Escolar Documentos
Profissional Documentos
Cultura Documentos
Índice:
Exercícios .................................................................................................................. 37
Exercícios I ................................................................................................................. 65
Exercícios II................................................................................................................ 68
Exercícios ................................................................................................................... 92
3
Estatística
Capítulo V – Distribuições Teóricas Contínuas ......................................................... 110
1. Distribuição Uniforme ................................................................................... 110
2. Distribuição Normal ou de Laplace-Gauss ..................................................... 112
2.1. Características da Distribuição Normal .................................................... 113
2.2. Cálculo das Probabilidades na Distribuição Normal................................. 113
3. Distribuição Exponencial............................................................................... 116
4
Estatística
Capítulo I – Estatística Descritiva
As origens da estatística remontam a cerca de 2 000 anos antes de Cristo. Por volta do
séc. XXII A.C. já os chineses realizavam inventários mais ou menos regulares da população.
Até ao séc. XV, a Estatística tratava quase exclusivamente de assuntos de estado. Tornou-
-se autónoma por volta do séc. XVII com a chamada escola alemã. Foram os alemães que lhe
deram o nome STAATENKUNDE (Achemel, séc. XVIII) que significa “assuntos de estado”.
Mais ou menos na mesma época é a “Escola dos Aritméticos Políticos” (John Graunt. William
conhecimentos de matemática.
Uma nova fase de grande desenvolvimento surgiu com a sua aplicação aos jogos de azar
(Cavaleirode Méré, Pascal, Fermat, etc). É nesta fase que também se verifica um grande
importância. Isto em meados do séc. XIX. Foi Chuetelet quem, pela primeira vez definiu
fenómenos sociais. Mostrou, por exemplo, que a criminalidade está, em geral ligada com a
5
Estatística
1.2. Objecto da Estatística
Duma forma mais geral pode dizer-se que a estatística é um conjunto de métodos e
2. Estatística Descritiva
indicadores numéricos.
Convém referir que o termo “estatística” é utilizado para referir dois conceitos
6
Estatística
A utilidade da estatística pode ser resumida do seguinte modo:
É necessário, desde o início do estudo, estar claro qual o problema a analisar e, uma vez
conhecido, qual o tipo de decisões que se pretendem tomar. Esta etapa já requer algum
conhecimento estatístico uma vez que os métodos a aplicar, não são de modo algum,
problema torna todas as etapas seguintes inúteis. Para identificar melhor o problema
A recolha de toda a informação necessária pode ser feita directamente quando os dados
7
Estatística
Exemplo
INE.
As fontes de dados podem ainda ser classificadas como internas (por exemplo, os serviços
Quando a informação não está toda disponível, é necessário recolher nova informação, o
que poderá ter vantagens e desvantagens. Vantagens porque permite uma definição precisa
8
Estatística
2.1.3. Crítica dos dados
Feita a recolha dos dados, procede-se a uma revisão crítica de modo a suprimir valores
Uma vez recolhidos os dados e feita a revisão crítica, convém organizar os dados de uma
necessários para classificar e apresentar conjuntos de dados numéricos de tal modo que a
Conclusões enviesadas podem ser propositadas ou não e ter diferentes causas. O exemplo
raramente coincidem. São exemplos de enviesamento propositado para servir fins políticos
em que se torna difícil demonstrar, com rigor, qual delas está errada. No entanto, muitas
vezes o enviesamento não é propositado. Pode começar por ser o resultado da utilização de
dados pouco adequados, pode ser explicado pela utilização de medidas de estatística
9
Estatística
3. Apresentação dos Dados: Quadros e Gráficos
3.1. Quadros
Quando nos deparamos com grandes massas de dados não classificados torna-se muito
apresentação adequada desses valores. Essa representação pode ser feita através de
quadros ou gráficos.
Por exemplo, o Quadro 1 apresenta 40 tiragens de 6 bolas cada, de uma urna com bolas de
várias cores, e que, em cada tiragem se anotou o número de bolas azuis. O resultado das
3 1 3 5 0 1 2 6 6 6
2 4 0 3 0 4 1 2 2 6
0 5 2 5 1 5 2 4 1 4
1 5 6 2 3 5 0 3 4 1
3.2. Gráficos
A representação gráfica dos dados estatísticos tem por finalidade, dar uma ideia, a mais
imediata possível dos resultados obtidos permitindo chegar-se a conclusões rápidas sobre a
apresentados. Para que tal seja conseguido, quando se constrói um gráfico deverá ter-se
10
Estatística
3.2.1. Gráfico de Linhas
É porventura o mais utilizado de entre todos os tipos de gráficos devido à sua facilidade de
execução e de interpretação. Não é tão preciso como um quadro mas tem a vantagem de
O Gráfico 1 é um
do primeiro semestre.
eixos (horizontal)
e as respectivas
9.9 frequências no
9.5
Gráfico 2-Estimativas da
1985 1990 1995 2000 2005 2010 2015
população portuguesa
1985-2015 (milhões)
11
Estatística
O Gráfico 2 é um exemplo de um gráfico de barras onde se apresentam as estimativas da
população portuguesa até ao ano 2015 sendo, desde logo, visível que a população total
crescerá até ao ano 2000, data a partir da qual diminuirá de forma constante.
Tal como os gráficos de linhas, também os gráficos de barras nos permitem fazer a
Consiste na representação gráfica dos resultados num círculo, por meio de sectores. Para o
construir, divide-se o círculo em sectores, cujas as áreas serão proporcionais aos valores
Sector
Primário
Secundário
Terciário
Gráfico 3-Distribuição da população activa
portuguesa pelos três sectores da actividade
Este tipo de gráfico representa os dados estatísticos por meio de um polígono. Para o
construir, divide-se uma circunferência em
Janeiro
20
Dezembro Fevereiro tantos arcos quantos forem os dados a
15
Novembro Março
representar. Por esses pontos de divisão
10
12
Estatística
4. Distribuição de Frequências
observações de determinada fonte. Por exemplo, para conhecer a opinião pública sobre
apresentam uma ou mais características em comum. A população pode ser finita ou infinita,
elementos da população.
4.1.2. Amostra
população e torna-se necessário retirar uma amostra ou subconjunto (que se supõe ser
características da população).
Ao estudar uma população ou uma amostra dessa população o que se pretende é conhecer as
suas características ou atributos para que, posteriormente, seja possível tomar decisões
13
Estatística
com base nesse conhecimento: fazer comparações com outras populações, fazer previsões
para o futuro, etc. As características ou atributos dos elementos podem ser qualitativos ou
classificados como discretos ou contínuos. São discretos aqueles que tomam um número
finito ou infinito numerável de valores. Dados contínuos podem tomar um número infinito
4.1.5. Variável
precisão de uma medida é sempre limitada e os resultados são apresentados muitas vezes
sob a forma discreta. Inversamente, desde que uma variável estatística possa tomar um
Assim, a distinção entre variáveis estatísticas assenta essencialmente nos valores serem
14
Estatística
Exemplo
aparelho, etc.
Considere-se uma população (N) ou amostra (n) de indivíduos com a característica que
Numa coluna colocam-se todos os valores que a variável apresenta e na segunda coluna o
Frequências
xi
Absolutas
x1 n1
x2 n2
xp np
ocorrências.
15
Estatística
A frequência absoluta ni é o número de vezes que cada modalidade da variável se repete
na amostra ou população.
vezes que esse valor ocorre ni relativamente ao total da amostra (n) ou população (N).
Exemplo
O número de erros cometidos por uma dactilógrafa em 100 páginas nunca foi superior a
xi ni fi cum ni cum f i
0 10 0,10 10 0,10
1 15 0,15 25 0,25
2 25 0,25 50 0,50
3 40 0,40 90 0,90
As frequências absolutas mostram-nos, por exemplo, que apenas 10 páginas não tinham
qualquer erro e que em 40 páginas foram encontrados três erros. As frequências relativas
permitem-nos concluir que 25% das páginas tinham dois erros enquanto que as frequências
16
Estatística
acumuladas nos dão a informação de que 50 páginas, correspondendo a 50% do total das
As variáveis contínuas, por poderem tomar um número infinito não numerável de valores,
característica em estudo. Para definir estas classes é necessário introduzir alguns novos
conceitos: o número de classes, a amplitude, limite e ponto médio ou centro das classes.
Não há uma fórmula exacta para determinar o número de classes. Não deverá ser um
número muito grande para introduzir irregularidades que poderão não existir na população,
mas também não deverá ser muito pequeno para que não haja perda de informação. É
Existem algumas regras básicas que deverão ser seguidas na construção dos intervalos:
5. Classes abertas deverão ser evitadas embora nem sempre seja possível fazê-lo;
6. Os limites das classes são definidos de modo a que cada valor da variável é incluído num
e só num intervalo;
Tendo em conta estas regras, por vezes é adoptada uma das seguintes soluções:
17
Estatística
A amplitude das classes a i poderá ser calculada, se pretendermos todas as classes com a
R
mesma amplitude, da seguinte maneira: ai em que R é a diferença entre os valores
k
Exemplo
Considere-se a distribuição dos salários (em euros) dos empregados da empresa ALFA.
Número de
Classes de rendimentos
empregados fi cum ni cum f i
mensais (10€) xi
ni
Menos de 40 5 0,083 5 0,083
Total 60 1,00
Neste exemplo, duas classes extremas têm amplitude indeterminada e as restantes classes
têm amplitude 20. O centro de cada classe é o seu ponto médio, sendo, por exemplo, para a
segunda igual a 50. No que diz respeito aos limites da cada classe, estabelece-se que o
limite superior não lhe pertence o que significa que, por exemplo, a segunda classe integra o
A leitura dos quadros de frequências, a síntese de informação que eles contêm é por vezes
difícil.
18
Estatística
Uma distribuição estatística pode ser descrita de uma forma bastante mais clara
extremamente eficaz.
fi Diagrama
Diferencial
0 1 2 3 4 xi
Diagrama
Integral
Como as variáveis discretas
Cum fi
assumem valores separados
1.0 uns dos outros, a
diagrama integral.
0 1 2 3 4 xi
19
Estatística
7.2. Variáveis Contínuas
frequências absolutas ou relativas. Quando a amplitude das classes extremas não está
definida, convenciona-se que estas classes têm a amplitude das classes adjacentes.
da empresa ALFA, pressupondo que a primeira e a última classes têm amplitude igual às
fi
0.4
Polígono de frequências
0.3
0.2
0.1
0 Rendimentos
20 40 60 80 100 120 140 Mensais
alternativa ao histograma, que se obtém unindo os pontos médios dos topos de rectângulos
com segmentos de recta. Para fechar o polígono é necessário criar uma classe adicional em
cada um dos extremos do histograma, com amplitude idêntica à das classes adjacentes e
Uma outra maneira útil de apresentação gráfica é a que utiliza as frequências acumuladas.
distribuição dos elementos dentro da classe se faz de uma forma uniforme o que origina, no
20
Estatística
Cum fi
1.0
0.8
0.750
0.6
0.4
0.2
0 Rendimentos
20 40 60 80 100 120 140
Mensais
Deste polígono de frequências acumuladas retiramos, por exemplo, que 75% dos
idades variam entre 20 e 84 anos. Formam-se classes com amplitude, por exemplo, de 10
anos, cujos valores extremos (20, 30, 40, …) se colocam na vertical de um diagrama de stem
20 11599
30 0011245578
40 000112344556678899
50 012222334445556677888
60 0044589
70 1355
80 4
21
Estatística
Se rodássemos o diagrama para a esquerda ele assemelhar-se-ia a um histograma sem que,
no entanto, se perdesse a informação original. Por exemplo, neste caso é ainda possível
saber quais as idades exactas dos dezanove compradores que têm entre 40 e 50 anos.
Yule definiu alguns critérios que as medidas de estatística descritiva deverão satisfazer:
1. Objectividade;
4. Facilidade de cálculo;
Neste ponto o estudo recai sobre as medidas de localização, medidas estas que localizam os
valores observados da variável no eixo dos números reais. As mais importantes são as
medidas de tendência central pois representam os fenómenos pelos seus valores médios,
observações.
22
Estatística
x x2 x N
xi
1 i 1
Média da População
N N
(dados desagregados)
x1 x 2 x n
xi
x i 1
Média de uma amostra da população
n n
(dados desagregados)
onde:
N tamanho da população;
n tamanho da amostra.
Exemplo 1
1. Simples 3
2. Madonna 8,5
4. Springsteen 4,6
5. David Bowie 6
6. Maradona 5,5
Utilizando a fórmula da média aritmética, o preço médio dos vários modelos de T-shirts
23
Estatística
3 8,5 3,75 4,6 6 5,5
5,23 €.
6
É de salientar que este não será o preço médio das t-shirts vendidas na loja se as
quantidades vendidas de cada modelo forem diferentes. Neste caso, é necessário ponderar
5. David Bowie 6 6 36
6. Maradona 5,5 6 33
50 230,8
xi ni xi f i Média da população (dados agregados)
N
ni
sendo f i a frequência relativa de cada valor da variável.
N
Podemos também definir o conceito de média aritmética para uma amostra de indivíduos
x
x i ni
x fi i Média de uma mostra (dados agregados)
n
24
Estatística
No caso de variáveis contínuas, para efectuar o cálculo da média aritmética, é necessário
Exemplo 2
ci ni
N
ci fi Média da população (dados agregados em classes)
1 996 000
17 821,4 ( 100 €).
112
Nota
Para os atributos qualitativos (variáveis nominais) não faz sentido calcular a média pois os
valores da variável não são numéricos e se o forem funcionam como meros índices.
25
Estatística
Propriedades da média aritmética
f i xi 0
mínima:
f i xi 2 é mínimo
Utiliza toda a informação disponível e pode ser calculada com precisão matemática.
média;
Quando estamos perante fenómenos cujas as variáveis são proporcionais a um valor inicial é
mais aconselhável utilizar a média geométrica Mg que se define da seguinte maneira:
N
Mg N
xi Média Geométrica (dados desagregados)
i 1
26
Estatística
N
Mg N xi Média Geométrica (dados agregados)
ni
i 1
harmónica. Por exemplo, quando estudamos fenómenos como a velocidade média, o custo
1
Mh N
.
1
fi
i 1 xi
8.1.4 Mediana
A mediana é o valor central médio depois de ordenar os dados por ordem crescente ou
é, o número de observações para valores que lhe são inferiores deverá ser igual ao número
de observações para valores que lhe são superiores, depois de se colocarem os dados quer
N 1
Se N for ímpar, a mediana será o elemento central de ordem ;
2
N
Se N for par, a mediana será a média entre os elementos centrais de ordem e
2
N 2
.
2
27
Estatística
Cálculo da mediana no caso de uma variável contínua
No caso de uma variável contínua agrupada em classes, o cálculo da mediana pode ser assim
sumariado:
N
Calcula-se a ordem . Como a variável é contínua não é necessário diferenciar entre
2
N par e ímpar;
Pelas frequências acumuladas identifica-se a classe que contém a mediana e que será a
classe mediana;
N cum nMe 1
Me li Me 2 a Me Mediana
n Me
(frequências absolutas)
em que,
0 ,5 cum f Me 1
Me li Me a Me Mediana
f Me
(frequências relativas)
28
Estatística
8.1.5 Moda
A moda é o valor mais frequente da distribuição ou ainda o valor que mais observações
apresenta no conjunto dos dados. Tal como a mediana, a moda é também uma medida de
variáveis discretas, o cálculo da moda não tem qualquer dificuldades, enquanto que para as
variáveis contínuas é necessário definir primeiro a classe modal e depois aplicar a seguinte
fórmula:
n Mo 1
Mo li Mo aMo Moda
n Mo 1 n Mo 1
(frequências absolutas)
f Mo 1
Mo li Mo aMo Moda
f Mo 1 f Mo 1
(frequências relativas)
onde,
29
Estatística
ni
5 10 15 20 25 30 xi
Moda
Como vantagens a moda é fácil de calcular e interpretar e não é afectada por valores
extremos, no entanto, não pode ser definida com rigor e o seu valor exacto é muitas vezes
incerto.
Uma distribuição de frequências poderá ter mais do que uma moda e, nesse caso, diz-se
Existem outras medidas que nos dão a localização dos valores da variável, que em termos
- quartis;
- decis;
- percentis.
Os quartis são os valores da variável que dividem a distribuição em quatro partes iguais.
Os decis são os valores da variável que dividem a distribuição em dez partes iguais e os
30
Estatística
9. Medidas de Estatística Descritiva: Medidas de Dispersão
As medidas de localização não são por si só, suficientes para caracterizar de forma
adequada a distribuição de frequências de uma variável e, por esta razão devem ser sempre
acompanhadas de uma medida que dê uma indicação da dispersão dos valores da variável. As
localização, pois é comum encontrarmos variáveis que, apesar de terem a mesma média, são
R xmax xmin
A desvantagem que esta medida apresenta é o facto de ter apenas em conta os dois valores
extremos que a variável toma e, portanto, não ser sensível aos valores intermédios.
IQ Q3 Q1
Tem como desvantagem o facto de não ser influenciado por metade dos valores observados
31
Estatística
Quando os dados estão desagregados o desvio absoluto médio DM é igual à soma das
DM
xi
N
Para dados já agregados, o desvio absoluto médio é a média aritmética dos desvios
DM f i xi
Quanto maior for a concentração dos dados ao redor da média, menor é o desvio médio. O
principal inconveniente desta medida é a utilização de módulos no seu cálculo. Dado que a
Para dados desagregados, a variância é a soma do quadrado das diferenças entre os valores
N
x i 2
i 1
2
N
Para dados agregados, a variância é a média aritmética do quadrado dos desvios dos valores
32
Estatística
N
n i x i 2
2 i 1
f i x i
2
N
Por essa razão, é mais utilizado como medida de dispersão, o desvio padrão que se
2
O coeficiente de variação Cv é uma medida relativa da dispersão, útil para a compreensão
frequências distintas. É dado pela relação, em termos percentuais, entre o desvio padrão e
a média de distribuição.
Cv . 100
variação inferiores a 50%, a média será tento mais representativa quanto menor o valor
desse coeficiente.
33
Estatística
10. Medidas de Estatística Descritiva: Medidas de Assimetria e Curtose
O método mais simples para se medir o grau de assimetria de uma distribuição consiste na
Numa distribuição simétrica verifica-se que a média, a mediana e a moda são iguais. Quando
enviesada à direita.
3 média mediana
G , a divisão pelo desvio padrão permite-nos obter um resultado que
desvio padrão
não é influenciado pela dispersão dos dados, mas apenas pelo grau de assimetria.
3 Me
G Grau de Assimetria (para uma população)
3 x Me
G Grau de Assimetria (para uma amostra)
S
34
Estatística
Existem ainda outros indicadores quantitativos que nos permitem estimar, com maior
Mo
G1
Se G1 0 a distribuição é simétrica,
Pearson definiu um segundo coeficiente que nos permite calcular o grau de assimetria de
uma distribuição quando não dispomos da média e do desvio padrão, utilizando apenas os
quartis da distribuição.
Q3 Q1 2Me
G2 .
Q3 Q1
Q3 Q1
K
2 P90 P10
sendo
36
Estatística
Exercícios I
1. Uma urna contém bolas de várias cores. Suponha que fizeram 40 tiragens de 6 bolas
cada e que, em cada tiragem se anotou o n.º de bolas azuis. O resultado das
3 1 3 5 0 1 2 6 6 6
2 4 0 3 0 4 1 2 2 6
0 5 2 5 1 5 2 4 1 4
1 5 6 2 3 5 0 3 4 1
b) Obtenha:
xi ni fi cum fi
cum ni
0 8
1 0,15
2 20
3 0,9
4 4
37
Estatística
1 4 1 2 2 3 3 2
1 2 3 2 3 1 0 1
2 7 4 3 5 1 2 4
2 1 3 1 0 1 2 1
1 3 1 0 4 2 3 5
xi ni
2 30
3 30
4 20
5 18
>5 2
Total 100
5. Numa sondagem a 40 pessoas, sobre quantos anos achavam que eram necessários para
os seguintes dados:
5 50 30 15 40 75 100 65 10 10
20 20 65 30 25 5 15 20 50 45
100 70 80 25 20 40 35 10 80 70
90 20 30 35 30 50 40 100 80 100
Desenhe um histograma agrupando os dados nas classes: 1 a 20, 21 a 40, 41 a 60, etc.
38
Estatística
Nª de lâmpadas 5 10 42 75 18
Duração da vida (horas) [ 0, 300 [ [ 300, 600 [ [ 600, 900 [ [ 900, 1200 [ [ 1200, 1500[
seguinte:
Tempo (segundos) Nº de chamadas
[0, 20[ 1
[20, 40[ 2
[40, 60[ 3
[60, 80[ 6
[80, 100[ 11
[100, 120[ 27
[120, 140[ 23
[140, 160[ 17
[160, 180[ 10
8. Calcule a média aritmética, a mediana e a moda para cada um dos seguintes conjuntos
de dados:
a) 20, 22, 20, 18, 25, 23, 27, 24, 24, 28, 20;
b) 20, 22, 20, 18, 25, 23, 27, 24, 24, 200, 20;
c) 5, 4, 5, 7, 2, 1, 8, 4, 9, 5, 4, 1, 1, 4, 5, 1;
39
Estatística
9. Perguntou-se a vinte e nove rapazes de 12 anos qual era a sua semanada. Obtiveram-se
as seguintes respostas:
100 100 150 150 200 200 200 200 200 200
b) O João, elemento desse grupo, foi pedir um aumento ao pai, baseado nos cálculos
anteriores. Qual foi, em sua opinião, a medida em que o João baseou a sua
argumentação?
10. Numa Associação Desportiva, a altura média dos seus 200 atletas é de 1,65 m. As
atletas femininas são 110 e têm uma altura média igual a 1,60 m. Determine a altura
11. A tabela seguinte indica a distância em Km, percorrida em 6 anos, por 100 carros.
menos de 110 1
[ 110, 115 [ 2
[ 115, 120 [ 8
[ 120, 125 [ 25
[ 125, 130 [ 47
[ 130, 135 [ 79
[ 135, 140 [ 94
[ 140, 145 [ 97
40
Estatística
b) Quantos carros percorreram 135 Km ou mais, mas menos de 140 Km?
12. Um professor de Matemática perguntou aos alunos das suas 4 turmas quanto dinheiro
Classes Frequências
Acumuladas
[0, 5[ 6
[5, 10[ 38
[10, 15[ 82
13. É a seguinte a distribuição de frequências do rendimento mensal per capita das 22 007
41
Estatística
[65, 70[ 1 760
90 280
Total 22 007
14. Para a análise da estrutura salarial da indústria têxtil em Portugal, inquiriram-se 500
indivíduos sobre a remuneração mensal que auferem, tendo-se obtido informação, que
15 – 20 80
20 – 25 150
25 – 30 230
30 – 35 30
35 - 40 10
15. Foi feita uma experiência para medir o tempo gasto na execução da determinada tarefa
seguintes:
42
Estatística
menos de 10 1 2
10 – 15 2 1
15 – 20 3 5
20 – 25 19 16
25 – 30 60 30
30 – 35 40 10
35 ou mais 5 2
minutos.
Média aritmética
Mediana
Desvio-padrão
Coeficiente de Variação
Coeficiente de Assimetria
Grupo de Operários
Grupo de Operárias
16. Construa uma curva de Lorenz para o seguinte conjunto de dados referentes à
1 Muito Pobre 20 1
2 25 7
3 20 8
4 20 14
5 10 40
6 Muito Rico 5 30
43
Estatística
17. Os resultados obtidos num inquérito aos trabalhadores da construção civil, com o
seguintes:
40 – 50 24 005 1 161
50 – 60 39 477 2 142
60 – 80 24 093 1 571
200 514 59
por classes de produto agrícola bruto (PAB), para os distritos de Viana do Castelo e
Setúbal:
Classes de PAB Número de explorações agrícolas Produto agrícola bruto (PAB) (contos)
44
Estatística
19. O gerente de um supermercado decidiu registar as chegadas de clientes ocorridas
Para tal procedeu ao registo das chegadas em cada 100 períodos de um minuto,
xi ni
0 1
1 8
2 19
3 23
4 17
5 15
6 8
7 3
8 3
9 2
10 1
Total 100
20. O departamento comercial de uma Empresa Importadora de vinhos que tem duas
seguintes:
Nº de unidades vendidas Loja A Loja B
0 – 10 10 6
10 – 20 15 18
20 – 30 3 4
30 – 50 2 1
50 - 70 0 1
b) Utilizando as medidas de tendência central, compare as vendas das duas lojas quanto à
simetria.
Como interpreta estes resultados em termos das vendas das duas lojas.
45
Estatística
1. Análise Combinatória
Sendo os conjuntos
A 1,2,3,4 e B a , b, c
A B x , y : x A e y B.
Observando que cada elemento de A pode combinar-se com cada um dos três elementos de
B, conclui-se que o conjunto A B tem ao todo 12 elementos, ou seja, o seu número cardinal
é 12.
A B A B=4 3 =12
B A B A=3 4 =12
A B A B= m n.
46
Estatística
Exemplo
inglês e dos ingleses, 18 falavam inglês e francês. Formaram-se pares constituídos por um
Os 15 franceses que falavam inglês podiam entender-se com qualquer dos 60 ingleses e os
quadrado cartesiano de A .
Analogamente,
# A3 n 3
47
Estatística
# A n
4 4
# Ap np
n
A' p n p .
Exemplo
Quantos resultados diferentes é possível obter com três lançamentos de uma moeda?
Como num lançamento de uma moeda há dois resultados possíveis, sair cara ou sair escudo,
tem-se
2
A' 3 2 3 8 .
O 2º elemento da sequência só pode ser uma das três letras restantes, pois
48
Estatística
O 3º elemento da sequência só pode ser uma das duas letras restantes, pois
Em esquema, tem-se:
4 3 2
Considerando que
tem-se
logo vem,
n!
n
Ap com n p
n p !
49
Estatística
Exemplo
Um saco contém 5 bolas numeradas de 1 a 5. De quantas maneiras podemos extrair:
5
A' 3 5 3 125
Não havendo reposição da bola, significa que não há elementos repetidos nas sequências.
5! 5 4 3 2 1 !
5
A4 120
5 4 ! 1!
Permutações
Pn n An .
n! n! n!
Como, n An n ! , então,
n n ! 0 ! 1
Pn n !
50
Estatística
elementos de A, em que:
Exemplo
De quantas maneiras diferentes se podem sentar 5 pessoas:
a) numa fila?
P5 5 ! 5 4 3 2 1 120
Como uma das pessoas pode sentar-se em qualquer lugar, as restantes 4 pessoas podem
P4 4 ! 4 3 2 1 24
1.3. Combinações
possível definir?
51
Estatística
Verificamos anteriormente que 4
A2 dá-nos o número de sequências de dois elementos
possíveis que é possível formar num conjunto de quatro elementos. Observando que numa
sequência consideramos a ordem dos seus elementos e num conjunto não, e que com os
4!
4
A2 4 2 ! 4!
6
2! 2! 2! 2!
4
combinações de quatro elementos dois a dois e representa-se por 4 C 2 ou .
2
n
O número de combinações de n elementos p a p, que se representa por n
C p ou , é
p
dada por
n n
Ap n Ap
n
Cp ou , n p
p! p p!
A, em que:
Exemplo
Numa aula de Matemática estão presentes 18 raparigas e 12 rapazes. Quantos grupos de
52
Estatística
30 !
30
C5 142506
5 ! 25 !
escolhidos de 12
C 2 modos diferentes. Ao todo tem-se
18 ! 12 !
C 3 12 C 2
18
53856
3 ! 15 ! 2 ! 10 !
rapazes.
fundamentais:
a) Ela pode ser repetida um número grande de vezes nas mesmas condições ou pelo menos
em condições análogas;
experiência aleatória, os seus resultados individuais não são previstos com exactidão;
53
Estatística
c) Os resultados obtidos ao cabo de uma longa repetição da experiência apresentam
exacta).
aquela cujo resultado pode ser conhecido antes da sua realização. Por exemplo, o
conjunto formado por todos os resultados possíveis que são obtidos quando se efectua uma
experiência aleatória.
O espaço de resultados é 1, 2, 3, 4, 5, 6 .
Exemplo: Uma loja abre às 9 horas e encerra às 19. Um cliente, tomado ao acaso, entra
na loja no momento e sai no momento . Pretende-se observar os momentos de
54
Estatística
Como a chegada e a saída de um cliente se processa ao acaso, logicamente que poderá
2.3. Acontecimentos
Exemplo
Obs:
Acontecimento é um subconjunto de .
55
Estatística
também é um acontecimento. é um acontecimento impossível pois não contém
algum elemento de .
Nota
aleatória, , é um elemento de A ( A ).
AB :ω A ω B .
Exemplo
do número inscrito na face voltada para cima e os dois acontecimentos a ela associados :
A 2, 4
B 6
por
56
Estatística
A B : A B .
se
AB .
Exemplo
do número inscrito na face voltada para cima e os dois acontecimentos a ela associados :
A e B são mutuamente exclusivos ou incompatíveis, uma vez que não podem ocorrer
simultaneamente: se ocorre A , isto é, sai face par, não pode ocorrer B e vice -versa.
Exemplo
Seja a experiência aleatória que consiste em medir o consumo médio per capita de
A : consumo médio per capita é superior ou igual a 30 litros mas inferior a 50 litros.
B : consumo médio per capita é superior ou igual a 40 litros mas inferior a 75 litros.
A =[30, 50 [
B =[40, 75[
57
Estatística
A B =[30, 40[.
Exemplo
A =[30, +[
A = ]–, 30[
Exemplo
Consideremos a experiência aleatória em que A e B são os seguintes acontecimentos:
A 1, 2, 3
B 2, 4
A B 1, 3, 4
a) Comutatividade de e :
A B B A
58
Estatística
A B B A
b) Associatividade de e :
A B C A B C
A B C A B C
c) Distributividade de e :
A B C A B A C
A B C A B A C
d) leis De Morgan:
AB A B
AB A B
e) dupla negação:
AA
2.4. Probabilidade
Pwi
1
, i 1,2,, n
n
59
Estatística
Exemplo
1,2,3,4,5,6
P1,3 ?
número de resultados favoráveis a A 2 1
PA
número de resultados possíveis 6 3
Definição: Seja uma sequência de n provas onde A ocorre k vezes. A frequência relativa
do acontecimento A é
f A
k
n
Propriedades
I. f A 0, A ;
Teorema de Bernoulli
De um modo grosseiro,
60
Estatística
lim f A P A .
n
: Espaço Amostra;
P : Probabilidade associada a cada acontecimento.
I. P A 0, A F
II. P 1
III. A1 , A2 , mutuamente exclusivos P Ai P Ai
i 1 i 1
P 0
Ai
n n
Ai A j P
Ai
PAi
i 1 i 1
PB A PB P A B
P A B p A PB P A B
P A 1 P A
P A B p A PB
A B P A PB
61
Estatística
2.5. Probabilidade Condicionada
Sejam,
Então,
PC P D P E
1 2 1 1
, , .
2 6 3 6
Se a face voltada para cima é par, então o par amostral reduziu-se a 2,4,6 . Assim,
a) A probabilidade de E é PE | C
1
.
3
b) A probabilidade de D é PD | C
1
.
3
PB 0 ,
P A B
A , P A | B
PB
Teorema
Dado um acontecimento B tal que PB 0 , a função que a cada acontecimento A associa
P A | B é uma probabilidade.
62
Estatística
(isto equivale a, , P é um espaço de probabilidade com PB A P A | B ).
I. Ai A j , i j (acontecimentos incompatíveis)
II. Ai (acontecimentos exaustivos)
i 1
: Ai i 1,2, .
Supondo que P Ai 0, i 1,2,3, então
B : P B PAi .PB | Ai .
i 1
Teorema de Bayes
tal que
P Ak .PB | Ak
P Ak | B
, P B 0 .
P Ai .PB | Ai
i 1
63
Estatística
Acontecimentos Independentes
Teoremas
1) A e B independentes A e B independentes;
2) A e B independentes A e B independentes;
3) A e B independentes A e B independentes;
64
Estatística
Exercícios I
quantos modos diferentes se pode escolher uma refeição constituída por uma entrada,
se podem extrair as duas cartas, considerando que uma é um ás e outra é uma carta de
paus?
a) três algarismos;
b) cinco algarismos.
5. Em Portugal, as matrículas dos automóveis são constituídas por dois grupos de dois
alfabeto.
65
Estatística
b) Supondo que as matrículas são constituídas por um grupo de dois algarismos,
seguidos de dois grupos de duas letras, quantos carros seria possível registar com
matrículas diferentes?
6. Uma aposta simples de totobola consiste em assinalar 13 cruzes, cada uma das quais
relativa a um dos trezes jogos. Quantas apostas simples diferentes é possível fazer no
totobola?
7. A polícia de um dado país atribuiu um código a cada um dos 200 000 cadastrados
existentes nesse país. Cada código é constituído por um algarismo, seguido de um certo
número de letras. Considerado que são usadas as 26 letras do alfabeto, quantas letras
deve ter cada código para ser possível registar todos os cadrastados?
Considerando que cada uma das equipas joga com cada uma das outras equipas duas
10. Uma urna contém uma bola branca, uma bola vermelha , uma bola verde, uma bola azul e
uma bola preta. De quantas maneiras diferentes podemos extrair três bolas,
c) a primeira bola extraída é vermelha, e que cada bola extraída não é colocada de
novo na urna?
66
Estatística
11. Quantos números de algarismos diferentes se podem escrever com os algarismos 2, 4,
6 e 8, de modo que:
6500?
13. De entre 8 pessoas, vão-se escolher algumas delas para formar uma comissão.
a) todas as letras?
15. Para fazer uma aposta simples do totoloto têm de escolher 6 de entre 49 números do
16. Depois de bem baralhadas, das 40 cartas de um baralho extraíram-se cinco cartas.
a obter:
67
Estatística
a) três ases e uma dama;
17. O Carlos tem 4 moedas, sendo os seus valores de 5, 10, 20 e 50 escudos. Com as
Exercícios II
complementares.
PA 0,6; PA B 0,55; P A B 0,2
a) A B; A C; B C
b) A B; A C; B C
68
Estatística
c) A, B e C
d) ABC
e) A B C
f) A B C
a) acertar no totobola?
b) Acertar no totoloto?
bolas brancas e 3 azuis. Diga qual a probabilidade de no máximo, serem extraídas duas
bolas azuis.
nacionais, foi registado durante um longo período de tempo de acordo com a tabela que
se segue (p.e., naquele período foram efectuadas 110 transacções em DEM’s pela
empresa 1):
Empresa 1 Empresa 2
Alemão)
Francês)
69
Estatística
Tendo sido seleccionada aleatoriamente uma transacção de entre as registadas, diga qual a
probabilidade de:
d) Sabendo que foi realizada em GBP, ter sido realizada pela empresa 1?
e) Sabendo que não foi realizada pela empresa 1, não ter sido realizada em GBP?
10. Num determinado jogo do campeonato do mundo de futebol estiveram presentes 50000
espectadores, dos quais 25000 eram dinamarqueses e 20000 eram brasileiros. Dos
dinamarqueses 12000 eram homens, enquanto dos brasileiros 8000 eram mulheres.
Sabe-se ainda que estavam presentes um total 23000 mulheres. Com base nestes dados
metade das máquinas, enquanto o Bernardo é responsável por um oitavo. Sabe-se que as
70
Estatística
desafinarem na primeira hora de funcionamento após uma afinação, igual a 0,02, 0,03 e
0,05 respectivamente.
Bernardo.
0,7, 0,8 e 0,9. Se nenhuma das componentes estiver avariada, o sistema funciona
probabilidade igual a 0,05 e que os homens o fazem com probabilidade igual a 0,02.
14. Suponha que determinado navio transportava 25 contentores dos quai 3 continham
material explosivo. Sabe-se ainda que todos os contentores foram carregados de forma
aleatória. A determinada altura, a agitação das águas do mar provocou a queda de dois
71
Estatística
a) Diga qual a probabilidade de terem caído dois contentores sem material explosivo?
b) Diga qual a probabilidade de não ter caído mais do que um contentor com material
explosivo?
c) Sabe-se que dos 25 contentores, um quinto pesa mais de 5 toneladas. Sabe-se ainda
que um contentor que pese mais de 5 toneladas tem probabilidade 0,4 de conter
15. António, Bento e Carlos são os únicos responsáveis pelas transacções efectuadas em
realização de 20% e 50% das mesmas. Sabe-se ainda que as transacções efectuadas em
JPY’s representam o triplo das efectuadas em USD’s e que a empresa apenas efectua
a) Sabendo que uma transação foi realizada em USD’s, qual a probabilidade de que
c) Sabendo que uma transação não foi realizada pelo António, qual a probabilidade de
72
Estatística
Introdução
Vimos anteriormente que, em muitos casos, o espaço de resultados associado a uma
experiência aleatória é constituído por números reais. Quando tal não acontece, o processo
resultados.
Exemplo VA1
Considere a experiência aleatória lançamento de uma moeda ao ar por duas vezes. O espaço
saída de “coroa”.
Para associar um valor quantitativo aos resultados, pode-se definir uma variável nos
seguintes termos: Número de caras no lançamento de uma moeda por duas vezes.
0, 1, 2 .
Como foi definida a partir de uma experiência aleatória, designa-se por variável
aleatória; e uma variável aleatória é uma função que faz corresponder um número real a
cada elemento do espaço de resultados. Por outras palavras, uma variável aleatória é uma
1
No caso de se assinalarem dois ou mais atributos em simultâneo, a correspondência será de para IRn onde n
representa o número de características simultaneamente em análise.
73
Estatística
Adoptando a metodologia já considerada anteriormente, as variáveis aleatórias também se
podem repartir por dois grandes grupos: variáveis aleatórias discretas, no caso do
Função de Probabilidade
Uma vez definida a variável aleatória, é possível fazer corresponder um número real a cada
saber como calcular as probabilidades dos acontecimentos a partir das suas imagens, ou
A 0; B 1; C 2
Para utilizar o conceito clássico no cálculo das probabilidades2 , vamos admitir que a moeda
é equilibrada. Assim,
P A P 0 1 4
2
Relação entre o número de casos favoráveis e o número de casos possíveis.
74
Estatística
PB P 1 2 4 1 2
PC P 2 1 4
A partir deste exemplo, pode-se definir uma função f x que faz corresponder uma
probabilidade a cada valor de . Esta função designa-se por função de probabilidade com
Figura VA1
Função de Probabilidade
0,6
f(x 0,4
)
0,2
0 1 2
0
f x 14 12 14
0,5 1,0 1,5 2,0
dada por
Como os valores da função são probabilidades, f x não pode assumir valores negativos e o
somatório de todos os valores que a função pode assumir tem de ser igual a um. São estas
75
Estatística
f x 0 x IR
f x 1
Função de Distribuição
A função f x informa sobre a probabilidade da variável aleatória assumir determinado
que F x P x .
propriedades:
0 F x 1 x IR
F x b F x a com xb x a
lim F x 0 e lim F x 1
x x
0 x0
1 4 0 x 1
F x
3 4 1 x 2
1 x2
Figura VA2
Função de Distribuição
0 1 2
1 f x 14 12 14
F(x)
F x 14 34 1
0,5
0 1 2
76
Estatística
x
A probabilidade de sair no máximo uma “cara” em dois lançamentos3, pode ser obtida
Também se pode utilizar a função de distribuição para calcular a probabilidade de sair pelo
menos uma “cara”4. Tenha no entanto em atenção, que a referida função apenas fornece
Assim sendo, e ao contrário de variáveis aleatórias discretas, não é possível atribuir a cada
valores que a variável pode assumir, conduz a que P x 0 , o que não implica que tal
ocorrência seja impossível, mas significa apenas que, face á infinidade de valores que a
Quando as variáveis aleatórias são contínuas, a abordagem deve ser diferente daquela
3
Note-se que está implícito na questão o cálculo da probabilidade para um conjunto de valores. Neste caso, sair
zero “caras” ou uma “cara” em dois lançamentos de uma moeda.
4
Tal como no exemplo anterior, a questão formulada implica saber a probabilidade para um conjunto de valores
que a variável assume – uma ou duas “caras” em dois lançamentos de uma moeda.
77
Estatística
Suponha que se reparte uma infinidade de probabilidade ao longo do eixo dos números reais
F x x F x
valores no intervalo x, x x é dada por: F x x F x ; e o quociente ,
x
O limite do referido quociente, quando x tende para zero, ou seja F' x , representa a
Pode-se então concluir que, se é uma variável aleatória contínua, existe sempre uma
x
F x P x f x dx ,
ou ainda:
xb
P x a x x b F x b F x a f x dx .
xa
Para concluir, resta acrescentar que para f x poder ser considerada uma função
f x 0
f x dx 1
Exemplo VA2
Seja uma variável contínua com a seguinte função de distribuição:
78
Estatística
0 x0
x2
F x 0x2
4
1 x2
directamente a partir de F x :
P 1 F 1 1 4
P0 1 2 F 1 2 F 0 1 16
P 3 2 1 F 3 2 1 9 16 7 16
1
x 0 x2
f x F ' x 2
0 outros valores de x
1
1 x2
1
P 1
1 1
2
x dx
2 2 4
0 0
12
1 x2
12
P0 1 2
1 1
2
x dx
2 2 16
0 0
2
1 x2
2
1 4 9 4 7
P 3 2
1
2
x dx
2 2
2 2 2 16
32 32
1
Figura VA3
f(x) 0,8
Função Densidade de Probabilidade
0,6
79
0,4
0,2
0
Estatística
7 16
14
F(x)
0,8 Figura VA4
0,6 Função de Distribuição
0,4
0,2
1 2 3 4
x
se consideram dois atributos de uma só vez), os quais não são mais do que extensões lógicas
Defini-se como função de probabilidade conjunta de uma variável aleatória , a função
f x, y P x, y .
f xi , y j 0
80
Estatística
f xi , y j 1
n t
i 1 j 1
f x x f x, y P x,
y
entre as variáveis que integram o par , . Assim, diz-se que as variáveis e são
f x, y f x x f y y , x, y .
Exemplo VA3
Considere duas variáveis aleatórias e cuja função de probabilidade conjunta se
apresenta a seguir:
2 xy x y
para x 1,2 e y 2,3,4
f x, y 27
0
para outros valores x, y
81
Estatística
independentes.
2 1 3 1 3 2
P 1, 3 f 1,3 ;
27 27
de :
f x x f x, y
y
2 x 2 x 2 2 x 3 x 3 2 x 4 x 4 15x 9
f x x .
27 27 27 27
15 x 9
x 1,2
Portanto, f x x 27 e P 1
6
;
0 27
o.v. x
2 y 1 y 4 y 2 y 4 y 3
f y y f x, y
x 27 27 27
4y 3
y 2,3,4
Pelo que, f y y 27 P 3
9
e .
0 27
o.v. y
2 xy x y 15 x 9 4 y 3
f x, y .
27 27 27
82
Estatística
Tal como no caso univariado, a função densidade de probabilidade conjunta é o resultado da
seja:
2 F x, y
f x, y .
x y
f x i , y i 0
f x, y dx dy 1
marginais:
f x x f x, y dy
f y y f x, y dx
f x, y for igual ao produto das respectivas funções densidade de probabilidade marginais:
Exemplo VA4
Considere a função densidade de probabilidade conjunta das variáveis aleatórias e :
4 xy 0 x 1, 0 y 1
f x, y
0 o.v. x
83
Estatística
1/ 3 12
y2 4 x2
12 13 12
4 1 1
P 1 2, 1 3 0 4 xy dy dx 4 0 2
x dx 8 36
0 0
18 0
2 18
P 1 3
P 1 2
1 1
x2
f y y 4 xy dx 4 y 2 y
para 0 y 1
0 2
0
12
12
y2
P 1 2 1 2 y dy 1 2 1
1 3
2 0 4 4
0
f x, y f x x f y y , 4 xy 2 x 2 y .
84
Estatística
Os parâmetros de utilização mais frequente são a média e a variância. Quando se pretende
analisar a relação linear entre duas variáveis, também se costumam utilizar a covariância e
Sendo uma variável aleatória discreta, a média de , ou o seu valor esperado, como
n
E x i f x i
i 1
Ou seja, é a soma dos valores que a variável pode assumir, ponderados pelas probabilidades
E x f x dx .
Exemplo VA1
n
E x i f x i 0 4 1 2 2 4 1
1 1 1
i 1
85
Estatística
Exemplo VA2
2
1 x3
2 2
E x f x dx x
1 1 2 8
2
x dx
2
x dx .
2 0 6
3
0 0
Ek k
Ek X k E X
E COV E E 5 ou E E E , desde que e sejam
independentes.
A variância6 é uma medida de dispersão e pode definir-se como a média do quadrado dos
desvios, dos diferentes valores que a variável pode assumir, em relação á média da
variável:
VAR E E 2 .
Designando E por 7
, fica:
5
A covariância (COV) vai ser objecto de análise mais adiante neste capítulo.
6
Frequentemente representada por , tal como vimos no capítulo da estatística descritiva. Dada a relação
2
86
Estatística
VAR E 2
(1)
Quando se trata de variáveis aleatórias discretas a variância pode ser calculada a partir
de:
n
VAR x i 2 f x i .
i 1
Para o caso de variáveis aleatórias contínuas, a variância pode ser calculada da seguinte
forma:
VAR x f x dx .
2
O desvio padrão é a raiz quadrada positiva da variância e tem a vantagem de vir expresso
As formas de cálculo que foram apresentadas, derivam da fórmula apresentada em (1), mas
não são, talvez, as formas de cálculo mais expeditas para calcular a variância de uma
VAR E 2
E 2 2
2
Desenvolve ndo o quadrado
E 2 E
2 2
Atendendo às propriedades do valor esperado e sendo uma cons tan te
E
2 2
Atendendo a que E
Voltemos aos Exemplos VA1 e VA2 para calcular a variância das variáveis aleatórias aí
representadas:
Exemplo VA1
x
n
f x i 0 2 12 2 2
1 1 1 3
E 2 2
i
i 1 4 2 4 2
7
Símbolo geralmente utilizado para designar a média de uma variável aleatória.
87
Estatística
Como já vimos calculado E 1 , então
VAR 3 2 1 1 2 .
Exemplo VA2
2
x 1 x4
2 2
f x dx x
1 1 3
E x dx x dx 2
2 2 2
0
2 0
2 2 4
0
pelo que,
VAR 2
64
0,22(2) .
36
Tal como para o valor esperado, apresentamos de seguida algumas regras práticas no
constante k .
VARk 0
VARk X k 2 VAR X
COV , E x y
88
Estatística
A covariância deve ser positiva se aos valores de acima da respectiva média ( x )
valores de também abaixo da sua média. Diz-se então que e tendem a variar no
obtida a partir de
COV , xi x y j y f xi , y j
i j
Para calcular a covariância entre duas variáveis aleatórias contínuas pode-se utilizar a
seguinte fórmula
COV , x x y y f x, y dx dy
A seguir vai deduzir-se uma fórmula alternativa, mais prática, para calcular a covariância
COV , E x y
E y x x y
E y E x E x y
E y x x y x y
E x y
O valor esperado do produto entre as duas variáveis, atendendo à sua própria natureza,
89
Estatística
para variáveis aleatórias discretas E xi x j f xi , y i ;
i j
para variáveis aleatórias contínuas E x y f x, y dx dy .
Resta acrescentar que se duas variáveis , são independentes então COV , 0 . O
inverso não pode ser verdadeiro. De facto uma vez que a covariância mede a associação
linear entre as variáveis, a medida pode ser nula (ausência de relação linear entre elas)
mas, na realidade, as variáveis podem estar relacionadas de outra forma que não a linear.
Para além disso, interessa sublinhar que a covariância pode assumir valores no intervalo
análise vêm expressas. Importa pois encontrar uma medida, que para além de indicar o
sentido do relacionamento das variáveis (dada pelo sinal da covariância, como já se viu),
unidades em que estas venham expressas. Essa medida, frequentemente utilizada, designa-
COV ,
x, y
x2 y2
para valores próximos de +1 ou –1, a relação linear entre as duas variáveis é forte. As
muito próximo de zero, isso significa que a relação linear entre as variáveis é muito fraca.
90
Estatística
coeficiente de correlação linear são nulos, vamos utilizar esse exemplo a título ilustrativo
COV ,
COV , E E E e x, y
x2 y2
1 1
E xy f x, y dx dy
4
xy 4 xy dx dy 9
0 0
1
x3
E x f x x dx x 2 x dx 2
2
3 3
0
1
y3
E y f y y dy y 2 y dy 2
2
3 0 3
Então:
91
Estatística
Exercícios
1. Uma caixa contém duas bolas azuis e três verdes. Considere uma experiência
aleatória que consiste retirar ao acaso duas bolas, sucessivamente e sem reposição.
d) Calcule P 0 .
e) Calcule P 2 0
probabilidade:
x 1 2 3 4
graficamente.
x 2 3 4 5 6
Admitindo que num determinado dia o estabelecimento possui em stock 5 unidades, calcule:
92
Estatística
a) A probabilidade de no fim desse dia todas as unidades terem sido vendidas.
b) A probabilidade de no fim desse dia nem todas as unidades terem sido vendidas.
probabilidade
0 se x0
1
f x ax se 0 x 3
4
0 se x3
da variável aleatória x.
b) Calcule F x .
c) Calcule P 2 .
d) Calcule P1 2 .
probabilidade:
2x ,0 x1
f ( x)
0 , outros
valores
graficamente.
93
Estatística
6. Considere a seguinte função de probabilidade conjunta:
2x y
x 0,1,2 e y 1,2
f x , y 21
0
outros valores
e) Calcule:
P 1, 2 , P 1 , P 2 , P 1 2 , P 1, 2
k x 2 y 0 x 1, 0 y 1
f x , y
0 outros valores
a) Determine K.
1 2 1 3
b) Calcule P , .
5 5 2 4
1 2 1 3
Calcule, P e P .
5 5 2 4
94
Estatística
Capítulo IV – Distribuições Teóricas Discretas
1. Distribuição Uniforme
Em algumas situações assume-se que os valores que uma variável aleatória discreta pode
assumir ocorrem com igual probabilidade. Diz-se então que tem distribuição uniforme.
Exemplo DD1
Considere-se a experiência aleatória que consiste no lançamento de um dado perfeito.
1
, x 1,2,3,4,5,6
P x f x 6
0, outros valores
Desta forma, diz-se que a variável aleatória discreta tem distribuição uniforme se a
1
, x 1,2,3, , N
f x N .
0, outros valores
95
Estatística
Teorema
Se é uma variável aleatória discreta com distribuição uniforme tem-se que:
N 1
E (Média)
2
N 2 1
Var 2 (Variância).
12
0, x 1
x
F x i , x i x x i 1 , x i 1,2, , N 1 .
N
1, xN
distribuição F x .
f(x)
1/N
1 2 3 4 x
F(x)
1
(N–1)/N
2/N
1/N
1 2 N–1 N x
96
Estatística
2. Prova de Bernoulli
Considere-se uma experiência aleatória que tem apenas dois resultados possíveis: A que
Ou seja:
A, A
A -Sucesso
A -Insucesso
P A p
P A q 1 p
seguintes condições:
suceso e insucesso.
Exemplo DD2
Imagine que determinada empresa pretende efectuar uma campanha publicitária na
televisão. Para tal, tenciona patrocinar certo programa. No entanto, a dita campanha só é
vantajosa para a empresa se esse programa tiver uma audiência de pelo menos 40% dos
telespectadores.
97
Estatística
Para se decidir, a empresas pode levar a cabo uma experiência aleatória, que consistirá em
programa.
admitir que:
Em cada entrevista (prova) a realizar, o entrevistado só poderá dar uma das duas
3. Distribuição de Bernoulli
Considere-se uma prova de Bernoulli e uma variável aleatória que só assume dois
Diz-se que a variável aleatória discreta tem distribuição de Bernoulli se a sua função
p x (1 p) 1 x , x 0,1
f ( x)
0, outros valores
98
Estatística
Recorrendo ao conceito de função de distribuição F x , facilmente se deduz que a função
de distribuição de uma Bernoulli é dada por:
0 x0
P x F x 1 p 0 x 1
1 x 1
Teorema
Se a variável aleatória tem distribuição de Bernoulli, então:
4. Distribuição Binomial
uma das distribuições de probabilidade duma variável aleatória discreta mais largamente
utilizada como modelo teórico adequado a uma grande variedade de situações observáveis
na prática.
experiências aleatórias independentes, em cada uma das quais pode ocorrer ou não
determinado acontecimento A.
O acontecimento A , denominado sucesso, ocorre com probabilidade p e A , o insucesso,
com probabilidade 1 p q .
n provas
AAA A A AAA A
x sucessos n x insucessos
Note-se que há 2 n sequências diferentes possíveis, mas a todas elas corresponde a mesma
probabilidade p x 1 p n x .
insucessos).
bx; n; p
100
Estatística
n x
p 1 p
n x
x 0,1,2,, n
P x f x f x, n; p x
0
outros valores
0 x0
x
n
PX x F x p xi 1 p n xi 0 xn
xi 0 xi
1 xn
Teorema
Se é uma variável aleatória com distribuição Binomial, então
Exemplo DD3
Um técnico dos serviços de Prevenção e Segurança Rodoviária afirma que 1 em 10 acidentes
5
P x f x 0,1 x 0,95 x
x
101
Estatística
Por exemplo, a probabilidade de 3 dos 5 acidentes serem devido ao cansaço é :
5
f 3 0,13 0,953 0,0081 .
3
parâmetro p é ainda uma variável aleatória com distribuição binomial e com o mesmo
parâmetro p .
Teorema
Então.
k k
S k 1 2 k i b S ki ; n
ni ; p .
i 1 i 1
5. Distribuição Hipergeométrica
Suponha que, de um lote de 20 peças das quais duas são defeituosas, se extrai uma amostra
2 18
0 5
P 0 0,5526 .
20
5
102
Estatística
2
O termo corresponde ao número de maneiras diferentes de seleccionar 0 peças
0
18
defeituosas num total de duas defeituosas e o termo ao número de maneiras
5
diferentes de seleccionar 5 peças não defeituosas dum total de 18 peças também não
defeituosas.
2 18
Pela regra da multiplicação, o número de casos favoráveis será . , que corresponde
0 5
Como as “extracções” são feitas sem reposição (o que aliás sucede geralmente nos
hx; M ; n; p
M . p M 1 p M . p M .q
x nx x n x
P x f x; M ; n; p , x 0,1,2, , n com p q 1
M M
n n
Teorema
A média e a variância de uma variável aleatória , com distribuição hipergeométrica, são
dadas por
M n
E n. p e Var n. p.q. .
M 1
103
Estatística
Exemplo DD4
Suponha que, 120 candidatos a um emprego numa empresa de telecomunicações, só 80 têm
as qualificações pretendidas.
80 2
p=
120 3
2
h120,5, .
3
Logo
80 40
x 5 x
f x
120
5
pretendemos:
80 40
2 3
f (2) 0,138 .
120
5
Nota
diferença entre retirar elementos com ou sem reposição é insignificante e tanto mais
hipergeométrica.
104
Estatística
6. Distribuição de Poisson
intervalo e não da posição em que se situa esse intervalo ( tudo se passa como se o
iii. a probabilidade para que ocorra um evento num intervalo arbitrariamente pequeno é
intervalo 0, t e segue uma distribuição de Poisson de parâmetro t, >0.
espaço contínuo).
105
Estatística
p
e . x
x 0,1,2,
P x f x x!
0
outros valores
Teorema
Exemplo DD5
Admita que o número de camiões TIR que, por hora, atravessam a ponte 25 de Abril segue
atravessem a ponte?
ii) Qual a probabilidade de que, numa hora, pelo menos 6 camiões TIR
atravessem a ponte?
Seja - número de camiões TIR que, numa hora, atravessam a ponte 25 de Abril.
e 8 .8 x
f x , x 0,1,2,
x!
106
Estatística
8 4
pretende-se P 4
e .8
i) 0,0573 ;
4!
ii) pretende-se
Propriedades
Poisson).
i pi , i 1,2, , n n n
i independen tes
i p i
i 1 i 1
107
Estatística
Exercícios
que 40% dessas garrafas contém realmente uma menor quantidade de líquido do que o
3. Suponha que X tem distribuição binomial, com parâmetros n e p; sabendo que E[X]=5 e
VAR[X]=4, determine n e p.
a) Realizar 5 vendas?
108
Estatística
b) Realizar entre 4 e 8 vendas?
diário de vendas?
7. Dum lote de 100 peças, das quais 20 são defeituosas, escolheu-se ao acaso uma
a) Haver 3 defeituosas?
b) Haver 5 defeituosas?
uma empresa é uma variável aleatória com distribuição de Poisson, de parâmetro =10.
Calcule a probabilidade de num período de 5 minutos:
b) Chegarem menos de 5?
c) Chegarem no mínimo 3?
a) 16 chamadas?
109
Estatística
b) Menos de 10?
1. Distribuição Uniforme
então estamos perante uma variável aleatória com distribuição uniforme ou rectangular.
1
a xb
f x b a
0
outros valores
a b .
0 xa
xa
P x F ( x) a xb
b a
1 xb
110
Estatística
As duas figuras seguintes representam graficamente a f.d.p da distribuição uniforme e a
f(x) F(x)
1/(b-a) 1
0 a b x 0 a b x
Teorema
Se a variável aleatória tem distribuição uniforme em a, b então
E
ab
e Var
b a 2 .
2 12
Exemplo DC1
O verdadeiro conteúdo de pacotes de leite de certa marca é uma variável aleatória com
1
0.85 x 1.05
f ( x) 0.20
0 outros valores
1 litro?
111
Estatística
1
1 3
P( 1) 0.20
dx .
4
0.85
A distribuição normal é sem dúvida uma das distribuições mais utilizadas na estatística.
características humanas (peso, altura, etc.) que seguem uma distribuição normal.
Noutros casos, as variáveis não seguem uma distribuição normal mas aproximam-se muito
desta distribuição.
Por outro lado, a distribuição normal desempenha um papel crucial na inferência estatística.
N ;
2
1 x
f x
1
e 2 com x
2
, 0 .
Teorema
Se a variável aleatória tem distribuição normal então:
112
Estatística
A função densidade de probabilidade de uma variável aleatória com distribuição normal tem
x .
família de distribuições em que cada membro específico dessa família é representado por
definida por duas medidas: a média que localiza o centro da distribuição e o desvio-
distribuições normais.
Esta transformação, que consiste numa mudança de origem (subtracção por ) e mudança
é a chamada normal estandardizada ou reduzida ou ainda normal-padrão.
parâmetros da normal-padrão :
113
Estatística
1
E E E
1
E E
1
0 .
Var Var 2 Var
1
1
Var Var
2
1
2
0 1
2
Note-se que e são parâmetros que, embora possam ser desconhecidos, são
constantes:
z2
z
1
.e 2 z .
2
determinados intervalos:
z P z
Como z é simétrica, tem-se que z 1 z , como se ilustra na figura seguinte:
z 1 z
-z z Z
z
z Z
Exemplo DC2
O tempo em horas que um grupo de operários leva a executar determinada tarefa tem
distribuição normal com média 1000 horas e desvio padrão 200 horas.
de 800 horas?
Seja - tempo (medido em horas) que determinado grupo de operários leva a executar
determinada tarefa
N 1000; 200
115
Estatística
800 1000 1200 1000
P800 1200 P
200 200
3. Distribuição Exponencial
facto, demonstra-se que, num processo de Poisson, o “tempo” de espera até ao primeiro
sucesso (ou entre dois sucessos consecutivos) segue uma certa distribuição exponencial.
exp
F x 1 .e x , x 0 .
Teorema
116
Estatística
Exemplo DC3
Consideremos agora a situação do exemplo DD5 do capítulo anterior, em que, pretendemos
contar o número de camiões TIR, que passam, por hora, na ponte 25 de Abril. É aí assumido
, definida como:
O que é esperar pelo menos y tempo até que passe o primeiro camião TIR? É assumir que
Sabe-se que, se em uma hora passam em média 8 camiões, então no intervalo referido
Assim, tem-se que, definindo que y - número de camiões TIR em (0, y),
y p8 y .
e 8 y 8 y 0
Então, P y P y 0 0!
e 8 y
Fy y P y 1 P y 1 e 8 y
117
Estatística
Exercícios
8 e 12 segundos?
1,05 kg.
a) P 23 .
b) P 14 .
c) P 21 .
d) P 17.
e) P21,5 25 .
f) P16,2 18,8 .
g) P17 29,3 .
118
Estatística
4. O tempo (em minutos) que um operário leva a executar certa tarefa é uma variável
de que:
0,04.
6. O tempo (em minutos) que um operário leva a executar certa tarefa é uma variável
padrão.
7. sabe-se que as alturas dos 13 400 estudantes de uma universidade têm uma
119
Estatística
Capítulo VI - Aproximação de Leis Teóricas
C xNp C nNxNp
lim C xn p x 1 p n x
N C nN
Temos assim que quando N é grande comparado com n, a diferença entre retirar
elementos com ou sem reposição é insignificante e tanto mais insignificante quanto maior
hipergeométrica quando n
0.05 .
N
h ( N , n, p )
n apr B ( n, p )
0.05
N
b(n, p)
n 20 apr p(np)
p0.05
120
Estatística
Exemplo LT1
Uma companhia de seguros possui 10.000 apólices no ramo vida referente a acidentes de
acidente é de 0.0001.
Qual a probabilidade de a companhia de seguros ter de pagar por ano a pelo menos 4 dos
seus segurados?
Seja - número de apólices, em 10.000, que são pagas anualmente pela seguradora.
b10000, 0.0001
Poisson.
apr p np 1
Seja n b(n, p) .
n np
A sucessão de variáveis aleatórias converge em distribuição para uma
np (1 p )
nIN
variável aleatória normal reduzida N (0,1) . Temos assim que quando n a distribuição
121
Estatística
b(n, p)
np 10
apr N np, np (1 p )
n(1 p)10
Nestes casos em que se está aproximar uma distribuição discreta a uma distribuição
resultados:
a 1 2 np b 1 2 np
Pa b P , em que N (0,1) .
np 1 p np 1 p
Exemplo LT2
uma amostra de 2000 parafusos para inspecção, qual a probabilidade de que pelo menos 15
b2000, 0.02
Como
np = 20000.02=40 >10 e 2000(0.98)=1960 >10
apr N 40, 39.2
15 0.5 40 X 40 25 0.5 40
P15 25 P P 4.07 2.32
39.2 39.2 39.2
122
Estatística
=[1–(2.32)]–[1–(4.07)]=1–0.9898–1+1=0.0102
Seja p( ) .
u2
1
x
lim P
x
2
e 2 du
normal. Obtém-se já uma aproximação satisfatória para 30 , mas em termos práticos,
p( )
apr N ( , )
20
Obtêm-se melhores resultados, tal como no caso anterior, em que se está a aproximar uma
continuidade.
Exemplo LT3
O número de avarias que uma máquina tem por dia é uma variável aleatória com distribuição
exactamente 75 avarias.
Seja - número de avarias que uma maquina tem por dia p0,2 .
Seja - número de avarias que uma maquina tem por ano p0,2 365 73 (a
123
Estatística
Y apr N 73, 73
74.5 73 75.5 73
P75 0,5 Y 75 0,5 P Z 0,29 0,18 0,6141 0,5714 0,0427
73 73
i , i.i.d .
E i
2
n
i apr N n , n
Var i i 1
n grande
i , i.i.d .
E i
2
apr N , n
Var i
n grande
i , i.i.d .
E i
2
apr N 0, 1
Var i n
n grande
n
i
i 1
sendo .
n
124
Estatística
Resumo
Distribuição
Parâmetros Distribuição que se aproxima
Hipergeométrica n Binomial
0.05
H(N, n, p ) N X~ apr B(n, p)
Binomial Poisson
n>20 e p<0.05
B(n, p) X~ apr P(np)
B(n, p) n(1–p)>10
X~aprN np, np(1 p)
Poisson Normal
125
Estatística
Exercícios
1. Admita que numa certa cidade o número de filiados num certo clube de futebol é
vacinadas, haver quando muito três que têm uma má reacção à injecção.
126
Estatística
5. Suponha que 0.2% dos indivíduos de uma determinada população são canhotos.
6. Uma agência de publicidade afirma que 40% das donas de casa que recebem a visita
7. Uma emprese comercializa garrafas de vinho do Porto de 1 litro. Supõe-se que 40%
dessas garrafas contêm realmente uma menor quantidade de líquido do que o indicado
no rótulo.
8. O número de acessos, por dia, a um certo site da Internet é uma variável aleatória
a) Calcule P X 40 .
b) Qual a probabilidade de o número de acessos de uma semana (7 dias) se situar
127
Estatística
9. O professor de Probabilidades e Estatística de uma certa Universidade tem 500
alunos inscritos na respectiva cadeira. Faz parte das regras de avaliação dessa
Admita, pela experiência em anos anteriores, que 20% dos alunos têm de fazer orais.
Admita ainda que o tempo médio gasto numa oral é de meia hora e que a variância é
10. Admita que o passo de uma certa pessoa, isto é, a distância que essa pessoa avança
a dar um passo, é uma variável aleatória X com distribuição normal, média 1 metro e
Obtenha a distribuição da distância percorrida por essa pessoa ao dar 1000 passos,
admitindo que a distância percorrida num passo não depende da distância percorrida
30
a) Determine P
X i 1
i 170 .
30
Xi
b) Determine P X 5,5 . (onde X
i 1 n
)
128
Estatística
Capítulo VII – Inferência Estatística
amostra de n observações, seja x1 , x 2 ,..., xn , supõe que tal amostra é uma realização de n
variáveis aleatórias 1 , 2 ,..., n . Diz-se que se trata de amostragem casual ou aleatória
2. Estimação
Para que o comportamento duma variável aleatória seja conhecido, basta conhecer a sua
um valor caracterizador da população que, embora seja desconhecido, é fixo. Deste modo os
parâmetros duma população só serão conhecidos se for possível estudar todos os indivíduos
dessa população, donde a necessidade em retirar uma amostra dessa população e estimar
esses parâmetros a partir dos valores amostrais, inferindo assim da amostra para a
população. Uma estatística é uma característica da amostra, isto é, é uma função da amostra,
assumindo portanto valores diferentes para diferentes amostras, ou seja, trata-se duma
variável aleatória.
desconhece. A selecção de um estimador entre vários possíveis é feita com base num
129
Estatística
i. Não enviesamento:
iii. Suficiência:
ii. Consistência:
variância mínima.
Exemplo IE1
n
i
i 1
1) A média amostral ̂ é um estimador para a verdadeira média da
n
n
( i )
i 1
2) A variância amostral ̂ 2 S 2 é um estimador para a verdadeira
n
propriedades que S 2 .
Na estimação por intervalos, em vez de se indicar um valor concreto para certo parâmetro
da população, constroi-se um intervalo, que com certo grau de certeza previamente fixado,
a distribuição do estimador.
Intervalo de confiança a (1–) 100% para a média duma população normal, com
Sabe-se que
i independen tes
N (0,1)
i N , 2
n
131
Estatística
P(| | ) P 1 .
n n
O intervalo assim construído é centrado na média amostral, visto que como a função
1 1
1 2, 1 2
n n
estandardizada).
Exemplo IE2
A função contém na sua expressão , o parâmetro a estimar, e não contém qualquer
n
outro parâmetro desconhecido. A sua distribuição, N(0, 1), não depende de nenhum valor que
se ignore. Logo, aquela função pode ser utilizada como variável fulcral na construção do
1 1
(1.5), 1 (1.5), (1.5)
n n
= 1.96, 1 (1.5), 1.96 ]I0.95[
n n
132
Estatística
Tínhamos
4000 4000
]I0.95[= 200000 1.96 ;200000 1.96 =]199216; 200784[
100 100
i , i.i.d .
E i
2
apr N 0, 1
Var i n
n grande
Em várias áreas de economia e gestão é necessário, muitas vezes, decidir entre opções
alternativas. Esta decisão comporta um risco, risco de errar, que pode ser controlado e
minimizado.
Vão-se estudar métodos que possibilitem validar ou não determinadas afirmações sobre os
O teste consiste em optar por uma das duas hipóteses H 0 ou H 1 com base numa amostra.
133
Estatística
se H 0 é verdadeira e é rejeitada comete-se um erro de 1ª espécie ou erro de
se designa por .
Situação Real
H0 H1
A formulação das hipóteses deve ser anterior à recolha da amostra, para que o
procedimento não seja enviesado. É a informação da amostra que vai ser confrontada com
Seria desejável que tanto como fossem o mais pequenos possível. Como os dois tipos de
erro variam em relação inversa, a única saída consiste em aumentar o tamanho da amostra
outro fixo.
É essa a abordagem que se faz num teste de hipóteses, onde o valor de ( chama-se o
nível de significância do teste ) é fixado à partida, sendo geralmente um valor baixo, 0.01
ou 0.05. Por isso é preferível muitas vezes dizer “não rejeitar H 0” a dizer “aceitar H 0 ” e
Em determinadas situações pode ser vantajoso procurar um equilíbrio. A cada tipo de erro
está associado um custo, e depende do julgamento do decisor qual dos erros é mais
134
Estatística
consiste em estabelecer uma região W, no espaço das amostras possíveis de IR n, tal que:
crítica W IRn, que permita controlar a probabilidade de cometer cada um dos tipos de
erro.
Metodologia utilizada
4 Recolha da amostra.
5 Tomada de decisão.
Nota
conhecida
135
Estatística
Testes unilaterais:
H 0 : 0
H 1: 0
Região crítica: RC = : c
H 0 : 0
H 1: 0
Região crítica: RC = : c
H 0 : 0
H 1: 0
Região crítica: RC = : c
H 0 : 0
H 1: 0
Região crítica: RC = : c
H 0 : 0
H 1: 1
Região crítica: RC = : c se 1 2
Testes bilaterais:
H0: 0
Região crítica: RC = : 0 c
H1: 0
136
Estatística
0
T ~ N (0,1)
n
0
T apr N 0,1 , com variância 2 conhecida
n
0
T apr N (0,1) , com variância 2 desconhecida
S n
1, se sucesso
Para n grande, estimador de p, onde i ,
0, se insucesso
p 0
T apr N (0,1)
p 0 (1 p 0 )
n
137
Estatística
3.4. Ensaio para a diferença de duas médias de populações normais com
variâncias 12 e 22 conhecidas
1 2 estimador de 1 2 ,
T
1 2 1 2 N (0,1)
12 22
n1 n2
T
X 1 X 2 1 2
~ N(0,1) , com variâncias 12 e 22 conhecidas
apr
2 2
1 2
n1 n 2
138
Estatística
T
X 1 X 2 1 2
~ N(0,1) , com variâncias 12 e 22 desconhecidas
apr
2 2
s s
1 2
n1 n 2
Exercícios
amostra (9,14,10,12,7,3,11,12) .
b) Qual devia ser o nível de confiança a utilizar para que a amplitude do intervalo
fosse de 2,77?
Testes de hipóteses
1. O ministério da Saúde afirma que, com os meios agora postos à disposição dos
declarações foram postas em causa por alguns gestores hospitalares que decidiram
que o número médio de dias de internamento foi de 18. Com base nestes dados, e
139
Estatística
supondo que a variável em estudo segue uma distribuição normal com desvio padrão
de 15 dias, responda:
alimentos especifica que o peso líquido médio por embalagem de certo produto deve
ser de 500 gramas. Experiência passada indica que os pesos são normalmente
encontrado um peso líquido médio de 495 gramas, constitui isso prova suficiente de
3. Um vendedor diz que 10% das lâmpadas de uma certa marca são defeituosas.
4. Uma firma tem seguido a política de oferecer uma garantia de 2000 utilizações
utilizações possíveis por aparelho de 2060 com uma variabilidade traduzida por
140
Estatística
de utilizações possíveis por aparelho. Proceda ao ensaio apropriado (supondo que
se mantém), sabendo que 10 aparelhos seleccionados ao acaso e testados pela firma
forneceram os seguintes valores: 2100, 2025, 2071, 2067, 2150, 2115, 2064, 2088,
Com base nestes dados, e para um nível de 0.05 poder-se-á rejeitar a hipótese das
duas companhias serem igualmente rápidas? Suponha que os tempos de actuação são
141
Estatística
Tabelas de Distribuição
Tabelas de Distribuição
142
Estatística
143
Estatística
144
Estatística
145
Estatística
146
Estatística
147
Estatística
148
Estatística
149
Estatística
150
Estatística
151
Estatística
152
Estatística
153
Estatística
154
Estatística
155
Estatística
CAPÍTULO 1
272,4
c1) 30% 9. a) Me=200 a) 53,3
1. Mo=200
13. Me=54,4
c2) 47,5% 10. 1,71 m b) Mo=72,2
Distribuição
6. c) 38% a) 47 c) Assimétrica
Negativa
24,9
c) 6 11. b) 15 b) Me=25,4
Mo=25,8
7. 14.
4,5
d) 77% d) 129,85 d)
2 20,24
28,08
Me=28,33
22,82 Mo=28,39
Para Grupo
a) Me=23 a) 118 15. de operários 4,87
Mo=20
CV=17,34
G 0,15
38,45 3,79
8. b) Me=23 12. b) 38 19. Me=3
Mo=20 Mo=3
4,125 O nível médio de
vendas da loja A é
c) Me=4 c) 26 a) inferior ao da loja
Mo=1;4;5 B
108,75 20.
126,34 ; Distribuição
d) Me=108,5
Mo=105;113
e) 101,150 b) Assimétrica
Positiva
156
Estatística
CAPÍTULO 2
EXERCÍCIOS I
EXERCÍCIOS 2
a) 1,2,3,4 e) t : t 9 c) 0,348
, 1, 2, 3, 4.
4, 1,2,3,4, f) t : t 7 d) 0,44
1,2, 1,3,
1. 10.
b) 1,4, 2,3,
10
5. a) e) 0,44
2,4, 3,4, 4782969
1,2,3, 1,3,4, 10
5. b) f) 0,4
1,2,4, 2,3,4
13983816
157
Estatística
CAPÍTULO 3
x 0 1 2
a) 0,2 2/3
-2/3
a) f x
6 12 2 e) 1/18
20 20 20 3. b) 0,7 8/9
EX
4
c) 1950
5
b) b) Ver aula
Var X
9 a 1 18
1. a)
25
0 ,x0
0 ,x0
6 20 ,0 x 1
F X 2
F X x 4 x 36 ,0 x 3
c) 18 20 ,1 x 2 b) c) Ver aula
1 x3
1 ,x2
d) 0,7 4. c) 7/18
d) Ver aula
e) 0,142857 d) 1/3
0,1
0 6. 4/21
EX
0,4 13 7/21
b) 0,4 e) 8 e) 12/21
0,9 Var X 0,734375 1/3
1 6/21
0,9
0 ,x 1 0
2. 0,1 ,1 x 2 5/36
Não são
F X 0, 4 , 2 x 3
variáveis
c) b) 5/36 f) independe
0,8 ,3 x 4 1
1 ,x4 5.
n-tes
0
2,7 0 ,x 0
2
e)
8,4
c)
F X x , 0 x 1 g)
-0,0272
0,81 1 -0,0761
x 1
3,24
158
Estatística
CAPÍTULO 4
0,0005
a) 0,3110 4. b) 0,9948 6. b) 0,7334
a) 0,2461 g) 0,2040 e) 0
2.
b) 0,1366 h) 0,0487 a) 0,0646
n=25
3. p=0,2 i) 4,8
9. b) 0,005
0,2160
4. a) 0,3520 6. a) 0,2541 c) 120
CAPÍTULO 5
1 7 ,5 x 12 10
a) f x f) 0,2426 a)
0 , o.v. 2
3. 6.
1. 3/7
b) 4/7 g) 0,8403 b) 0,5328
b) 0,0228 b) 0,1056
3. c) 0,3707 5. c) 0,8944
d) 0,8413 d) 0,8944
e) 0,2610 e) 0,4649
CAPÍTULO 6
a) Ver aula 4. 0,8571 6. e) 40
1. b) 0,475 5. 0,1429 a) 0,0106
7.
c) 0,0862 a) 0,2254 b) 0,2227
2. 0,05 b) 0,5618 a) 0,8139
6. 8.
a) 0,93 c) 0,6164 b) 0,5284
3.
b) 0,256 d) 0,1788
159