Curso Probabilidade e Estatistica PDF

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus I
DEPARTAMENTO DE MATEMTICA E ESTATSTICA

Disciplina: Probabilidade e Estatstica (6 crditos - Engenharias)
Perodo 2004.1
Professores: Alexsandro Cavalcanti, Amanda dos Santos e Rosngela Silveira

Aluno(a):
1a
Data:
NOTA DE AULA
Introduo Estatstica
1.1 A Cincia Estatstica

O conceito de Estatstica pode ser considerado de duas maneiras. O primeiro conceito,
logo relaciona a Estatstica com tabelas e grcos nos quais os dados obtidos so representados, ou melhor, relaciona a nmeros especcos. Ouvimos, assim, falar em estatsticas
do IBGE, estatsticas relacionadas sade e educao, ndices econmicos, pesquisas de
opinio, etc.
Um segundo conceito refere-se ao conjunto de processos ou tcnicas em-
pregadas na investigao e anlise de fenmenos.
Neste caso, a Estatstica a cincia
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.
Denio 1.1 (Estatstica). A Estatstica uma cincia que se preocupa com a
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.
Estatstica Descritiva - que se preocupa com a organizao e descrio dos dados

experimentais;
2.
Estatstica Inferencial - que, a partir da observao de alguns dados experimentais,

realiza a anlise e interpretao de dados com o objetivo de generalizar e prever
resultados, utilizando-se para isto da Teoria das Probabilidades.
Nesta disciplina, sero abordados tpicos referentes estatstica descritiva, conceitos

fundamentais de probabilidade e os modelos probabilsticos mais importantes para o estudo
da inferncia estatstica.
1.2 Conceitos Fundamentais

Um dos principais conceitos utilizados na estatstica o de populao.
1.2.1 Populao e Amostra

Denio 1.2 (Populao). A populao um conjunto de todos os elementos (pessoas, objetos, etc) que possuem pelo menos uma caracterstica em comum, a(s) qual(is)
os relacionam ao problema que est sendo estudado.
Exemplo 1.1. Se o problema a ser pesquisado est relacionado com a qualidade de um
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;
Exemplo 1.2. Se o objetivo de um estudo pesquisar o nvel de renda familiar de uma
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.
Finita - quando o nmero de unidades de observao pode ser contado e limitado;
2.
Innita - quando a quantidade de unidades de observao ilimitada;
Podemos citar como exemplo de
populao nita o conjunto formado pelos alunos
que cursam a disciplina de estatstica num determinado semestre da UFCG. Um exemplo de
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 1.3 (Amostra). A amostra apenas uma parte da populao, ou seja,

um subconjunto da populao.
Vrios motivos levam a necessidade de se observar apenas uma parte da populao,

como, por exemplo: a falta de tempo, recursos nanceiros e/ou humanos. A amostra deve
ser obtida atravs de tcnicas de amostragem, as quais tem como objetivo principal garantir
a representatividade da populao, ou seja, fazer com que a amostra seja um retrato el
da populao.
Exemplos de amostra podem ser considerados por conjuntos formados por apenas uma
parte dos elementos populacionais descritos nos exemplos 1 e 2.
1.2.2 Parmetro e Estatstica

Dois novos conceitos estreitamente relacionados com os de populao e amostra so
os de
Parmetro e Estatstica, tendo em vista que:

2
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.
1.2.3 Variveis (ou Dados) e Tipos de Variveis

Denio 1.6 (Varivel). Uma Varivel nada mais que uma caracterstica (ou
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-
Variveis Qualitativas - quando os valores que elas podem receber so referentes

qualidade, atributo ou categoria. Exemplos so:
Raa: podendo assumir os valores Branco ou Negro;
Resultado de um teste: aprovado ou reprovado;
Escolaridade:
Conceito de qualidade: pssima qualidade, regular ou boa qualidade.
grau completo,
grau completo, superior, ps-graduado;
As variveis qualitativas podem, ainda, ser classicadas como:
nais.
(a) As
variveis qualitativas nominais
Nominais ou Ordi-
- so caracterizadas por dados que se
apresentam apenas sob o aspecto qualitativo (Ex: raa e resultado de um teste).

(b) As
variveis qualitativas ordinais
aprentam uma ordenao natural.

qualidade.
- so caracterizadas por categorias que
Por exemplo:
escolaridade e conceito de
2.
Variveis Quantitativas - quando os valores que ela pode assumir so numricos,

os quais podem ser obtidos atravs de uma contagem ou mensurao.
As variveis quantitativas podem ser classicadas de acordo com o processo de
obteno; podendo ser:
(a) As
Discreta ou Contnua.
variveis quantitativas discretas - so variveis numricas obtidas a partir
de procedimento de contagem.
Por exemplo:
Quantidade de pessoas numa
famlia, quantidade de acidentes numa indstria, etc.

(b) As
variveis quantitativas contnuas - so variveis numricas cujos valores
so obtidos por um procedimento de mensurao, podendo assumir quaisquer

valores num intervalo dos nmeros reais, como por exemplo, a temperatura,
altura, salrio, etc..
Observao 1. O fato de uma varivel ser expressa por nmeros no signica que ela
seja necessariamente quantitativa, por que a classicao da varivel depende de como

foi medida, e no do modo como se manifesta. Por exemplo, para a varivel peso de
um lutador de boxe, se for anotado o peso marcado na balana, a varivel quantitativa
contnua; por outro lado, se esse peso for classicado segundo as categorias do boxe, a
varivel qualitativa ordinal.
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?
Justique a sua resposta por intermdio de um
exemplo.
5 - Como voc diferencia uma varivel discreta de uma varivel contnua?
Utilize um
exemplo para melhor ilustrar.

6 - Dena e/ou explique com suas prprias palavras, o que voc entende por amostragem.
7 - Qual o principal objetivo de qualquer plano de amostragem?
8 - As estatsticas geradas por intermdio de uma amostra devem ser representativas
desta amostra ou da populao de origem? Justique a sua resposta.
9 - Para que uma amostra seja representativa, necessrio apenas que a mesma tenha
um tamanho apropriado? Justique a sua resposta.
10 - A Revista dos Eventos,
13,
tentando sanar, ao menos parcialmente, a carncia

1a PESQUISA -
de informaes precisas sobre a indstria de eventos, promoveu a

O Mercado de Congressos no Brasil.
Os resultados desta pesquisa se baseiam em
40 questionrios respondidos sobre um total de 1000, os quais foram encaminhados

por entrega pessoal a dirigentes de entidades integrantes do cadastro da prpria
Revista dos Eventos. Qual o problema ou a limitao desta pesquisa? Pelo menos
teoricamente, qual seria o melhor procedimento para este tipo de pesquisa, j que a
empresa possui um cadastro das entidades?
11 - Classique cada uma das informaes (variveis) abaixo, de acordo com os tipos de
variveis.
a) Nome
b) Nvel de satisfao
c) Idade
d) Nmero de dias hospedado

Perodo 2004.2
Professores: Alexsandro Cavalcanti, Amanda dos Santos e Rosngela Silveira

Aluno(a):
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.
2.1 Organizao de dados: Tabelas e Grcos

2.1.1 Distribuio de Frequncias
O primeiro passo para se resumir um conjunto de dados orden-los em ordem crescente ou decrescente, e proceder a contagem do nmero de ocorrncia (freqncia) de cada
dado. ordenao dos dados denominamos de Rol. Assim, o rol para o conjunto de dados
da Figura 1 ca:
Rol de dados:
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.
Uma maneira adequada de apresentar os dados e suas respectivas freqncias atravs
Tabela de Freqncias, a qual constituda por uma coluna referente aos

dados e outra referente s freqncias associadas a cada valor observado (ni ). Veja
de uma
como ca para o conjunto de dados da Figua 1:
Tabela 1: Tabela de Freqncias da varivel

idade, para um grupo de 12 pessoas.
Idade
Frequncia (ni )
12
15
17
18
19
20
Total de observaes (n)
12
Uma medida bastante til na interpretao de tabelas de freqncias a freqncia

relativa (fi ), a qual dada pela razo entre a freqncia do i-simo valor observado, ni e o
total de dados observados,
n.
Pode-se, ainda, representar a freqncia relativa em termos
de porcentagem, bastando para isso multiplicar a freqncia relativa
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:
Tabela 2: Tabela de Freqncias da varivel

idade, para um grupo de 12 pessoas.
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
(%)
Ao conjunto de todos os pares de valores, referentes a cada dado obser-
vado e sua respectiva freqncia, denominamos de Distribuio de Freqncias. Desta

forma, os pares
(12, 2), (15, 3), (17, 1), (18, 4), (19, 1)
(20, 1)
de freqncias da varivel idade para esse grupo de pessoas.
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.
Para ilustrar, veja como ca este grco para a
distribuio de freqncias da varivel idade, utilizando a freqncia absoluta e relativa em

termos de porcentagem:
Figura 1:
Figura 2:
2.1.2 Distribuio de Frequncias para Dados Agrupados em Classes

Em algumas situaes, necessrio o agrupamento de dados em categorias ou classes
para se proceder a construo de uma tabela de freqncias. Por exemplo, em um conjunto
de dados contnuos, um mesmo valor no ocorrer com grande freqncia, ou at mesmo,
no se repetir por mais de uma vez.
Uma vantagem em agrupar os dados em classes
consiste na organizao de grandes conjuntos de dados de forma mais clara e objetiva.

Por outro lado, uma desvantagem, consiste na perda de informaes por no se saber
exatamente quais os valores ocorridos dentro de cada classe.
Para ilustrar como proceder a construo de uma tabela de freqncias em classes,
considere o seguinte conjunto de dados:
Tabela: Dados referentes s notas no
Cdigo do aluno
Nota
1o
estgio de 20 estudantes de estatstica.
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:
1. Organizar os dados num

2. Estabelecer o
Rol.
Nmero de Intervalos (categorias ou classes) para se dividir o con-
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
o nmero total de observaes.
Amplitude Total:
AT ot = xmax xmin
Onde
xmax
4. Determinar a
xmin
o valor mximo e mnimo observado no conjunto de dados.
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
- para indicar que o valor extremo inferior (li ) no pertence
i sima
classe, enquanto que o valor extremo superior (Li ) pertence.

(b)
li |Li
- para indicar que o valor extremo inferior (li ) pertence
isima classe,
enquanto que o valor extremo superior (Li ) no pertence.

6. Aps todos estes passos, s resta proceder a contagem do nmero de observaes
pertencentes cada uma das classes e organizar estas informaes numa tabela de
freqncias para dados agrupados.
De acordo com estes passos, o conjunto de dados anterior pode ser organizado como:
(Construir
a tabela de freqncias para dados agrupados)
Representao Grca de uma Varivel Quantitativa Contnua - Histograma

Para a representao grca de variveis quantitativas contnuas necessrio alguma
adaptao do grco de colunas, uma vez que, em geral, necessrio agrupar os dados em
classes e conseqentemente h perda de informaes.
Histograma
- um grco indicado para representar dados agrupados em classes.
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
o histograma para a distribuio de freqncias em classes)
2.2 Medidas Resumo para Variveis Quantitativas

Nesta seo veremos algumas medidas que tem como objetivo resumir um conjunto
de dados em um nico valor o qual possa fornecer informaes sobre o comportamento dos
dados, ou seja, sobre a distribuio de freqncias da varivel.
2.2.1 Medidas de Tendncia Central

As medidas de tendncia central so bastante utilizadas e representam o centro ou o
meio de um conjunto de dados. As principais so: a mediana, a moda, e a mdia aritmtica.
A seguir estas medidas so denidas e obtidas para os dois seguintes conjuntos de
dados que representam o nmero de gols registrados em cada partida de futebol, durante
5 e 6 jogos, respectivamente:
Conjunto de dados 1:
Nmero de gols por partida de futebol, em 5 jogos.
10
Conjunto de dados 2:
Nmero de gols por partida de futebol, em 6 jogos.
1.
Mediana - o valor que divide o conjunto de dados ordenados em duas partes

iguais, ou seja, 50% das unidades observadas possuem valores menores ou iguais ao
valor mediano e as demais 50% possuem valores acima da mediana.
Para se obter o valor da mediana necessrio os seguintes passos:
1)
Ordenar o conjunto de dados em ordem crescente (ou descrescente);
2)
Identicar a posio central do conjunto de dados, ou seja, a posio onde
se encontra o valor da mediana.
Esta(s) posio(es) pode(m) ser vericada(s)
utilizando-se as seguintes frmulas:

(a)
(b)
total de observaes, n, mpar.
n+1
, se o
2
o valor observado na posio
PM d =
Assim, a mediana ser
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 =
valores observados nestas duas posies.

Notao:
Md
ou
M d(X).
11
Exemplo 1:
A partir do conjunto de dados 1, pode-se obter o seguinte rol de dados:

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:
Ordenando em ordem crescente o conjunto de dados 2, teremos o
seguinte rol de dados:

1
dois
2|{z}3
valores
centrais
n = 6, par, e, portanto, existem dois

P 1M d = n2 = 62 = 3 e P 2M d = n2 + 1 =
Agora, neste caso, o nmero de observaes,

valores centrais localizados nas posies
3 + 1 = 4.
Assim, a mediana ser a mdia aritmtica dos valores que se encontram
nestas duas posies, dada por:
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)
Obter o valor que representa a metade do total de observaes:
2)
Utilizar a seguinte regra:
(a) Se
PM d
for um nmero
PM d =
n
;
2
no inteiro, ento, arredonda-se o valor de PM d
para
o maior inteiro mais prximo, e, assim, o valor da mediana estar nesta nova
posio obtida.
PM d for um nmero inteiro, ento o valor da mediana ser a mdia aritmtica

dos valores que esto nas posies PM d e PM d + 1.
(b) Se
Exemplo 3:
Utilizando-se os procedimentos descritos na observao acima, temos

n
que, para o conjunto de dados 1, PM d =
= 52 = 2, 5 (no inteiro), logo o valor da
2
mediana estar na posio PM d = 3 (maior inteiro mais prximo), que dado por
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 =
dada pela mdia aritmtica dos valores observados nas posies
3 + 1 = 4:
Md =
xP1M d + xP2M d
2+3
=
= 2, 5.
2
2
12
PM d = 3 e PM d +1 =
2.
Moda
- o valor (ou os valores) no conjunto de dados que ocorre(m) com maior
freqncia.
Notao:
Mo
ou
Exemplo 5:
Mo (X).
O primeiro conjunto de dados,
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:
O segundo conjunto de dados,
1 2 2 3 5 5, dito ser bimodal,
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:
soma dos valores

total de observaes
(n)
x.
A partir do conjunto de dados 1, a mdia obtida por:
M e(X) = x =
Observao:
1)
P A mdia aritmtica
(sigma).
ou
soma dos valores

total de observaes
(n)
1+2+2+3+5
= 2, 6.
5
pode ser expressa atravs do uso do smbolo de somatrio
Por exemplo, se
x 1 , x2 , . . . , x k
so
valores distintos da varivel
X,
podemos escrever:
M e(X) = x =
x1 + x2 + . . . + xk
1X
=
xi
k
k i=1
n valores observados (ou observaes), x1 ocorreu n1 vezes,

xk ocorreu nk vezes, ento a mdia de X pode ser reescrita
Agora, se, de um total de
x2
ocorreu
n2
vezes,...,
como:
x1 .n1 + x2 .n2 + . . . + xk .nk

1X
M e(X) = x =
=
xi .ni
n
n i=1
=
k
X
i=1
k
X
i=1
Onde:
13
(1)
ni
n
(2)
xi .fi .
(3)
xi .
ni
freqncia absoluta do valor observado
n=
fi
Pk
i=1
ni
o total de observaes, e,
freqncia relativa do valor observado
Exemplo 8:
xi ,
xi .
A partir do segundo conjunto de dados,
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:
Dado o seguinte conjunto de dados:
12
12
15
15
15
17
18
18
18
18
19
20
Determine a mdia, moda e mediana.
Soluo:
2.2.2 Medidas de Tendncia Central para Dados Agrupados

Sabemos que ao agrupar um conjunto de dados em classes, perde-se informao sobre
cada valor individual e, no caso em que seja impossvel recuperar cada valor observado,
pode-se supor que todos os dados dentro de uma classe tenham seus valores iguais ao
ponto mdio desta classe.
Assim, pode-se, por exemplo, utilizar os pontos mdios das
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:
Dada a seguinte distribuio de freqncia da varivel
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
Determine o valor (aproximado) da mdia, moda e mediana.
14
S =salrio
(dados
Soluo:
2.2.3 Medidas de Disperso ou de Variabilidade

Na sumarizao de um conjunto de dados, uma nica medida representativa da posio
central, esconde toda a informao sobre a variabilidade dos dados. Veja, por exemplo, os
seguintes dados:
Note que a mdia
Varivel
X: 3 4 5 6 7
Varivel
Y : 3 5 5 7
M e(X) = M e(Y ) = 5,
a qual nada informa sobre a variao dos
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
Denio 2.1 (Varincia). - uma medida que representa a variabilidade de um
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
Vejamos, agora, como ca a varincia para as variveis
Y:
Assim, de acordo com a varincia, podemos dizer que a varivel
Observao:
apresenta ...
Para o clculo da varincia, quando os dados esto agrupados em
classes, basta substituir o valor
xi
por
si ,
ou seja, utilizar a mesma frmula da varincia,
substituindo os verdadeiros valores observados pelo ponto mdio da i-sima classe.
Denio 2.2 (Desvio Padro). - a raiz quadrada da varincia.

v
u k
u1 X
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.
Pois, a varincia pode
causar problemas de interpretao por ser expressa em termos quadrticos.
Denio 2.3 (Coeciente de Variao). - O coeciente de variao (CV) uma
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
(expresso em porcentagem (%))
A utilidade imediata do coeciente de variao a possibilidade de avaliar o grau

de representatividade da mdia.
Esta medida tambm bastante til na comparao
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 =
b) Considere os quilmetros rodados por 3 carros: 30
Km,
40
Km
2 = 1, 41.
e 50
Km.
a mdia, a varincia, o desvio padro e o CV. Interprete essas medidas.
16
Calcule
2.2.4 Medidas de Posio: Quartis, Decis e Percentis

Assim como a mediana divide os dados em duas partes iguais, os trs
dos por
Q1 , Q2
Q3 ,
quartis, denota-
dividem as observaes ordenadas (em ordem crescente) em quatro
partes iguais. A grosso modo:

-
Q1
separa os
25%
inferiores dos
75%
superiores dos valores ordenados;
Q2
separa os
50%
inferiores dos
50%
superiores, ou seja, a mediana; e
Q3
separa os
75%
inferiores dos
25%
superiores dos dados;
Analogamente, h nove
decis,
denotados por
D1 , D2 , . . . , D9 ,
que dividem os dados
em 10 grupos com cerca de 10% deles em cada grupo. Finalmente, h 99
percentis que
dividem os dados em 100 grupos com cerca de 1% em cada grupo.

Basicamente, dois passos so necessrios para se encontrar as medidas em questo.
Primeiro deve-se identicar a sua posio, e, em seguida, determinar o seu valor.
Veja a seguir, como obter os valores referentes aos percentis, quando se est trabalhando com dados brutos ou em distribuio de freqncias para dados
no agrupados:
) Identicar a posio do percentil que se deseja encontrar, atravs da seguinte
expresso:

L=
k
100

n
Onde:
-
o valor que indica a posio do percentil de interesse;
o total de dados observados.
2)
1. Se
k esimo
percentil; e
Utilizar a seguinte regra (anloga regra da mediana):
for um nmero
no inteiro,
ento, arredonda-se o valor de
inteiro mais prximo, e, assim, o valor do
k esimo
percentil,
Pk ,
para o maior
dado pelo valor
que ocupa esta nova posio obtida.

2. Se
for um nmero
inteiro, ento o valor do k esimo percentil, Pk , ser a mdia
aritmtica dos valores que esto nas posies
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
ser apresentado logo em seguida.
2.3 Outra Estratgia de Anlise de Dados

Em algumas situaes a mdia e o desvio padro podem no ser adequados para
representar um conjunto de dados, pois:
i - So afetadas, de forma exagerada, por valores extremos;
ii - Apenas com estes dois valores no temos a idia da assimetria dos valores, ou seja,
sobre o quanto os dados se distribum em torno dos valores inferiores, medianos e
superiores.
Para contornar estes problemas, 5 medidas foram sugeridas por Tukey (1977):
1)
A mediana (M d);
2)
Os extremos: o menor e o maior valor observado no conjunto de dados (xmin e
xmax ,
respectivamente);
3)
O primeiro e o terceiro quartil (ou junta).
2.3.1 Desenho Esquemtico - Diagrama em Caixa ("Box-Plot")

As informaes obtidas pelas 5 medidas podem ser representadas por um grco conhecido por "Box-Plot"ou diagrama em caixa. Este grco consiste em uma reta que se
prolonga do menor ao maior valor, e um retngulo com retas traadas no primeiro quartil
Q1 ,
na mediana
M d = Q2
e no terceiro quartil
Q3 .
Veja, como ca este grco atravs
do seguinte exemplo prtico.
Exemplo:
O seguinte conjunto de dados representa a pulsao de 22 fumantes:
18
52
52
60
60
60
60
63
63
66
67
68
69
71
72
73
75
78
80
82
83
84
90
Usando os dados brutos, determine:
a) A mdia, a moda e o desvio padro;

b) O primeiro, segundo e terceiro quartil;
c) Construa uma tabela de frequncias para os dados agrupados em 7 classes;
d) Construa o histograma e o diagrama em caixa;
Agora, utilizando a distribuio de frequncias obtida acima, obtenha:
a) A mdia, a moda e o desvio padro;

b) O primeiro, segundo e terceiro quartil utilizando o histograma;
19
2a
LISTA DE EXERCCIOS
1 - Considere uma distribuio de freqncias qualquer representada por
(x1 , n1 ), (x2 , n2 ), . . . , (xk , nk ).

Mostre que a soma dos desvios em relao mdia igual zero, ou seja, que
Pk
i=1 (xi x) ni = 0.
2 - Obtenha a mdia e a mediana para o seguinte conjunto de dados:
20 30 40
a) Se substitumos o valor
40
por
70,
os valores da mdia e da mediana sero os
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
tambm pode ser obtida pela seguinte frmula:

k
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
6 - Dados os conjuntos de nmeros:
{0, 1, 2, 3, 4, 5}
A = {1000; 1001; 1002; 1003; 1004; 1005}
B =
podemos armar que:
a) o desvio-padro de A igual a 100 vezes o desvio-padro de B.

b) o desvio-padro de A igual ao desvio-padro de B.
c) o desvio-padro de A igual ao desvio-padro de B multiplicado pelo quadrado de
1000.
d) o desvio-padro de A igual ao desvio-padro de B dividido por 1000.
e) o desvio-padro de A igual ao quadrado do desvio-padro de B.
7 - Em uma granja foi observada a distribuio dos frangos em relao ao peso, que era
a seguinte:
Peso (g)
ni
960 - 980
60
980 - 1000
160
1000 - 1020
280
1020 - 1040
260
1040 - 1060
160
1060 - 1080
80
TOTAL
1000
a) Qual a mdia da distribuio? E qual a varincia?

b) Queremos dividir os frangos em quatro categorias com relao ao peso de modo
que: os 20% mais leves sejam da categoria D; os 30% seguintes sejam da categoria C;
os 30% seguintes sejam da categoria B; os 20% seguintes (ou seja os mais pesados)
sejam da categoria A. Quais os limites de peso entre as categorias A,B,C e D?
21

Professores: Alexsandro, Alecxandro e Amanda
Aluno(a):
Data:
.
3a
Perodo 2003.2
NOTA DE AULA
Introduo Probabilidade
Objetivo: denir um modelo matemtico probabilstico que seja conveniente a descrio e

interpretao de fenmenos aleatrios.
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
Jogar uma moeda e observar o nmero de coroas obtido.
E2
Lanar um dado e observar o nmero mostrado na face superior.
E3
Retirar uma carta de um baralho e observar seu naipe.
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.
Denio 3.2 (Espao Amostral). o conjunto de todos os possveis resultados de

um experimento aleatrio.
Exemplo: Considere os seguintes experimentos:

E1
Jogar um dado e observar o nmero da face superior
E2
Jogar duas moedas e observar o resultado
Denio 3.3 (Evento). Dado um espao amostral , associado a um experimento

E qualquer, denimos como evento, qualquer subconjunto desse espao amostral.
Exemplo: Considerando o experimento
E: lanamento de um dado
alguns possveis eventos associados a esse experimento seriam os seguintes:
A: Sair o nmero 3;
B: Sair um nmero menor ou igual a 6;
C: Sair o nmero 10;
Observao: Como estamos tratando com conjuntos, so vlidas todas as operaes

indicadas na teoria dos conjuntos:
B - ocorre se A ocorre, ou B ocorre, ou ambos ocorrem.
B - ocorre se A e B ocorrem simultaneamente.
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).
Suponha que um experimento repetido n vezes, e seja A e B dois eventos associados

ao experimento. Sejam nA e nB o nmero de vezes que o evento A e o evento B
ocorram nas n repeties. A freqncia relativa do evento A, representada por fA ,
defenida como
fA =
nA
.
n
Propriedades:
(i)
0 fA 1;
(ii)
(iii)
fA = 1,
fA = 0,
(iv) Se
se, e somente se,

se, e somente se,
ocorrer em todas as
nunca ocorrer nas
repeties;
repeties;
forem eventos mutuamente excludentes, e se
relativa associada ao evento
A B,
fAB
for a freqncia
ento,
fAB = fA + fB .
Denio 3.6 (Denio axiomtica de probabilidade). Dado um espao amostral

, a probabilidade de um evento A ocorrer, representado por P (A) , uma funo
denida em , que associa a cada evento um nmero real, satisfazendo os seguintes
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
Observao: A probabilidade de um evento A, denotada por

ocorrncia do evento A. Quanto mais prxima de 1
do evento A, e quanto mais prxima de zero, menor a chance de ocorrncia do evento A.

Principais Teoremas:
a) Se
deniota o conjunto vazio, ento
P () = 0.
c
b) Se A o evento complementar de A, ento
P (Ac ) = 1 P (A) .
c) Se A e B so dois eventos quaisquer, ento
P (A B) = P (A) + P (B)
P (A B) .
3.4 Espao Amostral Finito

Denio 3.7 (Espaos Amostrais Finitos). Dizemos que S um espao amostral
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 m de caracterizar a probabilidade de um evento
A, P (A),
associado a um espao
amostral nito, devemos inicialmemte considerar o evento simples ou elementar,

A cada evento dessa natureza associaremos um nmero
{ai },
pi ,
A = {ai }.
denominado probabilidade de
que satisfaa s seguintes condies:
a)
pi 0, i = 1, 2, ..., k ;
b)
p1 + p2 + ... + pk = 1.
Supondo agora, que um evento
seja constitudo por
resultados,
1 r k,
ou
seja
A = {aj1 , aj2 , ..., ajr },

onde
j1, j2, ..., jr, representam um qualquer dos r ndices de 1 at k .

{ajr } so mutuamente excludentes, podemos escrever
Ento, considerando
que cada
P (A) = pj1 + pj2 + ... + pjr .

Exemplo: Suponha-se que somente trs resultados sejam possveis em um experimento,
a saber,
que
a2 ,
a1 , a2 e a3 .
Alm disso, suponha-se que
a1
seja duas vezes mais provvel de ocorrer
o qual por sua vez duas vezes mais provvel de ocorrer que
probabilidades
p 1 , p2
a3 .
Encontre as
p3 .
3.4.1 Espaos Amostrais Finitos Equiprovveis

Quando associamos a cada ponto amostral (cada elemento do espao amostral) a mesma
probabilidade, o espao amostral chama-se equiprovvel.
amostral com
pontos do tipo
S = {a1 , a2 , ..., ak },
por
P ({ak }) =
Exemplo:
Neste caso, dado um espao
as probabilidades
P ({ak }
sero dadas
1
.
k
Se cada carta de um baralho de 52 cartas tem a mesma chance de ser
escolhida, ento a probabilidade de se extrair cada uma delas de
Se
S = {a1 , a2 , ..., ak }
nito e A um evento com
ento
P (A) =
pontos amostrais (m
k),
m
.
k
Exemplo: A probabilidade de se extrair uma dama de um baralho de
Exemplo: Qual a probabilidade de se obter trs ou menos pontos no lanamento de

um dado?
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.
etapas, a primeira podendo ser realizada de

a tarefa completa pode ser executada de
a segunda de
maneiras, ento
Exemplo: No lanamento de dois dados qual a probabilidade de sair o par (5,2)?
3.4.2 Clculo da probabilidade da ocorrncia de dois eventos

A probabilidade da ocorrncia de dois eventos simultaneamente
(P (A B)) ,
depende da
natureza dos eventos, ou seja se eles so independentes ou no.

Dois ou mais eventos so independentes quando a ocorrncia ou no-ocorrncia de um
no inuencia a ocorrncia do(s) outro(s).
Se dois eventos so independentes, ento a probabilidade de ocerrncia de ambos
igual ao produto de suas probabilidades individuais, ou seja,
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: Um tero dos eleitores de certa comunidade constituido de mulheres, e

40% dos eleitores votaram na ltima eleio presidencial. Supondo que esses dois eventos
sejam independentes, determine a probabilidade de escolher um eleitor da lista geral, que
seja mulher e que tenha votado na ltima eleio presidencial.
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?
3.4.3 Probabilidade Condicional

Considere o seguinte experimento: lanar um dado.
Seja
o evento: sair o nmero 3.
Ento
P (A) =
Considere agora o seguinte evento
B:
sair um nmero mpar. Logo,
P (B) =
Suponha agora que soubssemos da ocorrncia de
bilidade de
A.
Iremos denotar essa probabilidade como
P (A | B) =
26
B e quisssemos calcular
P (A | B). Assim
a proba-
Formalmente denimos probabilidade condicional da seguinte maneira:

Dados dois eventos,
evento
A,
quando
B,
denotaremos
a probabilidade condicionada do
P (A B)
P (B)
P (A | B) =
com
P (A | B)
tiver ocorrido, por:
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)
3.4.4 Teorema do Produto

A partir da denio de probabilidade condicional, poderemos enunciar o teorema do produto:
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).
Exemplo: Em um lote de 12 peas, 4 so defeituosas, 2 peas so retoradas uma aps

a outra sem reposio. Qual a probabilidade de que ambas sejam boas?
O teorema da multiplicao de probabilidades pode ser generalizado para mais de dois
eventos da seguinte maneira:
P (A1 A2 An ) = P (A1 ) P (A2 | A1 ) P (A3 | A1 A2 ) P (An | A1 A2 An1 )

Exemplo: Uma urna contm duas bolas brancas, trs vermelhas e cinco azuis. Qual
a probabilidade de se retirar sem reposio uma bola azul, uma branca e uma vermelha
exatamente nessa ordem?
3.4.5 Independncia Estatstica

Um evento
cional de
considerado independente de um outro evento
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
Obs: Dizemos que trs eventos so mutuamente independentes se
P (A B) = P (A)P (B)
P (A C) = P (A)P (C)
P (B C) = P (B)P (C)
P (A B C) = P (A)P (B)P (C)
Exemplo: Sendo S = {1, 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.
3.4.6 Teorema da probabilidade total

Denio:
amostral
Dizemos que os eventos
S,
B1 , B2 , ..., Bk
representam uma partio do espao
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
P (A Bj ) = P (Bj )P (A | Bj ), obteremos o que se denomina o teorema
da probabilidade total:
P (A) = P (B1 )P (A | B1 ) + P (B2 )P (A | B2 ) + ... + P (Bk )P (A | Bk ).
3.4.7 Teorema de Bays

Sob as mesmas hipteses do teorema da probabilidade total, podemos calcular a probabilidade de
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 )
Este resultado o que chamamos de teorema de Bays.

nhecemos as probabilidades dos
Bi 's
Esse teorema til quando co-
e a probabilidade condicional de
conhecemos diretamente a probabilidade 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 )
com lamento partido.
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)
3 - Um inteiro escolhido ao acaso, dentre os nmeros 1, 2, ..., 50. Qual a probabilidade

de que o nmero escolhido seja divisvel por 6 ou por 8?
4 - A urna 1 contm
brancas e
bolas brancas e
bolas vermelhas.
A urna 2 contm
bolas
bolas vermelhas. Uma bola escolhida ao acaso da urna 1 e posta na
urna 2. A seguir, uma bola escolhida ao acaso da urna 2. Qual a probabilidade de

que esta bola seja branca?
5 - Suponha que
a probabilidade
ocorrncia de
B sejam eventos independentes

de A ou B ocorrerem for igual a
e
associados a um experimento. Se
0,6, enquanto a probabilidade da
for igual a 0,4, determine a probabilidade da ocorrncia de
B.
6 - Um estudante se submete a um exame de mltipla escolha no qual cada questo tem

4 respostas possveis das quais exatamente uma correta. O estudante seleciona a
resposta correta se ele sabe a resposta. Caso contrrio, ele seleciona ao acaso uma
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
so independentes, ento tambm o sero
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.
A, B e C so eventos tais que P (A B C) 6= 0

P (C | B), ento P (A | B C) = P (A | B).
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
Qual a probabilidade de que uma pessoa segurada no use o hospital?

14 - Os colgios
A, B
tm as seguintes percentagens de rapazes, respectivsmente:
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 espao amostral associado ao experimento. Uma
X , que associe a cada elemento s S
um nmero real,
X(s), denominada varivel
aleatria.
Exemplo: Lana-se trs moedas honestas. Considere a varivel aleatria:
X:
nmero de caras
Denio: Sejam um experimento

aleatria denida em
relao a
RX ,
isto ,
e seu espao amostral
S e seja RX seu contradomnio. Seja B

B RX . Ento, A ser denido assim
S.
Seja
uma varivel
um evento denido em
A = {s S; X(s) B}
Neste caso dizemos que
so eventos equivalentes.
B um evento no contradomnio RX . Nesse caso,

P (B) = P (A), onde A = {s S; X(s) B}.
Denio: Seja
seguinte maneira:
denimos
P (B)
da
Exemplo: No exemplo anterior, temos
RX = {0, 1, 2, 3}
com as seguintes probabilidades
4.1 Variveis Aleatrias discretas

Denio: Seja
RX )
uma varivel aleatria. Se o nmero de valores possveis de
for nito ou innito enumervel, denominaremos
Exemplo: Considere uma urna com duas bolas brancas e trs vermelhas.
aremos a varivel aleatria
X:
(isto ,
de varivel aleatria discreta.

Consider-
nmero de bolas vermelhas obtidas em duas extraes sem
reposio.
Denio:
de
X,
Seja
uma varivel aleatria discreta.
Portanto
RX ,
o contradomnio
ser formado no mximo por um nmero innito enumervel de valores
31
x1 , x2 , ...
A cada possvel resultado

probabilidade de
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
p denida acima, denominada funo de probabilidade da varivel aleatria

coleo de pares [xi , p(xi )], i = 1, 2, ..., denominada distribuio de probabilidade.
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
de testes necessrios para concluir o experimento.
Assim
S=
P (X = n) =
4.2 Variveis Aleatrias Contnuas

Denio:
Diz-se que
uma varivel aleatria contnua, se existir uma funo
denominada funo densidade de probabilidade (f.d.p.) de

condies:
f (x) 0 para todo x,

R +
b)
f (x)dx = 1,
a)
32
f,
que satisfaa s seguintes
c) para quaisquer
Rb
a
a, b ,
< a < b < +,
com
teremos
P (a X b) =
f (x)dx.
Exemplo: Suponhamos que a varivel aleatria
seja contnua. Seja a
f.d.p. f
dada
por

f (x) =
2x, 0 < x < 1,

0, c.c.
Exemplo: Suponha que estamos atirando dardos em um alvo circular de raio de 10 cm,
e seja
a distncia do ponto atingido pelo dardo ao centro do alvo. a

f (x) =
f.d.p.
de
kx, 0 x 10
0, c.c
a) Qual a probabilidade de acertar a mosca, se ela um crculo de raio 1 cm?

b) Mostre que a probabilidade de acertar qualquer crculo concntrico proporcional
a sua rea.
4.3 Funo de Distribuio Acumulada

Denio: Seja
F
F (x) = P (X x).
uma varivel aleatria, discreta ou contnua. Dene-se a funo
funo de distribuio acumulada da varivel aleatria
como
como
Teorema 4.1. Se X for uma varivel aleatria discreta

F (x) =
p(xj ),
onde o somatrio estendido a todos os ndices j que satisfaam condio xj x.
Teorema 4.2. Se X for uma varivel aleatria contnua com f.d.p. f ,

Z
F (x) =
f (s)ds.
Exemplo: Suponhamos que a varivel aleatria
tome os trs valores 0,1 e 2, com
probabilidades 1/3, 1/6 e 1/2, respectivamente. Ento, a

Exemplo: Suponhamos que
f (x) =
F.d.a.
de
de
seja uma varivel contnua com
Ento, a
F.d.a.
2x, 0 < x < 1,

0, c.c
dada por:
Teorema 4.3. (a) A funo F no decrescente.

(b) limx F (x) = 0 e limx+ F (x) = 1.
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) =
para todo x no qual F seja derivvel.
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 da funo de distribuio ser constitudo por segmentos de reta horizontais. A

funo
X : x1 , ..., xn , ... No valor xj

p(xj ) = P (X = xj )
contnua, exceto nos valores possveis de
apresenta um salto de magnitude

b) Se
for uma varivel aleatria contnua,
o grco
ser uma funo contnua para todo
x.
c) A funo de distribuio
denida para todos os valores de

Exemplo: Suponha que
Esboce o grco de
F (x) =
e calcule a
x.
0,
x < 0,
x
1 e , x > 0.
f.d.p.
4.4 O Valor Esperado de Uma Varivel Aleatria

X uma varivel aleatria
p(xi ) = P (X = xi ), i = 1, 2, ..., n, ...
denotado por E(X) denido como
Denio: Seja
discreta, com valores possveis
Seja
Ento, o valor esperado de
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.
Se uma pea defeituosa for produzida, o fabricante perde US$ 1,
enquanto uma pea no-defeituosa lhe d um lucro de Us$ 5. Se

pea, qual o valor esperado de
Denio: Seja
for o lucro lquido por
X?
uma varivel aleatria contnua com
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)
existir se, e somente se,
|x| f (x)dx
34
for nita.
Exemplo:
Seja a varivel aleatria
denida como segue.
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
seja uma varivel
f.d.p.:
x
,
15002
(x3000)
,
15002
0,
0 x 1500,
1500 < x 3000,
c.c.
uma varivel aleatria contnua denida num intervalo
[a, b]
com a
f.d.p.

f (x) =
1
,
ba
0,
a x b,
c.c.
Encontre a esperana dessa varivel aleatria.

obs: a varivel
denida dessa maneira chamada de varivel aleatria uniforme.
4.4.1 Propriedades de Valor Esperado

Propriedade 1: Se
X = C,
Propriedade 2:
Ento,
onde
uma constante, ento,
Suponha-se que
E(X) = C .
seja uma constante e
uma varivel aleatria.
E(CX) = CE(X).
Propriedade 3: Sejam
a, b constantes e X
uma varivel aleatria. Ento,
E(aX + b) =
aE(X) + b.
propriedade 4: Seja
uma varivel aleatria e
H(X)
uma funo contnua.
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
4.5 A Varincia de uma Varivel Aleatria

Denio:
V ar(X),
Seja
uma varivel aleatria.
Denimos a Varincia de
X,
denotada por
da seguinte maneira:
V ar(X) = E[X E(X)]2 .

A raiz quadrada da Varincia de
O clculo de
V ar(X)
denominada desvio padro de
X.
pode ser simplicado com o auxlio do seguinte resultado.
Teorema 4.5.
V ar(X) = E(X 2 ) [E(X)]2 .
35
4.5.1 Proprieades da Varincia de uma Varivel Aleatria

Propriedade 1: Se
for uma constante,
V ar(C) = 0.
Propriedade 2: Se
for uma constante,
V ar(CX) = C 2 V ar(X).
b)
Propriedade 3: Sejam
= a2 V ar(X).
a, b
constantes e
uma varivel aleatria. Ento
V ar(aX +
Exemplo: O servio de meteorologia classica o tipo de cu que visvel, em termos

de graus de nebulosidade. Uma escala de 11 categorias empregada: 0,1,2,...,10, onde
0 representa um cu perfeitamente claro, 10 representa um cu completamente encoberto,
enquanto os outros valores representam as diferentes condies intermedirias. Suponhase que tal classicao seja feita em uma determinada estao meteorolgica, em um
determinado dia e hora.
Seja
a varivel aleatria que pode tomar um dos 11 valores
acima. Admita que a distribuio de probabilidade de
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) =
seja uma varivel aleatria contnua com

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
1 - Num teste de digitao, o tempo em minutos
(T )
que os candidatos levam para
digitar um texto modelado, de forma aproximada, pela seguinte distribuio de

probabilidade:
T
pi
0,1
0,1
0,2
0,2
0,2
0,1
0,1
O candidato recebe 4 pontos se terminar a digitao em 9 minutos, 5 se terminar em

8 minutos e assim por diante. Determine a mdia e a varincia do nmero de pontos
obtidos no teste.
2 - Suponha que a demanda por certa pea, numa loja de autopeas, siga o seguinte
modelo:
P (X = k) =
a) Encontre o valor de
b) Calcule a
F.d.a
de
a2k
, k = 1, 2, 3, 4.
k!
a.
X.
c) Calcule a demanda esperada.

d) Qual a variabilidade da demanda?
3 - A funo de probabilidade da varivel aleatria X P (X
2
2
Calcule E(X), E(X ), V ar(X), E[(X + 3) ] e V ar(3X
= k) = 1/5, k = 1, 2, ..., 5.
2).
4 - Suponha que a varivel aleatriaX tenha valores possveis 1,2,..., e
P (X = j) = 1/2j ,
j = 1, 2, ...
a) Calcule
P (X
b) Calcule
P (X 5).
c)Calcule
P (X
ser par).
ser divisvel por 3).
X com
P (X = j) = (1 a)a , j = 0, 1, 2, ...
5 - Considere uma varivel aleatria

j
a) Para que valores de
resultados possveis: 0,1,2,... Suponha que
o modelo acima tem sentido?
b) Verique que essa expresso representa uma legtima distribuio de probabilidade.

c) Mostre que, para quaisquer dois inteiros positivos
t,
P (X > s + t | X > s) = P (X t).

6 - Verique se as expresses abaixo so funes densidade de probabilidade (assuma
que elas se anulam fora dos intervalos especicados).
a)
b)
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
f.d.p. f (x) = 3x2 , 1 x 0.

1 < b < 0, calcule P (X > b | X < b/2).
7 - A varivel aleatria contnua tem

nmero que satisfaa a
8 - Suponham que
a) Verique que
sejam
f +g
f.d.p.
no uma
no mesmo intervalo
f.d.p.
b) Verique que, para todo nmero
Se
for um
a x b.
nesse intervalo.
, 0 < < 1, f (x) + (1 )g(x) uma f.d.p.
nesse intervalo.
X de um cabo eltrico supe-se

f.d.p. f (x) = 6x(1 x), 0 x 1.
9 - O dimetro
a) Verique que essa expresso uma

b) Obtenha uma expresso par a
c) Determine um nmero
d) Calcule
f.d.p.
F.d.a.
tal que
ser uma varivel aleatria contnua com
e esboce seu grco.
da varivel
X.
P (X < b) = 2P (X > b).
P (X 1/2 | 1/3 < X < 2/3).

X pode tomar quatro valores, com probabilidades (1+3x)/4, (1
(1 4x)/4. Para que valores de x essa uma distribuio de
10 - Uma varivel aleatria
x)/4, (1 + 2x)/4
probabilidade?
11 - Uma varivel aleatria
Calcule
E(X)
F.d.a dada por
0, se x 0
5
x
,
se 0 < x < 1
F (x) =
1, se x 1.
tem
V ar(X).
12 - Numa certa regio, fsseis de pequenos animais so freqentemente encontrados e

um arquelogo estabeleceu o seguinte modelo de probabilidade
(f.d.p)
para o com-
primento, em centmetros, desses fsseis.
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.
b) Para um fssil encontrado nessa regio, determine a probabilidade do comprimento

ser inferior a 6 cm? E de ser superior a 5 mas inferior a 10,5 cm.
c)Encontre o valor esperado para o comprimento dos fsseis da regio.
38

Perodo 2003.2
Data:
Aluno(a):
5a
NOTA DE AULA
Alguns Modelos de Variveis Aleatrias
5.1 Variveis Aleatrias Discretas

5.1.1 Modelo Uniforme Discreto
Denio:
Seja
uma varivel aleatria cujos possveis valores so representados por
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
5.1.2 Modelo de Bernoulli

Denio: Consideremos uma nica tentativa de um experimento aleatrio de forma que
tenhamos sucesso ou fracasso nessa tentativa.
Seja
a probabilidade de sucesso, logo
Dena a varivel aleatria
1p
ser a probabilidade de fracasso.
da seguinte forma:
X = 0,
se ocorre sucesso. Onde
P (X = 0) = 1 p
P (X = 1) = p.
39
se no ocorre sucesso, ou 1,
Nessas Condies a varivel aleatria
segue o modelo de Bernoulli, e sua funo de
probabilidade dada por:
P (X = x) = px (1 p)1x , x = 0, 1.
E(X) = p
Note que,
V ar(X) = p(1 p).
Exemplo: Lana-se um dado e observa-se ocorrncia da face 6.
5.1.3 Modelo Binomial

Consideremos
tentativas independentes de um mesmo experimento aleatrio. Cada ten-
tativa adimitindo apenas dois resultados:
1 p.
probabilidade
sucesso com probabilidade
e fracasso com
As probabilidades de sucesso e fracasso so as mesmas para cada
tentativa.
Seja
X:
nmero de sucessos em
X associada
parmetros n e p, que
A varivel aleatria
Binomial com
tentativas.
a esse experimento dita ser uma Varivel aleatria

denotaremos por
X : b(n, p).
Sua funo de proba-
bilidade dada pelo teorema seguinte:
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:
Sabe-se que a ecincia de uma vacina de 80%.
Um grupo de trs
indivduos sorteado dentre a populao vacinada, e submetidos a testes para averiguar se

a imunizao foi efetiva. Construa a distribuio de probabilidade da varivel
X=
nmero
de indivduos imunes na amostra.
5.1.4 Distribuio Geomtrica

Considere um experimento cujos resultados podem ser classicados como sucesso ou fracasso. Seja
p a probabilidade de sucesso, logo 1p a probabilidade de fracasso. Considere

X : nmero de ensaios at ocorrer o primeiro sucesso. Suponha que os
a varivel aleatria
ensaios so independentes. Dessa forma,
P (X = x) = (1 p)x1 p, x = 1, 2, ...
A varivel denida acima chamada de Distribuio geomtrica com parmetro
Notao:
X:
Geomtrica(p).
Teorema 5.3. Se X : Geomtrica(p), ento

40
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?
Teorema 5.4. Se X :Geomtrica(p) ento, para dois quaisquer inteiros positivos s e

t,
P (X s + t | X > s) = P (X > t)
5.1.5 Distribuio Hipergeomtrica

Consideremos uma populao com
elementos, dos quais
tm uma determinada carac-
terstica (sucesso). Retiramos dessa populao, sem reposio, uma amostra de tamanho
n.
Seja
X:
nmero de sucessos na amostra.
Dessa forma a distribuio de probabilidade da varivel aleatria

P (X = k) =
A varivel
r
k

N r
nk

N
n
dada por

, 0 k n, k r.
assim denida tem distribuio Hipergeomtrica.
Teorema 5.5. Se X tem distribuio Hipergeomtrica com parmetros N, n e p, onde
p = r/N . Ento
E(X) = np
e
V ar(X) = np(1 p)
(N n)
.
(N 1)
Exemplo: Pequenos motores so guardados em caixas com 50 unidades. Um inspetor

de qualidade examina cada caixa, antes da posterior remessa, testando 5 motores.
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?
5.1.6 Distribuio de Poisson

Uma varivel aleatria
tem distribuio de Poisson com parmetro
de probabilidade dada por
P (X = k) =
e k
, k = 0, 1, 2, ...,
k!
41
> 0,
se sua funo
sendo
X : P o().
com o parmetro
utilizada ser
usualmente referido como a taxa de ocorrncia.
A notao
Teorema 5.6. Se X : P o() ento:

E(X) =
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
minutos no haja chamados.
5.2 Variveis Aleatrias Contnuas

5.2.1 Modelo Uniforme
Denio: Uma varivel aleatria contnua
se sua
f.d.p.
f (x) =
(ii)
[a, b],
1
,
ba
0,
a x b,
c.c.
X : U [a, b].
Propriedades: Se
(i)
tem distribuio uniforme no intervalo
for dada por:
Notao:
E[X] =
X : U [a, b],
ento
a+b
;
2
V ar[X] =
(ba)2
.
12
Exemplo: Com o objetivo de vericar a resistncia presso de gua, os tcnicos de

qualidade de uma empresa inspecionam os tubos de PVC produzidos. Os tubos produzidos
tm 6 metros de comprimento e so submetidos a grandes presses at o aparecimento do
primeiro vazamento, cuja distncia a uma das extremidades (xada priori) anotada para
ns de anlise posterior. Escolhe-se um tubo ao acaso para ser inspecionado. Queremos
calcular a probabilidade de que o vazamento esteja, no mximo, a 1 metro das extremidades.
Seja
a varivel aleatria que indica a distncia correspondente ao vazamento. Admita
que a probabilidade de ocerrncia de vazamento em todos os pontos so iguais.
42
5.2.2 Distribuio Exponencial

X , assumindo valores no
> 0, se sua f.d.p. dada por
x
e , x > 0
f (x) =
0, c.c.
Denio: Uma varivel aleatria contnua
negativos, ter dis-
tribuio exponencial com parmetro
Notao:
X : Exp().
Propriedades:
a)
E (X) =
1
e
V ar (X) =
1
.
2
b) (Falta de memria) Para todo
s, t > 0,
teremos
P (X > s + t | X > s) = P (X > t) .

Exemplos:
1) O intervalo de tempo em minutos entre emisses consecutivas de uma fonte radioativa uma varivel aleatria com distribuio exponencial de parmetro
= 0, 2.
Vamos
calcular a probabilidade de haver uma emisso em um intervalo inferior a 2 minutos.

2) Considerando a distribuio do exemplo anterior, calculemos agora, a probabilidade
do intervalo ser superior ou igual a 7, sabendo-se que ele superior ou igual a 5 minutos.
5.2.3 Distribuio Normal

Denio: Dizemos que a varivel aleatria X tem distribuio normal com parmetros
2
2
e , < < e 0 < < , se sua f.d.p. dada por
1 x 2
1
f (x) = e 2 ( ) , < x < .
2
Notao:
X : N (, 2 ) .
Propriedades
(i) Grco: tem a forma de sino;
(ii)
f (x)
assume valor mximo no ponto
x = ;
(iii) A curva normal simtrica em relao a

(iv)
E (X) =
V ar (X) = 2 ;
43
(v) Seja
X : N (, 2 ),
X
. Mostra-se que Z tambm tem
chamada de varivel normal padro ou reduzida. fcil ver
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;
(vide tabela em anexo)

(vi) A tabela nos d a probabilidade
P (0 Z z),
para diversos valores de
z.
Dessa
forma, podemos calcular probabilidades envolvendo qualquer distribuio normal,

X
atravs da transformao Z =
.
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)
P (|X 3| > 1);
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 - Numa cidade, selecionada uma amostra de 60 adultos e a esses indivduos pedido

para opinarem se so a favor ou contra determinado projeto. Como resultado obtido,
observou-se 40 a favor.
Se na realidade as opinies pr e contra so igualmente
divididas, qual a probabilidade de ter obtido tal resultado?

4 - O nmero de partculas Gama emitidas por segundo, por certa substncia radioativa,
uma varivel aleatria com distribuio de Poisson com parmetro
= 3.
Se
um instrumento registrador torna-se inoperante quando h mais de 4 partculas por

segundo, qual a probabilidade de isto acontecer em qualquer dado segundo?
5 - Em um pronto-socorro o nmero de atendimentos de emrgncia segue uma distribuio de Poisson com mdia de 60 atendimentos por hora. Calcular:
a) A probabilidade do pronto-socorro no efetuar nenhum atendimento num intervalo
de 5 minutos.
b) A probabilidade do pronto-socorro efetuar pelo menos 2 atendimentos num intervalo de 10 minutos.
6 - Uma moeda no viciada lanada sucessivamente, de modo independente, at que
ocorra a primeira cara. Seja
a varivel aleatria que conta o nmero de lanamentos
anteriores ocorrncia de cara. Determine:

a)
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
probabilidade de que ocorram no mnimo 2 bolas brancas, considerando as extraes:

a) Sem reposio;
b) Com reposio.
45
8 - Uma urna tem 10 bolas brancas e 40 pretas.

a) Qual a probabilidade de que a sexta bola retirada com reposio seja a primeira
branca?
b) Qual a probabilidade de que em 16 bolas retiradas sem reposio ocorram 3
brancas?
c) Qual a probabilidade de que em 30 bolas retiradas com reposio ocorram no
mximo 2 brancas?
9 - Sendo
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)
P (1 < X < 2 | X < 3)
Resp. 1/3
e)
P (X < 3 | 1 < X < 2)
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
13 - Suponha que o tempo de vida
de um vrus exposto ao meio ambiente segue uma
distribuio Exponencial com parmetro

cional
14 - Seja
a)
P (T > 15 | T > 10) .
X : N (4, 1) ,
P (X 4)
= 1/20
Resp. 0,779
determine:
Resp. 0,5
46
s. Calcule a probabilidade condi-
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)
P (|X 90| 10)
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.
Determine os valores que
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
Variveis Aleatrias Bidimensionais
6.1 Variveis Aleatrias Discretas

Na maioria das situaes dicilmente trabalhamos com apenas uma varivel aleatria.
muito comum estarmos interessados no comportamento conjunto de vrias variveis
aleatrias. Trataremos aqui apenas de duas variveis, porm, os conceitos estudados aqui
podem ser expandidos de maneira anloga para mais de duas variveis.
Introduziremos o estudo atravs do seguinte exemplo:
Uma amostra de 20 alunos do primeiro ano de uma faculdade foi escolhida. Perguntouse aos alunos se trabalhavam, varivel que foi representada por
lares prestados, varivel representada por
Y.
X,
e o nmero de vestibu-
Os dados obtidos esto na tabela abaixo.
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,
chamada de tabela marginal de freqncia da varivel

de
(ou
Y ).
Temos ento para as variveis
(ou
Y ), ou simplesmente marginal
do exemplo anterior, as seguintes
tabelas de freqncia:
freqncia
Total
freqncia
Total
Observe que podemos construir as mesmas tabelas considerando agora as freqncias

relativas.
6.1.1 Funo de Probabilidade Conjunta

Iremos considerar agora o caso de variveis aleatrias discretas, denidas a partir das suas
funes de probabilidades.
Iniciamos estendendo a denio de funo de probabilidade
para o caso de duas variveis.

Denio:
Seja
uma varivel aleatria que assume os valores
varivel aleatria que assume os valores
x1 , x2 , ..., xm
y1 , y2 , ..., yn . A funo de probabilidade conjunta

(xi , yj ), i = 1, 2, ..., m e j = 1, 2, ..., n,
denida, para todos os possveis pares de valores

da seguinte forma:
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 ).
Damos o nome de distribuio conjunta de probabilidades da varivel bidimensional
(X, Y )
ao conjunto:
{(xi , yj ), p(xi , yj ), i = 1, 2, ..., m j = 1, 2, ..., n}

Observamos que:
m X
n
X
P (X = xi , Y = yj ) = 1.
i=1 j=1
A distribuio conjunta de probabilidades da varivel
(X, Y )
pode ser representada,
tambm, atravs de uma tabela de dupla entrada.

Exemplo: Uma regio foi subdividida em 10 sub-regies. Em cada uma delas, foram
observadas duas variveis: nmero de poos artesianos
presentes na sub-regio
(Y ).
(X)
e nmero de riachos ou rios
Os resultados so apresentados na tabela a seguir:
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
Cuja tabela de dupla entrada dada por:
X|Y
Total
Total
6.1.2 Distribuies Marginais de Probabilidades

Quando trabalhamos com uma varivel aleatria bidimensional podemos ter o interesse em
estudar o comportamento de uma nica varivel; ou seja; em conhecer a distribuio de
probabilidade de
ou de
Y.
Considerando a distribuio de probabilidades conjunta de
(X, Y ) representada atravs
de uma tabela de dupla entrada, tal como apresentada a seguir:

Tabela 1: tabela de dupla entrada para apresentar a distribuio conjunta de (X,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
Desta maneira, a distribuio de

de
X,
ou comumente denominada de distribuio marginal
pode ser obtida a partir de
p(xi ) = P [(X = xi , Y = y1 )ou(X = xi , Y = y2 )ou...ou(X = xi , Y = yn )] = nj=1 p(xi , yj ).

De modo anlogo, a distribuio marginal de
obtida a partir de
p(yj ) = P [(X = x1 , Y = yj )ou(X = x2 , Y = yj )ou...ou(X = xm , Y = yj )] = m

i=1 p(xi , yj ).
Exemplo: Considerando o exemplo das sub-regies, podemos calcular, atravs da distribuio conjunta, as distribuies marginais. Portanto, as distribuies marginais seriam
as seguintes:
X = xi
P (X = xi )
Y = yj
P (Y = yj )
6.1.3 Funo de Variveis Aleatrias

Em muitas situaes h interesse em estudar o comportamento de uma funo das variveis
tal como soma, produto ou alguma outra relao entre elas.
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 ) e o nmero de anos para completar o ensino mdio
tm distribuio conjunta dada por:
(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
Suponha que exista interesse em estudar as variveis
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
Atravs dessa tabela podemos construir a distribuio da varivel
W = F.M ,
Z = F +M
para isso basta somar as probabilidades nos valores comuns, por exemplo:
P (Z = 13) = P (8, 5) + P (9, 4) =
1
1
3
+
= .
10 20
20
Procedendo de modo similar com os outros valores obtemos as funes de probabilidade

de
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
6.1.4 Associao entre Variveis

Denio: Dada duas variveis aleatrias discretas denidas no mesmo espao amostral, a
probabilidade condicional de
X = x,
P (X = x | Y = y) =
Caso
dado que
Y =y
ocorreu, dada pela expresso:
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).
pode ser denida arbitrariamente e
adotaremos
Denio: Duas variveis aleatrias discretas so independentes, se a ocorrncia de

qualquer valor de uma delas no altera a chance de ocorrncia de valores da outra.
Ou
seja,
P (X = x | Y = y) = P (X = x),
para todos os possveis valores
(x, y)
das variveis
(X, Y ).
Como denio alternativa
podemos usar:
P (X = x, Y = y) = P (X = x)P (Y = y),
para quaisquer
(x, y).
Observao:
so independentes
Se existe pelo menos um par
(x0 , y0 )
p(x, y) = p(x)p(y), (x, y).
tal que:
p(xo , y0 ) 6= p(x0 )p(y0 )

52
ento,
no so independentes.
tenham distribuio conjunta dada pela seguinte
tabela:
X|Y
1/5
1/5
1/5
1/5
1/5
Determine as distribuioes marginais de
Y.
Estas variveis so independentes?
6.1.5 Medida de Correlao entre duas Variveis

Quando as variveis no so independentes isto quer dizer que existe uma certa relao
entre estas variveis.
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:
Para variveis aleatrias
Y,
vale sempre que
E(X + Y ) = E(X) + E(Y ).

No caso do produto de duas variveis aleatrias nem sempre vlido que o valor
esperado do produto o produto dos valores esperados.
Neste caso temos o seguinte
resultado:
Propriedade 2:
Se
so duas variveis aleatrias independentes, ento
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
tendo distribuio conjunta dada por:
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
Denio: Uma medida de dependncia linear entre
so independentes.
dada pela covarincia:
Cov(X, Y ) = E[(X E(X))(Y E(Y ))].

Em palavras, a covarincia o valor esperado do produto dos desvios de cada varivel
em relao sua mdia.
Desenvolvendo a equao acima chegaremos em uma denio mais usual, que dada
pela seguinte expresso:
Cov(X, Y ) = E(XY ) E(X)E(Y ).

Observe que, se
so independentes, ento a
Cov(X, Y ) = 0, a recproca, neste
caso, no sempre verdadeira.

A partir da covarincia, denimos uma nova medida de dependncia linear.
Denio:
O coeciente de correlao linear entre as variveis aleatrias
calculado pela seguinte expresso:
X,Y =
Onde,
X Y
Cov(X, Y )
.
X Y
so respectivamente os desvios-padro das variveis
Y.
A diviso pelo produto dos desvios-padro, tem a funo de padronizar a medida e

tornar possvel a comparao com outras variveis. Pode-se mostrar que
|X,Y | 1.
interpretao de sua expresso segue os mesmos passos da covarincia, sendo que valores
de
X,Y
prximos de
Propriedade 3:
indicam correlao forte.
Sejam
variveis aleatrias quaisquer, ento
V ar(X + Y ) = V ar(X) + V ar(Y ) + 2Cov(X, Y ).

Se
so independentes, ento
V ar(X + Y ) = V ar(X) + V ar(Y ).

Exemplo: Calculemos a
Cov(F, M )
F,M
54
no exemplo da seo 6.1.3.
6a
LISTA DE EXERCCIOS
1 - O setor de emergncia de um pronto socorro infantil anotou o nmero de crianas

atendidas (C), de mdicos (M) e de auxiliares (A) de planto em 15 dias de atividades.
Os dados so apresentados na tabela abaixo:
Dia
10
11
12
13
14
15
a) Determine as tabelas de freqncia marginais de C, M e A.

b) Obtenha a tabela de freqncia conjunta entre (C, M), (C, A) e (M, A).
c) Calcule a mdia das variveis M e A.
2 - Para famlias de um certo bairro de So Paulo, apresentamos abaixo a tabela de

freqncia conjunta das variveis: nmero de automveis (A) e de TVs (T).
A\ T
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).
a) Construa uma tabela com a distribuio conjunta das variveis C e K.

b) Determine o valor esperado de C.
4 - A funo conjunta de probabilidade entre as variveis X e Y apresentada abaixo

(com algumas entradas faltando):
X\ Y
-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
d) Calcule a distribuio da varivel

e) Calcule
W = XY.
(X, Y ).
5 - A funo de probailidade conjunta entre as variveis aleatrias
apresentada
na tabela abaixo:
X\ Y
-2
-1
0,1
0,2
0,1
0,2
0,2
0,1
0,1
a) Obtenha as distribuies marginais de

b)
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),
soma dos valores das duas bolas retiradas
e a diferena, em mdulo, desses valores
(Z).
a) Determine a distribuio de probabilidade conjunta entre

b) Verique se
Xe Y
c) Calcule a Cov(X, Y
d) Obtenha
7 - A varivel
so independentes. Idem para
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) .
b) Obtenha a distribuio conjunta de

c) Clcule
E (X) , E (Y )
E (W )
Xe Y
e do produto
e verique que
d) Determine o valor de Cov(X, Y
(X, Y ) .
56
W = XY.
E (W ) = E (X) E (Y ) .
so

Perodo 2003.2
Data:
Aluno(a):
7a
NOTA DE AULA
Introduo Inferncia Estatstica
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
Estatstica Descritiva que trata da coleta, organizao e descrio de dados. A

segunda a Estatstica Inferencial que se preocupa em fazer armaes e/ou testar
como
hipteses sobre caractersticas numricas em situaes de incerteza.

Para iniciar o estudo da Estatstica Inferencial necessrio compreender os seguintes
conceitos bsicos:
Denio 7.1 (Populao). A populao um conjunto formado por todos os elementos que possuem pelo menos uma caracterstica observvel.
Denio 7.2 (Amostra). A Amostra apenas uma parte da populao, ou seja,

um subconjunto da populao.
Dois outros conceitos estreitamente relacionados com os de

so os de
Parmetro e Estatstica.
Populao e Amostra
Denio 7.3 (Parmetro). uma caracterstica numrica da populao.

Denio 7.4 (Estatstica). uma caracterstica numrica da amostra que ser
usada para extrair informaes sobre a populao.
Alguns exemplos so:
1)
Populao: os eleitores da cidade de Campina Grande

Amostra: 650 eleitores escolhidos aleatoriamente ( ao acaso)
Caracterstica de interesse: percentual de eleitores que planejam votar num candidato X nas prximas eleies.
2)
Populao: automveis Uno Mille produzidos em 1995

Amostra: todos os automveis produzidos em agosto de 1995
Caractersticas de interesse: nmero de defeitos apresentados
nos primeiros 3
meses de uso, quilometragem mdia e uma possvel relao entre estas duas variveis.
57
3)
Populao: todos os domiclios com TV na cidade de Campina Grande.

Amostra: 1000 domiclios com TV escolhidos ao acaso.
Caracterstica de interesse: percentual de audincia de cada emissora
de TV a
cada dia da semana no horrio de 18 s 22 horas.

4)
Populao: populao acima de 15 anos na cidade de Campina Grande.

Amostra: 200 pessoas com mais de 15 anos.
Caractersticas de interesse:
i. percentual de bebedores de cerveja.
ii. dentre os bebedores de cerveja, quantos so homens?
iii. dentre os bebedores de cerveja, quantos preferem Brahma?
iv. dentre os bebedores de Brahma, quantas cervejas eles tomam por semana e a
que classe social eles pertencem?
v. Existe alguma relao entre as variveis Marca de Cerveja consumida e Classe
Social?
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.
7.2 Noes Bsicas de Amostragem

Vrios motivos levam a necessidade de se observar apenas uma parte da populao
(amostra), como, por exemplo: a falta de tempo, de recursos nanceiros e/ou humanos.
Tcnicas de Amostragem, as quais tem como

objetivo principal garantir a representatividade da populao, ou seja, fazer com
A amostra deve ser obtida atravs de
que a amostra seja um retrato el da populao.

Basicamente, existem dois tipos de amostragem: Probabilstica e No-Probabilstica.
7.2.1 Amostragem Probabilstica

Neste tipo de amostragem a probabilidade de cada elemento pertencer a amostra
conhecida e diferente de zero. A amostragem probabilstica implica em sorteio com regras
bem determinadas, cuja realizao s ser possvel se a populao for nita e totalmente
acessvel.
A utilizao de uma amostragem probabilstica a melhor recomendao que se deve
fazer no sentido de se garantir a representatividade da amostra, pois o acaso ou a aleatoriedade ser o(a) nico(a) responsvel por eventuais discrepncias entre as caractersticas
58
da populao e da amostra, o que levado em considerao pelos mtodos de anlise da

Estatstica Inferencial.
Os principais tipos de amostragem probabilstica so:
Amostragem Aleatria Simples

A amostragem aleatria simples uma tcnica de coleta de dados amostrais que equivale a um sorteio lotrico. Nela, todos os elementos da populao tm igual probabilidade
de pertencer amostra, e todas as possveis amostras tm igual probabilidade de ocorrer.
O processo da amostragem aleatria simples exige que se atribuam nmeros consecutivos s unidades da populao e proceda-se a um sorteio. Colocando-se todos os nmeros
em um recipiente, por exemplo, e retirando um nmero, situao na qual cada unidade
de observao tem a mesma chance de ser selecionada (supondo que no h diferenas
em formato, peso, etc do material que compe cada um dos nmeros).
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.
7.2.2 Amostragem No-Probabilstica

Na amostragem no-probabilstica no possvel calcular a probabilidade de cada
elemento pertencer a amostra.
Este tipo de amostragem muitas vezes empregado em
trabalhos estatsticos, por simplicidade ou por impossibilidade de se obterem amostras

probabilsticas, como seria desejvel. Como em muitos casos os efeitos da utilizao de uma
59
amostragem no-probabilstica podem ser considerados equivalentes aos de amostragem

probabilstica, resulta que os processos no-probabilsticos de amostragem tm tambm
sua importncia. Apresentamos a seguir alguns casos de amostragem no-probabilstica.
Inacessibilidade a toda a populao

Essa situao ocorre com muita freqncia na prtica. Somos ento forados a colher
a amostra na parte da populao que nos acessvel. Surge aqui, portanto, uma distino
entre populao-objeto e populao amostrada. A populao-objeto aquela que temos
em mente ao realizar o trabalho estatstico. Apenas uma parte dessa populao, porm,
est acessvel para que dela retiremos a amostra.
Essa parte a populao amostrada.
Se as caractersticas da(s) varivel(is) de interesse forem as mesmas na populao-objeto

e na populao amostrada, ento esse tipo de amostragem equivaler a uma amostragem
probabilstica.
Uma situao muito comum em que camos diante da inacessibilidade a toda a populao o caso em que parte da populao ainda hipottica.
Assim, por exemplo,
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.
Ou, ento, se nos
interessar a populao de todos os portadores do vrus HIV, estaremos diante de um caso

semelhante. Deve-se notar que, em geral, estudos realizados com base nos elementos da
populao amostrada tero, na verdade, seu interesse de aplicao voltado para os elementos restantes da populao-objeto. Esse fato reala a importncia de se estar convencido
de que as duas populaes podem ser consideradas como tendo as mesmas caractersticas.
O presente caso de amostragem no-probabilstica pode ocorrer tambm quando, embora se tenha a possibilidade de atingir toda a populao, retiramos a amostra de uma
parte que seja prontamente acessvel.
Assim, se fssemos recolher uma amostra de um
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.
Amostragem a esmo ou sem norma

a amostragem em que o amostrador, para simplicar o processo, procura ser aleatrio
sem, no entanto, realizar propriamente o sorteio usando algum dispositivo aleatrio convel.
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.
Apesar disso, o uso de amostragens in-
tencionais, ou parcialmente intencionais, bastante freqente, ocorrendo em vrios tipos

de situaes reais. Exemplos freqentes ocorrem na rea empresarial, em que os administradores de uma empresa desejam que determinados elementos de uma populao no
quem fora da amostra. Devemos, chamar a ateno que esta intencionalidade pode ser
usada tanto para garantir a representatividade da amostra, como tambm para induzir resultados. Um exemplo deste ltimo objetivo seria a intencionalidade de um poltico para
que pertenam a amostra, uma ou mais comunidades em que ele suspeita que a maioria
dos eleitores so favorveis a sua candidatura.
7.2.3 Comentrios Adicionais sobre Amostragem

Como podemos ver, h diferentes maneiras pelas quais as amostras podem ser selecionadas, cada qual com vantagens e desvantagens.
importante ressaltar que a
denio do tamanho da amostra a ser retirada da
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.
7.2.4 Amostra Aleatria Simples

Denio 7.5 (Amostra Aleatria Simples - AAS). Variveis aleatrias X1 , X2 , ..., Xn
constituem uma amostra aleatria simples de tamanho n, ou simplesmente amostra
aleatria (a.a.) de uma varivel aleatria (v.a) X , quando satisfazem as seguintes
condies:
1) As variveis aleatrias X1 , X2 , ..., Xn so independentes, e
2) Cada uma das variveis aleatrias Xi , i = 1, 2, ..., n tm a mesma distribuio
de probabilidade da varivel X .
Exemplo : Considere uma populao formada pelos seguintes elementos
Considere a varivel
de probabilidade de
X : valor assumido
X dada por:
{1, 3, 5, 5, 7}.
pelo elemento na populao. Assim, a distribuio
X=x
P (X = x)
Considere todas as amostras possveis de tamanho 2, com reposio, da populao

cuja distribuio dada acima. Alm disso considere
61
X1
o nmero selecionado na primeira
extrao e
X2
o nmero selecionado na segunda extrao.
distribuio de probabilidades conjunta de
X2 .
X.
Observe que
X1
X2
(X1 , X2 )
Assim, podemos construir a
e as distribuies marginais de
X1
so independentes e tm distribuies iguais distribuio de
7.3 Distribuies Amostrais

Voltemos s denies de estatsticas e parmetros.
Denio 7.6. Um parmetro uma medida usada para descrever uma caracterstica
da populao.
Assim, identicando a populao pela varivel aleatria
E(X)
e a sua Varincia
X , seriam parmetros a mdia
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 ,
um exemplo de estatstica seria a
= 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
tece com a estatstica
assume todos os valores possveis. Essa distribuio ser chamada de distribuio amostral
da estatstica
T.
Exemplo: Considerando o exemplo da seo 7.2.4 podemos construir a distribuio de

= 1 (X1 + X2 + + Xn ) e
algumas estatsticas, como por exemplo a distribuio de X
n
Pn
2
2
/(n 1).
S = i=1 (Xi X)
Assim, teramos
= x
X
P (X = x)
Total
S2 = s
P (S 2 = s)
Total
7.3.1 Distribuio Amostral da Mdia

Voltando ao exemplo anterior podemos observar que = E(X) = 4, 2 e V ar(X) =
que E(X)
= 4, 2 e V ar(X)
= 2, 08.
2 = 4, 16. Vemos tambm, pela distribuio de X
Mostraremos a seguir que estes resultados no foram uma mera coincidncia.
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
Este teorema conhecido como o Teorema Central do Limite e pode ser
enunciado da seguinte forma:
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 ,
ou seja, independente de como se comportam essas variveis,
sejam elas discretas ou contnuas, o teorema continua vlido.

Se as variveis
X1 , X2 , ..., Xn
tm distribuio normal, ento
ter tambm dis-
tribuio normal e no apenas uma aproximao.

Exemplo: Em uma certa cidade, a durao de conversas telefnicas em minutos, originrias de telefones pblicos, segue um modelo exponencial com parmetro 1/3. Observandose uma amostra aleatria de 50 dessas chamadas, qual ser a probabilidade delas, em mdia,
no ultrapassarem 4 minutos?
Exemplo: Uma v.a.
for a mdia
X
< 110).
P (90 < X
a) Se
calcule
tem distribuio normal, com mdia 100 e desvio padro 10.

de uma amostra de 16 elementos retirados dessa populao,
b) Que tamanho deveria ter uma amostra para que
< 110) = 0, 95?

P (90 < X
7.3.2 Distribuio Amostral da Proporo

Considere uma populao em que a proporo de elementos portadores de certa caracterstica
p.
Assim, deniremos a varivel aleatria
portador da caracterstica e
X = 0,
como:
tem distribuio de Bernoulli com parmetro
p.
Logo,
se o indivduo for
E(X) = p e V ar(X) = p(1 p).
n, dessa populao. Considere a v.a. Sn :

Sn : b(n, p). Seja, p = Snn .

Sn
k
k
P (Sn = k) = P
=
= P p =
,
n
n
n
Retira-se uma amostra aleatria de tamanho
nmero de indivduos com a caracterstica na amostra. Assim,

Ento,
X = 1,
se o indivduo no possui a caracterstica. Observe que
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
Utilizando o Teorema Central

.
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?
Exemplo: Um procedimento de controle de qualidade foi planejado para garantir um

mximo de 10% de itens defeituosos na produo. A cada 6 horas sorteia-se uma amostra
de 20 peas e, havendo mais de 15% de defeituosas, encerra-se a produo para vericao
do processo. Qual a probabilidade de uma parada desnecessria?
Aplicao: Determinao do Tamanho de uma Amostra

Um dos problemas de se trabalhar com amostragem a determinao do tamanho da
amostra. Uma maneira simples a seguinte:
Suponha que estejamos estimando a mdia
,
X
mdia amostral,
populacional e para isso usaremos a
baseada numa amostra de tamanho
determinar o valor de
n.
Suponha ainda que se queira
de modo que

) = ,
P (X
com
0<<1
>0
o erro amostral mximo que podemos suportar, ambos valores
xados.
N (0, 2 /n) e portanto

X

n
n

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
de onde obtemos nalmente
n=
2
2 z/2
2
Observao: Na prtica, no se conhece o valor da varincia populacional
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
Normalmente usa-se esta es-
7a
LISTA DE EXERCCIOS
1 - Uma varivel de Bernoulli com probabilidade de sucesso
amostrada, de forma in-
dependente, duas vezes. Apresente a distribuio de probabilidade da mdia amostral.

2 - O nmero de divrcios, por indivduo adulto casado, em certa comunidade foi modelado pela varivel aleatria
D,
cuja distribuio de probabilidade apresentada a
seguir:
D
pi
0,5
0,4
0,05
0,05
Uma amostra aleatria, representada por
(D1 , D2 ),
foi sorteada com dois desses
indivduos e os seguintes estimadores para a mdia de divrcios foram considerados:
1 =
D1 D2
2 = max(D1 , D2 ) min(D1 , D2 ).
Para cada estimador, obtenha
sua distribuio de probabilidade.

3 - Coleta-se uma amostra de 10 observaes independentes de uma
N (2, 2).
Determine
a probabilidade de a mdia amostral:

a) Ser inferior a 1. (Resp. 0,0125)
b) Ser superior a 2,5. (Resp. 0,1315)
c) Estar entre 0 e 2. (Resp. 0,5)
4 - Supe-se que o consumo mensal de gua por residncia em um certo bairro tem
3
distribuio normal com mdia 10 e desvio padro 2 (em m ). Para uma amostra de
25 dessas residncias, qual a probabilidade de a mdia amostral no se afastar da
3
verdadeira mdia por mais de 1 m ? (Resp. 0,9876)
5 - Um fabricante arma que sua vacina contra gripe imuniza em 80% dos casos. Uma
amostra de 25 indivduos que tomaram a vacina foi sorteada e testes foram feitos
para vericar a imunizao ou no desses indivduos. Se o fabricante estiver correto,
qual a probabilidade da proporo de imunizados na amostra ser inferior a 0,75? E
superior a 0,85? (Resp. 0,2643 e 0,2643)
6 - A capacidade mxima de um elevador de 500kg. Se a distribuio
usurios for suposta
N (70, 100),
dos pesos dos
qual a probabilidade de sete passageiros ultrapas-
sarem esse limite? (Resp. 0,35)

7 - Suponha que uma indstria farmacutica deseja saber a quantos voluntrios se deva
aplicar uma vacina, de modo que a proporo de indivduos imunizados na amostra
dira de menos de 2% da proporo verdadeira de imunizados na populao, com
probabilidade 90%. Qual o tamanho da amostra a escolher sabendo-se que
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
so bons estimadores para a mdia e a proporo, respectivamente. Nosso objetivo ser

construir intervalos de conana para a mdia e para a proporo populacional a partir das
distribuies de
p,
respectivamente.
8.2 Propriedades de Estimadores

X1 , X2 , ..., Xn de uma v.a. que descreve alguma carac um parmetro desta populao e um estimador
= T (X1 , X2 , ..., Xn ). Algumas denies so necessrias:
Considere uma amostra aleatria
terstica de interesse da populao. Seja

para
ou seja
Denio 8.1. Estimativa o valor assumido pelo estimador em uma particular

amostra.
Denio 8.2. O vcio de um estimador dado por

= E()
.
B()
= 0.
Denio 8.3. Um estimador dito ser no viciado para o parmetro se B()
= .
Ou seja, se E()
Exemplo 8.1. Justique porque X e p so no viciados para e p, respectivamente.

Onde = E(X) e p a proporo populacional.
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
Um possvel estimador para 2 , baseado numa amostra aleatria de tamanho n

extrada dessa populao,
n
1X
2.
=
(Xi X)
n i=1
2
Mostre que este estimador viciado para 2 e E( 2 ) = (n1)

2 . Portanto, seu
n
2
vcio B( 2 ) = n . Logo, atravs de um simples ajuste em 2 podemos obter um
estimador no viciado para 2 . Este estimador
n
S2 =
1 X
2.
(Xi X)
n 1 i=1
Denio 8.4. Um estimador consistente se, medida que o tamanho da amostra
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
e deseja-se vericar sua con-
sistncia, basta observar a segunda condio da denio acima. Ou seja, um estimador

no viciado consistente para
se
= 0.
limn V ar()
Denio 8.5. Dados dois estimadores 1 e 2 , no viciados para o parmetro ,
dizemos que 1 mais eciente que 2 se V ar(1 ) < V ar(2 ).
Exemplo 8.3. Considere X1 , X2 , ..., Xn uma amostra aleatria de uma distribuio
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
Exemplo 8.4. Considerando a mesma

situao do exemplo anterior e os estimadores
4
2 e S 2 para 2 , sendo V ar(S 2 ) = n1

e V ar( 2 ) = (n1)
2 4 , qual dos dois estimadores
n
voc escolheria para estimar 2 analisando apenas a varincia do estimador?
8.3 Estimao Intervalar

At aqui discutimos apenas sobre estimadores pontuais, queles que fornecem como estimativa um nico valor numrico para o parmetro de interesse. Para amostras diferentes
de uma mesma populao podemos encontrar valores diferentes para a estimativa de um
parmetro levando-se em considerao o mesmo estimador, isto porque o estimador uma
varivel aleatria.
Assim, em muitas situaes gostaramos de construir uma estimativa
mais informativa para o parmetro de interesse que inclua uma medida de preciso do valor
obtido.
Esse mtodo de estimao, denominado
intervalo de conana,
incorpora,
estimativa pontual do parmetro, informaes a respeito de sua variabilidade. Intervalos de

conana so obtidos atravs da distribuio amostral de seus estimadores.
67
8.3.1 Intervalo de Conana para a mdia de uma populao com varincia

conhecida
Considere uma amostra aleatria X1 , X2 , ..., Xn de uma populao X , que tem mdia de2
sconhecida e varincia conhecida. Daqui por diante faremos as seguintes consideraes:
0<<1
P (0 < Z < z/2 ) = /2 onde Z : N (0, 1).

N (, 2 /n). Assim, o erro
Pelo Teorema Central do Limite, a mdia amostral X
ser uma varivel aleatria denida por
que cometemos ao estimarmos a mdia por X
e ter distribuio aproximadamente N (0, 2 /n). Logo, e N (0, 1).
e = X
/ n
e
z/2
um nmero tal que
Portanto, a probabilidade de cometermos erros de determinadas magnitudes, pode ser

calculada por

e
P < z/2 = ,
/ n
ou seja,

P
| < z/2
|X
n

= ,
desenvolvendo o mdulo, obtemos

P
da,

P
< z/2
z/2 < X
n
n
z/2 < < X

+ z/2
X
n
n
Portanto, o intervalo de conana para
= ,

= .
com coeciente de conana
dado por

z/2 ; X
+ z/2 ,
IC(, ) = X
n
n
Observe que a expresso
IC(, ) envolve a quantidade X
que uma varivel aleatria
e, portanto, o intervalo obtido tambm aleatrio. Desta forma, podemos interpretar o

intervalo acima da seguinte maneira: se obtivermos vrias amostras de mesmo tamanho
e para cada uma calcularmos os correspondentes intervalos de conana com coeciente
de conana
igual a
esperamos que a proporo de intervalos que contenham o valor de
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
extremo superior e o extremo inferior, isto ,
dado pela semi-amplitude, ou seja, z/2 .

n
68
2z/2 n .
O erro envolvido na estimao
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?
8.3.2 Intervalo de Conana para a proporo populacional

De maneira anloga ao caso da mdia, podemos construir um intervalo de conana para
a proporo populacional.
Pelo Teorema Central do Limite sabemos que

p N
p(1 p)
p,
n
Assim, um intervalo de conana para
"
IC(p, ) = p z/2

.
com nvel de conana
p(1 p)
; p + z/2
n
dado por
#
p(1 p)
.
n
p desconhecido, o intervalo ainda no pode ser calculado diretamente.

soluo substituirmos p(1 p) por p
(1 p). Portanto, o intervalo ser:
"
#
r
r
p(1 p)
p(1 p)
IC1 (p, ) = p z/2
; p + z/2
.
n
n
Como
Outra soluo possvel, baseada no fato que a expresso
0 p 1.
igual a 1/4, quando

substituindo
p(1 p)
p(1 p)
Uma possvel
tem valor mximo
Nesse caso, podemos obter um intervalo de conana
por 1/4:
"
IC2 (p, ) = p z/2
1
; p + z/2
4n
#
1
.
4n
IC1 , estamos levando em considerao que a varincia

p(1
p)
. Se preferirmos IC2 , estaremos substituindo a varincia
n
por um valor seguramente maior do que o real. Assim, estamos nos assegurando que o
Observao: Ao aceitarmos
de
bem aproximada por
coeciente de conana ser de, no mnimo,

menor preciso para
p,
Ao utilizarmos
IC2 , estamos aceitando uma
o que se reete numa maior amplitude do intervalo de conana,
quando comparado ao intervalo
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
8.3.3 Intervalo de Conana para a mdia de uma populao com varincia

desconhecida
At aqui consideramos a mdia de uma populao desconhecida e a varincia conhecida.
Esta situao no muito realista, pois se no conhecemos a mdia, como podemos conhecer a varincia de uma populao? Desta forma, uma situao mais prxima da realidade
seria o caso em que, tanto a mdia como a varincia, so desconhecidas. Iremos considerar
2
a siuao em que X : N (, ) com e desconhecidos.
Para isso, iremos utilizar a distribuio t de Student, que denida como:
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 < ,
p > 0, conhecida como a funo gama.
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)
simtrico em torno de 0. Ele se assemelha ao grco da dis-
tribuio normal padro, em verdade, mostra-se que
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
Nosso objetivo agora estudar a situao em que

hecidos.
Assim, considerando uma amostra aleatria
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
P (t Tn t ) = 1 , para alguns valores

distribuio t de Student com n graus de liberdade.
tal que
um nmero tal que
P (t T(n1) t ) = .
70
de
desconmostrar
Logo, o intervalo de conana para
com nvel de conana
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?
Exemplo 8.9. Por analogia a produtos similares, o tempo de reao de um novo
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
min. Determinar os limites de con-
da populao de todos os trabalhadores que fazem
aquele determinado servio. Qual o erro cometido ao estimarmos este intervalo de

conana?
Resp. [135,3; 144,7]
3 - Em uma linha de produo de certa pea mecnica, colheu-se uma amostra de 100
itens, constatando-se que 4 peas eram defeituosas. Construir um IC para a proporo
de itens defeituosos na populao ao nvel de 10%.
Resp. [0,78%; 7,21%]
4 - Em uma pesquisa de opinio, entre 600 pessoas pesquisadas, 240 responderam sim
a determinada pergunta. Estimar a porcentagem de pessoas com essa mesma opinio
na populao, dando um intervalo de 95% de conabilidade.
Resp. [36,08%; 43,92%]
5 - Seja
uma populao normal com mdia
e varincia
2,
de que so extradas
todas as amostras possveis de tamanho 2. Dos estimadores abaixo:
b1 = 12 X1 + 12 X2
b2 = 14 X1 + 34 X2 .
a) Qual ou quais dos estimadores acima so no-viesados para
b) Qual dos dois estimadores acima o melhor? Justique.

6 - Colhida uma amostra de 30 peas, forneceu os seguintes pesos:
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.
Por meio da construo do intervalo de conana, responder se esta amostra satisfaz

a espectativa pela qual o peso mdio deve ser 300 Kg.
Sugesto: Adote um nvel de 5%.
Resp. satisfaz, [288,33; 304,93]
72
= 0, 5,
7 - Sendo
determinar o nmero de elementos necessrios para construir um
intervalo de 95% de conana para a mdia adimitindo-se que nossa estimativa tenha
um erro de 10%.
Resp.
n = 96
8 - Em 50 lances de uma moeda, foram obtidas 30 caras. A partir de um intervalo de

conana de 96%, pode-se dizer que a moeda honesta?
Resp. sim, [0,46; 0,74]
9 - Construa um IC para a mdia ao nvel de 5% considerando a distribuio amostral
abaixo:
Classes
ni
0 5
5 10
10 15
15 20
Resp. [7,26; 13,58]

10 - Suponha um experimento consistindo de
sucesso
(i)
p.
p1 =
n provas de Bernoulli, com probabilidade de
o nmero de sucessos, e considere os estimadores:
X
n

(ii)
Seja
p2 =
1, se a primeira prova resultar sucesso

0,
c.c.
a) Determine a esperana e a varincia de cada estimador.

b) Verique se
c) Por que
p2
p1
p2
so consistentes.
no um bom estimador para
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
ses, que permite se decidir por um valor do parmetro
Teste de Hipte-
ou por sua modicao com um
grau de risco conhecido.

Formularemos duas hipteses bsicas:
H0 :
hiptese nula
H1 :
hiptese alternativa
Geralmente, a hiptese
H1
H0
a hiptese a ser testada. Caso rejeitemos
ser considerada aceitvel.
9.2 Denies Bsicas

9.2.1 Tipos de Testes
Iremos considerar os seguintes tipos de testes:
1. Teste bilteral
H0 : = 0
H1 : 6= 0
2. Teste unilateral direita
H0 : = 0
H1 : > 0
74
H0 ,
a hiptese
3. Teste unilateral esquerda
H0 : = 0
H1 : < 0
9.2.2 Tipos de Erros

Quando realizamos um teste de hipteses estamos sujeitos a cometer certos tipos de erros,
a saber:
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
a probabilidade de se cometer esse erro, teremos
= P (nao rejeitar H0 | H0 f alsa).
9.2.3 Regio Crtica do Teste

O objetivo do teste de hipteses decidir, usando uma estatstica
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 .
Esta regio construda de modo que
P ( RC | H0 verdadeira) = ,
onde
xado a priori.
importante destacar que a regio crtica sempre construda sob a hiptese de
H0
ser verdadeira.
A probabilidade
de se cometer um erro tipo I um valor arbitrrio e recebe o nome
de nvel de signicncia do teste.
9.3 Procedimento Geral do Teste de Hipteses

O procedimento padro para a realizao de um teste de hipteses o seguinte:
(i) Fixa-se qual a hiptese
H0
a ser testada e qual a hiptese alternativa;
(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 ;
de cometer o erro tipo I e usa-se este valor para construir
a regio crtica do teste. Essa regio construda sob
H0 ,
a partir de
= P (rejeitar H0 | H0 verdadeira).
75
(iv) Atravs da amostra, calcula-se a estatstica de teste;

(v) Se a estatstica de teste pertencer regio crtica, rejeita-se
rejeitamos
H0 ,
caso contrrio, no
H0 .
9.4 Testes para a mdia de uma populao com varincia conhecida

Vamos aplicar o procedimento geral para o caso em que queremos testar uma hiptese
sobre a mdia de uma populao que tem varincia conhecida.
(i) Denio das hipteses:

a)
H 0 : = 0
H1 : > 0
H 0 : = 0
H1 : < 0
b)
c)
H 0 : = 0
H1 : 6= 0
(ii) Escolha da Estatstica para o teste

Neste caso, utilizaremos a estatstica
=
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
verdadeira, podemos con-
struir a regio crtica do teste como:
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 ,
caso contrrio, no rejeitamos
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
apresenta-se abaixo de 26 mg por cigarro. Um laboratrio realiza 10 anlises do ndice

obtendo: 26, 24, 23, 22, 28, 25, 27, 26, 28, 14. Sabendo-se que o ndice de nicotina
dos cigarros da marca X se distribui normalmente com varincia 5,36 mg 2 , pode-se
aceitar a armao do fabricante, ao nvel de 5%?
Exemplo 9.3. Um fabricante de lajotas de cermica introduz um novo material em sua
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?
9.5 Teste para a proporo populacional

Consideraremos uma populao
abilidade
1 p.
onde
X =1
com probabilidade
X = 0 com probp. Pelo T.C.L.
Assim, a estatstica de teste ser a proporo amostral
sabemos que

p N
p(1 p)
p,
n

.
Assim, podemos aplicar o teste de hipteses seguindo os seguintes passos:
1. Retirada uma amostra aleatria de tamanho

hipteses do tipo:
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
dessa populao queremos testar
2. Portanto, dado um nvel de signicncia
a regio crtica do teste ser respectiva-
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
um valor tabelado tal que
3. A estatstica de teste
p avaliada
P (0 Z z ) =
Z : N (0, 1).
em uma amostra particular.
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%.
9.6 Teste para a mdia de uma populao normal com varincia

desconhecida
Consideraremos agora, o caso em que queremos testar hipteses sobre a mdia de uma
populao com distribuio normal, porm, com varincia desconhecida. Para isso, teremos
2
que estimar a varincia atravs da estatstica S . Alm disso, utilizaremos o fato de que
)
(X
: t(n1) .
S/ n
Assim, a estatstica do teste ser
T =
(X)
.
S/ n
Assim, podemos aplicar o teste de hipteses seguindo os seguintes passos:
1. Queremos testar hipteses do tipo:

a)
H 0 : = 0
H1 : 6= 0
H 0 : = 0
H1 : > 0
H 0 : = 0
H1 : < 0
b)
c)
2. Fixado um nvel de signicncia
, a regio crtica do teste ser dada respectivamente
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
um valor tabelado tal que
3. A estatstica de teste dada por
P (|T | < t ) = 1
T : t(n1) .
avaliada em uma amostra particular.
Exemplo 9.5. Um fabricante arma que seus cigarros contm no mais que 30 mg de
nicotina. Uma amostra de 25 cigarros fornece mdia de 31,5 mg e desvio padro de 3

mg. Ao nvel de 5%, testar a armao do fabricante.
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
1 - Os indevduos de um pas apresentam altura mdia de 170 cm e desvo padro de 5

cm.
A altura tem distribuio normal.
Uma amostra de 40 indivduos apresentou
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.
Baseado nesse resultado,
podemos armar, ao nvel de 5%, que a moeda no honesta?

3 - A tenso de ruptura de cabos fabricados por uma empresa apresenta distribuio
normal, com mdia 1800 kg e desvio padro de 100 kg. Mediante uma nova tcnica
de produo, proclamou-se que a tenso de ruptura teria aumentado. Para testar essa
declarao, ensaiou-se uma amostra de 50 cabos, obtendo-se como tenso mdia de
ruptura 1850 kg. Pode-se aceitar a proclamao ao nvel de 5%?
4 - Um certo tipo de rato apresenta, nos trs primeiros meses de vida, um ganho mdio
de peso de 58g. Uma amostra de 10 ratos foi alimentada desde o nascimento at a
idade de 3 meses com uma rao especial, e o ganho de peso de cada rato foi: 55,
58, 60, 62, 65, 67, 54, 64, 62 e 68. H razes para crer, ao nvel de 5%, que a rao
especial aumenta o peso nos trs primeiros meses de vida?
5 - Um fabricante de droga medicinal arma que ela 90% ecaz na cura de uma alergia,
em um determinado perodo. Em uma amostra de 200 pacientes, a droga curou 150
pessoas. Testar ao nvel de 1% se a pretenso do fabricante legtima.
6 - Um exame padro de inteligncia tem sido usado por vrios anos com mdia de 80
pontos e desvio padro de 7 pontos. Um grupo de 25 estudantes ensinado, dando-se
nfase resoluo de testes. Se esse grupo obtem mdia de 83 pontos no exame, h
razes para se acreditar que a nfase dada mudou o resultado do teste ao nvel de
10%?
7 - De uma populao normal levantaram-se os seguintes dados:
Classes
ni
1` 3
`5
5 ` 7
7` 9
9` 11
11` 13
13` 15
13
14
10
5
2
Testar, ao nvel de 5%, se a mdia dessa populao igual a 7.

8 - Uma mquina automtica que empacota o alimento A programada para colocar
100g de peso. Para vericar a preciso da mquina, uma amostra de 60 pacotes do
referido alimento fornece peso mdio de 98g e desvio padro de 6g. O que se pode
concluir ao nvel de 1%?
80

Curso Probabilidade e Estatistica PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Curso Probabilidade e Estatistica PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus I

DEPARTAMENTO DE MATEMTICA E ESTATSTICA

Professores: Alexsandro Cavalcanti, Amanda dos Santos e Rosngela Silveira

1.1 A Cincia Estatstica

Um segundo conceito refere-se ao conjunto de processos ou tcnicas em-

pregadas na investigao e anlise de fenmenos.

Neste caso, a Estatstica a cincia

Denio 1.1 (Estatstica). A Estatstica uma cincia que se preocupa com a

Estatstica Descritiva - que se preocupa com a organizao e descrio dos dados

Estatstica Inferencial - que, a partir da observao de alguns dados experimentais,

Nesta disciplina, sero abordados tpicos referentes estatstica descritiva, conceitos

1.2 Conceitos Fundamentais

1.2.1 Populao e Amostra

Exemplo 1.1. Se o problema a ser pesquisado est relacionado com a qualidade de um

Exemplo 1.2. Se o objetivo de um estudo pesquisar o nvel de renda familiar de uma

Finita - quando o nmero de unidades de observao pode ser contado e limitado;

Innita - quando a quantidade de unidades de observao ilimitada;

Podemos citar como exemplo de

populao nita o conjunto formado pelos alunos

que cursam a disciplina de estatstica num determinado semestre da UFCG. Um exemplo de

Denio 1.3 (Amostra). A amostra apenas uma parte da populao, ou seja,

Vrios motivos levam a necessidade de se observar apenas uma parte da populao,

1.2.2 Parmetro e Estatstica

Parmetro e Estatstica, tendo em vista que:

1.2.3 Variveis (ou Dados) e Tipos de Variveis

Variveis Qualitativas - quando os valores que elas podem receber so referentes

Raa: podendo assumir os valores Branco ou Negro;

Resultado de um teste: aprovado ou reprovado;

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

grau completo, superior, ps-graduado;

As variveis qualitativas podem, ainda, ser classicadas como:

variveis qualitativas nominais

- so caracterizadas por dados que se

apresentam apenas sob o aspecto qualitativo (Ex: raa e resultado de um teste).

variveis qualitativas ordinais

aprentam uma ordenao natural.

- so caracterizadas por categorias que

Variveis Quantitativas - quando os valores que ela pode assumir so numricos,

variveis quantitativas discretas - so variveis numricas obtidas a partir

Quantidade de pessoas numa

famlia, quantidade de acidentes numa indstria, etc.

variveis quantitativas contnuas - so variveis numricas cujos valores

so obtidos por um procedimento de mensurao, podendo assumir quaisquer

seja necessariamente quantitativa, por que a classicao da varivel depende de como

Justique a sua resposta por intermdio de um

exemplo para melhor ilustrar.

tentando sanar, ao menos parcialmente, a carncia

de informaes precisas sobre a indstria de eventos, promoveu a

Os resultados desta pesquisa se baseiam em

40 questionrios respondidos sobre um total de 1000, os quais foram encaminhados

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus I

Professores: Alexsandro Cavalcanti, Amanda dos Santos e Rosngela Silveira

2.1 Organizao de dados: Tabelas e Grcos

Uma maneira adequada de apresentar os dados e suas respectivas freqncias atravs

Tabela de Freqncias, a qual constituda por uma coluna referente aos

como ca para o conjunto de dados da Figua 1:

Tabela 1: Tabela de Freqncias da varivel

Total de observaes (n)

Uma medida bastante til na interpretao de tabelas de freqncias a freqncia

Pode-se, ainda, representar a freqncia relativa em termos

de porcentagem, bastando para isso multiplicar a freqncia relativa

Tabela 2: Tabela de Freqncias da varivel

Ao conjunto de todos os pares de valores, referentes a cada dado obser-

Denio 1.1 (Estatstica). A Estatstica uma cincia que se preocupa com a

Innita - quando a quantidade de unidades de observao ilimitada;

populao nita o conjunto formado pelos alunos

Denio 1.3 (Amostra). A amostra apenas uma parte da populao, ou seja,

As variveis qualitativas podem, ainda, ser classicadas como:

seja necessariamente quantitativa, por que a classicao da varivel depende de como

Justique a sua resposta por intermdio de um

2.1 Organizao de dados: Tabelas e Grcos

como ca para o conjunto de dados da Figua 1:

Para ilustrar, veja como ca este grco para a

Representao Grca de uma Varivel Quantitativa Contnua - Histograma

- um grco indicado para representar dados agrupados em classes.

Identicar a posio central do conjunto de dados, ou seja, a posio onde

Esta(s) posio(es) pode(m) ser vericada(s)