 , D2 ).
N (2, 2).
Determine
N (70, 100),
1/4?
(Resp. 1692)
65
p(1p)
Perodo 2003.2
Data:
Aluno(a):
NOTA DE AULA
8a
Estimao de Parmetros
8.1 Introduo
Neste captulo iremos estudar as propriedades de um estimador e a estimao intervalar.
No iremos abordar os mtodos de estiamao pontual, mas justicaremos porque
p,
respectivamente.
ou seja
Exemplo 8.2. Considere uma populao com N elementos. Assim, a varincia populacional 2 denida como:
N
1 X
(Xi )2 ,
=
N i=1
2
onde, =
1
N
PN
i=1
Xi a mdia populacional.
66
1X
2.
=
(Xi X)
n i=1
2
S2 =
1 X
2.
(Xi X)
n 1 i=1
aumenta, seu valor esperado converge para o parmetro de interesse e sua varincia
converge para zero. Ou seja, consistente se as duas propriedades abaixo so satisfeitas:
= ;
(i) limn E()
= 0.
(ii) limn V ar()
Observao:
Se o estimador
no viciado para
se
= 0.
limn V ar()
e
N (, 2 ). Considere os estimadores
1 = X
2 = mediana(X1 , X2 , ..., Xn ). Sendo
2
E(
2 ) = e V ar(
2 ) =
, quem mais eciente para ?
2n
mais informativa para o parmetro de interesse que inclua uma medida de preciso do valor
obtido.
intervalo de conana,
incorpora,
67
0<<1
z/2
e
P < z/2 = ,
/ n
ou seja,
P
| < z/2
|X
n
= ,
P
da,
P
< z/2
z/2 < X
n
n
= ,
= .
dado por
z/2 ; X
+ z/2 ,
IC(, ) = X
n
n
Observe que a expresso
seja
Exemplo 8.5. Suponha que os comprimentos de jacars adultos de uma certa raa
siga o modelo normal com mdia desconhecida e varincia igual a 0,01 m2 . Uma
amostra de dez animais foi sorteada e forneceu mdia 1,69 m. Calcule um intervalo de
conana para o parmetro desconhecido .
Observao: A amplitude do intervalo de conana dada pela diferena entre o
68
2z/2 n .
Exemplo 8.6. A vida mdia de baterias automotivas de uma certa marca est sendo
estudada. Baseado em estudos similares, com outras marcas, possvel admitir que
a vida til dessas baterias segue uma distribuio normal com desvio padro de 4,5
meses. De qual tamanho dever ser a amostra, para que a amplitude do intervalo de
90% de conana para a vida mdia seja de 3 meses?
p N
p(1 p)
p,
n
"
IC(p, ) = p z/2
.
p(1 p)
; p + z/2
n
dado por
#
p(1 p)
.
n
0 p 1.
p(1 p)
p(1 p)
Uma possvel
por 1/4:
"
1
; p + z/2
4n
#
1
.
4n
de
p,
Ao utilizarmos
IC1 .
Exemplo 8.7. Numa pesquisa de mercado, 400 pessoas foram entrevistadas sobre de-
terminado produto, e 60% delas preferiram a marca A. Construa um intervalo de conana para p com coeciente de conana = 0, 95.
69
Denio 8.6. Uma v.a. T dita ter distribuio t de Student com n graus de liberdade, se sua f.d.p. da forma
[(n + 1)/2]
fn (t) =
(n/2) n
onde (p) =
R
0
xp1 ex dx,
t2
1+
n
(n+1)/2
, < t < ,
Observaes:
(i) Notao:
T : t(n) ;
(ii) Essa distribuio leva este nome em homenagem ao estatstico ingls W.S. Gosset,
que publicou sua pesquisa sob o pseudnimo de Student;
(iii) O grco de
fn (t)
1
2
lim fn (t) = et /2 .
n
2
(iv) Em virtude da importncia desta distribuio, ela se encontra tabulada.
fornece o valor de
0 < < 1,
onde
tc ,
Tn
tem
X : N (, 2 ) com e
X1 , ..., Xn de X , pode-se
que
)
(X
: t(n1) ,
S/ n
onde
S2 =
1
n1
Pn
Assim, dado
i=1 (Xi
2.
X)
0<<1
teremos
(X )
P
t = ,
S/ n
onde
= 1 ,
A tabela
tal que
P (t T(n1) t ) = .
70
de
desconmostrar
1 ,
dado por
S
S
X t ; X + t .
n
n
Exemplo 8.8. Numa grande empresa uma amostra aleatria de 20 empregados forneceu
a idade mdia igual a 32,8 e desvio padro 5,3. Estimar a idade mdia de toda a empresa com uma conana de 99%. Que suposio devemos fazer para estimar a idade
mdia?
medicamento pode ser considerado como tendo distribuio normal. Vinte pacientes
foram sorteados, receberam o medicamento e tiveram seu tempo de reao anotado. Os
dados foram os seguintes (em minutos): 2,9; 3,4; 3,5; 4,1; 4,6; 4,7; 4,5; 3,8; 5,3; 4,9;
4,8; 5,7; 5,8; 5,0; 3,4; 5,9; 6,3; 4,6; 5,5 e 6,2. Obtenha um intervalo de conana para
o tempo mdio de reao. Use = 0, 95.
71
8a
LISTA DE EXERCCIOS
1 - De uma populao normal com varincia igual a 16, levantou-se uma amostra,
obtendo-se as observaes: 10, 5, 10, 15. Determinar ao nvel de 87% um IC para a
mdia da populao.
Resp. [4,98; 11,02]
2 - A experincia com trabalhadores de uma certa indstria indica que o tempo necessrio
para que um trabalhador, aleatoriamente selecionado, realize uma tarefa distribudo
de maneira aproximadamente normal, com desvio padro de 12 minutos.
amostra de 25 trabalhadores forneceu
ana de 95% para a mdia
x = 140
Uma
e varincia
2,
de que so extradas
b1 = 12 X1 + 12 X2
b2 = 14 X1 + 34 X2 .
a) Qual ou quais dos estimadores acima so no-viesados para
250, 265, 267, 269, 271, 275, 277, 281, 283, 284,
287, 289, 291, 293, 293, 298, 301, 303, 306, 307,
307, 309, 311, 315, 319, 322, 324, 328, 335, 339.
72
= 0, 5,
7 - Sendo
intervalo de 95% de conana para a mdia adimitindo-se que nossa estimativa tenha
um erro de 10%.
Resp.
n = 96
ni
0 5
5 10
10 15
15 20
p.
p1 =
X
n
(ii)
Seja
p2 =
p2
p1
p2
so consistentes.
73
p?
Perodo 2003.2
Data:
Aluno(a):
9a
NOTA DE AULA
Testes de Hipteses
9.1 Introduo
At o presente momento consideramos o problema de estimarmos um parmetro desconhecido da populao tanto pontualmente como atravs de um intervalo de conana. Apresentaremos agora, outra maneira de tratar o problema de fazer uma armao sobre um
parmetro desconhecido. Em vez de procurarmos uma estimativa do parmetro, freqentemente nos parecer conveniente admitir um valor hipottico para ele e, depois, utilizar a
informao da amostra para conrmar ou rejeitar esse valor hipottico.
A Inferncia Estatstica fornece um processo de anlise denominado
Teste de Hipte-
H0 :
hiptese nula
H1 :
hiptese alternativa
Geralmente, a hiptese
H1
H0
1. Teste bilteral
H0 : = 0
H1 : 6= 0
2. Teste unilateral direita
H0 : = 0
H1 : > 0
74
H0 ,
a hiptese
H0 : = 0
H1 : < 0
Denio 9.1 (Erro Tipo I). Rejeita-se H0 , sendo H0 verdadeira. Denotando por
a probabilidade de se cometer esse erro, teremos
= P (rejeitar H0 | H0 verdadeira).
Denio 9.2 (Erro Tipo II). No rejeita-se H0 quando H0 falsa. Denotando por
se a hiptese
H0
ou
no aceitvel. Essa deciso tomada atravs da considerao de uma regio crtica RC.
Ou seja, RC a regio onde rejeitaremos
H0 .
P ( RC | H0 verdadeira) = ,
onde
xado a priori.
H0
ser verdadeira.
A probabilidade
H0
(ii) Usa-se a teoria estatstica e as informaes disponveis para decidir qual estatstica
(estimador) ser usada para testar a hiptese
(iii) Fixa-se a probabilidade
H0 ;
H0 ,
a partir de
= P (rejeitar H0 | H0 verdadeira).
75
H0 ,
caso contrrio, no
H0 .
a)
H 0 : = 0
H1 : > 0
H 0 : = 0
H1 : < 0
b)
c)
H 0 : = 0
H1 : 6= 0
=
X
Xi
. Assim, pelo T.C.L. sabemos que
n
X
N (0, 1).
/ n
(iii) Fixado o nvel de signicncia do teste
()
e supondo
H0
n
o i
i
a) RC = x
; P X 0 z 1 n ou X 0 + z 1 n = = ; 0 z 1 n
2
2
2
h
h
0 + z 1 n ; .
2
A regio crtica tambm pode ser escrita em termos de valores padronizados, ou seja
n
o i
i
h
h
RCp = z; P |Z| z 1 = = ; z 1 z 1 ; .
2
b)
n
o h
h
RC = x; P X 0 + z 12 n = = 0 + z 1 n ; .
2
Ou ento,
n
o h
h
RCp = z; P Z > z 12 = ) = z 12 ; .
2
c)
n
o i
i
RC = x; P X 0 z 12 n = = ; 0 z 12 n .
2
n
o i
i
RCp = z; P Z z 12 = ) = ; z 12 .
2
76
Ou ento,
(iv) Estatstica de teste: dada uma amostra de tamanho n, a estatstica de teste ser x
0 =
Pn
i=1 xi
, ou ento, considerando o intervalo com valores padronizados, a estatstica
n
de teste ser:
x0 0
.
z0 =
/ n
(v) Concluso: se
x0 RC
ou
z0 RCp ,
rejeitamos
H0 ,
H0 .
Exemplo 9.1. Seja X uma populao normal com varincia 36. Dessa populao,
toma-se uma
amostra de tamanho 16, obtendo-se x = 43. Ao nvel de 10%, testar as
H0 : = 45
H1 : 6= 45
hipteses:
Exemplo 9.2. Uma fbrica anuncia que o ndice de nicotina dos cigarros da marca X
fabricao e acredita que aumentar a resistncia mdia, que de 206 kg. A resistncia
das lajotas tem distribuio normal com desvio padro de 12 kg. Retira-se uma amostra
de 30 lajotas, obtendo-se x = 210 kg. Ao nvel de 10%, pode o fabricante aceitar que a
resistncia mdia de suas lajotas tenha aumentado?
1 p.
onde
X =1
com probabilidade
sabemos que
p N
p(1 p)
p,
n
.
H0 : p = p 0
H1 : p 6= p0
H0 : p = p 0
H 1 : p > p0
H0 : p = p 0
H 1 : p < p0
a)
b)
c)
77
mente:
p0 (1p0 )
]
n
RC = [0, p0 z 1
[p0 + z 1
2
2
q
p0 (1p0 )
b) RC = [p0 + z 12
, 1].
n
2
q
p0 (1p0 )
].
c) RC = [0, p0 z 12
n
a)
p0 (1p0 )
, 1].
n
Onde
3. A estatstica de teste
p avaliada
P (0 Z z ) =
Z : N (0, 1).
Exemplo 9.4. Uma estao de televiso arma que 60% dos televisores estavam lig-
ados no seu programa especial da ltima segunda-feira. Uma rede competidora deseja
contestar essa armao e decide usar uma amostra de 200 famlias para um teste.
Qual deve ser o procedimento adotado para avaliar a veracidade da armao da estao, adimitindo-se que, das 200 famlias pesquisadas, 104 estavam assistindo ao programa? Utilize um nvel de 5%.
)
(X
: t(n1) .
S/ n
Assim, a estatstica do teste ser
T =
(X)
.
S/ n
a)
H 0 : = 0
H1 : 6= 0
H 0 : = 0
H1 : > 0
H 0 : = 0
H1 : < 0
b)
c)
por:
a)
i
i
h
h
RC = , 0 t Sn 0 + t Sn , .
78
b)
c)
h
h
RC = 0 + t2 Sn , .
i
i
RC = , 0 t2 Sn .
Onde
P (|T | < t ) = 1
T : t(n1) .
Exemplo 9.5. Um fabricante arma que seus cigarros contm no mais que 30 mg de
Exemplo 9.6. Estamos desconados de que a mdia das receitas municipais per capita
das cidades pequenas (0-20.000 habitantes) maior do que a das receitas do estado,
que de 1.229 unidades. Para comprovar ou no essa hiptese, sorteamos dez cidades
pequenas, e obtivemos os seguintes resultados: 1.230; 582; 576; 2.093; 2621; 1045;
1439; 717; 1838; 1.359.
obs: Para facilitar os clculos, informamos que a soma das observaes 13.500, e
a soma dos quadrados das observaes 22.335.650, alm disso, 13.5002 = 182.250.000.
a) Mostre que o teste de hiptese usado, com = 0, 05, levar aceitao de que
a mdia das cidades pequenas igual do estado.
b) Voc no acha estranha essa concluso quando observa que a mdia da amostra
obtida bem maior do que a mdia do estado? Como voc explicaria isso?
79
9a
LISTA DE EXERCCIOS
mdia de 167 cm. Podemos armar, ao nvel de 5%, que essa amostra formada por
indivduos daquele pas?
2 - Lana-se uma moeda 100 vezes e observa-se 40 caras.
ni
1` 3
`5
5 ` 7
7` 9
9` 11
11` 13
13` 15
13
14
10
5
2
80