Escolar Documentos
Profissional Documentos
Cultura Documentos
• Noções de probabilidade
• Variáveis aleatórias discretas e contínuas
• Distribuição amostral da média
• Estimação de parâmetros
• Teste de hipóteses
1. Probabilidade
3.3. Ω = R;
4. Ω = {1, 2, 3, 4, 5, 6}.
4. Ω = {1, 2, 3, 4, 5, 6}
• Evento (A; B; C; ... ; Z): é qualquer subconjunto do
espaço amostral (Ω). Exemplos:
Eventos especiais:
Ω
EX: Experimento: lançamento de um dado.
𝐴 ∪ 𝐵 = {1, 2, 3, 4, 6}
• Interseção de eventos (𝑨 ∩ 𝑩): representa a
ocorrência simultânea de A e B.
Ω
EX: no nosso exemplo anterior.
𝐴 ∩ 𝐵 = {2}
• Eventos disjuntos ou mutuamente exclusivos: São
eventos que não podem ocorrer simultaneamente. A
e B são disjuntos se e somente se 𝐴 ∩ 𝐵 = ∅.
Ω
EX: Experimento: lançamento de um dado.
Ω
• No lançamento de um dado, se A é o evento
“ocorrer face par”, então o evento complementar de
A é o evento “ocorrer face ímpar”.
A {2, 4, 6} e A {1 ,3 ,5}
(𝐴 ∪ 𝐵) = 𝐴 ∩ 𝐵 e (𝐴 ∩ 𝐵) = 𝐴 ∪ 𝐵
1.2. Interpretações de probabilidade
# 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝐴 𝑛(𝐴)
𝑃 𝐴 = =
# 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 Ω 𝑛(Ω)
A = extrair um ás de um baralho.
n(A) = 4; n(Ω) = 52
4 1
𝑃 𝐴 = = ≅ 0,08
52 13
2. Ɛ – lançar duas moedas e observar a configuração
obtida. c = cara; k = coroa.
Ω = {cc; ck; kc; kk}
# 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎𝑠 𝑑𝑒 𝐴
𝑃 𝐴 =
# 𝑟𝑒𝑝𝑒𝑡𝑖çõ𝑒𝑠 𝑑𝑜 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜
• Lei dos Grandes Números: Ao se repetir um
experimento um grande número de vezes, a
probabilidade pela freqüência relativa de um evento
tende para a probabilidade teórica.
# 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎𝑠 𝑑𝑒 𝐴
𝑃𝑛 𝐴 =
# 𝑟𝑒𝑝𝑒𝑡𝑖çõ𝑒𝑠 𝑑𝑜 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜
𝑃 𝐴 = lim 𝑃𝑛 𝐴
𝑛→∞
Exemplos:
# 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎𝑠 𝑑𝑎 𝑓𝑎𝑐𝑒 𝑖
𝑓𝑟𝑖 =
# 𝑙𝑎𝑛ç𝑎𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑜 𝑑𝑎𝑑𝑜
1. 𝑃 Ω = 1.
2. 𝑃 ∅ = 0.
3. 0 ≤ 𝑃(𝐴) ≤ 1, para qualquer evento A.
4. Regra da adição:
𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵)
Sexo
Curso Total
Homens (H) Mulheres (M)
- 𝑃 𝐴 ∪ 𝑀 = 𝑃 𝐴 + 𝑃 𝑀 − 𝑃(𝐴 ∩ 𝑀)
30 85 15 100
= + − = = 0,5
200 200 200 200
30 170
- 𝑃 𝐶 = 1 − 𝑃 𝐶 = 1 − 200 = 200 = 0,85
1.4. Probabilidade condicional
𝑃(𝐴∩𝑀) 14 32 14
b. 𝑃 𝐴𝑀 = = = = 0,70
𝑃(𝑀) 20 32 20
𝑃(𝐴∩𝑀) 14 32 14
c. 𝑃 𝑀𝐴 = = = ≅ 0,64
𝑃(𝐴) 22 32 22
• Propriedades:
1. 𝑃 Ω|B = 1
2. 𝑃 ∅|B = 0
3. 0 ≤ 𝑃(𝐴|𝐵) ≤ 1, para qualquer evento A.
4. 𝑃 𝐶 ∪ 𝐷|𝐵 = 𝑃 𝐶|𝐵 + 𝑃 𝐷|𝐵 − 𝑃(𝐶 ∩ 𝐷|𝐵)
5. 𝑃 𝐶 ∪ 𝐷|𝐵 = 𝑃 𝐶|𝐵 + 𝑃 𝐷|𝐵 ⇔ 𝐶 ∩ 𝐷 = ∅
6. 𝑃 𝐴|𝐵 = 1 − 𝑃(𝐴|𝐵)
1.5. Regra da multiplicação
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝐵 𝑃 𝐵 = 𝑃 𝐵 𝐴 𝑃(𝐴)
Exemplo 1:
𝑃 𝑃𝑃 𝑜𝑢 𝑉𝑉 = 𝑃 𝑃𝑃 + 𝑃 𝑉𝑉 = 𝑃 𝑃1 ∙ 𝑃 𝑃2 |𝑃1 + 𝑃 𝑉1 ∙ 𝑃 𝑉2 |𝑉1
3 2 5 4
𝑃 𝑃𝑃 𝑜𝑢 𝑉𝑉 = ∙ + ∙
8 7 8 7
b.
Ω = 𝑃𝑃𝑃; 𝑃𝑃𝑉; 𝑃𝑉𝑃; 𝑉𝑃𝑃; 𝑉𝑉𝑃; 𝑉𝑃𝑉; 𝑃𝑉𝑉; 𝑉𝑉𝑉
3 2 5 3 5 2 5 3 2 30
= ∙ ∙ + ∙ ∙ + ∙ ∙ =3× = 0,268
8 7 6 8 7 6 8 7 6 336
1.6. Independência
1. 𝑃 𝐴 𝐵 = 𝑃(𝐴)
2. 𝑃 𝐵 𝐴 = 𝑃(𝐵)
• Dessa forma, para dois eventos independentes a
regra da multiplicação reduz-se a:
𝑃 𝐴 ∩ 𝐵 = 𝑃(𝐴) × 𝑃(𝐵)
Exemplos:
P( F ) P( A1 A2 ) P( A1 ) P( A2 ) P( A1 A2 ) p1 p2 p1 p2
1.7. Regra da probabilidade total
Ω
• E como 𝐷 ∩ 𝐴 e (𝐷 ∩ 𝐵) são disjuntos podemos
escrever que:
𝑃 𝐷 =𝑃 𝐷∩𝐴 +𝑃 𝐷∩𝐵
=𝑃 𝐷 𝐴 𝑃 𝐴 +𝑃 𝐷 𝐵 𝑃 𝐵
1. 𝐴𝑖 ∩ 𝐴𝑗 = ∅ 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑗
𝑛
2. 𝑖=1 𝐴𝑖 =Ω
• Podemos assim enunciar o Teorema da
Probabilidade Total:
𝑃 𝐴 = 𝑃 𝐴 ∩ 𝐹1 + 𝑃 𝐴 ∩ 𝐹2 + 𝑃 𝐴 ∩ 𝐹3
𝑃(𝐴) = 𝑃 𝐴 𝐹1 𝑃 𝐹1 + 𝑃 𝐴 𝐹2 𝑃 𝐹2 + 𝑃 𝐴 𝐹3 𝑃 𝐹3
Assim:
𝑃 𝐹1 𝐴
𝑃 𝐴 𝐹1 𝑃(𝐹1 )
=
𝑃 𝐴 𝐹1 𝑃 𝐹1 + 𝑃 𝐴 𝐹2 𝑃 𝐹2 + 𝑃 𝐴 𝐹3 𝑃 𝐹3
0,2 × 0,2
𝑃 𝐹1 𝐴 = ≅ 0,615
0,065
2. Variáveis Aleatórias
(1; 1) … (1; 6)
Ω= ⋮ ⋱ ⋮
(6; 1) … (6; 6)
• A distribuição de probabilidades de uma
variável aleatória X é uma descrição das
probabilidades associadas com os possíveis
valores de X. Esta descrição pode ser realizada
em forma de tabelas ou gráficos.
• No exemplo 1, onde a v.a. de interesse era “o
número de caras obtidas num lançamento de duas
moedas” temos a seguinte distribuição de
probabilidades:
X 0 1 2
P( X x) 1/4 1/2 1/4
• Já no exemplo 2, definimos a v.a. X como “a soma das faces
obtidas em dois lançamentos de um dado”. A distribuição
de probabilidades de X é dad por:
X 2 3 4 5 6 7 8 9 10 11 12
P( X x) 136 2 36 3 36 4 36 5 36 6 36 5 36 4 36 3 36 2 36 136
Classificação:
1. 0 ≤ 𝑝𝑖 ≤ 1
2. 𝑖 𝑝𝑖 = 1
• Exemplo: Um empresário pretende estabelecer uma
firma para montagem de um produto composto de
uma esfera e um cilindro. As partes são adquiridas de
fábricas diferentes (A e B), e a montagem consistirá e
juntar as duas peças e pintá-las.
Fábrica A Fábrica B
Componente
(cilindro) (esfera)
Dentro das especificações - bom (B) 0,80 0,70
Maior que as especificações - longo (L) 0,10 0,20
Menor que as especificações - Curto (C) 0,10 0,10
• Se o produto final apresentar algum componente com
a característica curto, ele será irrecuperável, e o
conjunto será vendido como sucata ao preço de R$
5,00.
X P(x)
-5 0,19
5 0,02
10 0,23
15 0,56
Total 1
2.1.1. Média e variância de uma variável
aleatória discreta
𝜇=𝐸 𝑋 = 𝑥𝑖 𝑝𝑖
𝑖
• A variância de X é dada pela expressão:
DP( X ) 2
• Exemplo: Para o último exemplo, tem-se que o lucro
esperado por unidade montada é igual a:
• Notação: X ~ Bernoulli(p)
• A função de probabilidade de X é:
𝑃 𝑋 = 𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 , 𝑥 = 0 𝑜𝑢 1
• Assim temos:
1
𝐸 𝑋 = 𝑥𝑃 𝑋 = 𝑥 = 0𝑃 𝑋 = 0 + 1𝑃 𝑋 = 1
𝑥=0
𝐸 𝑋 =𝑃 𝑋=1 =𝑝
1
𝑉 𝑋 = 𝑥2𝑃 𝑋 = 𝑥 − 𝐸 𝑋 2
𝑥=0
𝑉 𝑋 = 02 𝑃 𝑋 = 0 + 12 𝑃 𝑋 = 1 − 𝑝2
𝑉 𝑋 = 𝑃 𝑋 = 1 − 𝑝2 = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝)
2.2.2. Distribuição Binomial
𝑛 𝑥
𝑃 𝑋=𝑥 = 𝑝 (1 − 𝑝)𝑛−𝑥 , 𝑥 = 0, 1, 2, ⋯ , 𝑛.
𝑥
• Notação X~Binomial(n; p)
Exemplos:
• X ~ Binomial(30; 0,06)
𝑃 𝑋 ≥2 =1−𝑃 𝑋 <2
Onde,
𝑃 𝑋 <2 =𝑃 𝑋 =0 +𝑃 𝑋 =1
30 0 30
30 1 29
𝑃 𝑋<2 = 0,06 0,94 + 0,06 0,94
0 1
∴ 𝑃 𝑋 ≥ 2 = 1 − 0,455469 ≅ 0,545
• A figura a seguir mostra exemplo de
distribuições binomiais. Para n fixo (no
exemplo n = 20) à medida que p aumenta de 0
a 0,5 a distribuição se torna mais simétrica. O
mesmo acontece se p diminui de 1 a 0,5.
• Média e variância de uma distribuição
binomial:
𝐸 𝑋 = 𝑛𝑝
𝑉 𝑋 = 𝑛𝑝(1 − 𝑝)
• Exemplo: No exemplo anterior da linha de produção,
tem-se que o número esperado de itens defeituosos
dentre os 30 observados è:
𝐸 𝑋 = 30 × 0,06 = 1,8
𝐷𝑃 𝑋 = 1,692 = 1,3
2.2.3. Distribuição de Poisson
e¡¸ ¸x
P (X = x) =
x!
Onde,
• P (X = x) - probabilidade de x ocorrências em um
intervalo.
• e - base dos logaritmos naturais ( e = 2; 71828).
• ¸ - taxa de ocorrências no intervalo considerado.
• OBS: o número de ocorrências não tem limite
máximo. Ela é uma v.a. discreta que pode assumir
uma sequência infinita de valores (X = 0, 1, 2, ...).
𝐸 𝑋 =𝜆
𝑉 𝑋 =𝜆
Exemplos:
e¡10 105
P (X = 5) = = 0; 0378
5!
b) Um carro chegar em um período de 3 mim.?
10
¸=3£ = 2 =) Número esperado de carros
15 que chegam em um período
de 3 min
• Portanto,
e¡2 21
P (Y = 1) = = 0; 2707
1!
P (X · 1) = P (X = 0) + P (X = 1)
e¡1;2 1; 20 e¡1;2 1; 2
= +
0! 1!
= 0; 301 + 0; 3612 = 0; 6622
2.3. Variáveis aleatórias contínuas
Peso fi fr
x0 |- x1 f1 fr1
x1 |- x2 f2 fr2
x2 |- x3 f3 fr3
x7 |- x8 f8 fr8
x8 |- x9 f9 fr9
Total n
• Lembre-se que na construção de um histograma, a
altura correspondente a cada retângulo equivale
densidade da classe, onde 𝑑𝑖 = 𝑓𝑟 / . Dessa forma, a
área de cada retângulo é igual a freq. relativa da
classe.
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = á𝑟𝑒𝑎 𝑎𝑐𝑢𝑟𝑎𝑑𝑎
• Essa curva é a representação gráfica de uma função da
v.a. X, denotada por 𝑓(𝑥) e chamada função de
densidade de probabilidade. Esta função deve
satisfazer as seguintes propriedades:
𝑃 𝑋 = 𝑥 = 𝑃 𝑥 = 0;
8 1
¡c ¢
< 40 10 + 1 ; se 0 · c · 20
f (c) =
:
0 caso contr¶ario
• É fácil observar que f(c) é positiva. Integrando a
função densidade em todo o seu domínio podemos
verificar que a área definida por f(c) é igual a 1.
20 1 c 20 c 20 1
0
1 dc 0
40 10 400
dc
0 40
dc
2 20 20
c c
0,5 0,5 1
800 0 40 0
• Dessa forma, concluímos que f(c) é efetivamente
uma função densidade de probabilidade.
• Deseja-se determinar:
a. A probabilidade de um fóssil, escolhido ao acaso
nessa região, apresentar comprimento inferior a
8 cm.
b. O número k tal que PC k 0,8 .
• Resolução:
1 c
PC 8
8 8 c 8 1
1 dc 0 dc dc
0 40 10 400 0 40
2 8 8
PC 8
c c
0,08 0,2 0,28
800 0 40 0
b. Nesse caso, queremos encontrar o valor k tal que a
área definida por f(c) à direita de K seja igual a 0,8.
Dessa forma,
1 c
PC k 0,8
20 20 c 20 1
1 dc k dc dc
k 40 10 400 k 40
2 20 20
k2
PC 8
c c k
0,5 0,5 0,8
800 k 40 k 800 40
k 2 20k 160 0
Utilizando a fórmula de Bhaskara:
b b 4ac 20 32,25
2
k
2a 2
k1 6,125 e k 2 26,125
k 6,125 cm
4.3.1. Média e variância de uma variável
aleatória contínua
𝜎= 𝜎2
• Exemplo: Considerando o exemplo anterior, calcule a
média e a variância da v.a. C, comprimento de fósseis
de certa região (em cm), cuja função densidade de
probabilidade é dada por:
8 1
¡c ¢
< 40 10 + 1 ; se 0 · c · 20
f (c) =
:
0 caso contr¶ario
Solução:
• Cálculo da média
20 1 c 20 c 2
20 c
c 1 dc dc dc
0 40 10 0 400 0 40
3 20 2 20
c c 35
11,67 cm
1200 0 80 0 3
• Cálculo da variância e do desvio padrão
20 20
2 2
1 𝑐
𝑐 𝑓(𝑐)𝑑𝑐 = 𝑐 + 1 𝑑𝑐
0 0 40 10
20 4 20 3 20
2
1 𝑐 1 𝑐 500
𝑐 𝑓(𝑐)𝑑𝑐 = + =
0 400 4 0
40 3 0
3
2
2
500 35
𝜎 = − = 30,56 𝑐𝑚2
3 3
1. 𝐸 𝑐 = 𝑐
2. 𝐸 𝑐𝑋 = 𝑐𝐸(𝑋)
3. 𝐸 𝑐𝑋 + 𝑏 = 𝑐𝐸 𝑋 + 𝑏
4. 𝐸 𝑋 + 𝑌 = 𝐸 𝑋 + 𝐸(𝑌)
• Propriedades da variância:
1. 𝑉 𝑐 = 0
2. 𝑉 𝑐𝑋 = 𝑐 2 𝑉(𝑋)
3. 𝑉 𝑐𝑋 + 𝑏 = 𝑐 2 𝑉(𝑋)
4. 𝑉 −𝑋 = 𝑉(𝑋)
2.4. Distribuições contínuas mais comuns
1
, 𝑠𝑒 𝑎 ≤ 𝑥 ≤ 𝑏
𝑓 𝑥 = (𝑏 − 𝑎)
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
• Notação: X ~ Uniforme[a, b]
• Exemplo: Uma professora planeja a aula tão
cuidadosamente, que a duração de suas aulas é
distribuída uniformemente entre 50 e 52 minutos.
Isto é, qualquer tempo entre 50 e 52 minutos é
possível, e todos esses valores possíveis são
igualmente prováveis.
• Se selecionarmos aleatoriamente uma aula e
designarmos X a v.a. representativa do tempo de
aula, então, X tem uma distribuição definida pela
função densidade
1
, 𝑠𝑒 50 ≤ 𝑥 ≤ 52
𝑓 𝑥 = 2
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
• Ache a probabilidade de uma aula durar mais de 51,5
minutos.
𝐸 𝑋 = 𝑎+𝑏 2
2
𝑉 𝑋 = 𝑏−𝑎 12
• Exemplo: No exemplo anterior relacionado à duração
de aula de uma determinada professora, designou-se
X a v.a. representativa do tempo de aula (em min.),
onde X seguia uma distribuição Uniforme[50, 52].
Dessa forma, o tempo esperado de aula é:
52 + 50
𝐸 𝑋 = = 51
2
• A variância e o desvio padrão são respectivamente:
(52 − 50)2 4
𝑉 𝑋 = = ≅ 0,333
12 12
𝐷𝑃 𝑋 = 0,333 ≅ 0,578
2.4.2. Distribuição Exponencial
𝛼𝑒 −𝛼𝑥 , 𝑠𝑒 𝑥 ≥ 0
𝑓 𝑥 =
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
• Notação: X ~ Exp(α).
• Para calcular probabilidades com a exponencial,
precisamos resolver a integral correspondente ao
intervalo de interesse. Assim,
𝑏
𝑃 𝑎≤𝑋≤𝑏 = 𝛼𝑒 −𝛼𝑥 𝑑𝑥 = − 𝑒 −𝛼𝑥 𝑏
𝑎 = 𝑒 −𝛼𝑎 − 𝑒 −𝛼𝑏
𝑎
• Esta distribuição tem sido amplamente utilizada nas
áreas de física, engenharia, computação e biologia.
𝐸 𝑋 =1 𝛼
𝑉 𝑋 = 1 𝛼2
• Exemplo: Uma indústria fabrica lâmpadas especiais
que ficam em operação continuamente. A empresa
oferece a seus clientes a garantia de reposição, caso a
lâmpada dure menos de 50 horas. A vida útil dessas
lâmpadas é modelada através da distribuição
Exponencial com parâmetro 1 8000. Determine a
proporção de trocas por defeito de fabricação.
Solução: Representemos pela v.a. T, o tempo de vida da
lâmpada, e assim T ~ Exp(1 8000). A probabilidade
desejada será:
50
1 1
−8000 𝑡
𝑃 𝑇 < 50 = 𝑒 𝑑𝑡
0 8000
1 50 1 1
𝑃 𝑇 < 50 = − 𝑒 −8000 𝑡 = 𝑒 −8000 ×0
− 𝑒 −8000 ×50
0
50
−
𝑃 𝑇 < 50 = 1 − 𝑒 8000 ≅ 0,006
• Dessa forma, a proporção de trocas por defeito de
fabricação será de aproximadamente 0,6%.
1 1
𝑓 𝑥 = 𝑒𝑥𝑝 − 2 (𝑥 − 𝜇)2 , 𝑝𝑎𝑟𝑎 − ∞ < 𝑥 < ∞
𝜎 2𝜋 2𝜎
x
µ
• Notação: X ~ N(𝜇, 𝜎 2 ).
• Propriedades da Normal:
1. 𝑓 𝑥 é simétrica em relação a .
2. 𝑓 𝑥 → 0 quando 𝑥 → ±∞.
3. O valor máximo de 𝑓 𝑥 ocorre quando 𝑥 = 𝜇.
• A distribuição Normal é completamente especificada
pela média μ e pela variância σ2 (parâmetros da
distribuição). A figura a seguir mostra exemplo de
distribuições Normais.
• Como calcular Probabilidades para distribuição
Normal ?
z1
• Exemplo: Uma empresa de instrumentos científicos
de precisão fabrica termômetros que devem
informar temperaturas de 0°C no ponto de
congelamento da água.
a) inferior a 1,58°.
b) superior a -1,23°C.
c) entre -2,00°C e 1,50°C.
a) A probabilidade de que o termômetro escolhido
apresente leitura inferior a 1,58°C (no ponto de
congelamento da água) corresponde à área
sombreada na figura abaixo.
• A área desejada é obtida diretamente da tabela da
distribuição normal Padrão. Dessa forma, temos que,
P95
𝑋−𝜇
𝑍= ~ 𝑁(0, 1)
𝜎
e
𝑥−𝜇
𝑃 𝑋≤𝑥 =𝑃 𝑍≤
𝜎
• Exemplo: Doentes sofrendo de certa moléstia são
submetidos a um tratamento intensivo cujo tempo
de cura foi modelado por uma densidade Normal, de
média 15 e desvio padrão 2 (em dias).
17−15
a. 𝑃 𝑋 > 17 = 𝑃 𝑍 > =𝑃 𝑍>1
2
= 1 − 𝑃 𝑍 ≤ 1 = 1 − 0,8413 = 0,1587
20−15
b. 𝑃 𝑋 < 20 = 𝑃 𝑍 < 2
= 𝑃 𝑍 < 2,5 = 0,9938
14−15 17−15
c. 𝑃 14 < 𝑋 < 17 = 𝑃 2
<𝑍< 2
= 𝑃 −0,5 < 𝑍 < 1
𝑃 𝑋 < 𝑥 = 0,25
𝑥 − 15
𝑃 𝑋≤𝑥 =𝑃 𝑍≤ = 0,25
2
• A partir da tabela da Normal padrão obtemos:
𝑥 − 15
= −0,67 ⇒ 𝑥 = 13,66
2
𝑋 1 2 3 4 5 6 7
1 2 5 6 6 4 1
𝑃(𝑋 = 𝑥 ) 25 25 25 25 25 25 25
𝜇𝑋 = 𝐸 𝑋 = 𝑥𝑖 𝑝𝑖 = 4,2
𝑖
• Dado:
1. A v.a. X tem uma distribuição (que pode ou não
ser normal) com média 𝜇 e desvio padrão 𝜎.
4−3
𝑃 𝑋≤4 =𝑃 𝑍≤ = 𝑃 𝑍 ≤ 2,36 = 0,9909
9 50
Definições:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘
µ 𝜇=𝑋=
𝑛
𝑛
2 − 𝑋)2
𝑖=1(𝑋𝑖
𝜎 𝜎2 = 𝑆2 =
𝑛−1
𝜎 𝜎=𝑆= 𝑆2
3.1.2. Intervalos de Confiança
𝑋 ~N 𝜇, 𝜎𝑋2
• E portanto,
𝑒 = 𝑋 − 𝜇 ~ N 0, 𝜎𝑋2 ,
2
onde 𝜎𝑋2 =𝑉 𝑋 = 𝜎
𝑛
• Daqui podemos determinar qual a probabilidade de
cometermos erros de determinadas magnitudes. Por
exemplo,
ou
𝑃 𝑋 − 𝜇 < 1,96 𝜎𝑋 = 0,95
• Que é equivalente a
𝑃 −1,96 𝜎𝑋 < 𝑋 − 𝜇 < 1,96 𝜎𝑋 = 0,95
• E, finalmente,
𝑃 𝑋 − 1,96 𝜎𝑋 < 𝜇 < 𝑋 + 1,96 𝜎𝑋 = 0,95
𝐼𝐶 𝜇 ; 1−𝛼 = 𝑋 − 𝑧𝛼 ∙ 𝜎 ; 𝑋 + 𝑧𝛼 ∙ 𝜎
2 2
𝑛 𝑛
𝑋−𝜇
𝑇=
𝑆
𝑛
𝐼𝐶 𝜇 ; 1−𝛼 = 𝑋 − 𝑡𝛼 ∙ 𝑆 ; 𝑋 + 𝑡𝛼 ∙ 𝑆
2 2
𝑛 𝑛
𝑋 = 26.227 e 𝑆 = 15.873
1 − 𝛼 = 0,95
Para → 𝑡𝛼 2 = 2,201.
𝑔. 𝑙. = 𝑛 − 1 = 11
15.873
𝐸 = 𝑡𝛼 2 ∙𝑆 = 2,201 = 10.085,29
𝑛 12
𝐼𝐶 𝜇 ; 0,95 = 26.227 − 10.085,29; 26.227 + 10.085,29
𝐻0 : 𝜇 = 𝜇0
𝐻1 : 𝜇 ≠ 𝜇0 → 𝑖𝑝ó𝑡𝑒𝑠𝑒 𝑏𝑖𝑙𝑎𝑡𝑒𝑟𝑎𝑙
𝑉𝑠 𝐻1 : 𝜇 > 𝜇0 → 𝑖𝑝. 𝑢𝑛𝑖𝑙𝑎𝑡𝑒𝑟𝑎𝑙 à 𝑑𝑖𝑟𝑒𝑖𝑡𝑎
𝐻1 : 𝜇 < 𝜇0 → 𝑖𝑝. 𝑢𝑛𝑖𝑙𝑎𝑡𝑒𝑟𝑎𝑙 à 𝑒𝑠𝑞𝑢𝑒𝑟𝑑𝑎
• Qualquer que seja a decisão tomada, vimos que
estamos sujeitos a cometer erros.
76,2 78,3 76,4 74,7 72,6 78,4 75,7 70,2 73,3 74,2
𝑃 𝑧 ∈ 𝑅𝐶 𝐻0 é 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑖𝑟𝑎 = 0,05
𝑃 𝑧 < 𝑧𝑐1 𝑜𝑢 𝑧 > 𝑧𝑐2 𝜇 = 73 = 0,05
𝑃 𝑧 < 𝑧𝑐1 + 𝑃 𝑧 > 𝑧𝑐2 = 0,05
• Pela tabela da dist. normal padrão, tem-se que:
𝑧𝑐1 = −1,96 e 𝑧𝑐2 = 1,96
𝐻0 : 𝜇 = 30
• Passo 1:
𝐻1 : 𝜇 > 30
• Passo 2:
𝑋−𝜇
𝑡= ~ 𝑡(24)
𝑆
𝑛
• A amostra obtida forneceu a estimativa 𝑥𝑜𝑏𝑠 = 31,5.
Dessa forma,
H 0 : 450
H1 : 450
447 450
p valor P Z PZ 2,68 0,0037
10 80
• Note que o p-valor se relaciona diretamente com o
nível de significância 𝛼.
• Neste
Neste exemplo,
exemplo,sesetivéssemos
tivéssemosfixado umum
fixado 𝛼 ≥nível
1,83%,
de
significância superior
a decisão seria ou igual
pela rejeição de a𝐻00,37%, a conclusão
, ao passo que para
seria pela rejeição de H0, ao passo que valores
𝛼 < 1,83%, optaríamos por não rejeitar 𝐻0 .
inferiores a 0,37% conduziriam à não rejeição da
hipótese nula.
• Exemplo: No exemplo da seção 5.2.3, estávamos
testando a afirmativa de que os cigarros de certo
fabricante não contêm mais que 30mg de nicotina,
ou seja, estávamos
Solução: testando as seguintes hipóteses:
𝐻0 : 𝜇 = 30
Passo 1:
𝐻1 : 𝜇 > 30
• A amostraPasso
de 252:cigarros forneceu as estimativas
xobs 31,5 mg 𝑋−
e 𝑡 =Sobs 3𝜇 mg
~ 𝑡(24)
𝑆
𝑛
• Dessa forma o p-valor é dado por:
31,5 30
p valor P T PT 2,5
3 25
𝐻0 : 𝜇 = 73
𝐻1 : 𝜇 ≠ 73
2
• Como vimos, sob 𝐻0 , 𝑋~𝑁 73; 2
10 .
75 − 73
𝑝 − 𝑣𝑎𝑙𝑜𝑟 = 2 × 𝑃 𝑍 >
2 10