SebentaPE 200910 PDF

Probabilidade e Estatstica
Frederico Caeiro
2009/10
Observao:
Estas folhas servem de apoio s aulas de Probabilidades e Estatstica. Para uma melhor compreen-
so dos assuntos abordados, aconselha-se a leitura de alguns dos livros indicados nas referncias
bibliogrficas.
Contedo
1 Introduo Teoria da Probabilidade 1

1.1 Espao de Resultados e Acontecimentos . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Clculo Combinatrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Probabilidade Condicional e Independncia . . . . . . . . . . . . . . . . . . . . . 6
2 Variveis aleatrias 9
2.1 Variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Classificao das variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Outros parmetros relevantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 Funes de uma varivel aleatria . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Vectores aleatrios 17
3.1 Par aleatrio discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Par aleatrio contnuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Momentos de vectores aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Principais Distribuies 23
4.1 Distribuies discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1.1 Distribuio Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1.2 Distribuio de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.3 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.4 Distribuio Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.5 Distribuio Hipergeomtrica . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.6 Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Distribuies Contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.1 Distribuio Uniforme Contnua . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.2 Distribuio Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2.3 Distribuio Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.4 Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.5 Distribuio do Qui Quadrado . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.6 Distribuio t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5 Teorema Limite Central 39
i
6 Estimao Pontual 41
6.1 Alguns conceitos importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.2 Propriedades dos estimadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.3 Mtodo dos Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.4 Mtodo da mxima verosimilhana . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.5 Distribuies por Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.5.1 Distribuio por amostragem da mdia amostral, X . . . . . . . . . . . . 47
6.5.2 Distribuio por amostragem da diferena de mdias amostrais, X 1 X 2 49
6.5.3 Distribuio por amostragem da varincia amostral, S 2 . . . . . . . . . . 49
6.5.4 Distribuio por amostragem da proporo, P . . . . . . . . . . . . . . . 49
7 Estimao por Intervalo de Confiana 51

7.1 Intervalo de Confiana para a mdia da populao, . . . . . . . . . . . . . . . 52
7.1.1 Populao Normal com varincia conhecida . . . . . . . . . . . . . . . . 52
7.1.2 Populao Normal com varincia desconhecida . . . . . . . . . . . . . . 55
7.1.3 Populao no-Normal com varincia conhecida e n > 30 . . . . . . . . . 56
7.1.4 Populao no-Normal com varincia desconhecida e n > 30 . . . . . . . 56
7.2 Intervalo de Confiana para a varincia populacional, 2 , e para o desvio padro
populacional, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.3 Intervalo de Confiana para proporo populacional, p . . . . . . . . . . . . . . . 60
8 Teste de Hipteses 63
8.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
8.2 Teste de Hipteses para a mdia da populao . . . . . . . . . . . . . . . . . . . 65
8.2.1 Teste bilateral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2.2 Teste unilateral direito . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
8.2.3 Teste unilateral esquerdo . . . . . . . . . . . . . . . . . . . . . . . . . . 68
8.3 Teste de Hipteses para a varincia, 2 , de uma populao Normal . . . . . . . . 69
8.4 Teste de Hipteses para a proporo p de uma populao . . . . . . . . . . . . . 70
8.5 Teste das sequncias ascendentes e descendentes . . . . . . . . . . . . . . . . . 71
8.6 Teste de ajustamento do Qui Quadrado . . . . . . . . . . . . . . . . . . . . . . 72
9 Regresso Linear 77
9.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
9.2 Estimadores dos Mnimos Quadrados de 0 e 1 . . . . . . . . . . . . . . . . . . 78
9.3 Estimao de 2 e Qualidade do Ajuste . . . . . . . . . . . . . . . . . . . . . . 79
9.4 Propriedades dos estimadores dos mnimos quadrados . . . . . . . . . . . . . . . 79
9.4.1 Distribuio por amostragem de 2 . . . . . . . . . . . . . . . . . . . . . 79
9.4.2 Distribuio por amostragem de 0 e 1 . . . . . . . . . . . . . . . . . . 80
9.5 Inferncia sobre os parmetros do Modelo de Regresso . . . . . . . . . . . . . . 81
9.5.1 Intervalo de Confiana e Teste de Hipteses para 1 . . . . . . . . . . . 81
9.6 Estimao do valor esperado de Y para uma observao x0 da varivel controlada 84
9.7 Previso do valor da varivel resposta Y para um novo valor x0 da varivel controlada 84
10 Exerccios 85
10.1 Introduo Teoria da Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . 85
10.2 Variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
10.3 Vectores Aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
10.4 Principais distribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
10.5 Teorema Limite Central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
10.6 Estimao Pontual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
10.7 Estimao por Intervalo de Confiana . . . . . . . . . . . . . . . . . . . . . . . 104
10.8 Teste de Hipteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
10.9 Regresso Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
11 Tabelas 111
Captulo 1
Introduo Teoria da Probabilidade
1.1 Espao de Resultados e Acontecimentos
Definio 1.1 (Experincia aleatria). Uma experincia aleatria uma experincia cujo re-
sultado desconhecido (antes da sua realizao), apesar de se conhecerem todos os possveis
resultados.
Exemplo 1.2 (Experincia aleatria). Considere os seguintes exemplos:
E1 : Lanamento de uma moeda e observao da face voltada para cima;
E2 : Lanamento de um dado e observao da face voltada para cima;
E3 : Tempo de vida de uma lmpada.
Definio 1.3 (Espao de resultados ou universo). Chamamos espao de resultados ou uni-

verso, e representamos por , ao conjunto de todos os possveis resultados de uma experincia
aleatria.
Observao: Diz-se que o espao de resultados, , discreto se tem um nmero finito ou infinito
numervel de elementos. Se contm um intervalo (finito ou infinito) de nmeros reais, ento
o espao de resultados contnuo.
Exemplo 1.4 (Espao de resultados). Considere novamente as experincias aleatrias do Ex-

emplo 1.2. Temos:
E1 : = {Cara, Coroa};
E2 : = {1, 2, 3, 4, 5, 6};
E3 : = R+ .
1
2 CAPTULO 1. INTRODUO TEORIA DA PROBABILIDADE
Exemplo 1.5 (Espao de resultados). Na experincia aleatria que consiste em lanar um dado,
numerado de 1 a 6, e observar a face voltada para cima, = {1, 2, 3, 4, 5, 6}. Se forem lanados
dois dados, o espao de resultados ,
= {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), . . . , (6, 5), (6, 6)},
ou seja, = {(i, j) : i = 1, . . . , 6; j = 1, . . . , 6}.
Definio 1.6 (Acontecimento e Acontecimento elementar). Um acontecimento um sub-

conjunto do espao de resultados, . Cada acontecimento formado por apenas um ponto amostral
designado por acontecimento elementar ou simples.
Observao: Ao conjunto chamamos acontecimento impossvel e a acontecimento certo.
Definio 1.7 (Sub-acontecimento). A sub-acontecimento de B, e escreve-se A B, se e

s se a realizao de A implica a realizao de B.
Observao: Podemos aplicar as operaes usuais sobre conjuntos de modo a obter outros
acontecimentos de interesse. As operaes mais usuais so:
A unio de dois acontecimentos A e B, e representa-se por A B;
A interseco de dois acontecimentos A e B, e representa-se por A B;
O complementar do acontecimento A e representa-se por A;
A diferena dos acontecimentos A e B e representa-se por A B (= A B);
Algumas propriedades importantes:
1. Distributiva: A (B C) = (A B) (A C) e A (B C) = (A B) (A C);
2. Leis de De Morgan: A B = A B e A B = A B.
Definio 1.8 (Acontecimentos disjuntos ou mutuamente exclusivos). Dois acontecimentos

A e B dizem-se disjuntos se no tm elementos em comum, ou seja, se A B = .
1.2. PROBABILIDADE 3
1.2 Probabilidade
Em muitas experincia aleatrias estamos interessados em medir a possibilidade de ocorrer um
determinado acontecimento ocorrer. A probabilidade permite-nos quantificar essa possibilidade.
Definio 1.9 (Definio Clssica ou de Laplace de Probabilidade). Se uma experincia

aleatria tem a si associado um nmero finito N de resultados, mutuamente exclusivos e igual-
mente provveis, ento a probabilidade de qualquer acontecimento A, P (A), dada por:
NA no de resultados favorveis a A
P (A) = = .
N no de resultados possveis
Exemplo 1.10. A probabilidade de sair face mpar, num lanamento de um dado equilibrado
3
P (Sair face mpar) = 6 = 21 .
Definio 1.11 (Definio Frequencista de Probabilidade). A probabilidade de um aconteci-

mento A dada pelo limite da frequncia relativa com que se observou A, isto ,
nA
P (A) = lim ,
n n
onde nA representa o nmero de observaes de A, e n o nmero de realizaes da experincia

nA
aleatria. Para valores elevados de n, podemos assumir que P (A) .
n
Definio 1.12 (Definio Axiomtica de Probabilidade). A Probabilidade uma funo,

que a cada acontecimento A faz corresponder um valor real, P (A), e que verifica as seguintes
condies ou axiomas:
1. P (A) 0, qualquer que seja o acontecimento A;
2. P () = 1;
3. Se A e B so acontecimentos disjuntos, P (A B) = P (A) + P (B).
Esta axiomtica no contempla situaes com uma infinidade numervel de acontecimentos.

assim usual substituir o 3o axioma, por:
S P
3. Se A1 , A2 , . . . so acontecimentos disjuntos dois a dois, ento P i=1 Ai = i=1 P (Ai ).
Proposio 1.13. Sejam A e B dois acontecimentos. Os seguintes resultados so consequncia

imediata dos axiomas da definio 1.12:
1. P () = 0;
2. Se A B ento P (A) P (B);

3. P (A) = 1 P (A);
4. P (A) [0, 1];
5. P (A B) = P (A B) = P (A) P (A B);
6. P (A B) = P (A) + P (B) P (A B).
Demonstrao.
1. Como e so acontecimentos disjuntos e P ( ) = P () = 1, resulta pelo 3o axioma

que P ( ) = P () + P (), ou seja, P () = 0.
2. Sejam A e B dois acontecimentos tais que A B. Ento B = B (A A) = (B A)

(B A) = A (B A). Como A e B A so acontecimentos disjuntos, podemos utilizar
o 3o axioma, resultando,
P (B) = P (A (B A)) = P (A) + P (B A).
Usando o 1o axioma, podemos garantir que P (BA) 0 e consequentemente P (B) P (A).
3. Como A e A so acontecimentos disjuntos, podemos utilizar o 3o axioma. Assim,
1 = P () = P (A A) = P (A) + P (A),
ou seja, P (A) = 1 P (A).
4. Pelo 1o axioma, para qualquer acontecimento A, P (A) 0. Logo, basta apenas demonstrar
que P (A) 1. Como A , resulta que P (A) P () = 1.
5. Como A = (AB)(AB) = (AB)(AB), e (AB) e (AB) so acontecimentos

disjuntos, ento podemos utilizar o 3o axioma. Assim,
P (A) = P (A B) + P (A B) P (A B) = P (A) P (A B).
6. Como A B = (A B) (B A) (A B) e (A B), (B A) e (A B) so
acontecimentos disjuntos dois a dois, podemos utilizar o resultado do 3o axioma, obtendo:
P (A B) = P (A B) + P (B A) + P (A B) =
= P (A) P (A B) + P (B) P (A B) + P (A B) =
= P (A) + P (B) P (A B).
Observao: O ltimo resultado da Proposio 1.13 pode ser generalizado para a unio de n
acontecimentos (n 2). Assim, dados os acontecimentos Ai , i = 1, . . . , n,
n
P (Ai Aj Ak ). . .+(1)n1 P (ni=1 Ai ) ;
X X X
P (ni=1 Ai ) = P (Ai ) P (Ai Aj )+
i=1 i6=j i6=j6=k
1.3. CLCULO COMBINATRIO 5
Para n = 3 obtemos o caso particular:
P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C).
Definio 1.14 (Acontecimentos incompatveis). Dois acontecimentos A e B dizem-se in-

compatveis se P (A B) = 0.
1.3 Clculo Combinatrio
O clculo de uma probabilidade, atravs da definio clssica, depende da contagem do nmero

de casos favorveis e do nmero de casos possveis. Em muitas situaes este clculo pode no
ser imediato. O clculo combinatrio uma ferramenta que nos poder auxiliar em muitas dessas
situaes.
Definio 1.15 (Produto Cartesiano). Seja A = {a1 , . . . , an } um conjunto com n elementos e

B = {b1 , . . . , bm } um conjunto com m elementos. Designa-se por produto cartesiano o conjunto
de pares (ai , bj ) em que o primeiro provm de A e o segundo de B e representa-se por A B. O
nmero de elementos de A B dados por #(A B) = n m.
Considere agora que temos n elementos distintos, e pretendemos seleccionar k. De quantas

maneiras distintas possvel seleccionar os k elementos? Como existem vrias formas distintas
de escolher os k elementos, a resposta questo anterior dada pela seguinte tabela:
Interessa H Nmero de maneiras distintas de

Designao
a ordem? repetio? escolher os k elementos
nA n!
Sim No Arranjos k =(nk)! , kn
Sim Sim Arranjos com repetio n A0 = nk
k
nC n n!
No No Combinaes k = k = (nk)!k! , k n
No Sim Combinaes com repetio n C 0 = (n+k1)!
k (n1)!k!
Observaes:
! representa a funo factorial (por conveno 0! = 1);
No caso particular em que interessa a ordem, no h repetio e estamos a seleccionar todos

os elementos disponveis (k = n), mais usual designarmos Permutaes de n elementos,
Pn , em vez de n An . obvio que n An = Pn = n!.
1.4 Probabilidade Condicional e Independncia

Vamos comear por um exemplo que ir introduzir a noo de probabilidade condicional.
Exemplo 1.16. Uma empresa farmacutica realizou um ensaio clnico para comparar a eficcia de
um novo medicamento (medicamento experimental). Escolheram-se ao acaso 200 doentes com a
doena que se pretende curar. Metade desses doentes foram tratados com o novo medicamento e
os restantes com um medicamento convencional. Ao fim de 5 dias, os resultados so os seguintes:
Melhorou (M ) No melhorou (M ) Total

Medicamento Experimental E 69 31 100
Medicamento Convencional (E) 58 42 100
Total 127 73 200
1. Qual a probabilidade, de um doente escolhido ao acaso,
(a) tomar o medicamento experimental?

100
Resposta: Usando a regra de Laplace, P (E) = 200 = 12 .
(b) tomar o medicamento experimental e melhorar?
69
Resposta: Usando a regra de Laplace, P (E M ) = 200 .
2. Qual a probabilidade de um doente, que melhorou, ter tomado o medicamento experimental?

69
Resposta: 127 .
P (EM )
Observao: A soluo da pergunta 2, do exemplo anterior, igual a P (M ) .
Definio 1.17 (Probabilidade Condicional). Sejam A e B dois acontecimentos. A probabili-

dade condicional de A dado B
P (A B)
P (A|B) = , se P (B) > 0.
P (B)
Teorema 1.18 (Teorema da Probabilidade Composta). Sejam A e B dois acontecimentos

tais que P (B) > 0. Ento, resulta da definio de Probabilidade Condicional,
P (A B) = P (A |B ) P (B) .
Observao: Nalguns casos, a probabilidade condicional P (A|B) pode ser igual a P (A), ou seja,
o conhecimento da ocorrncia de B no afecta a probabilidade de A ocorrer.
Definio 1.19 (Acontecimentos Independentes). Dois acontecimentos A e B dizem-se inde-

pendentes se e s se,
P (A B) = P (A) P (B) .
1.4. PROBABILIDADE CONDICIONAL E INDEPENDNCIA 7
Definio 1.20 (Partio do espao de resultados). Dizemos que {E1 , . . . , En } uma partio
do espao de resultados quando
Ei Ej = (i 6= j) e ni=1 Ei = .
Teorema 1.21 (Teorema da Probabilidade Total). Seja {E1 , . . . , En } uma partio do espao
de resultados , com P (Ei ) > 0, i. Dado um qualquer acontecimento A, tem-se,
P (A) = P (A |E1 ) P (E1 ) + . . . + P (A |En ) P (En ) .
Teorema 1.22 (Teorema de Bayes). Seja {E1 , . . . , En } uma partio do espao de resultados
, com P (Ei ) > 0, i. Dado um qualquer acontecimento A, com P (A) > 0, tem-se
P (A |Ei ) P (Ei )
P (Ei |A ) = P
n .
P (A |Ei ) P (Ei )
i=1
Demonstrao. Aplicando a definio 1.17, de Probabilidade Condicional, depois o Teorema 1.18

da Probabilidade Composta e o Teorema 1.21 da Probabilidade Total,
P (Ei A) P (A |Ei ) P (Ei )

P (Ei |A ) = = P
n .
P (A) P (A |Ei ) P (Ei )
i=1
Exemplo 1.23 (Teste de P.E. D - 2007/08). Diga, justificando, se a seguinte afirmao ver-
dadeira ou falsa:
Trs mquinas A, B e C produzem botes, respectivamente, 15%, 25% e 60% da produo total.
As percentagens de botes defeituosos fabricados por estas mquinas so respectivamente 5%, 7%
e 4%. Se ao acaso, da produo total de botes, for encontrado um defeituoso, a probabilidade
de ele ter sido produzido pela mquina B de cerca de 36%.
Resoluo:
Sejam A, B, C e D os seguintes acontecimentos:
A - O Boto produzido pela mquina A;
B - O Boto produzido pela mquina B;
C - O Boto produzido pela mquina C;
D - O Boto tem defeito;
De acordo com o enunciado, temos as seguintes probabilidades: P (A) = 0.15, P (B) = 0.25,
P (C) = 0.6, P (D|A) = 0.05, P (D|B) = 0.07 e P (D|C) = 0.04.
Pretende-se determinar P (B|D). Usando o Teorema de Bayes, obtemos:
P (D|B)P (B) 175

P (B|D) = = ' 36%.
P (D|A)P (A) + P (D|B)P (B) + P (D|C)P (C) 490
Logo a afirmao est correcta, isto , a probabilidade de um boto defeituoso ter sido produzido
pela mquina B de cerca de 36%.
Captulo 2
Variveis aleatrias
2.1 Variveis aleatrias
Definio 2.1 (Varivel aleatria). Uma varivel aleatria (v.a.), X : R, uma funo real
e finita, tal que a imagem inversa de ] ; x] um acontecimento, isto , Ax = X 1 (; x] =
{ : X () x} com x R um acontecimento.
Observao: fcil de verificar que se X uma varivel aleatria e g : R R uma funo,

ento Y = g(X) tambm uma varivel aleatria.
Exemplo 2.2 (Varivel aleatria). Considere a experincia aleatria que consiste no lanamento
de 2 moedas equilibradas, e registo da face voltada para cima. O espao de resultados
= {(Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co)}.
Podemos, por exemplo, atribuir a cada um dos acontecimentos elementares de , os seguinte

valores:
(Ca,Ca) (Ca,Co) (Co,Ca) (Co,Co)
X() 2 1 1 0
Repare que

, x<0

{(Co, Co)} 0 x<1
Ax = X 1 ](; x]) =
{(Co, Co), (Ca, Co), (Co, Ca)} 1 x < 2

x2
Como todas as imagens inversas, X 1 (] ; x]), so acontecimentos de , ento de acordo com

a definio 2.1, X uma varivel aleatria.
Observao: Relativamente ao Exemplo 2.2, X a aplicao que atribui a cada acontecimento

de o nmero de caras.
9
10 CAPTULO 2. VARIVEIS ALEATRIAS
2.2 Funo de distribuio
Definio 2.3 (Funo de distribuio). A funo de distribuio da v.a. X :
FX (x) = P (X x) = P ({ : X() x}), x R.
Exemplo 2.4. Considere novamente o Exemplo 2.2. A funo de distribuio desta v.a. :

0, x<0

1, 0 x < 1

FX (x) = P (X x) = 4
3
4, 1 x < 2

1, x2

Observao: Como FX (x) = P (X x), conclui-se que a funo de distribuio existe sem-
pre. Quando no existir mais do que uma v.a., pode-se representar a funo de distribuio
simplesmente por F .
Propriedades da funo de distribuio:
1. lim F (x) = 0 e lim F (x) = 1;

x x+
2. F contnua direita, isto , lim F (x) = F (a);

xa+
3. F no decrescente, isto , se x < y, ento F (x) F (y).
Teorema 2.5. Qualquer funo F uma funo de distribuio se e s se verificar as trs

propriedades anteriores.
Proposio 2.6. Seja X uma v.a. com funo de distribuio F . Tem-se:
P (X = x) = P (X x) P (X < x) = F (x) F (x ), x R,
onde F (x ) = lim F (t).

tx
Definio 2.7 (Variveis aleatrias identicamente distribudas). Duas variveis aleatrias

X e Y dizem-se identicamente distribudas, se tm a mesma funo de distribuio, isto , se
FX (x) = FY (x), x R.
2.3. CLASSIFICAO DAS VARIVEIS ALEATRIAS 11
2.3 Classificao das variveis aleatrias

A funo de distribuio no necessariamente contnua em todos os valores x R. Podemos
por isso classificar as variveis aleatrias em funo da continuidade da respectiva funo de
distribuio. Considere o conjunto de pontos de descontinuidade da funo de distribuio F ,
D = {a R : P (X = a) > 0} . (2.1)
Definio 2.8 (Varivel aleatria discreta). Uma v.a. X diz-se do tipo discreto ou simples-
mente discreta se o conjunto D quanto muito numervel, e se P (X D) = 1.
Definio 2.9 (Funo de probabilidade). Seja X uma v.a. discreta. Chama-se funo de
probabilidade (f.p.), ou funo massa de probabilidade, de X funo definida pelo conjunto dos
valores de D e pelas respectivas probabilidades, isto , por (xi , pi ) onde xi D e pi = P (X = xi ).
Uma representao usual para a funo de probabilidade da v.a. X, :
(
x1 x2 ... xi ...
X=
P (X = x1 ) P (X = x2 ) . . . P (X = xi ) . . .
Propriedades da funo de probabilidade:
1. P (X = xi ) = f (xi ) = pi 0;
P
2. i=1 pi = 1.
Observao: Para qualquer subconjunto real I, P (X I) =

P
xi ID P (X = xi ).
Exemplo 2.10. Considere novamente o Exemplo 2.2. O conjunto de pontos de descontinuidade

da funo de distribuio D = {0, 1, 2}. Como P (X D) = 1, conclui-se que X uma v.a.
discreta com funo de probabilidade,
(
0 1 2
X 1 1 1
4 2 4
Definio 2.11 (Varivel aleatria contnua). Uma v.a. X diz-se do tipo contnuo ou simples-
mente contnua se D = e se existe uma funo no negativa, f , tal que para I R,
Z
P (X I) = f (x)dx.
I
funo f chamamos funo densidade probabilidade ou funo densidade.

Propriedades da funo densidade probabilidade:
1. f (x) 0, x R;
R +
2. f (x) dx = 1.
R
Observao: Como I f (x)dx um integral de uma funo no negativa e sempre convergente,
ento a P (X I), corresponde ao valor da rea entre o eixo das abcissas e o grfico da funo
f no intervalo I considerado. Consequentemente P (X = x) = 0, x R e
P (x1 X x2 ) = P (x1 < X x2 ) = P (x1 X < x2 ) = P (x1 < X < x2 ), x1 x2 .
Observao: Por definio, F 0 (x) = f (x), nos pontos onde existe derivada. Se no existir
derivada, f (x) = 0.
2.4 Momentos
Qualquer varivel aleatria possui algumas caractersticas numricas importantes. As mais conhe-
cidas so o valor mdio e a varincia. Nesta seco vamos estudar outras caractersticas mais
gerais: os Momentos.
Definio 2.12 (Valor mdio). O valor mdio, valor esperado ou simplesmente mdia da v.a.
X dado por,

P

xi P (X = xi ) se X uma v.a. discreta;
i=1
= E(X) = +
R
xf (x)dx se X uma v.a. contnua;

desde que a srie/integral seja absolutamente convergente.
Definio 2.13 (Valor mdio de uma funo de uma varivel aleatria). Seja X uma v.a. e
g uma funo real de varivel real contnua com quanto muito um conjunto numervel de pontos
de descontinuidade. Ento o valor mdio de Y = g(X) dado por:

P

g(xi )P (X = xi ) se X uma v.a. discreta;
i=1
E(g(X)) = +
R
g(x)f (x)dx se X uma v.a. contnua;

desde que a srie/integral seja absolutamente convergente.
Exemplo 2.14. Considere a varivel aleatria introduzida no Exemplo 2.2. Os valores mdios de
X e g(X) = X 2 , so respectivamente:
1 1 1
E(X) = 0 4 + 1 2 +2 4 = 1,
E(g(X)) = E(X ) = 02 2 1
4
2
+1 1
2 + 22 1
4 = 32 .
2.4. MOMENTOS 13
Propriedades do valor esperado:
1. Se a uma constante, E(a) = a;
2. Se a e b so constantes, E(aX + b) = aE(X) + b.
3. Se existirem E(g1 (X)) e E(g2 (X)), ento
E(g1 (X) + g2 (X)) = E(g1 (X)) + E(g2 (X)).
Definio 2.15 (Momentos de ordem k). Seja X uma varivel aleatria. Definem-se momentos
de ordem k em torno da origem por:
mk = E(X k ),
e os momentos centrais de ordem k de X por:
k = E((X )k ),
desde que os valores esperados existam.
Definio 2.16 (Varincia e desvio padro). A varincia da v.a. X, 2 ou V (X), o momento

central de ordem dois, isto ,
2 = V (X) = E((X )2 ),
desde que exista o valor esperado de (X )2 . sua raiz quadrada positiva, =

p
V (X),
chamamos desvio padro da v.a. X.
Proposio 2.17. Se X uma v.a., para a qual existe varincia, V (X) = E X 2 E 2 (X).

Propriedades da Varincia:
1. Se a uma constante, V (a) = 0;
2. Se a e b so constantes, V (aX + b) = a2 V (X).
Exemplo 2.18. Considere a varivel aleatria introduzida no Exemplo 2.2. A varincia de X :
V (X) = E((X 1)2 ) = (0 1)2 1

4 + (1 1)2 1
2 + (2 1)2 1
4 = 12 .
Nota: A varincia tambm podia ser calculada atravs do resultado da Proposio 2.17.
Teorema 2.19 (Desigualdade de Chebychev). Se X uma v.a. para a qual existe varincia
2 e c > 0 uma constante real positiva, ento
1 1
P (|X | c) P (|X | < c) 1 .
c2 c2
Exemplo 2.20 (Desigualdade de Chebychev). Para c = 2, podemos dizer que a probabilidade

da v.a. X assumir valores no intervalo ] 2, + 2[ superior a 1 1/4 = 0.75.
Observao: A generalidade da Desigualdade de Chebychev impede-a de ser muito precisa.
2.5 Outros parmetros relevantes

Definio 2.21 (Coeficiente de variao). Seja X uma v.a. com suporte no negativo. O
Coeficiente de variao de X ,

CV = 100%.

Definio 2.22 (Coeficiente de Simetria). O Coeficiente de simetria, de uma v.a. X, definido

por
3
1 = .
3
Definio 2.23 (Coeficiente de achatamento ou Kurtosis). Define-se o coeficiente de achata-

mento ou kurtosis como
4
2 = 3.
4
Definio 2.24 (Quantil). O quantil de ordem p, p , da v.a. X a soluo da equao:
F (p ) = p, 0 < p < 1.
Se X uma v.a. discreta, a equao F (p ) = p pode no ter soluo exacta. Neste caso
considera-se p = min{x : F (x) p}.
Definio 2.25 (Mediana). Trata-se do quantil de ordem p = 1/2. Costuma-se representar a

mediana, da v.a. X, por med(X).
Definio 2.26 (Moda). A Moda, representada por mo, o valor que maximiza a funo de
probabilidade ou a funo densidade probabilidade, desde que seja nico.
2.6. FUNES DE UMA VARIVEL ALEATRIA 15
2.6 Funes de uma varivel aleatria

Existem muitas formas de criar novas variveis aleatrias, a partir de outras j conhecidas. Muitas
destas variveis aparecem de forma natural com a resoluo de problemas. Assim, sejam X e Y
variveis aleatrias tais que Y funo de X (Y = g(X)). Interessa-nos saber como conhecer a
distribuio de Y . Para isso basta conhecer a sua funo de distribuio, FY . Independentemente
de X ser uma v.a. discreta ou contnua, podemos sempre obter a sua funo de distribuio do
seguinte modo:
FY (y) = P (Y y) = P (g(X) y) = P (Ay ),
onde Ay = {x Dx : g(x) y}. Geralmente consegue-se calcular P (Ay ), a partir da funo de

distribuio de X, FX .
Exemplo 2.27. Considere a v.a. X com funo de distribuio,

0, x0
FX (x) = 5x4 4x3 , 0<x<1
x1

1,
Estamos interessados em conhecer a distribuio das v.a.s Y = 2X 1 e W = X 2 . Comecemos

por determinar a f.d. da v.a. Y :
y+1
FY (y) = P (Y y) = P (2X 1 y) = P (X 2 ) = FX ( y+1
2 )=
y+1

0, 2 0
y+1 4 y+1 3 y+1
= 5 2 4 2 , 0< 2 <1
y+1
1, 1

2

0, y 1
y+1 4 y+1 3
= 5 2 4 2 , 1 < y < 1

1, y1
Determinemos agora a funo de distribuio de W . obvio que se w < 0, FW (w) = 0. Se

w 0,

FW (w) = P (W w) = P ( w X w) = FX ( w) FX ( w) = FX ( w) =
( 3
4
5 w 4 w , 0 w <1
=
1, w1
(
5w2 4w3/2 , 0 w < 1
=
1, w1
A procedimento, acima indicado, vlido quer X seja uma v.a. contnua ou uma v.a. discreta.
Contudo no caso de X ser uma v.a. discreta, Y = g(X) tambm uma v.a. discreta. Nesta
situao podemos tambm conhecer de distribuio de Y a partir da sua funo de probabilidade.
Assim, seja Dx o suporte de X, isto , o conjunto dos valores de X com probabilidade positiva.
Ento,
P (Y = y) = P (g(X) = y) = P (X Ay ),
onde Ay = {x Dx : g(x) = y}.
Exemplo 2.28. Considere novamente a varivel aleatria introduzida no Exemplo 2.2 e a nova
varivel aleatria Y = (X 1)2 . Sendo X uma v.a. discreta, conclumos que Y tambm uma
v.a. discreta. Como X tem como suporte os valores 0, 1,e 2, o suporte de Y o conjunto dos
valores 0 e 1. Resulta que
P (Y = 0) = P ((X 1)2 = 0) = P (X = 1) = 21 ,
P (Y = 1) = P ((X 1)2 = 1) = P (X 1 = 1 X 1 = 1) =
1
= P (X = 0) + P (X = 2) = 4 + 41 .
Ento a funo de probabilidade de Y

(
0 1
Y 1 1
2 2
Captulo 3
Vectores aleatrios
Sejam X1 , X2 , . . . , Xm m variveis aleatrias. Ento X = (X1 , X2 , . . . , Xm ) um vector

aleatrio de dimenso m. Vamos restringir-nos apenas aos pares aleatrios (X, Y ) = (X1 , X2 ),
isto , aos vectores aleatrios com m = 2. Estes podem ser do tipo discreto, contnuo ou misto,
conforme X e Y so v.a. de tipo discreto, contnuo ou uma discreta e a outra contnua.
Definio 3.1 (Funo de distribuio conjunta). Seja (X, Y ) um par aleatrio. A funo de
de distribuio de (X, Y ) :
FX,Y (x, y) = P (X x, Y y), (x, y) R2 .
3.1 Par aleatrio discreto
Definio 3.2 (Par aleatrio discreto). Diz-se que (X, Y ) um par aleatrio discreto se e s
se X e Y so variveis aleatrias discretas.
Definio 3.3 (Funo de probabilidade conjunta). Seja (X, Y ) um par aleatrio discreto
tomando valores no conjunto D = {(xi , yj ) R2 : P (X = xi , Y = yj ) > 0}. Chamamos funo
de probabilidade conjunta (f.p.c.) de (X, Y ) funo:
pij = P (X = xi , Y = yj ), i = 1, 2, . . . , j = 1, 2, . . .
Propriedades da funo de probabilidade conjunta:
1. 0 pij 1, (xi , yj ) D;
XX
2. pij = 1
i j
Observao: Quando o conjunto D finito e pequeno costume representar a f.p.c. numa

tabela, idntica que a seguir se apresenta:
17
18 CAPTULO 3. VECTORES ALEATRIOS
X\Y y1 y2 ... yn
x1 p11 p12 ... p1n p1
x2 p21 p22 ... p2n p2
.. .. .. .. .. ..
. . . . . .
xm pm1 pm2 ... pmn pm
p1 p2 ... pm 1
Definio 3.4 (Funo de probabilidade marginal). Define-se funo de probabilidade marginal

de X e funo de probabilidade marginal de Y como:

X
X
pi = P (X = xi ) = P (X = xi , Y = yj ) = pij , i = 1, 2, . . .
j=1 j=1

X
X
pj = P (Y = yj ) = P (X = xi , Y = yj ) = pij , j = 1, 2, . . .
i=1 i=1
Definio 3.5 (Funo de probabilidade condicional). Seja (X, Y ) um par aleatrio discreto.
Define-se probabilidade condicional de X dado Y = yj como,
P (X = xi , Y = yj ) pij
P (X = xi |Y = yj ) = = , se P (Y = yj ) > 0,
P (Y = yj ) pj
e probabilidade condicional de Y dado X = xi como
P (X = xi , Y = yj ) pij
P (Y = Yj |X = Xi ) = = , se P (X = xi ) > 0.
P (X = xi ) pi
Definio 3.6 (Independncia entre variveis aleatrias discretas). As v.a.s X e Y dizem-se

independentes se, e s se, pij = pi pj , i, j.
Exemplo 3.7. Seja (X, Y ) um par aleatrio discreto com a seguinte f.p.c.:
X \ Y 0 1 2
0 1/4 1/8 0 3/8
1 1/8 1/8 1/8 3/8
2 0 0 1/4 1/4
3/8 1/4 3/8
(a) Qual a probabilidade de X ser maior que Y ? (Soluo: 1/8)
(b) Calcule P (X 1; Y > 0). (Soluo: 3/8)
(c) X e Y so v.a.s independentes? (Soluo: X e Y no so independentes)
(d) Determine a funo de probabilidade de X|Y = 2 e calcule E(X|Y = 2).

3.2. PAR ALEATRIO CONTNUO 19
3.2 Par aleatrio contnuo
Definio 3.8 (Par aleatrio contnuo). Um par aleatrio (X, Y ) diz-se contnuo se existe uma
funo no negativa fX,Y tal que, tal que, para qualquer regio I R2 ,
Z Z
P ((X, Y ) I) = fX,Y (u, v)dudv.
I
A fX,Y chamamos funo densidade probabilidade conjunta ou funo densidade conjunta.
Propriedades da funo densidade probabilidade conjunta:
1. fX,Y (x, y) 0, (x, y) R2 ;

R + R +
2. fX,Y (x, y)dxdy = 1.
Definio 3.9 (Funo densidade de probabilidade marginal). Define-se a funo densidade

de probabilidade marginal de X, como:
Z +
fX (x) = f(X,Y ) (x, y) dy, x R

De modo anlogo obtm-se a funo densidade de probabilidade marginal de Y ,

Z +
fY (y) = f(X,Y ) (x, y) dx, y R

Definio 3.10 (Funo densidade condicional). Em todos os pontos (x, y) onde fX,Y
contnua, fY (y) > 0 e contnua, a funo densidade condicional de X, dado Y = y, existe e
calcula-se como:
fX,Y (x, y)
fX|Y (x|y) = .
fY (y)
De modo anlogo, em todos os pontos (x, y) onde fX,Y contnua, fX (x) > 0 e contnua, a
funo densidade condicional de Y , dado X = x, existe e calcula-se como:
fX,Y (x, y)
fY |X (y|x) = .
fX (x)
Definio 3.11 (Independncia entre variveis aleatrias contnuas). Seja (X, Y ) um par
aleatrio contnuo. As variveis X e Y dizem-se independentes se e s se
fX,Y (x, y) = fX (x)fY (y), (x, y) R2

Exemplo 3.12. Os tempos de vida, em centenas de horas, das duas componentes principais de
um sistema de controlo so v.a.s (X, Y ) com funo densidade conjunta
(
cx2 y 0 < x < 3, 0 < y < 2
fX,Y (x, y) =
0 outros valores de (x, y) R2
(a) Qual o valor de c?
fX,Y (x, y) 0, (x, y) R2 c 0

Z + Z + Z 2 Z 3
1

fX,Y (x, y) dxdy = 1 cx2 y dx dy = 1 c =
0 0 18
(b) Qual a probabilidade de cada uma das componentes durar mais de 100 horas?
Z 2Z 3
1 13
P (X > 1, Y > 1) = x2 y dxdy =
1 1 18 18
(c) Qual a probabilidade da 1a componente durar mais de 100 horas?

R + R21 2 x2
Como fX (x) =
f(X,Y ) (x, y) dy = 0 18
x y dy = 9 , 0 < x < 3, resulta que:
3 3
x2
Z Z
26
P (X > 1) = fX dx = dx =
1 1 9 27
(d) Os tempos de vida das componentes so independentes?

Como
x2 /9

y/2 0<y<2 0<x<3
fY (y) = fX (x) =
0 o. v. de y 0 o. v. de x
1 2

f (x, y) = 18 x y 0 < x < 3, 0 < y < 2
= fX (x) fY (y)
0 o. v. (x, y)
Conclui-se que X e Y so v.a.s independentes.
3.3 Momentos de vectores aleatrios

Definio 3.13 (Valor mdio). Seja (X, Y ) um par aleatrio e g : R2 R uma funo real.
Define-se valor mdio ou valor esperado ou mdia de g(X, Y ) como:

P P
g(xi , yj )pij se X e Y so v.a.s discretas;

i=1 j=1
E(g(X, Y )) = +
R +R
g(x, y)fX,Y (x, y)dxdy se X e Y so v.a.s contnuas.

Nota: Uma das funes mais utilizadas g(x, y) = xy, obtendo-se:

P P
xi yj pij se X e Y so v.a.s discretas;

i=1 j=1
E(XY ) = +
R +R
xyfX,Y (x, y)dxdy se X e Y so v.a.s contnuas.

3.3. MOMENTOS DE VECTORES ALEATRIOS 21
Definio 3.14 (Covarincia). Sendo X = E(X) e Y = E(Y ), define-se covarincia entre

as v.a.s X e Y por:
Cov (X, Y ) = E [(X X ) (Y Y )] .
Proposio 3.15. Caso exista a covarincia entre X e Y , esta pode ser calculada atravs da
frmula:
Cov (X, Y ) = E (XY ) E (X) E (Y ) .
Outras propriedades do valor mdio e varincia:
1. E(X Y ) = E(X) E(Y );
2. V (X Y ) = V (X) + V (Y ) 2 Cov(X, Y ).
Proposio 3.16. Se X e Y so independentes, ento E(XY ) = E(X)E(Y ), e consequente-

mente Cov(X, Y ) = 0.
Propriedades da Covarincia: Sejam X, Y , e Z v.a.s, a, b e c constantes

reais. Ento:
1. Cov(X, Y ) = Cov(Y, X);
2. Cov(X, X) = V (X);
3. Cov (a + bX, c + dY ) = bd Cov (X, Y );
4. Cov (aX + bY, cZ) = ac Cov (X, Z) + bc Cov (Y, Z).
Definio 3.17 (Coeficiente de correlao). Define-se coeficiente de correlao de (X, Y ) por
Cov (X, Y )
(X, Y ) = p .
V (X) V (Y )
Propriedades do coeficiente de correlao:
1. 1 (X, Y ) 1;
2. Se X e Y so v.a.s independentes, ento (X, Y ) = 0.

Captulo 4
Principais Distribuies
4.1 Distribuies discretas

4.1.1 Distribuio Uniforme
Definio 4.1 (Distribuio Uniforme Discreta). Dizemos que a varivel aleatria X segue uma
distribuio Uniforme Discreta de parmetro n e escrevemos X U nif (n), ou abreviadamente,
X U (n), se a funo de probabilidade de X dada por:
(
1 2 ... n 1
X 1 1 ou P (X = x) = , x = 1, . . . , n.
n n . . . n1 n
A respectiva funo de distribuio :

0, x<1
F (x) = k
n, k x < k + 1, k = 1, . . . , n 1 .

1, xn

Proposio 4.2 (Valor mdio e Varincia). Considere a v.a. X U nif (n). Ento,
n+1 n2 1
E(X) = e V (X) = .
2 12
Demonstrao. 1
n n
X 1 1X 1 n(n + 1) n+1
E(X) = x = x= = .
x=1
n n x=1 n 2 2
Para calcular a varincia, mais fcil utilizar o resultado V (X) = E(X 2 ) E 2 (X). Assim,
n n
2
X 1X 21 1 n(n + 1)(2n + 1) (n + 1)(2n + 1)
E(X ) = x = x2 = = .
x=1
n n x=1
n 6 6
2
(n+1)(2n+1) n+1 n2 1
Logo V (X) = 6 2 = 12 .
1 n(n+1) n(n+1)(2n+1)
Utilizam-se aqui os resultados, 1 + 2 + 3 + . . . + n = 2
e 12 + 22 + 32 + . . . + n2 = 6
, n N,
que se podem confirmar por Induo Matemtica.
23
24 CAPTULO 4. PRINCIPAIS DISTRIBUIES
4.1.2 Distribuio de Bernoulli
Definio 4.3 (Prova de Bernoulli). Trata-se de um experincia aleatria com apenas dois
resultados possveis (que se costumam designar por Sucesso ou Insucesso).
Definio 4.4 (Distribuio de Bernoulli). sempre possvel definir uma varivel aleatria X
que toma o valor 1 se o resultado da experincia Sucesso e 0 se Insucesso. Denotando
p = P (Sucesso) > 0, ento a funo de probabilidade de X dada por:
(
0 1
X ou P (X = x) = px (1 p)1x , x = 0, 1, 0 < p < 1.
1p p
Dizemos que a v.a. X segue uma distribuio de Bernoulli, de parmetro p, e escrevemos

X Ber(p).
Proposio 4.5. Seja a v.a. X Ber(p). Ento
E(X) = p e V (X) = p(1 p).
4.1.3 Distribuio Binomial
Definio 4.6 (Distribuio Binomial). Considere-se uma sucesso de provas de Bernoulli in-
dependentes, onde em cada prova a probabilidade de sucesso, p, constante. A v.a. X=
nmero de sucessos em n provas de Bernoulli segue uma distribuio Binomial de parmetros
n e p, e escrevemos X Bin(n, p). A funo de probabilidade :
!
n
P (X = x) = px (1 p)nx , x = 0, 1, . . . , n, 0 < p < 1.
x
Bin(n=4 , p=0.25) Bin(n=4 , p=0.5) Bin(n=4 , p=0.75)

0.5
0.5
0.5
0.4
0.4
0.4
0.3
0.3
0.3
P(X=k)
P(X=k)
P(X=k)
0.2
0.2
0.2
0.1
0.1
0.1
0.0
0.0
0.0
0 1 2 3 4 0 1 2 3 4 0 1 2 3 4
x x x
Figura 4.1: Grficos da funo de probabilidade de uma v.a. Bin(4, p), para alguns valores de p.
4.1. DISTRIBUIES DISCRETAS 25
Observao: Pela definio anterior, temos que X = I1 + I2 + . . . + In , onde Ii , i = 1, . . . , n

so v.a.s independentes com distribuio Ber(p).
Proposio 4.7. Seja X uma varivel aleatria com distribuio Bin(n, p). Ento a nova v.a.
Y = n X tem distribuio Bin(n, 1 p).
Proposio 4.8 (Valor mdio e Varincia). Considere a v.a. X Bin(n, p). Ento,
E(X) = np e V (X) = np(1 p).
Demonstrao. A demonstrao torna-se mais simples se usarmos a representao X = I1 + I2 +

. . . + In , introduzida na ltima observao. Assim,
E(X) = E(I1 + I2 + . . . + In ) = E(I1 ) + E(I2 ) + . . . + E(In ) = p + p + . . . + p = np.
Atendendo independncia das variveis Ii ,
V (X) = V (I1 + I2 + . . . + In ) = V (I1 ) + V (I2 ) + . . . + V (In ) = np(1 p).
Exemplo 4.9 (Exame de P.E. D - 2007/08). Num concurso de televiso o apresentador prope ao
concorrente o seguinte jogo: atiram-se ao ar 3 moedas, em simultneo, e se todos os lanamentos
resultarem em caras o apresentador d 10 e ao concorrente; Se todos os lanamentos resultarem
em coroas o apresentador d igualmente ao concorrente 10 e. Mas se os lanamentos resultarem
em 2 caras e 1 coroa ou em 2 coroas e 1 cara, o concorrente tem de dar ao apresentador 5 e.
(a) Represente X a quantidade de dinheiro ganha pelo concorrente. Determine a sua funo
de probabilidade.
(b) Baseado no valor esperado de X, diga se o concorrente deve aceitar jogar este jogo.
Resoluo:
(a) Considere a v.a. Y: nmero de caras obtidas em 3 lanamentos de uma moeda (equili-
brada). Ento como em cada lanamento o resultado cara (sucesso) ou coroa (insucesso)
e os resultados dos lanamentos so mutuamente independentes, Y Bin(3, 1/2).
Como P (X = 5) = P (Y = 1) + P (Y = 2) = 3/4 e P (X = 10) = P (Y = 0) + P (Y =
3) = 1/4, resulta a seguinte funo de probabilidade:

5 10
X
3/4 1/4
(b) Como E(X) = 5/4 < 0, o concorrente no deve jogar.

Proposio 4.10 (Aditividade). Sejam Xi , i = 1, . . . , m, m v.a.s independentes tais que

Xi Bin(ni , p). Ento a sua soma tem tambm distribuio Binomial, isto ,
m
X
Sm = Xi Bin(n1 + . . . + nm , p).
i=1
4.1.4 Distribuio Geomtrica
Definio 4.11 (Distribuio Geomtrica). Considere-se uma sucesso de provas de Bernoulli

independentes, onde em cada prova a probabilidade de sucesso, p, constante. A v.a. X=
nmero de provas necessrias at ocorrer o primeiro sucesso segue uma distribuio Geomtrica
de parmetro p, e escrevemos X G(p). A funo de probabilidade :
P (X = x) = p(1 p)x1 , x = 1, 2, . . . , 0 < p < 1.
Observao: O nome desta distribuio deve-se ao facto da sucesso das probabilidades ser uma
progresso geomtrica de razo 1 p.
G(0.25) G(0.5)
0.5
0.5
0.4
0.4
0.3
0.3
P(X=k)
P(X=k)
0.2
0.2
0.1
0.1
0.0
0.0
0 5 10 15 20 0 5 10 15 20
x x
Figura 4.2: Grficos da funo de probabilidade de uma v.a. G(p), para alguns valores de p.
Proposio 4.12 (Valor mdio e Varincia). Considere a v.a. X G(p). Ento,

1 1p
E(X) = e V (X) =
p p2
Demonstrao. O clculo do valor mdio e da varincia mais fcil se usarmos alguns dos re-
P k
sultados das sries de funes: Assim seja S(r) = k=0 r uma srie geomtrica de razo r.
Resulta que:

1
rk = 1r |r| < 1;
P
1. S(r) = ,
k=0

2. S 0 (r) = krk1 = 1
|r| < 1;
P
(1r)2
,
k=1

3. S 00 (r) = k(k 1)rk2 = 2
|r| < 1.
P
(1r)3
,
k=2
Assim,

x p(1 p)x1 = p S 0 (1 p) = p p12 = p1 .
X
E(X) =
x=1
Para se conseguir calcular a varincia, de um modo mais fcil, usa-se mais uma vez o resultado
V (X) = E(X 2 ) E 2 (X). Tem-se,

X
X
E(X 2 ) = x2 p(1 p)x1 = x(x 1 + 1) p(1 p)x1 =
x=1 x=1
X
X
x1
= x(x 1) p(1 p) + x p(1 p)x1 =
x=1 x=1

x(x 1) (1 p)x2 + E(X) = p(1 p)S 00 (1 p) + E(X) =
X
= p(1 p)
x=2
2(1p)+p 2p
= p(1 p) p23 + 1
p = p2
= p2
Ento,
2p 1 1p
V (X) = p2
p2
= p2
.
Proposio 4.13. Temos que F (x) = P (X x) = 1 (1 p)[x] , x 1, onde [x] representa a

parte inteira de x;
Como as provas de Bernoulli so independentes, a contagem do nmero de provas necessrias

at ao proximo sucesso pode ser recomeada em qualquer prova, sem que isso altere a distribuio
da varivel aleatria.
Proposio 4.14 (Propriedade da falta de memria da distribuio Geomtrica). Seja

X G(p). Sendo x e y inteiros positivos,
P (X > x + y|X > y) = P (X > x).
4.1.5 Distribuio Hipergeomtrica
Definio 4.15 (Distribuio Hipergeomtrica). Considere-se uma populao de N elemen-

tos, dos quais M possuem determinada caracterstica e os restantes (N M ) no a possuem
(dicotomia). Considere-se a experincia aleatria que consiste em seleccionar ao acaso e sem
reposio n elementos (amostra). Associada a esta experincia aleatria, defina-se a v.a. X - no
de elementos com a caracterstica, entre os seleccionados sem reposio. Esta v.a. X tem uma
funo de probabilidade,
M N M
x nx
P (X = x) = N
, max(0, M + n N ) x min(M, n),
n
e diz-se ter distribuio Hipergeomtrica de parmetros (N, M, n) (pode ser escrito abreviada-
mente X H(N, M, n)).
Proposio 4.16 (Valor mdio e Varincia). Seja a v.a. X H(N, M, n). Ento:
E(X) = n M
N e M
V (X) = n N 2 (N 1)
(N M )(N n).
Exemplo 4.17. Num aqurio existem 9 peixes, dos quais 5 esto saudveis (S) e os restantes 4
esto doentes (D). Considere-se a experincia aleatria: extraco ao acaso e sem reposio de
3 peixes e registo do seu estado de sade. Associada a esta experincia, considere-se a v.a. X -
nmero de peixes saudveis na amostra extrada de 3 peixes. Quantos peixes saudveis esperamos
encontrar em cada extraco?
Resposta: Como X H(9, 5, 3), o nmero de peixes saudveis, que esperamos encontrar em
cada extraco de 3 peixes, E(X) = 5/3.
Nota: Em situaes em que se conhece totalmente a composio da populao e h apenas dois

resultados possveis, a distribuio Binomial caracteriza extraces com reposio. Se no houver
reposio, a distribuio adequada a Hipergeomtrica. Quando n pequeno, relativamente
ao valor de N , a probabilidade de sucesso em cada tiragem sem reposio varia muito pouco
de prova para prova (na distribuio Binomial este valor constante). Este argumento permite-
nos aproximar o(s) valor(es) da(s) probabilidade(s) pela distribuio Hipergeomtrica, pelo(s)
valor(es) da(s) probabilidade(s) pela distribuio Binomial.
Aproximao da distribuio Hipergeomtrica pela distribuio Binomial:
n
Seja X uma v.a. tal que X H(N, M, n). Ento, caso N 0.1, isto , caso
o tamanho da amostra seja muito pequeno em relao ao tamanho da populao,
podemos aproximar a distribuio de X pela distribuio Bin(n, p), com p = MN,
ou seja,
!
(M )(N M ) n
P (X = x) = x Nnx (M/N )x (1 M/N )nx .
(n) x
4.1.6 Distribuio de Poisson
Definio 4.18 (Processo de Poisson). Suponha que estamos interessados em estudar a varivel
aleatria X que conta o nmero de ocorrncias de um acontecimento num dado intervalo de
tempo2 de durao t (por exemplo, o nmero de acidentes rodovirios ocorridos num dia ou o
nmero de clientes que entram numa loja durante 1 hora). Temos um processo de Poisson de
parmetro > 0, quando se verificam as seguintes condies:
1. A probabilidade p de ocorrer exactamente um acontecimento num intervalo de amplitude

arbitrariamente pequena d proporcional sua durao, isto , p = d;
2. A probabilidade de ocorrer mais do que um acontecimento num intervalo de amplitude

arbitrariamente pequena aproximadamente igual a zero;
3. O nmero de acontecimentos que ocorrem em dois intervalos disjuntos so independentes.
4. O nmero de ocorrncias em dois intervalos com a mesma durao, tm a mesma dis-

tribuio.
Para deduzir a funo de probabilidade, vamos considerar um intervalo unitrio (t = 1),

dividido em n sub-intervalos, todos com amplitude d = 1/n, com n suficientemente
grande. Nas condies acima indicadas, o nmero de ocorrncias em cada sub-intervalo
bem aproximado por uma v.a. Ber(p), com p = /n. Ento X tem aproximadamente
distribuio Bin(n, /n), isto ,
!
n x
nx

P (X = x) n 1 n , x = 0, 1, . . . , n.
x
Se n ,
!
n x
nx
e x
P (X = x) = lim n 1 n = x = 0, 1, . . . , n.
n x x!
Definio 4.19 (Distribuio de Poisson). Dizemos que a varivel aleatria X segue uma
distribuio de Poisson de parmetro , e escrevemos X P (), se a funo de probabilidade
de X :
e x
P (X = x) = , x = 0, 1, 2, . . . , > 0.
x!
Observao: Se num processo de Poisson, os acontecimentos acorrem a uma taxa mdia ,

por unidade de tempo, ento o nmero de ocorrncias num intervalo de amplitude t > 0 tem
distribuio de Poisson de parmetro t.
2
Note que podemos tambm considerar uma rea, um volume, etc.
Por exemplo, se durante a hora de almoo (das 12 s 14 horas) a chegada de automveis a um

parque se processa a uma taxa de 180 automveis por hora e tem distribuio de Poisson, ento
a distribuio do nmero de automveis que chegam em 15 minutos Poisson com parmetro
1
t = 180 4 = 45. A distribuio do nmero de automveis que chegam durante a hora do
almoo Poisson de parmetro t = 180 2 = 360.
P(2) P(10)
0.00 0.05 0.10 0.15 0.20 0.25 0.30
0.00 0.05 0.10 0.15 0.20 0.25 0.30

P(X=k)
P(X=k)
0 5 10 15 20 0 5 10 15 20
x x
Figura 4.3: Funo de probabilidade de uma v.a. P (), para alguns valores de .
Proposio 4.20 (Valor mdio e Varincia). Seja X uma v.a. com distribuio P (). Ento,
E(X) = e V (X) = .
Aproximao da distribuio Binomial pela distribuio de Poisson
Seja X uma v.a. tal que X Bin(n, p). possvel de verificar que
!
n x x
lim p (1 p)(nx) = e , x = 0, 1, 2, . . .
n
np
x x!
Ento, caso n 50 e np 5, pode-se aproximar a distribuio de Binomial pela

distribuio de Poisson com = np.
Teorema 4.21 (Aditividade). Sejam X1 , X2 , . . . , Xm variveis aleatrias independentes com

Xi P (i ), i = 1, . . . , m. Ento,
m
X
Sm = Xi P (1 + . . . + m ).
i=1
4.2. DISTRIBUIES CONTNUAS 31
4.2 Distribuies Contnuas
4.2.1 Distribuio Uniforme Contnua
Definio 4.22 (Distribuio Uniforme Contnua). Dizemos que a varivel aleatria X segue
uma distribuio Uniforme (contnua) no intervalo [a, b], < a < b < +, e escrevemos
X U nif (a, b), ou X U (a, b), se a funo densidade probabilidade de X dada por:
(
1
ba , axb
f (x) =
0, c.c.
A respectiva funo de distribuio dada por,

0, x<a
xa
F (x) = ba , ax<b

xb

1,
f (x)
6
F (x)
6
1
ba
1

-
-
a b x a b x
Figura 4.4: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. U (a, b).
Proposio 4.23 (Valor mdio e Varincia). Seja a v.a. X U (a, b). Ento:
a+b (b a)2
E(X) = e V (X) = .
2 12
Demonstrao.
" #a
x2 b2 a2
Z + Z b
x a+b
E(X) = xf (x)dx = dx = = =
a ba 2(b a) b
2(b a) 2
Como,
" #a
x2 x3 b2 + ab + a2
Z + Z b
2 2
E(X ) = x f (x)dx = dx = = ,
a ba 3(b a) b
3
resulta que a varincia
b2 + ab + a2 (a + b)2 b2 + a2 2ab (b a)2

V (X) = E(X 2 ) E 2 (X) = = = .
3 4 12 12
O caso particular da distribuio Uniforme com a = 0 e b = 1 o que apresenta mais interesse,

devido ao seguinte teorema:
Teorema 4.24 (Teorema da Transformao Uniformizante). Seja X uma varivel aleatria

contnua, com funo de distribuio FX (x). Ento a varivel aleatria Y = FX (X) tem dis-
tribuio U (0, 1).
4.2.2 Distribuio Exponencial
Comeamos por introduzir a funo Gama, presente em muitos livros de Anlise Matemtica.
A funo Gama corresponde ao integral:

Z
(a) = xa1 ex dx, a>0 (4.1)
0
Propriedades da funo Gama:
1. ( + 1) = ();
2. (n) = (n 1)!, nN

3. (1/2) =
R 1 x
4. 0 x e dx = ()
.
Definio 4.25 (Distribuio Exponencial). Uma varivel aleatria X diz-se seguir uma dis-
tribuio Exponencial de parmetro , e escrevemos X Exp(), se a sua funo densidade
probabilidade for dada por:
(
0, x 0;
f (x) = x > 0.
e , x > 0;
A sua funo de distribuio dada por:

(
0, x0
F (x) =
1 ex , x > 0
Funo densidade Exponencial Funo de distribuio Exponencial
1.0
1.0
=1 =1
=2 =2
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0 1 2 3 4 0 1 2 3 4
x x
Figura 4.5: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. Exp().
Proposio 4.26 (Valor mdio e Varincia). Considere a v.a. X Exp(). Ento,

1 1
E(X) = e V (X) = .
2
Demonstrao. Vamos utilizar as propriedades da funo Gama para calcular o valor mdio.
Assim,
Z + Z Z
x (2) 1
E(X) = xf (x)dx = x e dx = x21 ex dx = 2
= .
0 0
1
De modo anlogo se calcula E(X 2 ) e se verifica que V (X) = 2
.
Proposio 4.27 (Relao entre a distribuio Exponencial e Poisson). Considere um acon-

tecimento que ocorre de acordo com um Processo de Poisson de parmetro , por unidade de
tempo. Ento, o tempo at primeira ocorrncia e o tempo entre duas ocorrncias consecutivas
tem distribuio Exp().
Exemplo 4.28. Admita que o nmero de avarias de uma fotocopiadora um processo de Poisson
com taxa =5/ano. Calcule a probabilidade do tempo entre avarias consecutivas ser inferior a
um ms.
Resoluo: O tempo X entre avarias consecutivas tem distribuio Exp(5). Assim, a probabili-
dade pedida :
P (X < 1/12) = FX (1/12) = 1 e/12 = 1 e5/12 = 0.3408.
Teorema 4.29 (Falta de memria da distribuio exponencial). Seja X Exp(). Ento:
P (X x + y|X y) = P (X x).
4.2.3 Distribuio Gama
A distribuio Gama uma generalizao da distribuio Exponencial.
Definio 4.30 (Distribuio Gama). Uma varivel aleatria X tem distribuio Gama de
parmetros > 0 e > 0, e escrevemos X G(, ), se a sua funo densidade probabilidade
for dada por:
(
0, x 0;
f (x) = 1 1
() x ex , x > 0;
e a sua funo de distribuio dada por:

(
0, x0
F (x) = Rx 1 1
0 () t et dt, x > 0
Proposio 4.31 (Valor mdio e Varincia). Considere a v.a. X G(, ). Ento,

E(X) = e V (X) = .
2
S possvel determinar a funo de distribuio se N. Considere a v.a. X G(, ),

com N (neste caso particular a distribuio tambm conhecida por distribuio de Erlang).
Ento a a sua funo densidade probabilidade :
(
0, x 0;
f (x) = 1 1
(1)! x ex , x > 0;
e a sua funo de distribuio dada por:

0, x0
F (x) = 1
x (x)i
1e
P

i! , x>0
i=0
Proposio 4.32 (Distribuio da soma de Exponenciais i.i.d.). Sejam Xi , i = 1, 2, . . . , n

variveis aleatrias independentes com distribuio Exp(), ento,
n
X
Sn = Xi G(n, ).
i=1
Exemplo 4.33. Admita que o nmero de avarias de uma fotocopiadora um processo de Poisson
com taxa =5/ano. O tempo Y que decorre at segunda avaria uma varivel aleatria
G(2, 5). A probabilidade da segunda avaria ocorrer aps 6 meses
1
(5/2)i
P (Y > 1/2) = 1 P (Y 1/2) = 1 1 e5/2 = e5/2
X
7
2 = 0.2873
i=0
i!
4.2.4 Distribuio Normal
Definio 4.34 (Distribuio Normal). Uma varivel aleatria X diz-se seguir uma distribuio
Normal de parmetros e 2 , e escrevemos X N (, 2 ), se a sua funo densidade probabili-
dade for dada por:
1 (x)2
f (x) = e 22 , x R, R, > 0.
2
A funo de distribuio dada pelo integral:
Z x (t)2
1
F (x) = e 22 dt,
2
para o qual no existe soluo analtica. assim necessrio recorrer a mtodos numricos para
obter os valores desta funo.
Funo densidade normal Funo de distribuio normal

0.4
1.0
=0, =1 =0, =1
=0, =1.5 =0, =1.5
0.8
0.3
0.6
0.2
0.4
0.1
0.2
0.0
0.0
4 2 0 2 4 4 2 0 2 4
x x
Figura 4.6: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. N (, ).
Observaes:
Esta distribuio tambm conhecida pelo nome de Gaussiana ou distribuio de Gauss.
Quando = 0 e = 1, a v.a. toma o nome de Normal reduzida. Neste caso costume

representar por e , respectivamente, a funo densidade e funo de distribuio.
A distribuio Normal simtrica em torno de .
Proposio 4.35 (Valor mdio e Varincia). Seja a v.a. X N (, 2 ). Ento
E(X) = e V (X) = 2 .
Teorema 4.36. Seja X N (, 2 ). Resulta que,

X
Z= N (0, 1).

Teorema 4.37. Se X N (, 2 ) e a, b so constantes reais, com a 6= 0, ento
Y = aX + b N (a + b, a2 2 ).
Teorema 4.38. Sejam X1 , X2 , . . . , Xn , n variveis aleatrias independentes com distribuies

Xi N i , i2 , i = 1, 2, . . . , n. Considerando as constantes reais a1 , a2 , . . . , an , com algum

ai 6= 0, temos que:
Y = a1 X1 + . . . + an Xn N a1 1 + . . . + an n , a21 12 + . . . + a2n n2 .

| {z } | {z }
=Y 2
=Y
Note que:
n
X n
X n
X

Y = E(Y ) = E ai Xi = ai E (Xi ) = a i i
i=1 i=1 i=1
Xn Xn Xn
Y2 a2i V (Xi ) = a2i i2

= V (Y ) = V ai Xi =
i=1 i=1 i=1
4.2.5 Distribuio do Qui Quadrado
Definio 4.39 (Distribuio do Qui Quadrado). Uma varivel aleatria X diz-se seguir uma
distribuio Qui-quadrado com n graus de liberdade, e escrevemos X 2n , se a sua funo
densidade probabilidade for dada por:

1
(n/2)2n/2
ex/2 xn/21 , x>0
f (x) = ,
0, x0
onde representa a funo Gama, introduzida em (4.1).
Funo densidade do Qui Quadrado Funo de distribuio do Qui Quadrado

1.0
1.0
n=1 n=1
n=3 n=3
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0 1 2 3 4 0 1 2 3 4
x x
Figura 4.7: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. 2n .
Proposio 4.40. Considere a v.a. X 2n . Ento,
E(X) = n, e V (X) = 2n.
Teorema 4.41. Sejam X1 , X2 , . . . , Xn v.a.s independentes com distribuio Normal Reduzida.

Ento,
Xi2 21 ,
Y = X12 + X22 + . . . + Xn2 2n .
4.2.6 Distribuio t de Student
Definio 4.42 (Distribuio t de Student). Uma v.a. T diz-se ter distribuio t de Student
com n graus de liberdade, e escreve-se T tn , se a sua funo densidade probabilidade dada
por:

n+1
2 (n+1)
t2

f (t) = n
1+ n
2
, t R.
2 n
Funo densidade Funo de distribuio

0.4
1.0
n=1 n=1
n=3 n=3
0.8
0.3
0.6
0.2
0.4
0.1
0.2
0.0
0.0
4 2 0 2 4 4 2 0 2 4
x x
Figura 4.8: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. tn .
Proposio 4.43 (Valor mdio e Varincia). Seja X tn . Ento,

n
E(X) = 0, n > 1, e V (X) = , n > 2.
n2
Teorema 4.44. Sejam X N (0, 1) e Y 2n , com X e Y independentes. Ento a varivel

aleatria,
X
T =p ,
Y /n
tem distribuio t de Student com n graus de liberdade.
Captulo 5
Teorema Limite Central
Apresentamos neste captulo, um dos mais importantes resultados da teoria das probabilidades e
da estatstica, o Teorema Limite Central. Este teorema d-nos a distribuio aproximada da soma
de n variveis aleatrias independentes e identicamente distribudas.
Teorema 5.1 (Teorema Limite Central). Seja X1 , X2 . . . , uma sucesso de variveis aleatrias
independentes e identicamente distribudas (i.i.d.), com valor mdio e varincia 2 6= 0, finitos.
Pn
Considere as variveis aleatrias Sn e Zn , definidas por Sn = i=1 Xi e,
Sn n
Zn = . (5.1)
n
Ento a distribuio de Zn converge para uma distribuio Normal reduzida, quando n +,
isto ,
Sn n a
Zn = N (0, 1).
n
Observao: Se no quociente da equao (5.1), que define Zn , dividirmos tanto o numerador

como o denominador por n, obtemos
Xn
Zn = n ,

onde X n representa a mdia Sn /n. O Teorema Limite Central pode assim tambm ser enunciado
em relao mdia das variveis aleatrias Xi , em vez da soma, Sn .
Observao: O Teorema Limite Central no indica nada sobre a velocidade de convergncia de

Zn para a distribuio N (0, 1). Essa velocidade de convergncia depende da distribuio das
v.a.s Xi . Na prtica, este teorema usa-se muitas vezes quando n 30 (embora este valor nem
sempre garanta uma boa aproximao).
Exemplo 5.2. Num estudo sobre vendas num hipermercado, concluiu-se que a procura diria de
arroz (em Kg) uma v.a. com valor mdio 40Kg e desvio-padro 5Kg. Tendo sido encomendado
14.500Kg de arroz para venda venda no prximo ano, qual a probabilidade deste stock cobrir a
procura de arroz nesse perodo? (Considere-se um ano com 364 dias).
39
40 CAPTULO 5. TEOREMA LIMITE CENTRAL
Resoluo: Seja Xi = procura de arroz no dia i, i = 1, 2, . . . , 364 e admitamos que estas v.a.s
so i.i.d.. Sabemos que:
E (Xi ) = 40Kg, V (Xi ) = 25Kg 2 , i = 1, 2, . . . , 364.

364
X
A procura de arroz durante um ano ser S364 = Xi e queremos calcular P (S364 14.500).
i=1
Ignoramos qual a distribuio de S364 , mas como se trata de uma soma de um grande nmero de
v.a.s i.i.d. (364 > 30), ento pelo T.L.C.,
S364 364 40 S364 14.560 a

= N (0, 1).
364 5 364 5
Assim,
S364 14.560 14.500 14.560

P (S364 14.500) = P
364 5 364 5
P (Z 0.63) = (0.63) = 1 (0.63) = 1 0.7357 = 0.2643.
Concluso: recomendvel comprar mais arroz!
Corolrio 5.3. Seja X uma v.a. com distribuio Binomial de parmetros n e p. Se n 30 e p

tal que np > 5 e n(1 p) > 5, ento:
a
X N (np, np(1 p)).
Exemplo 5.4. Considere-se a v.a. X Bin (100, 0.1). Calculemos P (X = 10) Como n =
100 30, np = 100 0.1 = 10 > 5 e n(1 p) = 100 0.9 = 90,
1010 910

P (X = 10) = P (X 10) P (X 9) 3 3 = (0) (0.33) =
= 0.5 0.3707 = 0.1293.
100 10 90
Nota: O valor exacto P (X = 10) = 10 0.1 0.9 = 0.1319.
Corolrio 5.5. Seja X uma v.a. com distribuio Poisson de parmetro . Se > 5, ento:
a
X N (, ).
Exemplo 5.6. Considere X P (230). Calculemos um valor aproximado de P (X = 241).

241230 240230
P (X = 241) = P (X 241) P (X 240) P Z
230
P Z
230
=
= (0.73) (0.66) = 0.7673 0.7454 = 0.0219
241
Nota: O valor exacto P (X = 241) = e230 . 230
241! = 0.0198.
Captulo 6
Estimao Pontual
6.1 Alguns conceitos importantes
Definio 6.1 (Populao). Uma populao consiste em todas as possveis observaes de um

dado fenmeno.
Definio 6.2 (Amostra). Uma amostra um subconjunto da populao.
Observao: Nos mtodos estatsticos, que iremos estudar, a amostra recolhida deve ser repre-
sentativa da populao. Caso isso no acontea, podemos retirar concluses erradas. assim
conveniente escolher os elementos da amostra de forma aleatria, ou seja, trabalhar com uma
amostra aleatria.
Definio 6.3 (Amostra aleatria). Vamos admitir que cada valor observado xi a realizao
da varivel aleatria Xi , com funo de distribuio F . O vector (X1 , X2 , . . . , Xn ) constitui uma
amostra aleatria se e s se as n variveis aleatrias so independentes e tm todas a mesma
distribuio. Os valores que se obtm por concretizao da amostra aleatria so representados
por (x1 , x2 , . . . , xn ).
Definio 6.4 (Estatstica). Uma estatstica uma qualquer funo da amostra aleatria,
(X1 , X2 , . . . , Xn ), que no depende de qualquer parmetro desconhecido.
Observao: Da definio anterior, conclui-se que uma estatstica uma varivel aleatria. Logo
qualquer estatstica tem funo de distribuio. A essa funo de distribuio d-se o nome de
distribuio por amostragem da estatstica.
Exemplo 6.5 (Estatstica). Dada uma amostra aleatria (X1 , X2 , . . . , Xn ), de dimenso n, so

estatsticas: A mdia amostral (X), a varincia amostral (S 2 ), o mnimo da amostra, o mximo
da amostra, a mediana, os quartis ou a prpria amostra.
41
42 CAPTULO 6. ESTIMAO PONTUAL
Definio 6.6 (Estimador pontual e estimativa pontual). Seja (X1 , X2 , . . . , Xn ) uma amostra
aleatria de dimenso n duma populao com funo de distribuio F (x|), com parmetro
desconhecido . A estatstica = h(X1 , X2 , . . . , Xn ) um estimador pontual de . Depois da
amostra ter sido recolhida, o valor particular de = h(x1 , x2 , . . . , xn ), designado estimativa
pontual de .
Tabela 6.1: Alguns dos parmetros populacionais que interessam estimar e respectivos estimadores
pontuais.
Parmetro Populacional Estimador Pontual

Mdia populacional Mdia amostral
n
1 P
X= n Xi
i=1
Varincia populacional Varincia amostral
n
1
2 S2 = (Xi X)2
P
n1
i=1
Desvio padro populacional Desvio padro amostral
s
n
1
(Xi X)2
P
S= n1
i=1
Proporo populacional Proporo amostral
p P = Xn
6.2 Propriedades dos estimadores
Um dos principais objectivos da Estatstica a estimao de parmetros desconhecidos, como

por exemplo a mdia da populao, a partir de uma amostra. Como muitas vezes temos vrios
estimadores para o mesmo parmetro, qual devemos utilizar? aconselhvel a escolha do es-
timador que melhor satisfaa um critrio de eficincia. Para definir o critrio de eficincia que
iremos utilizar, precisamos das seguintes definies:
Definio 6.7 (Estimador centrado e assintoticamente centrado). Um estimador pontual,

, diz-se centrado para o parmetro se e s se
E() = .
Caso E() 6= , o estimador diz-se enviesado. A diferena b() = E() corresponde ao

valor do enviesamento ou vis de . Se E() 6= , e limn E() = , diz-se que o estimador
assintoticamente centrado.
6.2. PROPRIEDADES DOS ESTIMADORES 43
Definio 6.8 (Erro Padro de um estimador). Dado um estimador pontual , centrado,

define-se o seu erro padro, SE , por
q
SE = V ().
Caso o erro padro envolva parmetros desconhecidos, que possam ser estimados a partir dos
valores da amostra, a substituio destes valores estimados no erro padro produz o chamado
d .
erro padro estimado, denotado por SE
Definio 6.9 (Eficincia). Sejam 1 e 2 dois estimador pontuais, centrados para . Diz-se
que 1 mais eficiente que 2 , se e s se, SE1 SE2 .
Exemplo 6.10 (Clculo do erro padro do estimador da mdia da populao - ). Seja

(X1 , X2 , . . . , Xn ) uma amostra aleatria de uma populao com valor mdio e varincia 2 .
Como,
n
1 X n n
1X 1X 1
E(X) = E Xi = E(Xi ) = = n = ,
n i=1
n i=1 n i=1 n
conclumos que X estimador centrado do valor mdio da populao, . Temos ainda,

n n
! !
1X 1
(Xi v.a.0 s independentes)
X
V (X) = V Xi = 2V Xi =
n i=1 n i=1
n n
1 X 1 X 1 2
= V (Xi ) = 2 = n 2
= ,
n2 i=1
n2 i=1
n2 n

q
ou seja, SEX = V (X) = .
n
O prximo resultado importante porque indica-nos o limite inferior da varincia de um

estimador centrado. Um estimador com varincia igual ao valor mnimo mais eficiente do que
qualquer outro estimador centrado.
Definio 6.11 (Limite inferior de Cramr-Rao). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria
retirada de uma populao com funo densidade f (x|) (ou funo de probabilidade P (X|)),
satisfazendo as condies de regularidade (f duas vezes diferencivel e com suporte independente
de ). Dado um estimador pontual , centrado para ,
1
V () ,
nI()
2 ln f (X|)

com I() = E 2
.
Exemplo 6.12 (Limite inferior de Cramr-Rao do modelo Poisson). Seja (X1 , X2 , . . . , Xn )

uma amostra aleatria retirada de uma populao com distribuio Poisson de parmetro . Como
ln[P (X|)] = + X ln ln(X!), resulta que
ln P (X|) X 2 ln P (X|) 1
= 1 + ; e 2
= 2.

Logo,
2 ln P (X|) 1
I() = E = .
2 2
Conclui-se assim que, V () 1
nI() = n , para qualquer estimador , centrado para .
Definio 6.13 (Estimador consistente). Um estimador pontual , centrado para , diz-se

consistente se
lim V () = 0.
n
Exemplo 6.14 (Consistncia da Mdia amostral). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria
de uma populao com valor mdio e varincia 2 . Sabemos que X estimador centrado do
2
valor mdio da populao, e V (X) = n . Como ,
2
lim V () = = 0,
n n
conclumos que X consistente para .
6.3 Mtodo dos Momentos

Definio 6.15 (Mtodo dos Momentos). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, reti-
rada de uma populao cuja distribuio depende de k parmetros desconhecidos, 1 , 2 , . . . , k .
O mtodo dos momentos consiste em utilizar os momentos da amostra para estimar os respectivos
momentos da populao, e consequentemente os parmetros desconhecidos. Os estimadores de
momentos, 1 , 2 , . . . , k , so os que resultam da resoluo do sistema de k equaes a k incg-
nitas,

m1 = M1
mj = E(X j ) (m1 = E(X))

m2 = M2

m3 = M3 onde
n

.. Mj = 1 P
Xij (M1 = X)
.

n

i=1
m = Mk
k
Observao: Caso alguma das k equaes no contenha qualquer informao sobre os parmet-
ros, essa equao deve ser substituda pela equao j = Mj , com j > k.
6.3. MTODO DOS MOMENTOS 45
Inconvenientes:
1. Por vezes no existe uma escolha unvoca;
2. Por vezes a soluo inadmissvel;
Exemplo 6.16 (Estimador dos momentos do parmetro , do modelo Poisson). Considere

uma populao com distribuio P (). O estimador dos momentos de a soluo da equao:
E(X) = X = X.
O estimador dos momentos de , = X.
Exemplo 6.17 (Estimador dos momentos de 2 do modelo N (0, 2 )). Seja (X1 , X2 , . . . , Xn )
uma amostra aleatria, retirada de uma populao com distribuio Normal de valor mdio 0
(conhecido) e varincia 2 (desconhecida). A soluo da primeira equao :
E(X) = X 0 = X.
Contudo, como esta primeira equao no contm o parmetro que interessa estimar, devemos
considerar a segunda equao:
E(X 2 ) = M2 E(X 2 ) = V (X) + E 2 (X) = M2 2 = M2 .
n X2
O estimador dos momentos de 2 , 2 =
P i
n .
i=1
Exemplo 6.18 (Estimadores dos momentos dos parmetro a e b, do modelo Uniforme).

Considere uma populao com distribuio U (a, b). Os estimadores dos momentos de a e b so
os que resultam da resoluo do sistema de equaes:
q
a+b a = X 3(M X 2 )
(
E(X) = X
2 =X 2
2
2 q ,
m2 = M2 (ba) + a+b = M2 2
12 2

b=X+ 3(M2 X )
ou seja os estimadores dos momentos de a e b so,

q q
2 2
a = X 3(M2 X ) e b = X + 3(M2 X );
6.4 Mtodo da mxima verosimilhana

Este mtodo um pouco mais complicado que o anterior. Contudo, os estimadores obtidos por
este mtodo tm melhores propriedades tericas. O mtodo apresentado apenas para populaes
cuja distribuio tem apenas um parmetro desconhecido.
Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, isto , um conjunto de n v.a.s i.i.d. com funo
densidade comum f (x|) onde um parmetro desconhecido. A funo densidade conjunta da
amostra aleatria
n
Y
f (x1 , x2 , . . . , xn |) = f (xi |).
i=1
Observao: Caso a populao tenha distribuio discreta, devemos substituir a funo densi-
dade pela funo de probabilidade.
Definio 6.19 (Funo de verosimilhana e log-verosimilhana). Depois da amostra ser

observada, os valores x1 , x2 , . . . , xn so conhecidos e podemos considerar que a funo anterior
depende apenas de . Esta funo designada funo de verosimilhana e costuma representar-se
por:
n
Y
L() = L(|x1 , x2 , . . . , xn ) = f (xi |).
i=1
geralmente mais fcil trabalhar com a funo log-verosimilhana, isto , com o logaritmo da
funo verosimilhana:
n
X
l() = ln L() = ln f (xi |).
i=1
Exemplo 6.20 (Funo log-verosimilhana do modelo de Poisson()). Considere uma popu-

lao com distribuio Poisson com parmetro desconhecido . Ento, observada a amostra
(x1 , x2 , . . . , xn ), e admitindo que xi N0 , i = 1, 2 . . . , n, a funo log-verosimilhana :
n n n
!
xi

X X X
l() = ln L() = ln e = n + xi ln ln(xi !).
i=1
xi ! i=1 i=1
Definio 6.21 (Mtodo da mxima verosimilhana:). O estimador de mxima verosimilhana

de obtido por maximizao da funo verosimilhana, ou equivalentemente da funo log-
verosimilhana, com respeito a . O estimador de mxima verosimilhana denotado por M LE ,
mas para simplificao da notao representa-se apenas por . Ento:
max l() = l()

6.5. DISTRIBUIES POR AMOSTRAGEM 47
Se L(), ou equivalentemente l(), regular (duas vezes diferencivel e com suporte inde-
pendente de ) o mximo obtido por derivao, isto , obtido atravs da resoluo de:
l() 2 l()
= 0, e < 0.
2
Exemplo 6.22 (Estimador de mxima verosimilhana do parmetro do modelo de Poisson).

Considere a funo log-verosimilhana do exemplo 6.20. Como l() regular, o estimador de
mxima verosimilhana a soluo da equao
n n
l() 1X X
=0 n + xi = 0 = xi /n,
i=1 i=1
isto , o estimador de mxima verosimilhana de = X.
Propriedades dos estimadores de mxima verosimilhana
1. Os estimadores de mxima verosimilhana so assintoticamente centrados, isto ,

lim E() = ;
n
2. Os estimadores de mxima verosimilhana so consistentes;
3. Em condies gerais de regularidade, o estimador de mxima verosimilhana de

1
tem distribuio assintoticamente normal de valor mdio e varincia nI() ;
4. A propriedade da invarincia vlida para qualquer estimador de mxima verosim-

ilhana, isto , se um estimador de mxima verosimilhana de e se = g()
uma funo biunvoca de , ento o estimador de mxima verosimilhana de
= g();
6.5 Distribuies por Amostragem
Nesta seco vamos estudar a distribuio por amostragem dos estimadores pontuais da Tabela
6.1.
6.5.1 Distribuio por amostragem da mdia amostral, X
Suponhamos que foi seleccionada uma amostra aleatria de dimenso n, (X1 , X2 , . . . , Xn ), de

uma populao de mdia e varincia 2 . A distribuio por amostragem de X pode ser obtida
sob diversas condies:
1. Suponhamos a populao tem distribuio Normal e que o valor da varincia da pop-

ulao conhecido. Consequentemente, tendo em conta as propriedades da distribuio
normal, X N (, 2 /n), ou seja,
X
Z= N (0, 1). (6.1)
/ n
2. Suponhamos a populao tem distribuio Normal e que o valor da varincia da

populao desconhecido. Vamos aqui usar S 2 para estimar 2 . Nestas condies,
X (n 1)S 2
Z= N (0, 1) e 2n1 .
/ n 2
Como a populao tem distribuio Normal, podemos assegurar que Z e S 2 so v.a. inde-
pendentes (demonstrao fora do mbito desta disciplina). Pelo Teorema 4.44,
X
X / n
T = =r tn1 . (6.2)
S/ n (n1)S 2 / 2
(n1)
3. Suponhamos que a populao tem distribuio no-Normal e que o valor da varincia

da populao conhecida, mas a dimenso da amostra, n, superior ou igual a 30.
Neste caso, a distribuio por amostragem da mdia amostral pode ser aproximada pela
distribuio Normal reduzida, justificado atravs do Teorema Limite Central:
X a
Z= N (0, 1). (6.3)
/ n
4. Finalmente, consideremos que seleccionmos uma amostra aleatria de uma populao

com distribuio no-Normal, com varincia da populao desconhecida e que temos
um tamanho de amostra n superior ou igual a 30. Tal como no caso anterior,
X a
Z= N (0, 1).
/ n
Como 2 no conhecido, mas a dimenso da amostra grande ento S ' , e podemos

substituir, na expresso anterior, por S (desvio padro), isto ,
X a
Z= N (0, 1). (6.4)
S/ n
Observao: Os resultados das equaes (6.3) e (6.4) so vlidos para qualquer

populao. Contudo, o modelo Normal excludo porque conhecemos a distribuio
exacta da mdia amostral: equaes (6.1) e (6.2).
6.5. DISTRIBUIES POR AMOSTRAGEM 49
6.5.2 Distribuio por amostragem da diferena de mdias amostrais, X 1 X 2
Aqui consideramos apenas um de muitos casos possveis. Supondo que foram seleccionadas, de
forma independente, duas amostras aleatrias de dimenses n1 e n2 , respectivamente, de duas
populaes Normais independentes com varincias conhecidas dadas, respectivamente, por 12 e
22 . Sejam X 1 e X 2 as mdias das duas amostras aleatrias. Neste contexto, a distribuio por
amostragem de X 1 X 2 ainda Normal, por ser a combinao linear de variveis aleatrias
normais independentes:
(X 1 X 2 ) (1 2 )
Z= r N (0, 1).
12 22
n1 + n2
6.5.3 Distribuio por amostragem da varincia amostral, S 2
Suponhamos que foi seleccionada uma amostra aleatria de dimenso n, (X1 , X2 , . . . , Xn ), de

uma populao Normal de mdia , desconhecida, e varincia 2 . Neste contexto, a dis-
Pn 2
1
tribuio por amostragem de S 2 = n1 i=1 Xi X dada por:
(n 1)S 2
X2 = 2n1 .
2
6.5.4 Distribuio por amostragem da proporo, P
Admita que os elementos de determinada populao possuem uma dada caracterstica, com uma
certa probabilidade p desconhecida, independentemente uns dos outros. Suponhamos que se
selecciona uma amostra aleatria de n elementos desta populao. Se X denotar o nmero
de elementos da amostra aleatria que possuem a referida caracterstica, sabemos que X
Bin(n, p). Se o tamanho da amostra for suficientemente grande, o Teorema Limite Central
justifica que:
X np a
Z=p N (0, 1).
np(1 p)
Como p pode ser estimado pontualmente pela proporo de elementos da amostra possuem a
X
referida caracterstica, P = n, a distribuio por amostragem aproximada de P
P p a
Z=p N (0, 1).
p(1 p)/n
Tabela 6.2: Distribuies por amostragem
Estimador Populao Distribuio
X
2 conhecida Z=
/ n
N (0, 1)
Normal de mdia
X
2 desconhecida T =
S/ n
tn1
X
Pop. no-Normal X a
2 conhecida Z=
/ n
N (0, 1)
X a
de mdia e n 30 2 desconhecida Z=
S/ n
N (0, 1)
2 Populaes independentes, (X 1X
Z= q 2 )(12 )
2 2
1+ 2
n1 n2
X 1 X 2 N (1 , 12 ) e N (2 , 22 ),
com 12 e 22 conhecidas N (0, 1)
P p a
P Qualquer populao e n grande Z= N (0, 1)
p(1p)/n
(n1)S 2
S2 Normal de mdia desconhecida X2 = 2
2n1
Captulo 7
Estimao por Intervalo de Confiana
A indicao de um nico valor como estimativa, de um parmetro , no nos d informao

sobre a preciso desse valor. Por isso, em muitas situaes, interessa-nos dar uma medida desse
erro. Assim, em vez de se indicar a sua estimativa pontual, prefervel indicar que o parmetro a
estimar estar provavelmente no intervalo ]t1 , t2 [, onde os extremos t1 e t2 dependem do valor
da estimativa pontual desse parmetro.
Definio 7.1 (Intervalo Aleatrio). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria de uma
populao com funo de distribuio F . Considere as estatsticas
T1 (X1 , X2 , . . . , Xn ) e T2 = (X1 , X2 , . . . , Xn ),
tais que P (T1 < < T2 ) = 1 , onde ]0, 1[ no depende de . Ento ]T1 , T2 [ um
intervalo aleatrio para .
Definio 7.2 (Intervalo de Confiana). Seja (x1 , x2 , . . . , xn ) uma realizao da amostra

aleatria e sejam
t1 = T1 (x1 , x2 , . . . , xn ) e t2 = T2 (x1 , x2 , . . . , xn ),
os valores das estatsticas T1 e T2 (introduzidas na Definio 7.1). Ao intervalo ]t1 , t2 [ chamamos

intervalo de confiana (1 ) 100% para . O valor (1 ) representa o nvel (ou coeficiente)
de confiana do intervalo e o nvel de significncia. Normalmente so usados nveis de confiana
superiores a 90%.
Observaes:
Diferentes amostras produziro eventuais valores distintos e consequentemente diferentes

extremos t1 e t2 .
Os valores t1 e t2 so denominados limites de confiana inferior e superior, respectivamente.
51
52 CAPTULO 7. ESTIMAO POR INTERVALO DE CONFIANA
A amplitude de um intervalo de confiana, t2 t1 , uma importante medida da qualidade

da informao fornecida atravs da amostra.
Definio 7.3 (Varivel Pivot ou Fulcral). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, reti-
rada de uma populao com funo de distribuio F de parmetro . A funo T (X1 , X2 , . . . , Xn )
uma varivel pivot, ou fulcral, se a sua distribuio for independente de .
Observao: As variveis aleatrias Z, T e X 2 , apresentadas na Tabela 6.2, so variveis Pivot.
Definio 7.4 (Mtodo de determinao de um Intervalo de Confiana a partir de uma

varivel Pivot). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, retirada de uma populao com
funo de distribuio F , com parmetro , e seja T uma varivel Pivot.
Dado o nvel de confiana (1 ), necessrio determinar os valores c1 e c2 tais que
P (c1 < T < c2 ) = 1 .
Caso se verifique,
c1 < T < c2 T1 (X1 , X2 , . . . , Xn ) < < T2 (X1 , X2 , . . . , Xn ),
ento tambm se pode garantir que
P (T1 (X1 , X2 , . . . , Xn ) < < T2 (X1 , X2 , . . . , Xn )) = 1 .
Logo, o intervalo aleatrio para ]T1 (X1 , X2 , . . . , Xn ), T2 (X1 , X2 , . . . , Xn )[ = ]T1 , T2 [.
Observada a amostra (x1 , x2 , . . . , xn ), o intervalo de confiana para dado por ]t1 , t2 [,

onde t1 = T1 (x1 , x2 , . . . , xn ) e t2 = T2 (x1 , x2 , . . . , xn ).
7.1 Intervalo de Confiana para a mdia da populao,

7.1.1 Populao Normal com varincia conhecida
Suponhamos que seleccionmos uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao Nor-
mal, de varincia 2 conhecida, com a qual pretendemos construir um intervalo de confiana
(1 ) 100% para .
Escolha da estatstica pivot:
X
Z= N (0, 1);
/ n
7.1. INTERVALO DE CONFIANA PARA A MDIA DA POPULAO, 53
Determinao de c1 e c2 : Seja za um valor tal que P (Z > za ) = a. Escolhemos c1 =

z1/2 = z/2 e c2 = z/2 , como indicado na Figura 7.1. Esta escolha no casual.
Quando c1 = c2 obtemos o intervalo de menor amplitude. O valor z/2 obtido atravs
da resoluo da equao:

P z/2 < Z < z/2 = 1 P (Z < z/2 ) P (Z z/2 ) = 1
(7.1)
(z/2 ) (z/2 ) = 1 (z/2 ) = 1 /2 z/2 = 1 (1 /2)
0.4
0.3
0.2
1
0.1
0.0
z 2 0 z 2
Figura 7.1: Intervalo aleatrio da varivel pivot Z.
Determinao dos extremos do intervalo aleatrio:
X
z/2 < < z/2 z/2 < X < z/2
/ n n n

z/2 X < < z/2 X X z/2 < < X + z/2
n n n n
Logo,

P z/2 < Z < z/2 = P X z/2 < < X + z/2 = 1 .
n n
Assim, tendo uma amostra concreta (x1 , x2 , . . . , xn ), o intervalo de confiana (1 ) 100

para :
i h
IC(1)100% () x z/2 ; x + z/2 .
n n
Exemplo 7.5. Considere a populao do peso das formigas Solenopsis, medido em dcimas de
grama, que sabemos ter distribuio Normal com mdia e varincia 2 = 22 , X N (, 22 ).
Desta populao observmos a amostra de 4 pesos, (8, 13, 9, 8.5), a qual usmos para obter uma
estimativa de , x = 9.625dg. Queremos agora determinar limites inferior e superior de um

intervalo de confiana a 95% para .
Resoluo: Seja X a mdia amostral da amostra de dimenso 4, (X1 , X2 , X3 , X4 ). Como a

populao tem distribuio Normal, e a varincia conhecida, vamos considerar a estatstica pivot
X
Z= ,
/ n
cuja distribuio por amostragem foi obtida no captulo anterior:
X X
Z= = N (0, 1).
/ n 2/ 4
Seja z0.025 um valor tal que P (z0.025 < Z < z0.025 ) = 0.95, conforme a Figura 7.2 ilustra. Para
0.4
0.3
0.2
0.95
0.1
0.0
z0.025 0 z0.025
determinar o valor de z0.025 , necessrio efectuar os seguintes clculos:
P (z0.025 < Z < z0.025 ) = 0.95 P (Z < z0.025 ) P (Z z0.025 ) = 0.95

(z0.025 ) (z0.025 ) = 0.95 (z0.025 ) = 0.975 z0.025 = 1 (0.975) 1.96
Assim,
!
X
P (1.96 < Z < 1.96) = 0.95 P 1.96 < < 1.96 = 0.95
2/ 4

P 1.96 1 < X < 1.96 1 = 0.95

P X 1.96 < < X + 1.96 = 0.95

P X 1.96 < < X + 1.96 = 0.95
i h
Logo, o intervalo aleatrio, para , com 95% de confiana X 1.96; X + 1.96 . Concretizando
este intervalo para a amostra observada, (x1 , x2 , x3 , x4 ) = (8, 13, 9, 8.5), obtemos o intervalo de
confiana a 95% para :
IC95% () = ]x 1.96 ; x + 1.96[ = ]9.625 1.96 ; 9.625 + 1.96[ =]7.665 ; 11.585[.

Observao: Vejamos agora o que sucede aumentando a confiana do intervalo para 99%. Como
Z0.005 2.58,

X
P (Z0.005 < Z < Z0.005 ) = 0.99 P 2.58 < 2/ < 2.58 = 0.99
4

P X 2.58 2/ 4 < < X + 2.58 2/ 4 = 0.99
Assim, IC99% () = ]x 2.58; x + 2.58[=]9.625 2.58; 9.625 + 2.58 =]7.045; 12.205[.

Conclumos que quando aumentamos o nvel de confiana, tambm aumentamos a sua amplitude!
7.1.2 Populao Normal com varincia desconhecida
Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria de uma populao Normal(, 2 ), de varincia 2

desconhecida, com a qual pretendemos construir um intervalo de confiana (1 ) 100% para
:
X
T = tn1 .
S/ n
Para um nvel de confiana de (1)100%, escolhemos de c1 = tn1,/2 e c2 = tn1,/2 ,

como indicado na Figura 7.3.
1
0.0
tn1:: 2 0 tn1:: 2
Figura 7.3: Intervalo aleatrio da varivel pivot T .


X
tn1,/2 < < tn1,/2
S/ n
S S
tn1,/2 < X < tn1,/2
n n
S S
tn1,/2 X < < tn1,/2 X
n n
S S
X tn1,/2 < < X + tn1,/2
n n
Assim, obtemos o seguinte intervalo de confiana (1 ) 100% para :

i s s h
IC(1)100% () x tn1,/2 ; x + tn1,/2 .
n n
7.1.3 Populao no-Normal com varincia conhecida e n > 30
Supondo que seleccionmos uma amostra aleatria de dimenso n > 30, (X1 , X2 , . . . , Xn ), de
uma populao no-normal com mdia e varincia conhecida 2 , e com a qual pretendemos
construir um intervalo de confiana (1 ) 100% para :
X a
Escolha da estatstica pivot: Z =
/ n
N (0, 1).
Determinao de c1 e c2 : De modo anlogo, ao efectuado na pgina 53, escolhemos:
c1 = z/2 e c2 = z/2 , com z/2 = 1 (1 /2).
Repetido as contas efectuadas na sub-seco 7.1.1, obtemos:

P z/2 < Z < z/2 = P X z/2 < < X + z/2 = 1 .
n n
Assim, observada a amostra (x1 , x2 , . . . , xn ), obtemos o seguinte intervalo de confiana

(1 ) 100% para :
i h
IC(1)100% () x z/2 ; x + z/2 .
n n
7.1.4 Populao no-Normal com varincia desconhecida e n > 30
Admitindo que seleccionmos uma amostra aleatria de dimenso n > 30, (X1 , X2 , . . . , Xn ), de
uma populao com distribuio no-normal, com mdia e varincia 2 , ambos desconhecidos.
Pretendemos um intervalo de confiana (1 ) 100% para . Como usamos a estatstica pivot:
X a
Z= N (0, 1),
S/ n
a determinao do intervalo de confiana para feita de forma anloga ao caso anterior (subs-
tituindo por S).
Obtemos assim, o seguinte intervalo de confiana (aproximado) (1 ) 100% para :
i s s h
IC(1)100% () x z/2 ; x + z/2 .
n n
Exemplo 7.6 (Exame de P.E. D - 2005/06). Queremos estudar h quanto tempo residem nas
suas moradas actuais as pessoas de certa cidade na provncia. Uma amostra aleatria de 41
famlias revelou uma mdia de 35 meses de residncia e um desvio padro de 6.3 meses.
a) Qual a sua melhor estimativa do tempo mdio de residncia da populao desta cidade?
b) Deduza um intervalo de confiana a 98% para o verdadeiro tempo mdio de residncia.

Justifique o seu procedimento.
Resoluo:
a) Para estimar a mdia da populao vamos usar o estimador mdia da amostra, X. Trata-se
do estimador da mdia que possui duas propriedades importantes: centrado para e
consistente. Neste exerccio, a estimativa do tempo mdio de residncia da populao
x = 35 meses.
b) Para deduzir o intervalo de confiana, vamos admitir que (X1 , X2 . . . , Xn ) uma amostra
X
aleatria com n > 30. Vamos considerar a estatstica pivot Z = ,
S/ n
cuja distribuio foi
deduzida no captulo anterior, isto ,
X a
Z= N (0, 1).
S/ n
0.4
0.3
0.2
0.98
0.1
0.0
2.32 0 2.32

Como P (z0.01 < Z < z0.01 ) = 0.98, onde z0.01 2.32, como indicado na Figura 7.4, e
X
z0.01 < Z < z0.01 2.32 <
S/ n
< 2.32 2.32 Sn < X < 2.32 Sn
S S
X 2.32 < < X + 2.32 ,
n n
resulta que
S S
P X 2.32 < < X + 2.32 = 0.98.
n n
Logo o intervalo com 98% de confiana para o valor mdio da populao

i s s h
IC98% () x 2.32 ; x + 2.32 .
n n
Como da amostra recolhida resultou x = 35 e s = 6.3, o intervalo com 98% de confiana

para o valor mdio da populao
i 6.3 6.3 h
IC98% () 35 2.32 ; 35 + 2.32 = ]32.72 , 37.28[.
41 41
7.2 Intervalo de Confiana para a varincia populacional, 2 , e

para o desvio padro populacional,
Nesta seco, vamos deduzir um intervalo de confiana (1 ) 100% para a varincia da

populao. Consideramos o caso em que temos uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma
populao com distribuio Normal(, 2 ), com valor mdio desconhecido.
Vamos usar a estatstica pivot cuja distribuio por amostragem foi apresentada no captulo
(n1)S 2
anterior, isto , a estatstica pivot: X 2 = 2
2n1 ;
Para um nvel de confiana de (1 ) 100%, escolha de c1 e c2 : A escolha dos extremos

do intervalo aleatrio, c1 = 2n1,1/2 e c2 = 2n1,/2 , feita de acordo com a Figura
7.5.
Para determinar estes valores necessrio efectuar as operaes:

P (X 2 < c1 ) = c1 = F1
2 ,
2 n1 2

2 2 1
P (X > c2 ) = P (X c2 ) = 1 c2 = F2 1 ,
2 2 n1 2
onde F1
e F1

2 2 2 1 2 podem ser obtidos numa tabela de quantis da distribuio
n1 n1
Qui Quadrado.
7.2. INTERVALO DE CONFIANA PARA A VARINCIA POPULACIONAL, 2 , E PARA O DESVIO
PADRO POPULACIONAL, 59
2
0.0
0 2n1::1 2 2n1:: 2
Figura 7.5: Intervalo aleatrio da varivel pivot X 2 .
Determinao dos extremos do intervalo de confiana: Como,
2n1,1/2 1 2n1,/2
2n1,1/2 <X <2
2n1,/2 < 2 <
(n 1)S 2 (n 1)S 2
(n 1)S 2 2 (n 1)S 2
< < ,
2n1,/2 2n1,1/2
conclumos que
(n 1)S 2 (n 1)S 2
P 2n1,1/2 < X 2 < 2n1,/2 = P < 2 < = 1 .
2n1,/2 2n1,1/2
Assim, observada a amostra (x1 , x2 , . . . , xn ), e calculada a respectiva varincia amostral,

s2 , o intervalo de confiana para 2 :
# "
2 (n 1)s2 (n 1)s2
IC(1)100% ( ) = ; .
2n1,/2 2n1,1/2
Observao: Como
v v
(n 1)S 2 (n 1)S 2 u (n 1)S 2 u (n 1)S 2
u u
P < 2 < 2 =P t 2 <<t 2 = 1 .
2n1,/2 n1,1/2 n1,/2 n1,1/2
podemos assim apresentar o seguinte intervalo de confiana para :
v v
u (n 1)s2 u (n 1)s2
u u
IC(1)100% () t 2
; t
2
.
n1,/2 n1,1/2
7.3 Intervalo de Confiana para proporo populacional, p

Vamos deduzir nesta seco um intervalo de confiana (1 ) 100% para a proporo pop-
ulacional p. Consideramos a situao em que estamos interessados em estimar a proporo dos
elementos que, na populao, possuem determinada caracterstica, atravs da correspondente pro-
poro amostral P , referente a uma amostra de dimenso suficientemente grande. Podemos assim
usar a seguinte estatstica pivot, cuja distribuio por amostragem foi considerada no captulo
anterior:
P p a
Z=p N (0, 1);
p(1 p)/n
Para um nvel de confiana de (1 ) 100%, escolhemos c1 = z/2 e c2 = z/2 tais

que P (z/2 < Z < z/2 ) = 1 . De acordo com os clculos apresentados na pgina
53, z1/2 = 1 (1 /2).
P p
z/2 < Z < z/2 z/2 < p < z/2 (7.2)
p(1 p)/n
A resoluo das inequaes anteriores, em ordem
q a p, torna-se muito mais simples se
p
substituirmos p(1 p)/n, pela sua estimativa, P (1 P )/n. Se a dimenso da amostra
for elevada esta substituio no dever afectar muito a preciso do intervalo. Assim,
efectuando a substituio,
P p
z/2 < < z/2
P (1P )/n
q q
z/2 P (1 P )/n < P p < z/2 P (1 P )/n
q q
z/2 P (1 P )/n P < p < z/2 P (1 P )/n P
q q
P z/2 P (1 P )/n < p < P + z/2 P (1 P )/n
Ento,
!
P p
P z/2 <p < z/2 '
p(1 p)/n
q q
P P z/2 P (1 P )/n < p < P + z/2 P (1 P )/n ' 1
Assim, observada a amostra e calculada a respectiva proporo p, obtemos o seguinte

intervalo de confiana aproximado:
q q
IC(1)100% (p) = p z/2 p(1 p)/n ; p + z/2 p(1 p)/n .
7.3. INTERVALO DE CONFIANA PARA PROPORO POPULACIONAL, P 61
Exemplo 7.7. Num inqurito destinado a estimar a proporo p da populao que tem TV por
cabo, foram inquiridas 200 pessoas, das quais 78 afirmaram ter este servio. Temos a estimativa
pontual da proporo da populao com TV por cabo p = 0.39. Como n = 200 > 30 e
z0.05 = 1.96, o intervalo de 95% de confiana para a proporo p :
q q
0.39 1.96 0.39(1 0.39)/200 ; 0.39 + 1.96 0.39(1 0.39)/200 =]0.322 , 0.458[.
Observao: Tal como j foi referido, tambm possvel resolverqas inequaes em (7.2) em or-
p
dem a p sem a substituio de p(1 p)/n, pela sua estimativa, P (1 P )/n. Esta resoluo,
embora tenha muito mais clculos, conduz-nos inequao:
2
z/2 2
z/2
1+ p2 2P + p + P 2 < 0,
n n
Os extremos Inferior e superior do intervalo de confiana so, respectivamente:
q q
2 2 /(4n2 ) 2 2 /(4n2 )
P + z/2 /n z/2 P (1 P )/n + z/2 P + z/2 /n + z/2 P (1 P )/n + z/2
2 /n , 2 /n .
1 + z/2 1 + z/2
Como ilustrao, apresentamos o intervalo de confiana a 95% para a a proporo p, do Exemplo

7.7: IC95% (p) =]0.325 , 0.459[.
Captulo 8
Teste de Hipteses
8.1 Introduo
Vamos comear por introduzir alguns conceitos importantes e alguma notao.
Definio 8.1 (Hiptese Estatstica). Uma hiptese estatstica uma conjectura acerca da
distribuio de uma ou mais variveis aleatrias. Para cada hiptese que se faa, designada por
hiptese nula e denotada por H0 , h sempre outra hiptese, designada por hiptese alternativa
e denotada por H1 . Se a hiptese estatstica H0 especifica completamente a distribuio
chamada de hiptese simples. Caso contrrio chamada de hiptese composta.
Uma hiptese estatstica pode ser, ou no ser, verdadeira. A verdade ou falsidade nunca pode
ser confirmada, a menos que observssemos toda a populao, o que nalguns casos impraticvel
(quando a populao muito grande) ou at mesmo impossvel (no caso de populaes infinitas,
ou quando caracterstica em estudo leva destruio dos elementos observados).
Exemplo 8.2 (Hiptese Estatstica). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria da popu-
lao dos pesos das formigas Solenopsis anteriormente considerada. A hiptese estatstica de que
o peso mdio desta populao toma o valor 8dg denota-se por:
H0 : = 8 versus H1 : 6= 8 (Hiptese simples)
usual abreviar a palavra versus para vs:
H0 : = 8 vs H1 : 6= 8
A hiptese estatstica de que o peso mdio desta populao menor ou igual a 8dg denota-se
por:
H0 : 8 vs H1 : > 8 (Hiptese composta).
63
64 CAPTULO 8. TESTE DE HIPTESES
Ao testarmos uma hiptese nula contra uma hiptese alternativa, a nossa atitude dever ser
admitir H0 como verdadeira at que os dados fornecidos pela amostra testemunhem fortemente
contra ela; nesse caso, H0 dever ser rejeitada a favor de H1 .
Definio 8.3 (Teste de Hipteses). Um teste de hipteses uma regra que nos permite
decidir se devemos, ou no, rejeitar H0 . Esta regra baseada no valor que a estatstica de teste
W assume. Assim se,
W (x1 , x2 , . . . , xn ) R, rejeita-se H0 (e aceita-se H1 como verdadeira);
W (x1 , x2 , . . . , xn )
/ R, no se rejeita H0 .
O conjunto R representa a regio crtica ou regio de rejeio.
Definio 8.4 (Erros de tipo I e de tipo II). Quando realizamos um Teste de Hipteses
podemos cometer um dos seguintes erros:
A rejeio de H0 quando ela verdadeira (erro de tipo I);
A no rejeio de H0 quando esta falsa (erro de tipo II).
Representamos por e , respectivamente, a probabilidade de ocorrer um erro de tipo I ou II,

isto ,
= P (erro de tipo I) = P (rejeitar H0 |H0 verdadeira);
= P (erro de tipo II) = P (no rejeitar H0 |H0 falsa).
Chamamos ainda nvel de significncia a e potncia do teste a 1. Os nveis de significncia

mais usuais so = 0.01, = 0.05 ou = 0.1.
Observao: O teste ideal aquele em que estas as probabilidades e tm valor mnimo.

Contudo, impossvel minimiz-las simultaneamente. De facto, quando diminui, aumenta e
vice-versa. O procedimento usual consiste em fixar o nvel de significncia e escolher a regio
de rejeio que minimiza , isto , que maximize a potncia do teste.
Exemplo 8.5. Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria da populao dos pesos das formigas
Solenopsis, isto , da populao X N (, 22 ). Um teste possvel para testar:
H0 : 8 vs H1 : > 8,
X8
rejeitar H0 se
2/ n
> 1.64.
8.2. TESTE DE HIPTESES PARA A MDIA DA POPULAO 65
Definio 8.6 (Valor-p ou p-value). De um modo informal, podemos definir o valor-p ou

p-value como o mais pequeno nvel de significncia que leva rejeio de H0 . Assim,
um valor-p pequeno desfavorvel a H0 .
um valor-p elevado indica que as observaes so consistentes com H0 .
Nota: Geralmente o software estatstico apenas apresenta o valor-p do teste. Cabe ao utilizador
tomar a deciso ao nvel de significncia . Quanto menor for o valor-p, menor a consistncia
entre os dados e H0 . Assim, se valor-p < , devemos rejeitar H0 , ao nvel de significncia .
Regra de clculo do valor-p:

Seja (x1 , x2 , . . . , xn ) a concretizao da amostra aleatria e
wobs = W (x1 , x2 , . . . , xn ),
o valor observado da estatstica de teste W . O valor-p corresponde probabilidade de

se observar um valor igual ou mais extremo do que o observado, wobs , se a hiptese
nula verdadeira. O clculo desta probabilidade depende do tipo de regio de rejeio
da hiptese H0 , conforme indicado na seguinte tabela:
Regio de rejeio valor-p

] , c [ ] c, +[

ou 2 min P (W < wobs | H0 ), P (W > wobs | H0 )
] 0, b [ ] c, +[
] , c [
ou P (W < wobs | H0 )
] 0, c [
] c, +[ P (W > wobs | H0 )
8.2 Teste de Hipteses para a mdia da populao

De modo anlogo, ao efectuado no captulo anterior, a deduo do teste de hipteses para o valor
mdio da populao ser feito admitindo um dos seguintes pressupostos:
1. Populao Normal e Varincia conhecida;
2. Populao Normal e Varincia desconhecida;
3. Populao no-Normal e Varincia conhecida;
4. Populao no-Normal e Varincia desconhecida.

8.2.1 Teste bilateral
Vamos admitir que (X1 , X2 , . . . , Xn ) representa uma amostra aleatria de uma populao
Normal com varincia conhecida e que pretendemos testar
H0 : = 0 vs H1 : 6= 0 (teste bilateral)
X
J sabemos que X um estimador centrado de . Tambm j se verificou que n
N (0, 1), embora o valor mdio, , seja desconhecido. Assim, vamos considerar a seguinte
estatstica de teste:
X 0
Z= N (0, 1).
/ n sob H0
Considere o nvel de significncia . Estamos interessados em rejeitar H0 quando os

valores observados no estiverem de acordo com esta hiptese, isto , quando a dife-
rena entre X e 0 for grande. Assim, vamos considerar a regio de rejeio R =
] , z/2 [ ]z/2 , +[, indicada na Figura 8.1.
R R
1
0.0
z 2 0 z 2
Figura 8.1: Regio de rejeio para o teste bilateral para o valor mdio.
x
A regra de deciso do teste consiste em rejeitar H0 se zobs = 0
/ n
R , ou seja, se
|zobs | > z/2 .
Exemplo 8.7. Considere novamente o exemplo da populao dos pesos das formigas Solenop-
sis, isto , a populao X N (, 22 ), da qual observmos a amostra aleatria de 4 pesos
(8, 13, 9, 8.5). Com base nesta amostra vamos testar, a um nvel de significncia 5%, a hiptese
de que o peso mdio populacional igual a 9dg, ou seja vamos testar: H0 : = 9 vs H1 : 6= 9.
Como a populao normal com varincia conhecida, a estatstica de teste :

X9
Z=
2/ 4 sob H0
N (0, 1).
8.2. TESTE DE HIPTESES PARA A MDIA DA POPULAO 67
Regio de rejeio para = 0.05: R =] , 1.96[ ]1.96, +[.

x9
Regra de deciso do teste: Rejeitar H0 ao nvel de significncia 5% se zobs =
2/ 4
R0.05 .
9.6259
Deciso: Como zobs =
2/ 4
= 0.625
/ R0.05 , no rejeitamos H0 ao nvel de significncia
5%, significando que os dados no vo contra o pressuposto de que o peso mdio das
formigas 9dg..
Exemplo 8.8 (Clculo do valor-p do teste do Exemplo 8.7). Como Zobs ' 0.63,

valor-p = 2 min P (Z < 0.63 | H0 ), P (Z > 0.63 | H0 ) = 2P (Z > 0.63 | H0 ) =
= 2(1 P (Z 0.63 | H0 )) = 2(1 (0.63)) = 0.5286.
Outros testes de hipteses bilaterais para o valor mdio

O teste de hipteses bilateral, apresentado nesta seco, baseou-se no pressuposto da populao
ter distribuio Normal e da varincia ser conhecida. Noutras condies o teste faz-se de forma
anloga, podendo ser necessrio alterar a estatstica de teste e respectiva regio de rejeio,
conforme indicado na seguinte tabela:
Populao Varincia Rejeitar H0 se

X
2 conhecida /n0 > z/2

Pop. Normal de mdia
X
2 desconhecida S/n0 > tn1,/2

X
2 conhecida /n0 > z/2

Pop. no-Normal de mdia
X
(n 30) 2 desconhecida S/n0 > z/2

8.2.2 Teste unilateral direito
Vamos admitir que (X1 , X2 , . . . , Xn ) representa uma amostra aleatria de uma populao
Normal com varincia conhecida e pretendemos testar
H0 : 0 vs H1 : > 0 (teste unilateral direito)
De modo anlogo, ao apresentado no teste bilateral, vamos considerar a seguinte estatstica

de teste:
X 0
Z= N (0, 1).
/ n sob H0
Vamos considerar a regio de rejeio R =]z , +[, indicada na Figura 8.2.
Regra de deciso: Rejeitar H0 , ao nvel de significncia se zobs R .


0.0
0 z
Figura 8.2: Regio de rejeio para o teste unilateral direito para o valor mdio.
Outros testes de hipteses unilaterais direitos para o valor mdio

A estatstica de teste e a regio de rejeio podem mudar ligeiramente, consoante a populao
tem, ou no, distribuio Normal e a varincia , ou no , conhecida. A prxima tabela apresenta,
de forma resumida, as alteraes que se devem fazer no teste de hipteses anteriormente deduzido:

X
2 conhecida 0 > z
/ n
Pop. Normal de mdia
X
2 desconhecida 0 > tn1,
S/ n
X
2 conhecida 0 > z
/ n
X
(n 30) 2 desconhecida 0
S/ n
> z
8.2.3 Teste unilateral esquerdo
O procedimento que deduz o teste unilateral esquerdo, para o valor mdio,
H0 : 0 vs H1 : < 0 (teste unilateral esquerdo),
anlogo ao do teste unilateral direito. Por esta razo apenas se apresentamos a seguinte tabela
resumo:

X
2 conhecida 0 < z
/ n
Pop. Normal de mdia
X
2 desconhecida 0 < tn1,
S/ n
X
2 conhecida 0 < z
/ n
X
(n 30) 2 desconhecida 0 < z
S/ n
8.3. TESTE DE HIPTESES PARA A VARINCIA, 2 , DE UMA POPULAO NORMAL 69
8.3 Teste de Hipteses para a varincia, 2 , de uma populao

Normal
Suponha que observamos uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao X
N (, 2 ), em que desconhecido. Vamos nesta seco considerar apresentar alguns testes
de hipteses, relativos ao valor da varincia da populao, 2 .
Testamos uma das trs seguintes hipteses (nula e alternativa):
1. H0 : 2 = 02 vs H1 : 2 6= 02 (teste bilateral);
2. H0 : 2 02 vs H1 : 2 > 02 (teste unilateral direito);
3. H0 : 2 02 vs H1 : 2 < 02 (teste unilateral esquerdo).
Vamos escolher a estatstica de teste com base no estimador de 2 , S 2 , varincia amostral:
(n 1)S 2
X2 = 2n1 .
02 sob H0
Definamos a regio de rejeio do teste: Para um nvel de significncia , pr-especificado,

as regies de rejeio dos trs tipos de hipteses so, respectivamente, indicadas nas
seguintes figuras:
R R R R

2 1 1 1
2
0.0
0.0
0.0
0 2n1::1 2 2n1:: 2
0 2n1:: 0 2n1::1
Figura 8.3: Esquerda: Regio de rejeio para o teste bilateral. Centro: Regio de rejeio para
o teste unilateral direito. Direita: Regio de rejeio para o teste unilateral esquerdo.
Ou seja, a regio de rejeio do teste, para um nvel de significncia pr-especificado ,

respectivamente:
1. R = ]0, 2n1,1/2 [ ]2n1,/2 , +[ (teste bilateral);

2. R = ]2n1, , +[ (teste unilateral direito);
3. R = ]0, 2n1,1 [ (teste unilateral esquerdo);
2 R .
Rejeitamos H0 se Xobs
8.4 Teste de Hipteses para a proporo p de uma populao
Admita que temos uma amostra aleatria de dimenso n de uma populao, em que determinada
proporo desconhecida p dos seus elementos possui certa caracterstica.
Admita que pretendemos testar uma das seguintes hipteses (nula e alternativa):
1. H0 : p = p0 vs H1 : p 6= p0 (teste bilateral);
2. H0 : p p0 vs H1 : p > p0 (teste unilateral direito);
3. H0 : p p0 vs H1 : p < p0 (teste unilateral esquerdo);
Estatstica de teste:
P p0 a
Z=p N (0, 1)
p0 (1 p0 )/n sob H0
Definamos a regio de rejeio do teste: Para um nvel de significncia , pr-especificado,

as regies de rejeio dos trs tipos de hipteses so, respectivamente, indicadas nas
seguintes figuras:
R R R R
1 1 1

0.0
0.0
0.0
z 2 0 z 2 0 z z 0
Figura 8.4: Esquerda: Regio de rejeio para o teste bilateral. Centro: Regio de rejeio para
o teste unilateral direito. Direita: Regio de rejeio para o teste unilateral esquerdo.
Regio de rejeio do teste, para um nvel de significncia pr-especificado:
1. R = ] , z/2 [ ]z/2 , +[ (teste bilateral);

2. R = ]z , +[ (teste unilateral direito);
3. R = ] , z [ (teste unilateral esquerdo);
Regra de deciso do teste: Rejeitar H0 ao nvel de significncia se

pobs p0
zobs = p R .
p0 (1 p0 )/n
8.5. TESTE DAS SEQUNCIAS ASCENDENTES E DESCENDENTES 71
8.5 Teste das sequncias ascendentes e descendentes

O teste a seguir apresentado permite-nos testar a hiptese de aleatoriedade, uma condio essen-
cial nos diversos mtodos estatsticos j estudados. Considere as hipteses:
H0 : A amostra aleatria vs. H1 : A amostra no aleatria
Seja (X1 , X2 , . . . , Xn ) uma amostra da populao X. Vamos substituir pelo smbolo +

cada observao precedida por uma de valor inferior, e pelo smbolo - cada observao
que precedida por outra de valor superior. As observaes precedidas por outras de valor
igual so desprezadas (e corrige-se a dimenso da amostra, n).
A estatstica de teste :
2n1
V 3 a
Z= q N (0, 1).
16n29 sob H0
90
com V = nmero de sequncias de sinais + e -. Na prtica considera-se que a dis-

tribuio de Z razovel se n 25.
Regio de rejeio para o nvel de significncia .
R = ] , z/2 [ ]z/2 , +[
Rejeitamos H0 , ao nvel de significncia , sempre que zobs R .
Nota: O teste tambm pode ser aplicado em amostras de pequena dimenso (n < 25). Nesse caso
utiliza-se a estatstica de teste V . Para mais detalhes consulte a bibliografia aconselhada.
Exemplo 8.9 (Exame de P.E. - 2008/09). Considere a seguinte amostra, de dimenso n = 30,
do nmero de clientes atendidos por hora em certo posto de venda:
41 30 28 40 28 26 28 41 30 34 40 36 30 20 43
35 36 20 42 43 42 40 32 26 28 41 34 24 42 40
Podemos considerar a amostra aleatria? (considere um nvel de significncia de 5%)
Resposta: Pretendemos testar
H0 : A amostra aleatria vs H1 : A amostra no aleatria
A estatstica de teste
2n1
V 3
Z= q N (0, 1).
16n29 Sob H0
90
Para a amostra indicada, vobs = 17 e zobs = 1.19.

A regio de rejeio do teste : R0.05 =] ; 1.96[ ]1.96; +[ Como o valor observado da
estatstica de teste no pertence regio de rejeio, no rejeitamos a hiptese H0 ao nvel de
significncia 5%.
8.6 Teste de ajustamento do Qui Quadrado

Em muitas situaes a distribuio da populao desconhecida, e podemos estar interessados em
testar se determinada v.a. ou populao tem distribuio F , isto , podemos estar interessados
em testar:
H0 : X F vs H1 : X F (8.1)
Existem vrios testes de hipteses que nos permitem testar estas hipteses. Nesta disciplina
iremos apenas abordar um dos mais conhecidos: O teste de ajustamento do Qui-Quadrado.
Trata-se de um teste que apresenta a vantagem de poder ser aplicado para qualquer distribuio,
desde que a amostra recolhida no seja muito pequena. Existem outros testes de hipteses que
permitem testar as hipteses em (8.1), como por exemplo:
1. Teste de Kolmogorov-Smirnov (vlido para distribuies contnuas);
2. Teste de Shapiro-Wilk (vlido para a distribuio Normal).
Teste do Qui Quadrado:
Os dados observados (a amostra) so divididos em k classes, A1 , A2 , . . . , Ak . Em cada

classe Ai consideramos o nmero de observaes que lhe correspondem (a frequncia ab-
soluta de cada classe), denotando esse nmero por Oi . Consideramos ainda o nmero de
observaes que esperaramos observar em cada uma das classes, se a hiptese nula fosse
verdadeira, denotando-o por Ei . Este nmero determinado por Ei = n pi , em que pi a
probabilidade de uma observao pertencer classe i, caso a hiptese nula seja verdadeira,
isto ,
pi = P (X Ai |H0 verdadeira), i = 1, 2, . . . , k.
A estatstica de teste usada :

k
X (Oi Ei )2 a
X2 = 2kp1 ,
i=1
Ei sob H0
onde k o nmero de classes e p o nmero de parmetros estimados (do modelo considerado

na hiptese nula), pelo mtodo da mxima verosimilhana.
Regio de rejeio do teste, para um nvel de significncia , pr-especificado:
R =]2kp1, , +[
2 R .
Rejeitamos H0 , ao nvel de significncia , sempre que Xobs
8.6. TESTE DE AJUSTAMENTO DO QUI QUADRADO 73
Observaes:
1. Caso exista algum Ei < 5, tipicamente correspondendo s classes dos extremos, essa(s)
classe(s) deve(m) ser agrupada(s) at o correspondente novo nmero esperado Ei (dado
pelas somas dos correspondentes antigos Ei0 s) ultrapassar 5. Os correspondentes Oi s devem
nesse caso ser tambm somados, diminuindo naturalmente o valor do nmero de classes k.
Pk Pk
2. Como i=1 Oi = i=1 Ei = n, a estatstica de teste X 2 igual a:
k
X Oi2
X2 = n.
i=1
Ei
Exemplo 8.10. Geneticistas pensam que, em determinada populao, a distribuio de probabil-

idade dos grupos sanguneos a seguinte:
(
MM MN NN
0.3 0.5 0.2
Uma amostra de 200 indivduos desta populao, classificados de acordo com estes grupos san-
guneos, revelou 64 indivduos do grupo MM, 96 do grupo MN e os restantes do grupo NN.
(a) Estes dados fornecem evidncia estatstica para pr em causa o pressuposto dos geneticistas?
(b) Determine, um valor aproximado, do valor-p do teste.
Resoluo:
(a) Usando o teste do Qui Quadrado, pretendemos testar:
H0 : P (M M ) = 0.3, P (M N ) = 0.5, P (N N ) = 0.2 vs

H0 : P (M M ) 6= 0.3, ou P (M N ) 6= 0.5, ou P (N N ) 6= 0.2
Temos 3 classes e os seguintes valores:

A1 = M M O1 = 64 E1 = 60
A2 = M N O2 = 96 E2 = 100
A3 = N N O3 = 40 E3 = 40
Pk (Oi Ei )2 a
Usando a estatstica de teste X 2 = i=1 Ei 2kp1 , obtemos:
sob H0
2 642 962 402

Xobs = 60 + 100 + 40 200 = 0.427
Considerando = 0.05, a regio de rejeio R0.05 =]22,0.05 , +[=]5.99, +[. Como

2
Xobs / R0.05 , no rejeitamos H0 , ao nvel de significncia 5%.
(b) Valor-p = P (X 2 > 0.427) ' P (X 2 > 0.446) = 0.8.

Exemplo 8.11 (Teste de ajustamento para o modelo Poisson). Pensa-se que o nmero de
defeitos encontrados em circuitos elctricos tem distribuio Poisson. Recolheu-se uma amostra
aleatria de n = 60 circuitos e observaram-se os seguintes nmeros de defeitos:
nmero de defeitos nmero de circuitos

0 32
1 15
2 9
3 4
Resoluo: Como desconhecido, ter de ser estimado. Assim, = x = 0.75. Pretende-se

testar:
H0 : X P (0.75) vs H0 : X P (0.75)
A tabela anterior j inclui as observaes agrupadas em classes. Assim, vamos considerar as

classes: A1 = {0}, A2 = {1}, A3 = {2}, A4 = {3, 4, . . .}. Como E4 < 5 necessrio juntar a
classe A4 classe A3 (ver as seguintes tabelas).
no de defeitos pi Ei
0 0.472 28.32
1 0.354 21.24
2 0.133 7.98
3 (ou mais) 0.041 2.46
no de defeitos Oi pi Ei
0 32 0.472 28.32
1 15 0.354 21.24
2 (ou mais) 13 0.174 10.44
O valor observado de estatstica de teste :

(32 28.32)2 (15 21.24)2 (13 10.44)2
2obs = + + = 2.94
28.32 21.24 10.44
Considerando = 0.05, a regio de rejeio R0.05 =]21,0.05 , +[=]3.84, +[. Como
2obs = 2.94 < 21;0.05 = 3.84,
no rejeitamos a hiptese H0 de que a distribuio da populao P (0.75).

8.6. TESTE DE AJUSTAMENTO DO QUI QUADRADO 75
Exemplo 8.12 (Teste de ajustamento para o modelo Normal). Os artigos produzidos em

determinada fbrica so sujeitos a um controle de qualidade, resultando num ndice de qualidade,
X. De forma a avaliar essa qualidade recolheu-se uma amostra aleatria de 46 artigos da produo,
tendo-se medido os valores seguintes do referido ndice:
100, 110, 122, 132, 99, 96, 88, 75, 45, 154, 153, 161, 142, 99, 111, 105, 133, 142, 150, 153, 121, 126, 117, 97,
105, 117, 125, 105, 94, 90, 80, 50, 55, 102, 122, 136, 75, 104, 109, 108, 134, 135, 111, 78, 89, 154
Vamos usar estes dados para testar, ao nvel de significncia 5%,
H0 : X N (, 2 ) vs H1 : X N (, 2 )
Como no conhecemos os valores populacionais de e 2 , vamos estim-los a partir da amostra.

Assim,
46 46
!
1 X 2 2 1 X
= x = xi = 111.0652; = s = x2 46 x2 = 785.3068
46 i=1 46 1 i=1 i
Pela regra de Sturges, o nmero de classes a considerar dado por: k 1+ log(n) log(46)
log(2) = 1+ log(2)
6.523562
L 16145
Consideramos k = 7. A amplitude de cada classe aproximadamente 7 = 7 16.6. Vamos
aproximar este valor a 20, ou seja, considerar as classes:
] ; 60] ]60; 80] ]80; 100] ]100; 120] ]120; 140] ]140; 160] ]160; +[
Devemos contar quantas observaes caiem em cada um dos intervalos anteriores, para obter
os valores de Oi , e devemos determinar os valores de Ei = n pi = 46 pi .
i Classe Oi pi Ei
1 ] ; 60] 3 0.0344 1.5824 i Classe Oi pi Ei
2 ]60; 80] 4 0.0991 4.5586 1 ] ; 80] 7 0.1335 6.141
3 ]80; 100] 9 0.2148 9.8808 2 ]80; 100] 9 0.2148 9.8808
4 ]100; 120] 12 0.2772 12.7512 3 ]100; 120] 12 0.2772 12.7512
5 ]120; 140] 10 0.223 10.258 4 ]120; 140] 10 0.223 10.258
6 ]140; 160] 7 0.1114 5.1244 5 ]140; +[ 8 0.1515 6.969
7 ]160; +[ 1 0.0401 1.8446
Ento, como k = 5 classes e foram estimados p = 2 parmetros ( e 2 ),
k sob H0
2
X (Oi Ei )2
X = 2kp1 2521 22
i=1
Ei
Regra de deciso do teste: Rejeitar H0 ao nvel de significncia 5% se x2obs R0.05 ]5.99, +[.
Como x2obs = 0.4019 no rejeitamos, ao nvel de significncia de 5% a hiptese nula de que a
distribuio da populao Normal.
Captulo 9
Regresso Linear
9.1 Introduo
A regresso uma tcnica estatstica que permite estudar a relao entre uma ou mais variveis
resposta (tambm designadas por variveis dependentes) e uma ou mais variveis explicativas
(tambm designadas por variveis independentes). Ao modelo matemtico que relaciona as
variveis d-se o nome de equao de regresso.
Estamos apenas interessados no caso em que temos uma varivel dependente Y , uma varivel
independente x e a equao de regresso linear, isto ,
Y = 0 + 1 x + , N (0, 2 ).
O termo 0 +1 x a componente determinstica do modelo e o erro aleatrio que se pressupe

ter distribuio normal de valor mdio nulo e varincia 2 . Os parmetros 0 e 1 tero de ser
estimados a partir dos dados. A este modelo d-se o nome de equao de regresso linear
simples. Podemos tambm usar esta tcnica considerando modelos mais complexos como a
regresso linear mltipla ou a regresso no linear.
Observaes:
1. Y tambm uma varivel aleatria porque, Y = 0 +1 x+ e N (0, 2 ) uma varivel

aleatria. Como
E(Y |x) = E(0 + 1 x + |x) = 0 + 1 x + 0 = 0 + 1 x,
V (Y |x) = V (0 + 1 x + |x) = V () = 2 ,
isto ,
Y |x N (0 + 1 x, 2 ).
2. O modelo possui o parmetro adicional, 2 , que tambm ter de ser estimado.
77
78 CAPTULO 9. REGRESSO LINEAR
9.2 Estimadores dos Mnimos Quadrados de 0 e 1
Suponha que se observam um conjunto de n observaes da varivel independente e da varivel

resposta - (x1 , Y1 ), (x2 , Y2 ) . . . , (xn , Yn ) - e que se pretendem usar estes valores para estimar
os parmetros de regresso de um modelo de regresso linear simples. Assumimos que os er-
ros aleatrios i , para cada elemento amostral Yi , so independentes seguindo todos a mesma
distribuio N (0, 2 ), isto :
Yi = 0 + 1 xi + i , com i N (0, 2 ) independentes.
Assim deveremos encontrar estimadores 0 e 1 , dos coeficientes da recta de regresso 0 e

1 , respectivamente, para obtermos a recta estimada,
Y = 0 + 1 x.
As estimativas pontuais da recta de regresso para as observaes x1 , x2 , . . . , xn sero Yi =

0 + 1 xi , i = 1, 2, . . . , n.
Definio 9.1 (Resduo). Embora a varivel residual no seja observvel, possvel calcular os
desvios das n observaes da amostra.
i = Yi Yi = Yi 0 1 xi , i = 1, 2, . . . , n.
A estes desvios damos o nome de resduos.
De entre diversos mtodos que existem para a deduo dos estimadores, vamos aqui abordar
o mtodo dos mnimos quadrados. Neste mtodo, os estimadores 0 e 1 devem ser obtidos de
modo a minimizar a soma do quadrado dos resduos,
n
X n
X
SQR = (Yi Yi )2 = (Yi 0 1 xi )2 .
i=1 i=1
Esta minimizao conseguida resolvendo, em ordem a 0 e 1 , o sistema de equaes,

SQ
0 = 0 2 (Yi 0 1 xi ) = 0
P

SQ = 0

2 xi (Yi 0 1 xi ) = 0
P
1

= Y 1 x
P P

Yi = n0 + 1 xi 0

P
1 = Pxi Y2i nxY

P P P 2
xi Yi = 0 xi + 1 x
i 2 xi nx
9.3. ESTIMAO DE 2 E QUALIDADE DO AJUSTE 79
Observao 1: Para simplificar a notao, podemos escrever:

SxY
1 = 0 = Y 1 x,
Sxx
com
n
X n
X
Sxx = (xi x)2 = x2i nx2 ;
i=1 i=1
Xn n
X n
X
SxY = (Yi Y )(xi x) = Yi (xi x) = xi Yi nxY .
i=1 i=1 i=1
Observao 2: A soma dos quadrados dos desvios pode ainda ser escrita da seguinte forma
n 2
X SxY
SQR = (Yi Yi )2 = SY Y = SY Y 12 Sxx ,
i=1
Sxx
com
n n
X X 2
SY Y = (Yi Y )2 = Yi2 nY .
i=1 i=1
9.3 Estimao de 2 e Qualidade do Ajuste

Definio 9.2 (Estimador de 2 ). O estimador de 2 :
SQR
2 =
n2
Definio 9.3 (Coeficiente de Determinao).
SQR 2
2 Sxx SxY
R 2 = 1 Pn 2
= 1 =
i=1 (Yi Y ) SY Y Sxx SY Y
Esta medida compara a soma de quadrados dos resduos (SQR ) do modelo de regresso linear
simples com a SQR do modelo de regresso linear simples com 1 = 0. A quantidade R2 varia
entre 0 e 1. Na prtica, consideramos que o ajustamento razovel se R2 0.8.
9.4 Propriedades dos estimadores dos mnimos quadrados

9.4.1 Distribuio por amostragem de 2
Proposio 9.4 (Propriedades de 2 ). No modelo de regresso linear simples,
2 SQR
(n 2) 2
= 2n2 .
2
9.4.2 Distribuio por amostragem de 0 e 1
Proposio 9.5 (Distribuio por amostragem de 0 e 1 ). No modelo de regresso linear simples,
!
2 n

2
1 N 1 , 0 N 0 , nS xx 2
P
, e xi .
Sxx i=1
Demonstrao. Note-se que

Pn
SxY i=1 (xi x)Yi
1 = = ,
Sxx Sxx
isto , 1 uma combinao linear de v.a.s Yi independentes, com distribuio Normal. Logo 1
tambm tem distribuio Normal. E ainda necessrio conhecer os seus parmetros. O seu valor
mdio
Pn n
x)E(Yi ) (xi x)(0 + 1 xi )
P
i=1 (xi
E(1 ) = = i=1 =
Sxx Sxx
0 ni=1 (xi x) + 1
Pn
i=1 (xi x)xi
P
1 Sxx
= = = 1
Sxx Sxx
e a varincia,
Pn Pn Pn
i=1 (xi x)Yi i=1 (xi x)2 V (Yi ) i=1 (xi x)2 2

V (1 ) = V = 2
= 2
Sxx Yi0 s indep. Sxx Sxx
Sxx 2 2
= 2
= .
Sxx Sxx
Relativamente 0 , recordemos que 0 = Y 1 x. Como Y e 1 tm distribuio Normal,

ento 0 tambm tem distribuio normal. O valor mdio
E(0 ) = E(Y ) E(1 )x = 0 + 1 x 1 x = 0 ,
e a varincia,
!
2 2 2 nx2
V (0 ) = V (Y ) + x2 V (1 ) 2x Cov(Y , 1 ) = + x2 0= 1+
n Sxx n Sxx
n
!
2 2 X
= Sxx nx2 = x2i .
nSxx nSxx i=1
Nota: No clculo de V (0 ), usou-se o resultado:

n n
SxY 1 1X X
Cov(Y , 1 ) = Cov(Y , )= Cov Yi , (xj x)Yj
Sxx Sxx n i=1 j=1
n n
1 X 2 X
= (xi x)V (Yi ) = (xi x) = 0
nSxx i=1 nSxx i=1
9.5. INFERNCIA SOBRE OS PARMETROS DO MODELO DE REGRESSO 81
Observao: A partir do resultado anterior conclui-se que 0 e 1 so estimadores centrados de

0 e 1 , respectivamente.
Consequentemente, querendo fazer inferncia sobre os parmetros 0 ou 1 , no podemos usar

a distribuies de 0 e 1 , j que elas dependem de 2 (geralmente desconhecido). Como
SQR
2 = n2 . teremos de usar os seguintes resultados:
1 1 p 1 1
T = q 2 = Sxx tn2 ,

Sxx
s
0 0 nSxx 0 0
T =q = Pn 2 tn2 .
2 Pn 2 i=1 xi
nSxx i=1 xi
9.5 Inferncia sobre os parmetros do Modelo de Regresso
9.5.1 Intervalo de Confiana e Teste de Hipteses para 1
O parmetro 1 o declive da recta de regresso e, como tal mede o grau de crescimento de Y

relativamente a x.
Intervalo de confiana a (1 )100% para 1
Vamos utilizar a seguinte varivel pivot:
1 1
T = q 2 tn2

Sxx
Para um nvel de confiana de (1 ) 100%, escolha de c1 e c2 - escolhemos c1 = c e

c2 = c, tal que P (c < T < c) = 1 . fcil de verificar que c = tn2,/2 .
Determinao dos extremos do intervalo:

q q
2 2
c < T < c t/2 < T < t/2 c Sxx < 1 1 < c Sxx
q q
2 2
c Sxx 1 < 1 < c Sxx 1
q q
2 2
1 tn2,/2 Sxx < 1 < 1 + tn2,/2 Sxx
Assim, obtemos o seguinte intervalo de confiana:
i q q h
2 2
IC(1)100% (1 ) = 1 tn2;/2 Sxx , 1 + tn2;/2 Sxx .
Teste de Hipteses para 1

Podemos tambm realizar um teste de hipteses sobre o valor do parmetro 1 . Embora o teste
tanto possa ser bilateral, como unilateral, a primeira opo a mais frequente. Por isso apenas
apresentamos o teste bilateral, embora este possa ser adaptado para o caso unilateral.
Hipteses:
H0 : 1 = a vs H1 : 1 6= a
Estatstica de teste:
p 1 a
T = Sxx tn2
Sob H0
Regio de rejeio do teste:
R =] ; tn2,/2 [ ]tn2,/2 ; +[
Regra de deciso do teste: Rejeitar H0 ao nvel de significncia se
tobs R , ou seja, se |tobs | > tn2;/2 .
O parmetro 0 corresponde ao ponto de interseco da recta com o eixo das abcissas. A inferncia
sobre este parmetro no tem a mesma importncia que tem a inferncia sobre o declive 1 da
recta de regresso.
Intervalo de Confiana a (1 ) 100% para 0

De modo anlogo, ao que foi feito para 1 , mas agora utilizando a varivel pivot,
s
0 0 nSxx 0 0
T =q = Pn 2 tn2 ,
2 Pn 2 i=1 xi
nSxx i=1 xi
obtemos o intervalo de confiana (1 ) 100% para 0 :
r Pn r Pn
x2 x2
i h
IC(1)100% (0 ) 0 tn2;/2 2 i=1 i
nSxx ; 0 + tn2;/2 2 i=1 i
nSxx .
Testes de hipteses para 0

Os testes de hipteses sobre o parmetro 0 podem ser tanto bilaterais como unilaterais, sendo
9.5. INFERNCIA SOBRE OS PARMETROS DO MODELO DE REGRESSO 83
sempre baseados na distribuio por amostragem anteriormente apresentada para 0 . Vamos

considerar apenas o teste bilateral para 0 , ou seja, as hipteses:
H0 : 0 = a vs H1 : 0 6= a
O teste realiza-se de modo anlogo ao apresentado para 1 , mudando apenas a estatstica de

teste que dada por
0 a
T =q tn2
2 Pn 2 Sob H0
nSxx i=1 xi

SQR SQR
Como 2 = n2 estimador centrado de 2 e 2
2n2 , podemos deduzir um intervalo
de confiana (1 ) para a varincia 2 e para o desvio padro . Seguindo o procedimento
adoptado, na seco 7.2, obtemos
# "
(n 2) 2 (n 2) 2
2
IC(1)100% ( ) ; ,
2n2;/2 2n2;1/2
e
v v
u (n 2) 2 u (n 2) 2
u u
IC(1)100% () t 2
; t
2
.
n2;/2 n2;1/2
De modo anlogo ao apresentado na seco 8.3, podemos tambm realizar testes de hiptese
(bilaterais e unilaterais) para 2 recorrendo distribuio de 2 .
Exemplo 9.6 (Exame de Probabilidades e Estatstica C 2005/06). Pretende-se, se possvel, mod-

elar atravs de uma recta de regresso simples o consumo de combustvel, Y , de um automvel
em funo da sua velocidade de circulao, x. Para tal registaram-se os valores de consumo de
combustvel para um mesmo percurso de 100Km, percorrido a diferentes velocidades:
xi 50 60 70 80 90 100 110 120
yi 5.22 6.25 6.85 8.36 8.09 10.16 11.17 11.57
X X X
x = 85, Y = 8.46, x2i = 62000, Yi2 = 610.43, Yi xi = 6145.5, SQR = 1.15
(a) Ajuste um modelo de regresso linear simples aos dados. Que pode dizer sobre a qualidade
do ajuste?
(b) Diga por suas palavras como interpreta o valor estimado do declive da recta acima consid-
erada. O sinal desta estimativa est de acordo com as suas expectativas? Porqu?
(c) Determine um intervalo de confiana a 95% para o verdadeiro declive da recta de regresso.
Comente o resultado face qualidade do ajuste concluda na alnea (a).
9.6 Estimao do valor esperado de Y para uma observao x0 da

varivel controlada
O valor esperado de Y para uma observao x0 da varivel controlada
Y |x0 = E(Y |x0 ) = 0 + 1 x0 .
que pode ser estimado por
Y |x0 = 0 + 1 x0 .
Caso a varincia do erro, 2 , no seja conhecida, a distribuio de amostragem de Y |x0

Y |x0 Y |x0
T =r tn2 ,
(x0 x)2

1
2 n + Sxx
o que permite deduzir o intervalo de confiana (1 ) para Y |x0 ,
r r
(x0 x)2 (x0 x)2
i h
1 1
Y |x0 tn2;/2 2 n + Sxx , Y |x0 + tn2;/2 2 n + Sxx .
Nota: S devemos fazer estimao de Y |x0 para valores x0 que estejam dentro do intervalo das
observaes obtidas para x.
9.7 Previso do valor da varivel resposta Y para um novo valor

x0 da varivel controlada
Dada um valor x0 da varivel controlada x, a varivel resposta
Y0 = Y (x0 ) = 0 + 1 x0 + ,
onde N (0, 2 ). O estimador de Y , para um valor x0 , Yb0 = Yb (x0 ) = 0 + 1 x0

O erro de predio, p = Y0 Yb0 , uma v.a. Normal de valor mdio 0. Como Y0 (observao
futura) independente de Yb0 , a varincia de p de dada por
!
1 (x0 x)2
V (p ) = V (Y0 Yb0 ) = 2 1+ + .
n Sxx
Y0 Y
Se 2 for estimado por 2 , ento T =r tn2 .
b0
1 (x0 x)2
2 1+ n + Sxx
O intervalo de confiana (1 ) para Y0 ,

r r
(x0 x)2 (x0 x)2
i h
1 1
Yb0 t
n2;/2 2 1+ n + Sxx ; Yb0 + tn2;/2 2 1 + n + Sxx .
Captulo 10
Exerccios
10.1 Introduo Teoria da Probabilidade

1.1 Vinte e cinco membros de uma sociedade devem eleger um presidente, um secretrio e um tesoureiro.
Supondo que qualquer dos vinte e cinco membros elegvel para qualquer dos cargos, quantas so
as hipteses de um resultado final?
1.2 Considere o problema anterior. Suponha que no h diferenciao dos cargos. De quantas maneiras
distintas se podia formar uma comisso, com trs elementos escolhidos entre os vinte e cinco ele-
mentos?
1.3 Quantas palavras diferentes, com ou sem significado, se podem formar com as letras da palavra
ROMA?
1.4 Quatro livros de Matemtica, seis de Fsica e dois de Qumica, todos diferentes, devem ser arrumados
numa prateleira. Quantas arrumaes diferentes so possveis se:
(a) os livros de cada matria ficarem todos juntos?
(b) apenas os livros de matemtica devem ficar juntos?
1.5 Numa sala de cinema, de quantas maneiras diferentes se podem sentar numa fila de 12 lugares, 7
amigos?
1.6 De quantas maneiras 10 pessoas podem sentar-se num banco, se houver apenas 4 lugares?
1.7 De quantas formas diferentes se podem sentar 12 pessoas numa mesa redonda?
1.8 Um homem tem 3 camisas e 2 gravatas. De quantas maneiras pode vestir-se (com uma camisa e
uma gravata)?
1.9 Num conjunto de 10 lmpadas para rvore de natal, 2 so defeituosas. Quantas amostras de 6
lmpadas podem ser escolhidas, de entre aquelas 10, de modo que:
(a) as 6 lmpadas escolhidas sejam todas boas?
(b) entre a 6 escolhidas haja uma, e uma s defeituosa?
1.10 Dados 12 pontos num plano, no havendo 3 deles sobre a mesma recta,
(a) quantas rectas so determinadas pelos pontos?
(b) quantas dessas rectas passam pelo ponto A?
(c) quantos tringulos so determinados pelos pontos?
(d) Quantos desses tringulos contm o ponto A como vrtice?
85
86 CAPTULO 10. EXERCCIOS
(e) Quantos desses tringulos contm o lado AB?
1.11 De um baralho de 52 cartas so retiradas 10 cartas. Em quantos casos aparecem:

(a) exactamente um s?
(b) pelo menos um s?
(c) exactamente dois ases?
(d) pelo menos dois ases?
(e) Um s ou um ouro?
1.12 Determine o valor n que seja soluo de:

(a) n2

2 =6
n+1
n1 = n2 1

(b) 2 2
(c) 5 n3 = n+2

4
1.13 Os atletas A, B, e C vo participar numa corrida e todos esto preparados para a ganhar. O sistema
de cronometragem suficientemente preciso de modo que no se admitem empates.
(a) Qual a probabilidade de A terminar a corrida frente de C?
(b) Qual a probabilidade de A ganhar a corrida?
1.14 Por engano misturaram-se quatro pilhas novas com trs usadas. Escolhendo, ao acaso e sem
reposio, duas dessas pilhas, determine a probabilidade de:
(a) Ambas serem novas
(b) Nenhuma ser nova
(c) Pelo menos uma ser nova
1.15 Num grupo de 20 congressistas, 8 s falam ingls, 5 s falam francs e 7 falam os dois idiomas.
Qual a probabilidade de dois congressistas, escolhidos ao acaso, poderem conversar sem auxlio de
um intrprete?
1.16 Uma urna contm quatro bolas amarelas, cinco bolas verdes, trs bolas brancas e cinco bolas pretas.
Extraem-se sucessivamente, ao acaso e sem reposio, quatro bolas. Qual a probabilidade de:
(a) Obter na primeira extraco uma bola amarela, na segunda uma verde, depois uma branca e
finalmente uma preta?
(b) Obter o mesmo conjunto de cores independentemente da sua ordem?
1.17 (Teste de P.E. 2006/07) Considere os acontecimentos A e B de um espao de resultados tais que
P (A B) = 0.8, e P (A B) = 0.3. Qual o valor da P (B)?
1.18 Sejam A, B e C acontecimentos tais que P (A) = P (B) = P (C) = 41 , P (A B) = P (B C) = 0

e P (A C) = 18 . Qual a probabilidade de se verificar pelo menos um dos 3 acontecimentos?
1.19 Sabendo que A e B so acontecimentos tais que P (A) = 23 , P (B) = 1

2 e P (A B) = 13 , determine
P (A B), P (A B), P (A B), P (A B) e P (A B).
1.20 De 100 agricultores, 50 produzem vinho, 30 produzem milho e 10 produzem vinho e milho. Escol-
hendo um deste agricultores ao acaso qual a probabilidade de:
(a) Ele produza vinho ou milho?
(b) Ele no produza vinho nem milho?
10.1. INTRODUO TEORIA DA PROBABILIDADE 87
1.21 A probabilidade de um homem estar vivo daqui a 25 anos 35 e a probabilidade da sua mulher ainda
viver na mesma ocasio de 23 . Determine a probabilidade de daqui a 25 anos:
(a) Ambos estarem vivos.

(b) Apenas o homem estar vivo.
(c) Apenas a mulher estar viva.
(d) Apenas um estar vivo.
1.22 Em determinada gelataria 40% dos clientes escolhem o sabor chocolate, 30% escolhem o sabor limo
e 15% escolhem os dois. Seleccionou-se ao acaso um cliente dessa gelataria.
(a) Se escolheu o sabor limo, qual a probabilidade de ter escolhido tambm o sabor chocolate?
E vice-versa?
(b) Qual a probabilidade de escolher limo ou chocolate?
1.23 Suponha que 10% da populao de certo pas sofre de problemas cardacos e que, de entre estes,
70% so fumadores. De entre os que no sofrem de problemas cardacos 45% fumam. Seleccionada
ao acaso uma pessoa desta populao:
(a) Qual a probabilidade de ser fumadora?

(b) Se for fumadora, qual a probabilidade de sofrer de problemas cardacos?
1.24 Num clube de futebol treinam regularmente 30 jogadores, dos quais 8 so atacantes, 12 so mdios e
os restantes so defesas. Independentemente dos resultados dos restantes jogadores, cada atacante
tem uma probabilidade de 3/4 de marcar golo de penalty, cada mdio tem uma probabilidade de
1/2 de marcar golo por penalty e cada defesa consegue-o com probabilidade 1/5.
(a) Qual a probabilidade de que um jogador, escolhido ao acaso, marque golo devido a penalty?
(b) Dado que, num jogo, um qualquer jogador marcou um golo de penalty, qual a probabilidade
de esse jogador ser mdio?
1.25 Sejam A e B acontecimentos independentes. Mostre que A e B so tambm acontecimentos

independentes.
1.26 Um aluno conhece bem 60% da matria dada. Num exame com cinco perguntas, sorteadas ao acaso,
sobre toda a matria, qual a probabilidade de vir a responder correctamente a duas perguntas?
1.27 Numa certa rua existem duas caixas Multibanco - A e B. A probabilidade de as mquinas avariarem
, independentemente uma da outra, de 0.05 para a A e 0.01 para a B. Determine a probabilidade
de, num dia qualquer:
(a) Ambas as mquinas estarem avariadas.

(b) Apenas a mquina A estar avariada.
(c) Pelo menos uma das mquinas estar avariada.
1.28 (Teste de P.E. 2006/07) Uma urna tem oito moedas, seis honestas e duas viciadas. O resultado do
lanamento de uma moeda viciada sempre cara.
(a) Escolhendo duas das oito moedas disponveis, ao acaso e sem reposio, qual a probabilidade
de seleccionar as duas moedas viciadas.
(b) Escolhendo uma moeda ao acaso, qual a probabilidade de obter trs caras em trs lanamentos
sucessivos dessa moeda?
(c) Se em trs lanamentos, da mesma moeda, o resultado foi sempre cara, qual a probabilidade
de ter escolhido a moeda viciada?
1.29 (Exame de de P.E. D - 2008/09) Um laboratrio farmacutico produz um kit, que identifica rap-
idamente o tipo de sangue de uma pessoa, entre os 4 possveis: A, B, O e AB. O ensaio clnico
efectuado antes da comercializao do kit indica que 2%, 3%, 5% e 10% das pessoas com sangue
de tipo A, B, O e AB, respectivamente, so incorrectamente classificadas. Sabendo que 40% da
populao tem sangue do tipo A, 10% tem sangue de tipo B, 45% tem sangue de tipo O e os
restantes tm sangue de tipo AB, calcule:
(a) A probabilidade de uma pessoa, que usou o kit, ser incorrectamente classificada.
(b) A probabilidade de uma pessoa, que usou o kit e foi incorrectamente classificada, ter sangue
de tipo AB.
10.2. VARIVEIS ALEATRIAS 89
10.2 Variveis aleatrias

2.1 A varivel aleatria (v.a.) X representa o nmero de doentes com gripe que procuram, por dia, o
Dr. Remdios. Em 50% dos dias, pelo menos 2 pacientes com gripe procuram o Dr. Remdios. A
sua funo de probabilidade dada por:

0 1 2 3
X
p 0.2 q 0.3
(a) Determine p e q.
(b) Determine a funo de distribuio da v.a. X e esboce o seu grfico. Comente-o.
(c) Determine a funo de probabilidade das v.a.s Y = 40X e W = max(X, 1).
2.2 A v.a. X representa o nmero de pontos que saem no lanamento de um determinado dado. A sua
funo de distribuio segue-se:

0, x<1
1/6, 1 x<2

1/4, 2 x < 4

F (x) =

1/2, 4 x < 5
7/12, 5x<6

1, x6

(a) Calcule as seguintes probabilidades, usando a funo de distribuio:

i) A probabilidade de o nmero de pontos sados ser no mximo 3.
ii) P (1 < X 2).
iii) P (2 X < 6).
iv) A probabilidade de o nmero de pontos sados no distar de 2 pontos por mais de 1 ponto.
(b) Determine a funo de probabilidade de X e confirme os resultados acima obtidos.
(c) Pode afirmar que o dado equilibrado? Justifique.
(d) Sabendo que o nmero de pontos sado pelo menos 4, calcule a probabilidade de sarem 6
pontos.
2.3 O Sr. Matias possui um caf nas vizinhanas de um estdio de futebol. Da sua experincia, o Sr.
Matias sabe que, em dias de futebol, costuma vender ou 50, ou 100, ou 150 ou 200 sandes, com
probabilidades 0.2, 0.4, 0.3 e 0.1, respectivamente.
O Sr. Matias costuma fazer 100 sandes e quando estas se esgotam recorre a um fornecedor da terra
que lhe garante o envio atempado de mais sandes.
(a) Qual a probabilidade de as sandes preparadas pelo Sr. Matias serem insuficientes para satisfazer
a procura?
(b) Calcule a probabilidade de vender 200 sandes, num dia em que as sandes por ele feitas no
satisfazem a procura.
2.4 Seja X uma v.a. com a seguinte funo densidade probabilidade:

k + x, 1 x < 0
f (x) = k x, 0 x < 1
0, c.c.

(a) Determine o valor da constante k.

(b) Determine a funo de distribuio de X e esboce o seu grfico.
(c) Determine P (X > 0).
(d) Determine P (X > 0.5|X > 0).
2.5 Considere funes densidade de probabilidade, representadas nos seguintes grficos.

(a) Determine o valor das constantes a e b.
f (x) 6 f (x) 6
c a c 1
2 c
J

J
J

J

J

J
cb` cb` b`

J
- -
1 0 1 x 2b 0 b x
(b) Qual a relao entre a e b?

f (x) 6
b
T

T

T
T

T -
a 0 a b x
2.6 Seja X uma v.a. com a seguinte funo densidade probabilidade:

4x, 0 < x < k
f (x) =
0, c.c.
(a) Esboce o grfico da funo densidade e determine o valor da constante k.

(b) Determine a funo de distribuio da v.a. X.
(c) Calcule P (1/4 X 1/3), a mediana e o quantil de ordem 0.95.
(d) Identifique atravs da funo de distribuio ou da funo densidade, a distribuio das v.a.s
Y = X 1 e T = X 3.
2.7 A quantidade de tempo, em horas, que um computador funciona at avariar uma v.a. com a
seguinte funo densidade probabilidade:
x
k e 100 , x 0

f (x) =
0, x<0
(a) Qual a probabilidade de o computador trabalhar entre 50 e 150 horas antes de avariar?
(b) Qual a probabilidade de o computador funcionar menos de 100 horas at avariar? E exacta-
mente 100 horas?
(c) Qual a probabilidade de o computador avariar aps 200 horas de funcionamento, sabendo que
j funcionou mais de 100 horas?
2.8 (Exame de P.E. 2006/07) Seja X uma varivel aleatria com funo densidade

c(1 + x), 1 < x 0;
f (x) = c(1 x2 ), 0 < x < 2;
0, outros valores de x;

(a) Mostre que c = 2/3 e determine a funo de distribuio.

(b) Calcule P (X 0|X 1).
10.2. VARIVEIS ALEATRIAS 91
2.9 Determine o valor mdio e a varincia da varivel aleatria discreta X com funo de probabilidade:
P (X = 0) = 81 P (X = 1) = 38 f (2) = 83 P (X = 3) = 18 . Calcule ainda:

E(g(X)), com g(X) = X 3 , E 1+X 1
e E(X 2 ).
2.10 Seja X uma v.a. tal que P (X = 0) = 41 , P (X = 1) = p2 , P (X = 2) = 5

8 p
2 e P (X = 3) = 18 ,
com 0 p 21 . Determine p de forma a que V (X) seja mnima.
2.11 Numa lotaria foram emitidos 10000 bilhetes. Sorteia-se 1 prmio de 25000 unidades monetrias
(u.m.) e 10 prmios de 2500 u.m.. Seja X a v.a. que representa o valor do prmio de um bilhete
qualquer.
(a) Determine a funo de probabilidade de X.

(b) Qual a probabilidade de um bilhete no ter qualquer prmio?
(c) Qual a probabilidade de um bilhete ter pelo menos 2500 u.m.?
(d) Determine o E(X), V (X) e CV (X).
2.12 Uma comisso de alunos est a organizar uma festa da faculdade. Os alunos vo comprar 200 litros
de cerveja. Um fornecedor deste lquido (A) cobra 1 unidade monetria (u.m.) por litro permitindo
a devoluo da cerveja que sobrar (e que no tem de ser paga) e um outro fornecedor (B) cobra
0.5 u.m. por litro, no admitindo devolues. Os alunos, independentemente de quanto lhes custe
a cerveja, cobram 1.5 u.m. por litro.
Sabendo que, se estiver bom tempo - o que acontecer com probabilidade 0.8 - os alunos conseguem
vender os 200 litros de cerveja, mas se estiver mau tempo s vendem metade, a quem devem comprar?
2.13 Seja X uma v.a. com a seguinte funo de distribuio:

0, x<0
F (x) =
1 (x + 1)ex , x 0
(a) Determine a funo densidade probabilidade de X.

(b) Determine E(X) e V (X).
2.14 Determine E(X), E(X 1), V (X), E(X(X 1)), E(eX ), a mediana e o coeficiente de variao
da v.a. X, que tem a seguinte funo densidade probabilidade:

x

2, 0x1

1,

1<x2
2
f (x) =
3x

2 , 2<x3

0, x<0 x>3
2.15 A v.a. X tem a seguinte funo densidade probabilidade:

(
k sin(x), 0 x
f (x) =
0, c.c.
(a) Determine o valor da constante k.

(b) Determine E(X) e E(cos(X)).
2
(c) Sabendo que V (X) = 4 2, determine E(X 2 ).
(d) Determine V (5X 4).
2.16 (Teste de P.E. D - 2008/09) Uma empresa de produtos qumicos fabrica um composto que vende
em doses unitrias de 1 litro. Suponha que a fraco de lcool numa dose unitria do composto
uma varivel aleatria X, com funo densidade de probabilidade dada por:
kx3 (1 x),

0 x 1;
f (x) =
0, outros valores de x;
(a) Mostre que k = 20.

(b) Determine a funo de distribuio.
(c) Sabendo que E(X 2 ) = 10/21, calcule V (5X 1).
(d) Sabe-se que o custo de produo de uma dose de composto sempre 0.8e/l, mas o seu preo
de venda em e/l, V , depende do valor de X que lhe corresponde, sendo definido da seguinte
forma:

1.2, 1/3 X 2/3;
V =
1.0, outros valores de X;
Obtenha a funo de probabilidade da varivel aleatria, L = V 0.8, o lucro obtido por cada
dose daquele composto.
10.3. VECTORES ALEATRIOS 93
10.3 Vectores Aleatrios

3.1 (Teste de P.E. 2006/07) Numa empresa de construo, o nmero Y de novos trabalhadores por
semana, uma varivel aleatria de valor mdio 3815 . O nmero de acidentes de trabalho que
ocorrem por semana na mesma empresa, X, tambm uma varivel aleatria. O quadro que se
segue tem a funo de probabilidade conjunta de (X, Y ).
X\Y 0 2 a
0 c 2c 3c
1 2c 3c 4c
(a) Complete a funo de probabilidade conjunta e calcule E(Y (Y 1)) e P (X + Y 3).

(b) Qual a probabilidade de ocorrer um acidente de trabalho, numa semana onde foram admitidos
dois novos trabalhadores?
(c) Determine a covarincia entre as variveis X e Y . Comente o resultado.
3.2 Numa empresa de aluguer de avies informam-nos de que a procura diria de avies de passageiros,
X, e a procura diria de avies de transporte rpido de correio, Y , constituem um par aleatrio
(X, Y ), cuja funo de probabilidade conjunta dada por:
X\Y 0 1 2
0 0 0.25
1 0.05 0.35
2 0.1 0.1 p + 0.2
3 0 0.1 p
0.2 0.5
(a) Qual a probabilidade de, num dia, a procura de avies de passageiros ser inferior procura de
avies de transporte rpido de correio?
(b) Determine a funo de probabilidade de X|Y = 1 e calcule E(X|Y = 1).
(c) Para um dia em que foi pedido um avio de transporte rpido de correio, qual a probabilidade
de terem sido procurados 1 ou 2 avies de passageiros?
(d) Qual a procura diria mdia de avies de passageiros?
(e) Deduza a funo de probabilidade da procura total diria de avies de aluguer.
(f) Determine a procura diria total mdia de avies de aluguer.
(g) Sabendo que V (X) = 0.8875, determine Cov(X, Y ), V (X 2Y ) e (X, Y ).
3.3 (Exame de P.E. 2006/07) Seja (X, Y ) um par aleatrio, onde X representa o nmero dirio de
imveis vendidos numa agncia imobiliria e Y a v.a. definida por:
(
0, se a agncia imobiliria no fecha durante o horrio de almoo;
Y =
1, se a agncia imobiliria fecha durante o horrio de almoo;
Sabe-se que:
X tem distribuio B(2, 0.6) e os valores da v.a. Y ocorrem com a mesma probabilidade.
Os acontecimentos {X = 1} e {Y = 0} so independentes.
P (X = 2, Y = 1) = 0.12.
(a) Construa a tabela da funo de probabilidade conjunta e marginais associada ao par aleatrio
(X, Y ).
(b) As variveis X e Y so independentes? Justifique.

(c) Calcule V (Y 2X).
(d) Qual a probabilidade de venderem 2 imveis, nos dias em que a agncia no fecha durante o
perodo de almoo?
3.4 Numa fbrica produzem-se ratos de computador, que podem sofrer de dois tipos diferentes de
defeitos - digamos A e B. Para cada rato produzido definem-se duas variveis aleatrias, X e Y ,
representando, respectivamente, o nmero de defeitos do tipo A e do tipo B a si associados:

0, rato sem defeito do tipo A 0, rato sem defeito do tipo B
X= Y =
1, rato com defeito do tipo A 1, rato com defeito do tipo B
Sabendo que P (Y = 0) = 0.80, P (X = 1|Y = 1) = 0.7 e P (X = 1|Y = 0) = 0.1:
(a) Determine a funo de probabilidade conjunta do par aleatrio (X, Y ).

(b) Justifique se para cada rato o nmero de defeitos do tipo A independente do nmero de
defeitos do tipo B.
(c) Calcule a P (X < Y ).
(d) Qual a probabilidade de o nmero total de defeitos num qualquer rato da produo ser inferior
a 2?
3.5 Suponhamos que M1 e M2 so duas mquinas que funcionam independentemente e sejam X e Y

variveis aleatrias que representam, respectivamente, no dirio de avarias de M1 e o no dirio de
avarias de M2 . Sabendo que:
A mquina M1 nunca avaria mais do que uma vez por dia e, que a mquina M2 avaria, no
mximo, duas vezes por dia;
A probabilidade de M1 no avariar de 0.7;
A probabilidade de M2 no avariar 0.5 e a de avariar duas vezes 0.3,
Construa a tabela da funo de probabilidade conjunta e marginais associada ao par aleatrio (X, Y ).
3.6 Sejam X e Y duas v.a.s tais que V (X) = 2 e V (Y ) = 2 2 . Considere novas v.a.s, T = 2X + Y
e W = X Y . Sabendo que V (W ) = 2 , calcule:
(a) O coeficiente de correlao entre X e Y .

(b) V (T ).
(c) Cov(W, T ).
3.7 Seja (X, Y ) um par aleatrio para o qual V (X) = V (Y ) = 2 e coeficiente de correlao . Sejam
as novas v.a.s U = X + Y e W = X Y . Mostre que V (W ) = 2 2 (1 ) e Cov(U, W ) = 0.
3.8 Seja (X, Y ) um par aleatrio com a seguinte funo densidade probabilidade conjunta:
(
k(x + 2y), 0 < x < 1, 0 < y < 1
f (x, y) =
0, c.c.
(a) Determine k.
(b) Determine as funes densidade marginais de X e Y .
(c) As variveis X e Y so independentes?
10.3. VECTORES ALEATRIOS 95
(d) Calcule P ( 15 < X < 25 ), e P (X < Y ).

(e) Calcule P ( 15 < X < 25 |Y > 12 ).
3.9 Seja (X, Y ) um par aleatrio com a seguinte funo densidade probabilidade conjunta:

k, x > 0, y < 0, y > x 2
f (x, y) =
0, restantes valores de (x, y)
(a) Determine k.
(b) As variveis X e Y so independentes?
10.4 Principais distribuies

4.1 Um consumidor queixou-se s autoridades que no supermercado do Sr. Manuel se vendiam latas de
cogumelos com o prazo de validade ultrapassado. No seguimento desta denncia um inspector das
actividades econmicas dirigiu-se ao referido supermercado e seleccionou, ao acaso e sem reposio,
6 latas - do total de 50 que o Sr. Manuel ainda tinha para vender.
Como na realidade ainda restavam 7 latas com o prazo de validade ultrapassado, qual a probabilidade
de o Sr. Manuel ser multado (isto , de o inspector descobrir pelo menos uma lata com o prazo
ultrapassado)?
4.2 De forma a proceder a uma classificao geral do estado das praias Portuguesas, uma comisso
Europeia vai inspeccionar 10 praias, seleccionadas ao acaso de entre as 100 existentes. A comisso
atribui a classificao de Bom se pelo menos 8 das 10 praias inspeccionadas estiverem em bom
estado. Sabendo que, da totalidade das 100 praias, 15 no apresentam boas condies, qual a
probabilidade de Portugal:
(a) Obter uma classificao de Suficiente, pelo facto da comisso s ter encontrado 7 praias em
bom estado?
(b) Obter uma boa classificao?
(c) Se a comisso s inspeccionasse 5 praias, qual a probabilidade de no encontrar nenhuma em
mau estado?
(d) Nas praias inspeccionadas quantas se esperam que estejam em bom estado?
4.3 O senhor Sousa tem uma empresa que compra e vende selos e outros artigos de coleccionismo. Ele
guarda 20 selos dentro de uma bolsa preta, estando ainda cada um deles metido num envelope
opaco. 6 destes selos valem 100 euros cada um e os restantes nada valem. O senhor Sousa, para
promover a venda, cobra 20 euros por cada selo, mas no permitindo que o cliente veja o contedo
do envelope. Suponha que um cliente compra 5 selos.
(a) Qual a probabilidade dos cinco selos nada valerem?

(b) Qual a probabilidade do cliente no perder nem ganhar dinheiro com a compra?
4.4 Num determinado percurso de avio, a probabilidade de uma pessoa qualquer que a viaje pedir uma
refeio vegetariana de 0.2. Supondo que em determinado dia viajam 10 pessoas no avio, calcule
a probabilidade de:
(a) Ningum pedir refeio vegetariana.

(b) Todos pedirem refeio vegetariana.
(c) Pelo menos uma pedir refeio vegetariana.
4.5 Determinado exame constitudo por 5 questes de escolha mltipla, em que cada questo tem 4
opes de resposta possveis - apenas uma sendo a correcta. Supondo que um aluno que vai fazer
o exame responde a tudo ao acaso, qual a probabilidade de ele acertar a mais de metade das
questes? Qual o nmero mdio de respostas correctas? E o seu desvio padro?
4.6 Sabe-se que 5% dos copos produzidos em determinada fbrica apresentam pequenos defeitos.
Seleccionando-se da produo da fbrica, ao acaso, 50 copos, qual a probabilidade de:
(a) Nenhum ser defeituoso?

(b) Um ser defeituoso?
(c) No mximo 1 ser defeituoso?
(d) Calcule o nmero mdio de copos defeituosos nesta amostra e o seu desvio padro.
10.4. PRINCIPAIS DISTRIBUIES 97
4.7 Na sala de aula de uma escola, 2 meninos lanam ao ar moedas equilibradas. O Joo faz 10
lanamentos e o Pedro 15. Qual a probabilidade de, no total dos lanamentos, sarem exactamente
12 caras?
4.8 Verifica-se que, relativamente a um determinado dado, quando ele lanado, a probabilidade de sair
um nmero par duas vezes superior probabilidade de sair um nmero mpar.
(a) Se X representar a v.a. que conta o nmero de vezes que sai um nmero par em 4 lanamentos
deste dado, determine a sua funo de probabilidade.
(b) Considere a v.a. Y = nmero de lanamentos necessrios at obter um nmero mpar.
i. Qual o valor mdio, coeficiente de variao e moda de Y ?
ii. Qual a probabilidade de ser necessrio lanar 4 vezes o dado, para obter um nmero
mpar?
iii. Qual a probabilidade de ser necessrio lanar pelo menos 2 vezes o dado, para obter um
nmero mpar?
4.9 Numa priso existem 1500 presos, dos quais 4% cometeram homicdio por envenenamento. Seleccio-
nando-se aleatoriamente 8 presos para executarem os trabalhos na cozinha da priso, qual a proba-
bilidade de que 2 deles sejam deste tipo de homicidas?
4.10 Uma lista de clientes de uma empresa constituda por 1000 endereos de clientes. Destes, 300
compraram nos ltimos 3 meses, pelo menos um produto da empresa. Com o objectivo de avaliar
da aceitao de um novo produto, 25 clientes daquela lista foram escolhidos ao acaso e sondados
acerca do novo produto. Qual a probabilidade de no mximo 2 dos 25 clientes escolhidos, fazerem
parte do grupo dos que realizaram alguma compra durante os ltimos 3 meses?
4.11 O nmero de chamadas de emergncia que um servio de ambulncias recebe por dia uma v.a. de
Poisson. Sabendo que a probabilidade de no haver nenhuma chamada num dia de 0.15, calcule:
(a) a probabilidade de haver apenas uma chamada num dia.

(b) a probabilidade de haver 2 chamadas num dia.
(c) a probabilidade de haver no mximo 3 chamadas num dia.
(d) a probabilidade de haver pelo menos 4 chamadas num dia.
(e) o nmero mdio de chamadas por dia, o seu desvio padro e coeficiente de variao.
2
4.12 Suponha que X uma v.a. com distribuio de Poisson. Se P (X = 2) = 3 P (X = 1), calcule
P (X = 0) e P (X = 3).
4.13 Suponha que, o nmero de pessoas que utilizam uma caixa multibanco um processo de Poisson
de taxa = 10/hora. Calcule;
(a) a probabilidade de no ir ningum caixa multibanco durante 1 hora.
(b) a probabilidade de irem 20 pessoas referida caixa durante 4 horas.
(c) O nmero mdio de visitas caixa multibanco durante 4 horas e o seu coeficiente de variao.
4.14 Na portagem da ponte 25 de Abril o nmero de veculos automveis que passa em cada cabine de
pagamento da portagem, por minuto, segue uma distribuio de Poisson com valor mdio 1 veculo.
Supondo que em determinado minuto esto abertas 10 cabines, qual a probabilidade de serem, no
total, atendidos 11 condutores nesse minuto?
4.15 Suponha que num livro de 500 pginas existem 300 erros tipogrficos, distribudos aleatoriamente
por todo o livro. Assumindo que o nmero de erros segue uma distribuio de Poisson, determine a
probabilidade de uma dada pgina conter:
(a) 2 erros tipogrficos.

(b) Pelo menos 2 erros tipogrficos
4.16 Um grande armazm de venda de material de vidro de laboratrio emprega 100 pessoas. Tem-se
verificado que o nmero de peas quebradas, por empregado e por ms, segue uma distribuio de
Poisson de valor mdio 1.5. Cada pea partida representa um prejuzo de 40 cntimos, pelo que o
armazm s arca com a despesa de um mximo de 3 peas por ms e por empregado. A partir deste
valor no salrio do empregado que se desconta a despesa.
(a) Qual a probabilidade de um empregado escolhido ao acaso ter de pagar do seu bolso algum
prejuzo num qualquer ms?
(b) Considere agora a varivel aleatria que representa o prejuzo do armazm, por ms e por
empregado. Determine a sua funo de probabilidade, qual esse prejuzo mdio e o seu
desvio padro.
4.17 Em determinada empresa 2% das chamadas telefnicas recebidas so enganos. Qual a probabilidade
aproximada de, em 200 telefonemas, haver pelo menos 2 enganos? Qual o nmero mdio de enganos?
4.18 Numa feira popular a probabilidade de uma pessoa contrair uma intoxicao alimentar de 0.0005.
Determine a probabilidade de, em 300 pessoas, 2 ficarem intoxicadas.
4.19 Determinado jogo consiste em acertar com um dardo num segmento de recta de comprimento 1
metro, colocado na posio horizontal. Admitindo que se acerta apenas sobre o segmento de recta
(e no fora dele) e que se tem igual probabilidade de acertar em qualquer ponto:
(a) Identifique a funo densidade probabilidade da v.a. X que representa a distncia, em metros,
do ponto onde se acertou ao extremo esquerdo do segmento.
(b) Calcule P (0.4 < X < 0.6).
(c) Qual o valor mdio do ponto onde se acerta? E o seu coeficiente de variao?
(d) Calcule P (0.4 < X < 0.6|X > 0.5).
(e) Seja A =]0.4, 0.6[, a regio central do segmento de recta compreendida entre os 4cm e os
6cm. Qual a probabilidade de, em 5 lanamentos do dardo, acertar 3 vezes em A?
4.20 Num posto dos correios o tempo (minutos) que a D. Hermnia demora a atender cada um dos seus
clientes uma v.a. exponencial de valor mdio 3 minutos. Determine:
(a) A funo de distribuio de X.
(b) A probabilidade de um cliente demorar mais de 5 minutos a ser atendido.
(c) A probabilidade de um cliente demorar mais de 3 minutos a ser atendido.
(d) A probabilidade de um cliente demorar mais de 5 minutos a ser atendido, sabendo que j est
a ser atendido h pelo menos 2 minutos. Compare com a probabilidade anterior e comente.
(e) O coeficiente de variao do tempo de atendimento.
4.21 Admita que os clientes chegam a uma loja de acordo com um processo de Poisson de mdia =
2/minuto. Calcule a probabilidade:
(a) do tempo entre chegadas consecutivas ser superior a um minuto.
(b) do tempo entre chegadas consecutivas ser inferior a quatro minutos.
(c) do tempo entre chegadas consecutivas estar entre um e dois minutos.
(d) do tempo de espera pelo terceiro cliente ser superior a 5 minutos.
4.22 Demonstre o Teorema 4.29.
4.23 Seja X uma v.a. com distribuio N (100, 202 ). Calcule:

(a) P (X < 125).
10.4. PRINCIPAIS DISTRIBUIES 99
(b) P (X > 115).

(c) P (60 < X < 140).
4.24 Seja X uma v.a. normal com mdia 12 e varincia 2. Determine c tal que:
(a) P (X < c) = 0.1.

(b) P (X > c) = 0.25.
(c) P (12 c < X < 12 + c) = 0.95.
4.25 Admita que o Q.I. das pessoas de determinado pas uma v.a. X com distribuio normal de mdia
90 e desvio padro 12. Determine:
(a) A percentagem da populao com Q.I. entre 85 e 95.

(b) A percentagem da populao com Q.I. entre 78 e 102.
(c) O valor c > 0 tal que a percentagem da populao com Q.I. entre 90 c e 90 + c seja de 95%.
(d) 10000 pessoas desta populao concorreram ao selecto clube SMART, que apenas admite
indivduos com Q.I. superior a 120. Quantas destas pessoas espera o clube vir a admitir?
4.26 A altura (metros) a que crescem os pinheiros uma v.a. X normalmente distribuda com desvio
padro igual a 1 metro. Supondo que 90% dos pinheiros atingem uma altura de pelo menos 16
metros, qual a altura mdia dos pinheiros?
4.27 Numa fbrica de embalar arroz este trabalho executado por uma mquina. A quantidade de arroz
(Kg) que entra nos pacotes uma v.a. X seguindo uma distribuio normal de valor mdio e
desvio padro .
(a) Determine sabendo que a quantidade embalada difere da sua mdia por menos de 100g, em
95 % dos casos.
(b) Supondo que = 1Kg, determine a probabilidade de, em 10 pacotes de arroz embalados por
esta mquina, 2 terem menos de 0.9Kg.
4.28 Considere X uma v.a. Normal de valor mdio 2 e varincia 9. Seja I um intervalo do tipo [4 a, a].
Determine o valor de a de modo a que P (X I) = 0.90.
4.29 A altura (metros) a que um atleta salta uma v.a. Normal de mdia 1.8m e desvio padro 20cm.
Sabendo que 20% das vezes o atleta consegue saltar acima de h, determine h.
4.30 Num jardim zoolgico existem um leo e um tigre que consomem, independentemente um do outro,
o mesmo tipo de alimentao - carne de 2a . A quantidade de carne (Kg) que cada um deles come
por dia so variveis aleatrias, representadas por X1 para o leo e X2 para o tigre, respectivamente,
normalmente distribudas com mdia 4Kg e desvio padro 0.5Kg. Determine a probabilidade de,
num determinado dia:
(a) Ambos os animais comerem menos de 3Kg de carne cada.

(b) O leo comer mais do que o tigre.
3
(c) Metade do que o leo come juntamente com 4 do que o tigre come, exceder os 4Kg.
4.31 Um restaurante vende comida a peso e constatou que a quantidade de comida vendida (Kg) tem
distribuio Normal, dependendo os seus parmetros de o cliente ser homem ou mulher - caso seja
mulher a mdia de 0.4 Kg e o desvio padro 0.1 Kg e caso seja homem a mdia de 0.5 Kg e
o desvio padro de 0.2 Kg. Sabendo que os clientes so 55% mulheres e 45% homens, e que a
quantidade de comida consumida independentes entre clientes:
(a) Determine a probabilidade de um cliente qualquer consumir menos de 0.5 Kg de comida.

(b) Sabendo que um cliente consumiu mais de 0.6 Kg de comida, qual a probabilidade de ser
homem?
(c) Num grupo de 4 mulheres e 6 homens qual a probabilidade de se consumir menos de 5 Kg de
comida?
4.32 (Teste de PE 2006/07) Um elevador est preparado para suportar uma carga at 450 kg. Sempre
que este valor ultrapassado o elevador no funciona. Um estudo recente indica que o peso, das
pessoas que utilizam esse elevador, uma varivel aleatria com distribuio Normal de valor mdio
70 kg.
(a) Sabendo que a probabilidade de uma pessoa (que utiliza o elevador) pesar menos de 60 kg
0.0228, determine o desvio padro desta varivel aleatria.
(b) Se entrarem 6 pessoas no elevador, qual a probabilidade de o elevador no funcionar devido
ao excesso de peso?
4.33 (Teste de P.E. D 2005/06) Um foguete espacial constitudo por 3 partes distintas, cpsula, corpo
e depsitos. Representem as v.a.s X, Y e W o peso da cpsula, o peso do corpo do foguete e o
peso dos depsitos, respectivamente, em toneladas. Sabe-se que X N (5, 1), Y N (10, 22 ) e
W N (7, 22 ), sendo as trs variveis independentes entre si.
(a) Qual a probabilidade de o peso da cpsula estar compreendido entre 3 e 7 toneladas?

(b) Qual o peso h que o corpo do foguete ultrapassa em 2.5% das vezes?
(c) Qual a probabilidade de o peso da cpsula mais o peso dos depsitos excederem o peso do
corpo do foguete?
4.34 Admita que X uma v.a. com distribuio t com 14 graus de liberdade, X t14 . Determine o
valor de c, tal que:
(a) P (X c) = 0.75;
(b) P (X c) = 0.05;
(c) P (|X| > c) = 0.4.
4.35 Suponha que X uma v.a. com distribuio 2 com 10 graus de liberdade, X 210 . Determine
o valor de c, tal que:
(a) P (X c) = 0.95;
(b) P (X c) = 0.05.
10.5. TEOREMA LIMITE CENTRAL 101
10.5 Teorema Limite Central

5.1 Numa loja de convenincia cada pessoa gasta, em mdia, 10e, com um desvio padro de 3.75e. Qual
a probabilidade de 100 clientes gastarem mais de 1100e, admitindo que os gastos so independentes
de pessoa para pessoa?
5.2 O nmero de sismos no Japo, por ms, uma v.a. com mdia 5 sismos e desvio padro 2 sismos.
Admitindo que os sismos so independentes entre si, determine a probabilidade de nos prximos 40
anos haver no mximo 2300 sismos.
5.3 Uma empresa vende caixas com biscoitos e, quando lhe solicitado, envia-as pelo correio. Para
evitar pesar estas caixas, cobra sempre o valor de portes de correio correspondente a admitir que
qualquer caixa pesa 2508g.
Cada caixa leva 100 biscoitos e o peso da embalagem plstica desprezvel.
Se soubermos que o peso de cada biscoito varivel mas que em mdia pesa 25g com um desvio
padro de 8g, determine a probabilidade do valor pago em portes de correio com o envio de uma
caixa ser inferior ao valor que pagaria, caso a caixa fosse pesada.
5.4 Ao adicionar nmeros, um computador arredonda cada nmero para o inteiro mais prximo. Admita
que os erros cometidos so v.a.s independentes e identicamente distribudas (i.i.d.) com valor mdio
igual a 0 e varincia igual a 1/12.
Se 1200 nmeros forem adicionados, qual a probabilidade aproximada de que o erro total cometido
no ultrapasse 15.4?
5.5 Envelopes de avio so empacotados em grupos de 100, sendo depois pesados. Supondo que o
peso de cada envelope uma v.a. com valor mdio igual a 1 grama e desvio padro de 0.05 g,
independentemente de envelope para envelope, determine:
(a) a probabilidade de que um pacote, com exactamente 100 envelopes, pese mais de 100.5 g.
(b) a probabilidade de que a mdia dos pesos dos 100 envelopes de um pacote, diste do respectivo
valor mdio por uma quantidade superior a 0.01g.
5.6 Numa determinada estufa de produo de tulipas vo-se semear 240 bolbos desta flor. Sabe-se que
em mdia cada bolbo produz 4 flores, com um desvio padro de 2 flores. Qual a probabilidade
aproximada de se conseguir obter uma produo final de mais de 1000 tulipas? Justifique.
5.7 Na populao das mulheres cerca de 20% esto grvidas. Supondo que se selecciona ao acaso 250
mulheres, qual a probabilidade de que 50 estejam grvidas? E qual a probabilidade de que pelo
menos 50 estejam grvidas?
5.8 Um avirio vende ovos em caixas de 1 dzia, verificando-se que cerca de 1% dos ovos se partem no
transporte para os seus locais de comercializao. Num contentor com 80 caixas qual a probabilidade
de se encontrarem entre 5 e 15 ovos partidos?
5.9 O nmero de utentes dirios de uma mquina de venda de selos tem uma distribuio de Poisson
com valor mdio 20. Determine a probabilidade de num ms de 30 dias:
(a) Usarem a mquina entre 580 e 621 pessoas.

(b) Usarem a mquina 580 pessoas.
5.10 Sabe-se que o nmero de automveis que entram numa auto-estrada num perodo de 10 segundos
uma v.a. com distribuio de Poisson de valor mdio 3.
Qual a probabilidade aproximada de entrarem 20 ou mais automveis durante 30 segundos?
10.6 Estimao Pontual

6.1 Considere a populao formada pelo nmero de filhos por famlia (X) num determinado pas, em que
X = 0, 1, 2, 3, 4 (no h famlias com mais de 4 filhos). Suponha que se conhece a sua distribuio
de probabilidade:

0 1 2 3 4
X
0.15 0.25 0.30 0.20 0.10
(a) Quais os valores populacionais de e 2 ?

(b) Desta populao recolhe-se uma amostra aleatria constituda por 2 famlias - (X1 , X2 ). Qual
a distribuio de probabilidade de X1 e X2 e os respectivos parmetros e 2 ?
(c) Suponha que recolheu a seguinte amostra aleatria de 10 famlias:
(1, 3, 0, 0, 2, 3, 0, 2, 4, 1).
Com base nesta amostra estime pontualmente e 2 . Estime ainda o erro padro da estimativa
de . Comente.
6.2 Considere que se seleccionou uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com valor
mdio e varincia 2 .
Pn
Xi
(a) Mostre que X = i=1 estimador centrado e consistente da mdia populacional.
n
X1 + Xn 2X1 + 3X2 + 5X3
(b) Mostre que 1 = e 2 = tambm so estimadores centrados de
2 10
. Qual melhor? So consistentes?
(c) Mostre que (X)2 no estimador centrado de 2 .
6.3 Suponha que seleccionou uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com dis-
tribuio U (0, ), isto , com funo densidade:
1
f (x) = , 0 x
0, c.c.
(a) Mostre que 2X o estimador dos momentos de .

(b) Verifique se o estimador da alnea anterior centrado e consistente.
(c) Dada a amostra (1.215,
P 1.580, 0.726, 2.843, 3.394, 0.612, 2.621, 1.181, 2.930, 0.317), estime
o valor de . Nota: xi = 17.42.
6.4 (Teste de P.E. - 2006/07) Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, extrada de uma populao
com distribuio Geomtrica.
(a) Determine o estimador de p usando o mtodo dos momentos e o mtodo da mxima verosi-
milhana.
(b) Determine o estimador de mxima verosimilhana do valor mdio de X. Verifique se o esti-
mador consistente para a estimao do valor mdio.
6.5 Considere a experincia aleatria que consiste em contar o nmero de vezes que se lana um
dado (eventualmente no equilibrado) at sair um nmero par. Em 15 realizaes da experin-
cia obtiveram-se os seguintes resultados:
1 9 2 2 1 9 2 3 1 1 4 1 7 2 1
(a) Estime a probabilidade de sair um nmero par (num lanamento do dado).

(b) Estime a probabilidade de ser necessrio lanar mais de 2 vezes o dado para obter um nmero
par.
10.6. ESTIMAO PONTUAL 103
6.6 Considere a amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com distribuio Bin(r, p), com
r conhecido.
(a) Determine o estimador dos momentos de p.
(b) Verifique que a funo log-verosimilhana :
n n n
X r X X
l(p) = ln + ln(p) xi + ln(1 p)(nr xi ), se xi {0, 1, . . . , r}.
i=1
xi i=1 i=1
(c) Determine o estimador de mxima verosimilhana de p.

(d) Verifique se os estimadores obtidos, nas alneas anteriores, so centrados e consistentes.
6.7 Considere a amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com com funo densidade,

f (x) = , x>1 ( > 0).
x+1

(a) Sabendo que E(X) = 1 , > 1, determine o estimador dos momentos de .
(b) Verifique que a funo log-verosimilhana dada por:
n
X
l() = n ln() ( + 1) ln(xi ), se xi > 1, i = 1, . . . , n.
i=1
(c) Determine o estimador de mxima verosimilhana de .

(d) Determine o estimador de mxima verosimilhana de = 1/.
6.8 Sabe-se que a idade de determinada camada do subsolo segue uma distribuio Normal com mdia
de 0.5 milhes de anos e um desvio padro de 20000 anos. Seleccionadas ao acaso 10 amostras de
subsolo calcule a probabilidade de a mdia amostral das suas idades ser superior a 490000 anos.
6.9 Considere uma amostra aleatria de dimenso 25, extrada de uma populao Normal de mdia 100
e desvio padro 10.
(a) Qual a probabilidade de a mdia amostral cair no intervalo de E(X) 1.96 SE(X) a
E(X) + 1.96 SE(X)?
(b) Quanto dever ser o tamanho amostral tal que a amplitude do intervalo definido em (a)
diminua para 2.
6.10 O tempo de espera em pista para a descolagem de cada avio no aeroporto de Lisboa uma v.a.
com valor mdio 4 minutos e desvio padro 2.5 minutos. Suponha que se selecciona ao acaso 50
avies, para se registarem os seus correspondentes tempos de espera. Calcule a probabilidade de a
mdia dos tempos de espera exceder os 5 minutos.
6.11 Assuma que o nmero de ovos que as tartarugas verdes depositam nas praias, em cada desova, uma
v.a. de P oisson, com valor mdio 15 ovos. Seleccionando ao acaso uma amostra de 100 tartarugas
verdes, qual a probabilidade de que a mdia do nmero de ovos destas esteja compreendido entre o
seu valor mdio e 3 vezes o seu erro padro.
6.12 Suponha que o tempo de vida de determinada espcie de burros uma v.a. com distribuio
exponencial, de valor mdio 25 anos. Seleccionando ao acaso uma amostra de 40 burros desta
espcie, qual a probabilidade de que a mdia dos seus tempos de vida seja inferior a 20 anos?
6.13 No pas das Maravilhas a proporo de loucos de 0.45. Suponha que se pretende seleccionar uma
amostra aleatria de 500 habitantes deste pas. Qual a probabilidade de a proporo de loucos que
vo calhar na amostra exceder 0.5?
6.14 Numa populao Normal de mdia desconhecida e desvio padro 5 calcule a probabilidade de a
varincia de uma amostra aleatria de dimenso 20 dessa populao estar compreendida entre 26 e
58.
10.7 Estimao por Intervalo de Confiana

7.1 Para avaliar o peso mdio das mas produzidas por um determinado agricultor analisaram-se 20
mas seleccionadas ao acaso da produo. Estas resultaram num peso mdio de x = 320g. Assuma
que os pesos das mas tm distribuio Normal com desvio padro = 20g.
(a) Construa um intervalo de confiana a 90% para a mdia do peso.

(b) Qual deve ser o tamanho da amostra de forma a que a amplitude do correspondente intervalo
de confiana a 90% para a mdia seja de 1g? E 5g? Comente.
7.2 A quantidade de combustvel dispendido num percurso de Lisboa a Faro (em litros) uma varivel
aleatria normal.
(a) Assuma que em 8 viagens Lisboa-Faro seleccionadas ao acaso se verificou um gasto mdio de
combustvel de 36 litros e um desvio padro de 10 litros. Construa intervalos de confiana
para a mdia a 90% e a 95% e compare-os.
(b) Assuma agora que foi em 50 viagens Lisboa-Faro, seleccionadas ao acaso, que se verificou um
gasto mdio de combustvel de 36 litros e um desvio padro de 10 litros. Construa intervalos
de confiana para a mdia a 90% e a 95% e compare com os anteriores. Comente.
7.3 O nvel de poluio do ar de determinada cidade (medido em concentrao de monxido de carbono

no ar) distribui-se normalmente. Recolheram-se os seguintes valores da referida concentrao em
10 dias diferentes (em ppm): 0.09, 0.33, 0.01, 0.25, 0.20, 0.05, 0.03, 0.18, 0.13, 0.24. Com base
nesta amostra determine um intervalo de confiana a 99% para a concentrao mdia de monxido
de carbono na atmosfera.
7.4 A quantidade de gordura em 100g de carne de determinado tipo de vacas, medido em gramas, tem
desvio padro 8g. Qual deve ser o tamanho de uma amostra aleatria a seleccionar de forma a que a
amplitude de um intervalo de confiana a 95% para a gordura mdia por 100g de carne seja inferior
a 2.5g? Refira eventuais pressupostos que teve de fazer.
7.5 Construa um intervalo de confiana a 95% para a temperatura mdia de uma determinada sala de
espera, com base numa amostra de temperaturas recolhidas em 35 dias diferentes que resultaram
nos valores x = 22.1o C e s = 3.2o C.
7.6 A tenso (MegaPascal) suportada por uma determinada barra de ao uma varivel aleatria com
desvio padro igual a 30 P MPa. Com base numa amostra aleatria de n tenses observadas, para
as quais se verificou que xi = 10000MPa, construiu-se um intervalo de confiana a 95% para a
tenso mdia suportada, cujo extremo superior era de 208.3MPa. Determine o extremo inferior do
referido intervalo e diga quanto vale o n, assumindo que n > 30.
7.7 (Exame de P.E. D - 2008/09) A populao das estaturas dos alunos da FCT, em metros, segue
uma distribuio Normal. Recolheu-se a seguinte amostra aleatria de estaturas de 40 alunos desta
faculdade:
1.79 1.80 1.72 1.82 1.57 1.78 1.78 1.66 1.78 1.80
1.75 1.74 1.60 1.77 1.82 1.82 1.75 1.66 1.84 1.77
1.78 1.78 1.69 1.78 1.52 1.72 1.84 1.65 1.71 1.79
1.76 1.70 1.63 1.71 1.70 1.64 1.59 1.63 1.74 1.71
correspondendo a uma mdia amostral de 1.73 e a um desvio padro amostral de 0.08.

(a) Indique uma estimativa pontual, com base nesta amostra, para a verdadeira estatura mdia
populacional.
(b) Deduza e calcule um intervalo de confiana a 92% para a estatura mdia populacional.
7.8 O tempo mdio (segundos) de reaco de uma determinada raa de ces a um certo estmulo tem
interesse para um determinado
Ptreinador.2 Assim ele2 resolveu testar 32 ces escolhidos aleatoriamente
tendo observado x = 1.2s e (xi x) = 15.5s .
10.7. ESTIMAO POR INTERVALO DE CONFIANA 105
(a) Construa um intervalo de confiana a 95% para o tempo mdio de reaco dos ces.
(b) Suponha que s se conseguiu obter uma amostra de 15 ces, tendo resultado em x = 1.1s
(xi x)2 = 15.9s2 . Construa, para este caso, um intervalo de confiana a 95% para o
P
e
tempo mdio de reaco dos ces, referindo eventuais pressupostos que tenha tido de fazer.
7.9 Numa fbrica de embalagem de queijo em fatias seleccionaram-se aleatoriamente 100 embalagens,
das quais se verificaram que 18 tinham peso inferior ao suposto - sendo por isso inadequadas.
Construa um intervalo de confiana a 98%para a verdadeira proporo de pacotes inadequados na
produo total.
7.10 De 200 casos de pessoas com cancro do clon, aleatoriamente detectadas, 12 morreram aps 5 anos
da deteco.
(a) Estime pontualmente a probabilidade de uma pessoa que contraia o cancro do clon morrer
aps 5 anos da sua deteco.
(b) Quanto deveria aumentar ao tamanho da sua amostra aleatria de forma a que a largura do
intervalo de confiana a 90% para a probabilidade considerada na alnea anterior fosse inferior
a 0.01?
7.11 O tempo (horas) que o Pedro dispende em filas de trnsito, por dia, uma v.a. Normal. Seleccio-
nando aleatoriamente 15 dias registaram-se os seguintes valores de espera:
1.5 1.0 1.0 2.0 1.5 1.25 1.0 2.0 1.5 1.25 1.75 0.5 1.0 1.5 1.25
Determine um intervalo de confiana a 99% para a varincia do tempo de espera.

7.12 Um profissional de bowling jogou 8 partidas num torneio, tendo obtido as seguintes pontuaes:
117.0 220.2 199.5 237.2 249.5 179.8 259.2 248.5
Admitindo a normalidade das pontuaes, construa um intervalo de confiana a 95% para a varincia
e para o desvio padro (este ltimo fornece uma medida da consistncia da prestao do jogador).
10.8 Teste de Hipteses

8.1 Uma fbrica de gelados afirma que a procura do gelado de chocolate no vero, por dia e em euros,
uma v.a. Normalmente distribuda com valor mdio e200 e desvio padro e40. Numa amostra
aleatria constituda por 10 dias seleccionados ao acaso do perodo de vero verificou-se que x = 216.
(a) Teste, ao nvel de significncia 5%, se de facto o consumo mdio de gelado de chocolate no
vero de e200 por dia.
(b) Teste, ao ao nvel de significncia 5%, se de facto o consumo mdio de gelado de chocolate
no vero menor do que e200 por dia.
(c) Qual a potncia do teste, da alnea anterior, se = 190.
(d) Resolva as duas primeiras alneas usando o valor-p.
8.2 Um produtor de azeite afirma que a acidez mdia do seu azeite de 0.9o . De forma a confirmar tal
facto recolheu-se uma amostra aleatria da sua produo de azeite, tendo-se medido os seguintes
valores de acidez: 0.9 0.8 0.7 1.1 0.9 0.9 1.0 0.7 1.5 1.1. Admitindo a Normalidade
da acidez do azeite:
(a) Teste, ao nvel de significncia 1%, se o produtor tem razo.
(b) Teste, ao ao nvel de significncia 1%, se a acidez mdia superior a 0.9o .
8.3 Um bilogo pretende demonstrar que o peso mdio de uma determinada espcie de coelhos - coelhos
anes - superior a 250g. Para tal seleccionou aleatoriamente 40 coelhos, tendo obtido uma mdia
dos pesos de 255.3g e um desvio padro de 30g. Teste ao nvel de significncia 10% se o bilogo
est certo, assumindo a Normalidade dos pesos dos coelhos.
8.4 A Ins recebe, para alm do seu salrio, vencimento correspondente a 2 horas extra que devia fazer
todos os dias. Contudo ela est desconfiada que tem andado a trabalhar, em mdia, mais do que 2
horas extra. Como a empresa onde trabalha regista sempre a hora de entrada e de sada dos seus
funcionrios, ela seleccionou aleatoriamente 12 dias de trabalho passados e registou os seguintes
valores relativos ao horrio extra: x = 2.3h e s = 0.5h. Admitindo a Normalidade do tempo extra
de trabalho, teste a um nvel de significncia de 5%, se as suas suspeitas se confirmam.
8.5 Uma companhia de seguros tem previsto no seu oramento um total de 5000e/dia para pagar
as indemnizaes dos seus segurados. De forma a confirmar se o valor mdio das indemnizaes
pagas por diaP
est bem previsto seleccionaram-se, de anos anteriores, 100 dias, tendo-se verificado
x = 5625e e (xi x)2 = 6187500e2 . Teste, ao nvel de significncia 5%, se a previso se adequa.
8.6 Numa fbrica de massas embalam-se pacotes de esparguete que deveriam ter peso mdio de 500g.
O peso dos pacotes uma v.a. Normal com varincia 2 = 225g 2 . De forma a confirmar o peso
mdio destes pacotes, seleccionaram-se ao acaso 40 embalagens que tinham um peso mdio de
495g. Teste, ao nvel de significncia 1%, se o peso mdio das embalagens menor do que as 500g
indicadas.
8.7 Seja X uma v.a. com distribuio Normal de valor mdio e desvio padro . A partir de uma
amostra de dimenso 30, retirada da populao, obtiveram-se os seguintes resultados:
30
X 30
X
xi = 64.0 (xi x)2 = 84.4
i=1 i=1
(a) Teste, ao nvel de significncia 1%, as hipteses H0 : = 2 vs H1 : > 2.

(b) Suponha que est a testar a hiptese H0 : = 2 contra a hiptese H1 : = 2.5 e que rejeita
a hiptese nula se X30 > 2.3. Calcule as probabilidades dos erros de 1a e 2a espcie do teste,
se = 1.
8.8 Numa operao stop da brigada de trnsito, de 120 camies TIR que foram parados, 42 iam com
excesso de peso. Com base nesta amostra aleatria, teste a hiptese de que a proporo deste tipo
de camies, que circulam nas nossas estradas em situao ilegal, ultrapassa os 30%. Use um nvel
de significncia de 10%.
10.8. TESTE DE HIPTESES 107
8.9 (Exame de P.E. D - 2008/09) A populao das estaturas dos alunos da FCT, em metros, segue
uma distribuio Normal. Recolheu-se a seguinte amostra aleatria de estaturas de 40 alunos desta
faculdade:
1.79 1.80 1.72 1.82 1.57 1.78 1.78 1.66 1.78 1.80
1.75 1.74 1.60 1.77 1.82 1.82 1.75 1.66 1.84 1.77
1.78 1.78 1.69 1.78 1.52 1.72 1.84 1.65 1.71 1.79
1.76 1.70 1.63 1.71 1.70 1.64 1.59 1.63 1.74 1.71
correspondendo a uma mdia amostral de 1.73 e a um desvio padro amostral de 0.08. Teste a
hiptese de que a verdadeira proporo de alunos com estatura superior ou igual a 1.82m nesta
populao maior que 0.2. Use um nvel de significncia de 5%.
8.10 Determinada desordem gentica no sangue pode ser prevista com base num teste de sangue muito
simples. De forma a ter uma noo da proporo de pessoas que na populao possam vir a ter
esta desordem, testaram-se 100 pessoas, seleccionadas ao acaso, para as quais 14 testes deram
positivo. Efectue um teste de hipteses, usando um nvel de significncia 5%, sobre se percentagem
de pessoas com tal desordem inferior a 10%.
8.11 No fabrico de parafusos admite-se, relativamente aos seus comprimentos, uma variabilidade mxima
de 0.5mm2 . Recolheu-se uma amostra aleatria de 20 parafusos que se verificou terem s2 = 0.3.
Admitindo a Normalidade do comprimento dos parafusos, teste, ao nvel de significncia de 5% se
a especificao sobre a variabilidade do comprimento dos parafusos est a ser respeitada.
8.12 Com base na amostra aleatria seguinte, teste H0 : = 1.3 vs H1 : 6= 1.3, a um nvel de
significncia de 1%: 2.0 3.2 5.0 1.8 3.4 2.6
8.13 A resistncia de um determinado metal dito ter uma variabilidade inferior a 0.01 ohm2 . Teste
esta hiptese, a um nvel de significncia 10%, usando a seguinte amostra aleatria de resistncias
medidas para este metal:
0.14, 0.138, 0.143, 0.142, 0.144, 0.137
8.14 Considere novamente a amostra do exerccio 8.9. Podemos considerar a amostra aleatria?
8.15 Considere a seguinte tabela de frequncias de uma v.a. X:
Valores 0 1 2 3 4
Frequncia 4 21 10 13 2
(a) a distribuio Binomial com n = 5 e p = 0.25 um modelo apropriado? Teste esta hiptese
ao nvel de significncia de 5%.
(b) Determine um valor aproximado para o valor-p.
8.16 O gerente de uma loja pretende saber se os tempos entre chegadas de clientes sua loja se com-
porta probabilisticamente segundo uma distribuio exponencial. Para tal, registou os tempos entre
chegadas consecutivas de clientes numa manh. Esses tempos (em minutos) foram:
3.6 6.2 12.7 14.2 38.0 3.8 10.8 6.1 8.3

10.1 22.1 4.2 4.6 1.4 3.3 8.2 3.5 0.7
21.2 18.8 7.9 16.8 0.1 3.0 3.1 10.5 4.1
3.8 7.4 1.6 3.0 5.4 14.0 13.9 9.4
(a) Podemos considerar a amostra aleatria?

(b) Teste a conjectura do gerente ao nvel de significncia 0.1. Nota: Numa distribuio expo-
nencial, o estimador de mxima verosimilhana de dado por = X1 .
8.17 Teste a um nvel de significncia 5% que a seguinte amostra aleatria provm de uma distribuio
Normal(3, 22 ):
1.14, 3.11, 3.55, 2.81, 6.28, 1.61, 4.36, 0.90, 0.81, 0.18, 2.08, 2.68, 2.12, 0.33, 2.57,
3.55, 1.81, 2.56, 5.56, 2.46, 4.20, 1.63, 4.21, 4.85, 4.24, 3.98, 1.40, 3.00, 2.01, 3.31
8.18 Pensa-se que a altura a que os eucaliptos chegam aos 20 anos uma v.a. Normal de mdia 2m. Para
o confirmar seleccionou-se uma amostra aleatria de 30 eucaliptos, tendo observado as seguintes
alturas:
0.2, 0.8, 3.6, 1.0, 0.2, 4.3, 3.1, 0.4, 3.3, 3.1, 3.2, 5.3, 1.7, 0.2, 2.8, 0.4, 0.5, 3.0, 1.2, 4.2, 4.8,
3.4, 2.1, 2.5, 2.4, 2.1, 0.8, 3.5, 1.7, 1.3
Teste, ao nvel de significncia 1%, a conjectura referida.
8.19 (Teste de P.E. D - 2008/09) Teste a um nvel de significncia 5% que a seguinte amostra aleatria
provm de uma populao com funo de distribuio F , definida por:

0, x<0
2
F (x) = 2x x , 0 x<1
1, x1

0.10, 0.33, 0.90, 0.43, 0.22, 0.42, 0.46, 0.68, 0.12, 0.51, 0.18, 0.03, 0.48, 0.24, 0.47
0.11, 0.52, 0.47, 0.32, 0.40, 0.01, 0.34, 0.32, 0.57, 0.51, 0.12, 0.06, 0.40, 0.07, 0.40
Para a realizao do teste considere as classes ]0; 0.25], ]0.25; 0.5], ]0.5; 0.75] e ]0.75; 1[.
10.9. REGRESSO LINEAR 109
10.9 Regresso Linear

9.1 Determinada empresa est interessada em contabilizar o tempo que o ar condicionado est ligado
no vero, por dia, mediante a temperatura exterior (o C). Assim, seleccionaram-se 14 dias ao acaso,
para os quais se mediram as temperaturas (x) e se registarem o nmero de horas de utilizao do
ar condicionado (Y ):
i 1 2 3 4 5 6 7 8 9 10 11 12 13 14
xi 29 28 29 35 26 25 32 31 34 27 33 33 32 28
Yi 10.5 9.0 10.4 18.6 5.5 5.2 11.6 10.4 17.8 9.9 13.7 14.2 12.3 8.7
(a) Disponha os dados em grfico.
(b) Estime a recta de regresso linear simples. Refira quais os pressupostos efectuados. Desenhe-a
no grfico anterior.
(c) Comente a qualidade da estimao efectuada, com base no coeficiente de determinao.
(d) Teste a hiptese de o verdadeiro declive da recta de regresso ser nulo. Comente o resultado
luz da alnea anterior.
(e) Para uma temperatura exterior de 30o C qual o nmero de horas que estima que o ar condi-
cionado esteja a trabalhar? E para uma temperatura de 40o C?
9.2 Pretende-se modelar a velocidade do vento Y , medida em Km/h, com a altitude x a que se faz
a medio (m). Para tal registaram-se, para 9 valores de altitude, os correspondentes valores da
velocidade do vento:
i 1 2 3 4 5 6 7 8 9
xi 100 250 500 750 1000 1250 1500 1750 2000
Yi 4 9 15 16 20 46 54 59 72
X X X
Yi2 = 14675 Y = 32.78 x2i = 12760000 x = 1011.11 Yi xi = 427900
(a) Ajuste um modelo de regresso linear simples aos dados. O que pode dizer sobre a qualidade
do ajuste?
(b) Determine um intervalo de confiana a 95% para o verdadeiro declive da recta de regresso.
(c) Use o resultado da alnea anterior para testar a hiptese de que o verdadeiro declive da recta
de regresso nulo.
9.3 (Exame de P.E. D - 2005/06) Pretende-se averiguar se existe uma relao directa entre a proximidade
com campos de futebol da residncia de casais e a taxa de divrcio. Assim registaram-se, em 5 locais
seleccionados ao acaso, o correspondente nmero de estdios de futebol num raio de 50Km (x) e a
respectiva taxa de divrcio por 1000 habitantes registada nessas localidades (Y ):
No de campos de futebol, xi 0 1 2 5 6
Taxa de divrcio (por 1000 habitantes), Yi 2.2 2.5 3.5 4.1 4.8
5
X 5
X 5
X 5
X 5
X
xi = 14; x2i = 66; Yi = 17.1; Yi2 = 63.19; Yi xi = 58.8; SQR = 0.2585075.
i=1 i=1 i=1 i=1 i=1
(a) Ajuste uma recta de regresso linear a estes dados. Que pode dizer da qualidade do ajuste?
(b) Diga por suas palavras como interpreta o valor de 1 obtido.
(c) Teste a hiptese do verdadeiro valor declive da recta de regresso, 1 , ser nulo, a um nvel de
significncia 10%. O resultado est de acordo com a qualidade do ajuste discutida em (a)?
(d) Numa localidade com 3 estdios de futebol na sua proximidade (menos de 50Km) quanto
prev que valha a correspondente taxa de divrcio?
9.4 (Exame de P.E. - 2006/07) Com o objectivo de estudar a qualidade do ar na regio de Lisboa,
pretende-se modelar a quantidade Y de Ozono troposfrico (O3 ), com a quantidade x de partculas
em suspenso com dimetro aerodinmico inferior a 10 m (P M10 ). Para tal, registaram-se os
seguintes dados:
xi 60.5 78.8 89.8 80.9 74.8 49.9 97.5 92.5 36.5 18.1 29.6 15.9
yi 124.2 158 177.1 185.6 179.2 145.7 163.7 188.8 122.2 75.4 94.8 80.3
X X X
xi = 724.8; x2i = 53414.92; SY Y = 18620.05; xi yi = 114890.35; 2 = 237.44;
(a) Ajuste um modelo de regresso linear simples aos dados. Refira quais os pressupostos do
modelo.
(b) Comente a qualidade do modelo.
(c) Teste, ao nvel de significncia de 5%, a hiptese de o declive da recta de regresso ser nulo.
(d) Prove que qualquer recta dos mnimos quadrados passa por (x, y).
Captulo 11
Tabelas
Funo de distribuio Normal reduzida
Z z
(z) = P (Z z) = 1 exp 12 t2 dt
2
z 0 1 2 3 4 5 6 7 8 9
.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3 .9987 .9990 .9993 .9995 .9997 .9998 .9998 .9999 .9999 1.0000
Nota: Para z 4, (z) 1.
111
CAPTULO 11. TABELAS
Quantis da distribuio t de Student Quantis da distribuio Qui Quadrado

g.l. .55 .6 .65 .7 .75 .8 .85 .9 .95 .975 .99 .995 .9995 g.l. .005 .01 .025 .05 .1 .2 .3 .5 .7 .8 .9 .95 .975 .99 .995
1 .000 .000 .001 .004 .016 .064 .148 .455 1.07 1.64 2.71 3.84 5.02 6.63 7.88
1 .158 .325 .510 .727 1.00 1.38 1.96 3.08 6.31 12.7 31.8 63.7 637 2 .010 .020 .051 .103 .211 .446 .713 1.39 2.41 3.22 4.61 5.99 7.38 9.21 10.6
2 .142 .289 .445 .617 .816 1.06 1.39 1.89 2.92 4.30 6.96 9.92 31.6 3 .072 .115 .216 .352 .584 1.01 1.42 2.37 3.66 4.64 6.25 7.81 9.35 11.3 12.8
3 .137 .277 .424 .584 .765 .978 1.25 1.64 2.35 3.18 4.54 5.84 12.9 4 .207 .297 .484 .711 1.06 1.65 2.19 3.36 4.88 5.99 7.78 9.49 11.1 13.3 14.9
4 .134 .271 .414 .569 .741 .941 1.19 1.53 2.13 2.78 3.75 4.60 8.61 5 .412 .554 .831 1.15 1.61 2.34 3.00 4.35 6.06 7.29 9.24 11.1 12.8 15.1 16.7
5 .132 .267 .408 .559 .727 .920 1.16 1.48 2.02 2.57 3.36 4.03 6.87 6 .676 .872 1.24 1.64 2.20 3.07 3.83 5.35 7.23 8.56 10.6 12.6 14.4 16.8 18.5
6 .131 .265 .404 .553 .718 .906 1.13 1.44 1.94 2.45 3.14 3.71 5.96 7 .989 1.24 1.69 2.17 2.83 3.82 4.67 6.35 8.38 9.80 12.0 14.1 16.0 18.5 20.3
7 .130 .263 .402 .549 .711 .896 1.12 1.41 1.89 2.36 3.00 3.50 5.41 8 1.34 1.65 2.18 2.73 3.49 4.59 5.53 7.34 9.52 11.0 13.4 15.5 17.5 20.1 22.0
8 .130 .262 .399 .546 .706 .889 1.11 1.40 1.86 2.31 2.90 3.36 5.04 9 1.73 2.09 2.70 3.33 4.17 5.38 6.39 8.34 10.7 12.2 14.7 16.9 19.0 21.7 23.6
9 .129 .261 .398 .543 .703 .883 1.10 1.38 1.83 2.26 2.82 3.25 4.78 10 2.16 2.56 3.25 3.94 4.87 6.18 7.27 9.34 11.8 13.4 16.0 18.3 20.5 23.2 25.2
10 .129 .260 .397 .542 .700 .879 1.09 1.37 1.81 2.23 2.76 3.17 4.59 11 2.60 3.05 3.82 4.57 5.58 6.99 8.15 10.3 12.9 14.6 17.3 19.7 21.9 24.7 26.8
11 .129 .260 .396 .540 .697 .876 1.09 1.36 1.80 2.20 2.72 3.11 4.44 12 3.07 3.57 4.40 5.23 6.30 7.81 9.03 11.3 14.0 15.8 18.5 21.0 23.3 26.2 28.3
12 .128 .259 .395 .539 .695 .873 1.08 1.36 1.78 2.18 2.68 3.05 4.32 13 3.57 4.11 5.01 5.89 7.04 8.63 9.93 12.3 15.1 17.0 19.8 22.4 24.7 27.7 29.8
13 .128 .259 .394 .538 .694 .870 1.08 1.35 1.77 2.16 2.65 3.01 4.22 14 4.07 4.66 5.63 6.57 7.79 9.47 10.8 13.3 16.2 18.2 21.1 23.7 26.1 29.1 31.3
14 .128 .258 .393 .537 .692 .868 1.08 1.35 1.76 2.14 2.62 2.98 4.14 15 4.60 5.23 6.26 7.26 8.55 10.3 11.7 14.3 17.3 19.3 22.3 25.0 27.5 30.6 32.8
15 .128 .258 .393 .536 .691 .866 1.07 1.34 1.75 2.13 2.60 2.95 4.07 16 5.14 5.81 6.91 7.96 9.31 11.2 12.6 15.3 18.4 20.5 23.5 26.3 28.8 32.0 34.3
16 .128 .258 .392 .535 .690 .865 1.07 1.34 1.75 2.12 2.58 2.92 4.01 17 5.70 6.41 7.56 8.67 10.1 12.0 13.5 16.3 19.5 21.6 24.8 27.6 30.2 33.4 35.7
17 .128 .257 .392 .534 .689 .863 1.07 1.33 1.74 2.11 2.57 2.90 3.97 18 6.26 7.01 8.23 9.39 10.9 12.9 14.4 17.3 20.6 22.8 26.0 28.9 31.5 34.8 37.2
18 .127 .257 .392 .534 .688 .862 1.07 1.33 1.73 2.10 2.55 2.88 3.92 19 6.84 7.63 8.91 10.1 11.7 13.7 15.4 18.3 21.7 23.9 27.2 30.1 32.9 36.2 38.6
19 .127 .257 .391 .533 .688 .861 1.07 1.33 1.73 2.09 2.54 2.86 3.88 20 7.43 8.26 9.59 10.9 12.4 14.6 16.3 19.3 22.8 25.0 28.4 31.4 34.2 37.6 40.0
20 .127 .257 .391 .533 .687 .860 1.06 1.33 1.72 2.09 2.53 2.85 3.85 21 8.03 8.90 10.3 11.6 13.2 15.4 17.2 20.3 23.9 26.2 29.6 32.7 35.5 38.9 41.4
21 .127 .257 .391 .532 .686 .859 1.06 1.32 1.72 2.08 2.52 2.83 3.82 22 8.64 9.54 11.0 12.3 14.0 16.3 18.1 21.3 24.9 27.3 30.8 33.9 36.8 40.3 42.8
22 .127 .256 .390 .532 .686 .858 1.06 1.32 1.72 2.07 2.51 2.82 3.79 23 9.26 10.2 11.7 13.1 14.8 17.2 19.0 22.3 26.0 28.4 32.0 35.2 38.1 41.6 44.2
23 .127 .256 .390 .532 .685 .858 1.06 1.32 1.71 2.07 2.50 2.81 3.77 24 9.89 10.9 12.4 13.8 15.7 18.1 19.9 23.3 27.1 29.6 33.2 36.4 39.4 43.0 45.6
24 .127 .256 .390 .531 .685 .857 1.06 1.32 1.71 2.06 2.49 2.80 3.75 25 10.5 11.5 13.1 14.6 16.5 18.9 20.9 24.3 28.2 30.7 34.4 37.7 40.6 44.3 46.9
25 .127 .256 .390 .531 .684 .856 1.06 1.32 1.71 2.06 2.49 2.79 3.73 26 11.2 12.2 13.8 15.4 17.3 19.8 21.8 25.3 29.2 31.8 35.6 38.9 41.9 45.6 48.3
26 .127 .256 .390 .531 .684 .856 1.06 1.31 1.71 2.06 2.48 2.78 3.71 27 11.8 12.9 14.6 16.2 18.1 20.7 22.7 26.3 30.3 32.9 36.7 40.1 43.2 47.0 49.6
27 .127 .256 .389 .531 .684 .855 1.06 1.31 1.70 2.05 2.47 2.77 3.69 28 12.5 13.6 15.3 16.9 18.9 21.6 23.6 27.3 31.4 34.0 37.9 41.3 44.5 48.3 51.0
28 .127 .256 .389 .530 .683 .855 1.06 1.31 1.70 2.05 2.47 2.76 3.67 29 13.1 14.3 16.0 17.7 19.8 22.5 24.6 28.3 32.5 35.1 39.1 42.6 45.7 49.6 52.3
29 .127 .256 .389 .530 .683 .854 1.06 1.31 1.70 2.05 2.46 2.76 3.66 30 13.8 15.0 16.8 18.5 20.6 23.4 25.5 29.3 33.5 36.3 40.3 43.8 47.0 50.9 53.7
30 .127 .256 .389 .530 .683 .854 1.05 1.31 1.70 2.04 2.46 2.75 3.65 40 20.7 22.2 24.4 26.5 29.1 32.3 34.9 39.3 44.2 47.3 51.8 55.8 59.3 63.7 66.8
112 .126 .253 .385 .524 .674 .842 1.04 1.28 1.64 1.96 2.33 2.58 3.29 50 28.0 29.7 32.4 34.8 37.7 41.4 44.3 49.3 54.7 58.2 63.2 67.5 71.4 76.2 79.5
60 35.5 37.5 40.5 43.2 46.5 50.6 53.8 59.3 65.2 69.0 74.4 79.1 83.3 88.4 92.0
Bibliografia sugerida
Guimares e Cabral(1997). Estatstica. McGraw-Hill.
Montgomery e Runger (2002). Applied Statistics and Probability for Engineers. Wiley.
Mood, Graybill e Boes (1974). Introduction to the Theory of Statistics. McGraw-Hill.
Murteira, B., Ribeiro, C., Silva, J. e Pimenta, C. (2007). Introduo Estatstica, 2a

edio. McGraw-Hill
Paulino e Branco (2005). Exerccios de Probabilidade e Estatstica. Escolar Editora.
Pestana, D. e Velosa, S. (2002). Introduo Probabilidade e Estatstica. Fundao

Calouste Gulbenkian, Lisboa.
Rohatgi (1976). An Introduction to Probability Theory and Mathematical Statistics. Wiley.
Sokal e Rohlf (1995). Biometry. Freeman.
Tiago de Oliveira (1990). Probabilidades e Estatstica: Conceitos, Mtodos e Aplicaes,

vol. I, II. McGraw-Hill.
113

SebentaPE 200910 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

SebentaPE 200910 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Probabilidade e Estatstica

1 Introduo Teoria da Probabilidade 1

5 Teorema Limite Central 39

7 Estimao por Intervalo de Confiana 51

Introduo Teoria da Probabilidade

1.1 Espao de Resultados e Acontecimentos

Exemplo 1.2 (Experincia aleatria). Considere os seguintes exemplos:

E1 : Lanamento de uma moeda e observao da face voltada para cima;

E2 : Lanamento de um dado e observao da face voltada para cima;

E3 : Tempo de vida de uma lmpada.

Definio 1.3 (Espao de resultados ou universo). Chamamos espao de resultados ou uni-

Exemplo 1.4 (Espao de resultados). Considere novamente as experincias aleatrias do Ex-

ou seja, = {(i, j) : i = 1, . . . , 6; j = 1, . . . , 6}.

Definio 1.6 (Acontecimento e Acontecimento elementar). Um acontecimento um sub-

Observao: Ao conjunto chamamos acontecimento impossvel e a acontecimento certo.

Definio 1.7 (Sub-acontecimento). A sub-acontecimento de B, e escreve-se A B, se e

A unio de dois acontecimentos A e B, e representa-se por A B;

A interseco de dois acontecimentos A e B, e representa-se por A B;

O complementar do acontecimento A e representa-se por A;

A diferena dos acontecimentos A e B e representa-se por A B (= A B);

Algumas propriedades importantes:

Definio 1.8 (Acontecimentos disjuntos ou mutuamente exclusivos). Dois acontecimentos

Definio 1.9 (Definio Clssica ou de Laplace de Probabilidade). Se uma experincia

Definio 1.11 (Definio Frequencista de Probabilidade). A probabilidade de um aconteci-

onde nA representa o nmero de observaes de A, e n o nmero de realizaes da experincia

Definio 1.12 (Definio Axiomtica de Probabilidade). A Probabilidade uma funo,

1. P (A) 0, qualquer que seja o acontecimento A;

3. Se A e B so acontecimentos disjuntos, P (A B) = P (A) + P (B).

Esta axiomtica no contempla situaes com uma infinidade numervel de acontecimentos.

Proposio 1.13. Sejam A e B dois acontecimentos. Os seguintes resultados so consequncia

2. Se A B ento P (A) P (B);

4. P (A) [0, 1];

6. P (A B) = P (A) + P (B) P (A B).

1. Como e so acontecimentos disjuntos e P ( ) = P () = 1, resulta pelo 3o axioma

2. Sejam A e B dois acontecimentos tais que A B. Ento B = B (A A) = (B A)

P (B) = P (A (B A)) = P (A) + P (B A).

Usando o 1o axioma, podemos garantir que P (BA) 0 e consequentemente P (B) P (A).

3. Como A e A so acontecimentos disjuntos, podemos utilizar o 3o axioma. Assim,

ou seja, P (A) = 1 P (A).

5. Como A = (AB)(AB) = (AB)(AB), e (AB) e (AB) so acontecimentos

P (A) = P (A B) + P (A B) P (A B) = P (A) P (A B).

Para n = 3 obtemos o caso particular:

P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C).

Definio 1.14 (Acontecimentos incompatveis). Dois acontecimentos A e B dizem-se in-

1.3 Clculo Combinatrio

O clculo de uma probabilidade, atravs da definio clssica, depende da contagem do nmero

Definio 1.15 (Produto Cartesiano). Seja A = {a1 , . . . , an } um conjunto com n elementos e

Considere agora que temos n elementos distintos, e pretendemos seleccionar k. De quantas

Interessa H Nmero de maneiras distintas de

! representa a funo factorial (por conveno 0! = 1);

No caso particular em que interessa a ordem, no h repetio e estamos a seleccionar todos

1.4 Probabilidade Condicional e Independncia

Melhorou (M ) No melhorou (M ) Total

1. Qual a probabilidade, de um doente escolhido ao acaso,

(a) tomar o medicamento experimental?

2. Qual a probabilidade de um doente, que melhorou, ter tomado o medicamento experimental?

Definio 1.17 (Probabilidade Condicional). Sejam A e B dois acontecimentos. A probabili-

Teorema 1.18 (Teorema da Probabilidade Composta). Sejam A e B dois acontecimentos

Definio 1.19 (Acontecimentos Independentes). Dois acontecimentos A e B dizem-se inde-

P (A) = P (A |E1 ) P (E1 ) + . . . + P (A |En ) P (En ) .

Demonstrao. Aplicando a definio 1.17, de Probabilidade Condicional, depois o Teorema 1.18

P (Ei A) P (A |Ei ) P (Ei )

Pretende-se determinar P (B|D). Usando o Teorema de Bayes, obtemos: