Escolar Documentos
Profissional Documentos
Cultura Documentos
3 de outubro de 2022
3 Exame de Recurso
ª
3 Montgomery, D e Runger. G. Estatística Aplicada e Probabilidade
para Engenheiros. LTC, 5. Edição, 2012.
População
Amostra
Dados Brutos
Rol
Variáveis
Estatística Descritiva
É a parte da Estatística que desenvolve e disponibiliza métodos para
resumo e apresentação de dados estatísticos com o objectivo de facilitar a
compreensão e a utilização da informação.
Ni Pi
Fi = = h=1 fh : Frequência relativa acumulada;
n
Exemplos
Exemplo
Resolução
As observações distintas são: agressividade, alcoolismo, depressão, esquizofrenia, fobias
e pânico.
As frequências simples respectivas são: 4, 4, 6, 3, 5 e 3. Portanto a tabela de
frequências para esta variável qualitativa nominal será dada da seguinte maneira:
OBS: Este tipo de tabela também pode ser utilizada quando temos uma
variável quantitativa discreta em que aparecem uma pequena quantidade
valores que se repetem várias vezes.
Por exemeplo
Outra forma
Exemplo 1
4,1 5,8 5,8 6,1 6,7 7,0 7,0 7,5 7,5 7,5
7,7 8,2 8,3 8,5 8,7 8,8 9,0 9,0 9,1 9,1
9,1 9,2 9,2 9,2 9,2 9,4 9,4 9,4 9,5 9,5
9,7 9,8 10,0 10,0 10,2 10,2 10,3 10,6 10,6 10,8
10,9 10,9 11,0 11,1 11,1 11,6 11,7 11,8 11,8 11,8
12,0 12,2 12,2 12,3 12,5 12,6 12,7 14,0 14,2 14,8
Construir a tabela de frequência.
Resolucção
n = 60
ln(n) ln(60)
1 n.º de classes = k = = = [5, 9] + 1 = 5 + 1 = 6;
ln(2) ln(2)
2 amplitude total a = max − min = 14, 8 − 4, 1 = 10, 7
a 10, 5
3 amplitude das classes ac = = ≈ 1, 8
k 6
4 classes c1 = [4, 1; 5, 9[ ; c2 = [5, 9; 7, 7[ ; c3 = [7, 7; 9, 5[ ; c4 =
[9, 5; 11, 3[ ; c5 = [11, 3; 13, 1[ ; c6 = [13, 1; 14, 9]
Exemplo 2
1, 5 1, 1 1, 2 1, 7 0, 9 1, 3 1, 4 1, 8
1, 4 1, 3 1, 7 1, 6 1, 2 1, 2 1, 0 0, 9
Exemplo 3
Grácos
Gráco Circular
Um Gráco Circular é constituído por um círculo dividido em fatias
quantas as categorias da variável. O tamanho das fatias e determinado peo
número ou percentagem/porporção de observações nas categorias, i.é.,
pelas frequências absolutas, ni , ou pelas relativas fi .
Gráco de Barras
Um Gráco Barras é um diagrama de barras (usualmente vertical), sendo
cada barra associada a cada uma das categorias da variável. A altura das
barras é denida pela frequências absolutas, ni , ou pelas relativas fi .
A linha a tracejado,
que une os extremos
das barras, chama-se
Polígono de
Frequências.
Histograma
AI Menor valor
Q1 e Q3 1º º
quartil e 3 quartil
x̃ Mediana
AS Maior valor
Tabela: Resumo das estatísticas mais úteis para cada escala de medida
Escala nominal Escala ordinal Escala Quantitativa
Moda. Moda, Quantis Moda, Quantis, Amplitude interquartil
Amplitude Amplitude total, Média, Desvio padrão
interquartil. Coeciente de variação, Assimetria, Achatamento.
Média aritmética
Dados Quantitativos
Moda
Mediana
Dados
ordinais, discretos
ou não agrupados contínuos agrupados Contínuos
1 Ordenar a amostra por ordem 1 Identicar a classe Mediana Me
crescente; Ni = n/2 ou Fi = 0.5.;
2 Valor da mediana é dado por: 2 O valor da mediana é dado por:
(n/2) − NM e−1
x̃ = LIM e + acM e ∗
nM e
(x
n/2:n+ x(n/2)+1:n 0.5 − fM e−1
, par = LIM e + acM e ∗
x̃ = fM e
2
x(n+1)/2:n , ímpar
Quantis
p = 4i , i = 1, 2, 3;
Quartis = Qi :
i
Qp = Decis = Di : p = 10 , i = 1, 2, ..., 9;
i
Percentis = Pi : p = 100 , i = 1, 2, ..., 99.
Dados
Medidas absolutas
Dados quantitativos
Variância
Dados quantitativos
Observações
Medidas Relativas
s s
CD = e CV = × 100
x̄ x̄
Observações
Resolução exemplo 1
Resolução exemplo 2
Continuação do Exercício 15
Qualidade
x′i
N. ª de Prop. de N. º ac. de Prop.ac
de Serviço utentes untentes utentes utentes
Muito mau 1 1 0,02 1 0,02
Mau 2 1 0,02 2 0,04
Médio 3 6 0,120 8 0,16
Bom 4 15 0,30 23 0,46
Muito bom 5 27 0,54 50 1
Total 50 1,00
Mediana:
x25:50 + x26:50 5+5
n = 50(é par) → x̃ = = =5
2 2
Portanto, metade dos utentes considera que no mínimo a qualidade do
serviço foi muito boa.
Continuação Exercício 15
Moda:
x̂ = 5 = Muito bom (categoria com maior frequência). O mais frequente
foi os utentes considerarem que a qualidade de serviço prestado nesse
º
Centro de Saúde é Muito Bom.
1 Quartil:
p = 41 = 0, 25 =⇒ np = 12, 5(não é inteiro) =⇒ Q1 = x[12,5]+1:50 =
x[12]+1:50 = x13:50 = 4. Portanto, 25% dos utentes consideram que a
qualidade do serviço prestado foi no máximo (inferior ou igual) boa e,
portanto, os restantes 75% consideram que a qualidade do serviço foi no
º
mínimo (superior ou igual) boa.
3 Quartil:
p = 43 = 0, 75 =⇒ np = 37, 5(não é inteiro) =⇒ Q3 = x[37,5]+1:50 =
x38:50 = 5.
75% dos utentes consideram que a qualidade do serviço prestado foi no
máximo (inferior ou igual) muito boa e, portanto, os restantes 25%
consideram a qualidade do serviço prestado foi no mínimo (superior ou
igual) muito boa.
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 54 / 184
Medidas Descritivas Medida de Dispersão
Continuação Exercício 15
4 º Decil ou 40
4
º Percentil:
x20:50 + x21:50
p= = 0, 4 → np = 20(é
10 inteiro) =⇒ D4 = P40 = =
2
4+4
=4
2
40% dos utentes consideram que a qualidade do serviço prestado foi no
máximo (inferior ou igual) boa e, portanto, os restantes 60% consideram
que o nível da qualidade do serviço prestado foi no mínimo (superior ou
igual) boa.
Resolução exemplo 2
Resolucção exercício 16
º º
Determine e interprete as medidas de localização de tendência central, os
quantis, o 1 e 9 decis, os percentis 82 e 95, a amplitude interquartil e a
º º º º º
amplitude total, a variância e o desvio padrão, o coeciente de variação e
dispersão, o 2 , 3 e 4 momentos centrais, o 2 momento, o 2 momento
em relação a 4 livros e estude a assimetria e achatamento dos dados.
x̄ = 1, 88
Em média os alunos leram mais do que um livro (1,88) livros nas férias de
verão.
Variância amostral:
s2 = 0, 6384.
Desvio padrão amostral:
√ √
s= s2 = 0, 6384 = 0, 799. O desvio típico em relação ao número
médio de livros lidos é 0,8 livros.
Coeciente de variação:
s
CV = ∗ 100 = 42, 5% < 50%. A média é representativa dos dados
x̄
(CV < 50%).
Considere os dados, sobre as áreas dos jardins dos projetos aprovados, cuja
tabela de frequências segue abaixo:
º º º º
Determine e interprete as seguintes medidas estatísticas: média, mediana,
moda, amplitude interquartil, 1 e 7 decis, 36 e 90 percentis, variância,
desvio padrão, coecientes de dispersão e variação.
Análise Bidimensional
Variáveis Qualitativas
Tabela de Contingência
Tabela de Contingência
Exemplo
Função
Sexo Total
Escritório Serviços Gerais Gerência
Masculino 157 27 74 258
Feminino 206 0 10 216
Total 363 27 84 474
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 65 / 184
Análise Bidimensional Duas Variáveis Qualitativas
Função
Sexo Total
Escritório Serviços Gerais Gerência
Masculino 43,25 % 100 % 88,10 % 54 %
Feminino 56,75 % 0 % 11,90 % 46 %
Total 100 % 100 % 100 % 100 %
Frequência Esperada
Qui-Quadrado
Observação
Observação
Função
(O - E)
Escritório Serviços Gerais Gerência
Masculino 157 - 197,58 27 - 14,70 74 - 45,72
Feminino 206 - 165,42 0 - 12,30 10 - 38,28
Função
(O − E)2
Escritório Serviços Gerais Gerência
Masculino 1646,921 151,383 799,672
Feminino 1646,921 151,383 799,672
Função
(O − E)2 /E
Escritório Serviços Gerais Gerência
Masculino 8,336 10,301 17,490
Feminino 9,956 12,304 20,891
χ2 = 8, 336 + 10, 301 + 17, 490 + 9, 956 + 12, 304 + 20, 891 = 79, 227
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 71 / 184
Análise Bidimensional Duas Variáveis Qualitativas
s r
∗ χ2 k
C = × (5)
χ2 + N k−1
s r r
χ2
r
k 79, 22 2 ∼
C =∗
× = × = 0,54
χ2 + N k−1 79, 22 + 474 2−1
Conclusão
Exemplo
Doenças (Y)
Vacinação (X) Total
Não Contraíram Contraíram
Vacinados 100 20 120
Não Vacinados 40 40 80
Total 140 60 200
Exemplo 2
Hábito de fumar
Sexo Total
Fuma Não fuma
Masculino 20 37 57
Feminino 8 27 35
Total 28 64 92
Observação
Diagrama de Dispersão
Pn
i=1 (xi − x̄)(yi − ȳ)
Cov(X, Y ) n−1
r= = (6)
SX SY SX SY
O numerador da expressão (6) é chamado de Covariância de X e Y, que
permite mensurar o relacionamento entre as variáveis. A Covariância é
dividida pelos desvios padrões de X e Y para que seja eliminado o efeito
que uma variável com maiores valores numéricos causaria no resultado.
Pn Pn Pn
n i=1 (xi yi ) − p
i=1 xi i=1 yi
r = p Pn Pn n Pn
n i=1 (x2 ) − ( i=1 xi )2 × n i=1 (y 2 ) − 2
P
( i=1 yi )
Oservação
Exemplo
Média 80,0 82,0 84,0 85,0 87,0 88,0 88,0 89,0 90,0 91,0 91,0
Índice 1,0 1,0 2,1 1,4 2,1 1,7 2,0 3,5 3,1 2,4 2,7
Então, por ser possível ajustar uma reta aos dados, e os valores das
variáveis caminham na mesma direção, há uma correlação linear positiva
entre média no ensino médio e índice na universidade, ao menos para este
conjunto de dados: ou seja, para valores MAIORES de média no ensino
médio esperam se valores também MAIORES de índice na universidade, e
vice-versa, permitindo usar uma equação de reta para prever o índice na
universidade de um aluno a partir da sua média no ensino médio.
A correlação linear é forte?
Observação
Resolução
Pn Pn Pn
n i=1 (xi yi ) − p
i=1 xi i=1 yi
r = p Pn Pn n = 0, 9
n i=1 (x2 ) − ( i=1 xi )2 × n i=1 (y 2 ) − ( ni=1 yi )2
P P
Análise de Regressão
Y = a + bX (7)
onde Pn
(x y ) − ni=1 xi ni=1 yi
P P
n
b= Pn i i 2
i=1 Pn (8)
n i=1 (xi ) − ( i=1 xi )2
n ni=1 yi − b ni=1 xi
P P
a= (9)
n
Y = a + bX + ε (10)
Coeciente de Determinação
Pn
2 (Ŷ − Ȳ )2 variância explicativa
R = Pni=1 2
= (11)
i=1 (Yi − Ȳ ) variância total
Observação
Exemplos
Probabilidade
Experiência Aleatória
Exemplos
Acontecimento
Exemplo
Terminologia
Conjuntos Acontecimentos
Ω Acontecimento certo
∅ Acontecimento impossível
ω∈Ω Acontecimento elementar
Acontecimento
Exemplos
Experiência E1 : Observação da face no lançamento de um dado.
Ω = {1, 2, 3, 4, 5, 6}
Acontecimentos
Acontecimento União
A ∪ B = {saída de face par ou múltipla de 3} = {2, 3, 4, 6}
Acontecimento Interseção
A ∩ B = {saída de face par ou múltipla de 3} = {6}
Probabilidade
0 ⩽ P (A) ⩽ 1, ∀ ⊂ Ω;
P (Ω) = 1;
n n
!
[ X
P Aj = P (Aj ), ondeAi ∩ Aj = ∅parai ̸= j
i=1 j=1
n(A)
P (A) = n(Ω)
Frequencista de Probabilidade
Exemplo
Lança-se um dado e observa-se a face que cai voltada para cima. O espaço
amostral é S = {1, 2, 3, 4, 5, 6}. Vejamos Alguns acontecimentos são:
A: O número observado é par={2, 4, 6} ,
B: O número observado é maior que 3={4, 5, 6} ,
C: O número observado é maior que 4 ={5, 6} .
Propriedades de Proabilidade
0 ⩽ P (A) ⩽ 1;
P (Ω) = 1;
Se A e B são mutuamente exclusivo (disjuntos) A ∩ B = ∅, então
P (A ∪ B) = P (A) + P (B)
Generalizando, se os acontecimentos A1 , A2 , ..., An , forem
mutuamente exclusivo, então
n
X
P (A1 ∪ A2 ∪, ..., ∪An ) = P (A1 ) + P (A2 ) + ... + P (An ) = P (Ai )
i=1
Exemplo
Exercícios
1 Suponha que há três revistas, A, B, C , com as seguintes percentagens
de leitura:
Resolução
Acontecimentos:
A = a pessoa escolhida, ao acaso, é leitor da revista A;
B = a pessoa escolhida, ao acaso, é leitor da revista B ;
C = a pessoa escolhida, ao acaso, é leitor da revista C .
a) P (A ∪ B ∪ C) =
P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) + P (B ∩ C) − P (A ∩ B ∩ C)
b) P (A ∩ B ∩ C̄) = P (A ∩ B) − P (C)
c) P (A ∩ B̄ ∩ C̄)
Probabilidade Condicional
P (A ∩ B)
P (A|B) = , P (B) > 0 (12)
P (B)
Invertendo a expressão acima, obtém-se a importante relação:
Exempos 1
(1, 1), (1, 3), (1, 5), (2, 2), (2, 4), (2, 6), (3, 1), (3, 3), (3, 5),
A=
(4, 2), (4, 4), (4, 6), (5, 1), (5, 3), (5, 5), (6, 2), (6, 4), (6, 6)
P (A ∩ B) = (4, 6), (5, 5), (6, 4), (6, 6)
e, nesse caso, a probabilidade é dada por
4
P (A ∩ B) 36 4
P (A|B) = = 10 =
P (B) 36
10
Exemplo 2
Actividade de Lazer
Sexo Total
Cinema Praia Desporto
Masculino 10 12 13 35
Feminino 15 41 9 65
Total 25 53 22 100
Solução
P (M ∩ P ) 12
12
P (M |P ) = = 100
53 = 53
P (P ) 100
Observação
Exemplo 3
Solução
200
P (P ) = 500 = 25 ; P (E) = 400
500 = 45 ; P (P ∩ E) = 200
500 = 2
5
Plano pessoal
Total
Sim Não
Plano da Sim 200 200 400
empresa Não 0 100 100
Total 200 300 500
O problema pede
1 P (P ∪ E) = P (P ) + P (E) − P (P ∩ E)
2 P (P̄ ∩ Ē) = P (P ∪ E)
3 P (P |E)
4 P (E|P )
Exemplo 4
Exemplo
Sexo
Curso
Homens Mulheres
Matemática 70 40
Matemática Aplicada 15 15
Estatística 10 20
Ciência da Computação 20 10
Solução
20
P (A ∩ B) 2
P (A|B) = = 200 =
P (B) 30 3
200
Regra de Multiplicação
Acontecimentos Independentes
Observação
i P (A ∩ B) = P (A)P (B)
ii P (A ∩ C) = P (A)P (C)
iii P (B ∩ C) = P (B)P (C)
iv P (A ∩ B ∩ C) = P (A)P (B)P (C)
Se apenas as três primeiras relações estiverem satisfeitas, dizemos que os
acontecimentos A, B, C são mutuamente independentes. É possível que
três acontecimentos sejam mutuamente independentes, mas não sejam
completamente independentes.
Probabilidade Total
Assim, considerando B um
acontecimento qualquer tal que
B ⊂ Ω, então B pode ser escrito da
seguinte forma:
B = (B∩A1 )∪(B∩A2 )∪...∪(B∩An )
P (B) = P (B ∩ A1 ) + P (B ∩ A2 ) + ... + P (B ∩ An )
Xn
= P (B ∩ An )
i=1 (15)
Xn
= P (B|Ai )P (Ai )
i=1
Teorema de Bayes
Exemplo 1
b Sabendo que uma caixa não está em condições para venda, qual a
probabilidade de ser proveniente da linha de produção M 2?
Resolução
Acontecimentos:
M 1, M 2 e M 3: A caixa é embalada pela linha de produção M 1, M 2 M 3,
respectivamente.
D A caixa não está em condições para venda.
500 100
P (M 1) = 2600 = 0, 1923; P (M 2) = 2600 = 0, 0385;
2000
P (M 3) = 2600 = 0, 7692
P (D|M 1) = 0, 005 P (D|M 2) = 0, 008 P (D|M 1) = 0, 01
a P (D) =
P (D|M 1)P (M 1) + P (D|M 2)P (M 2) + P (D|M 3)P (M 3) = 0, 009
P (D|M 2)P (M 2)
b P (M 2|D) = = 0, 0343
P (D)
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 130 / 184
Probabilidades Teorema de Bayes
Exemplo 2
Exemplo 3
Uma variável aleatória (v.a), X , é uma função que a cada resultado ω∈Ω
associa um valor numérico X(ω) ∈ R.
Exemplo 3.1
Função de Probabilidade
P (X = x) sex ∈D
f (x) = (17)
0 sex ∈
/D
Propriedade
1 0 ⩽ f (x) ⩽ 1, ∀x
P
x∈D f (x) = 1
2
Função de Distribuição
X
F (x) = P (X ⩽ x) = f (i) (18)
i⩽xD
Propriedades
1 0 ⩽ f (x) ⩽ 1, ∀x
2 F (x1 ) ⩽ F (x2 ) ∀x com x1 < x2 , i.e., F (x) é uma função monótona
não crescente;
3 limx→∞ = 0 e limx→∞ = 1;
4 F (x) é continua à direita;
Exemplo
xi 1 3 4 5 7
f(xi ) 0.1 0.3 0.2 0.3 0.1
Exemplo
P (A) = P (X > 4) = P (X = 5 ∪ X = 7)
= P (X = 5) + P (X = 7)
= f (5) + f (7)
= 0.3 + 0.1 = 0.4
b) O acontecimento B: Existência de sobras de stock.
P (B) = P (X < 4) = P (X = 1 ∪ X = 3)
= P (X = 1) + P (X = 3)
= f (1) + f (3)
= 0.1 + 0.3 = 0.4
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 137 / 184
Variáveis Aleatórias Variável Aleatória Discreta
xi 0 1 2 3
P(X=xi ) 1/10 1/5 m 1/10
a Determine o valor de m
b Construir a função distribuição de variável aleatória de X
Resolução
b)
0 se
x<0
0.1 se 0 ⩽ x < 1
F (x) = 0.1 + 0.2 = 0.3 se 1 ⩽ x < 2
0.3 + 0.6 = 0.9 se 2 ⩽ x < 3
0.9 + 0.1 = 1 se x ⩾ 3
xi 0 1 2 3
P(X=xi ) 1/6 p 1/30 3/10
Exemplos 3.2
Resolução
x 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 140 / 184
Variáveis Aleatórias Variável Aleatória Discreta
Continuação
Função de Densidade
F (0) = P (X ⩽ 0) = P (X = 0) = 18 ;
F (1) = P (X ⩽ 1) = P (X = 0) + P (X = 1) = 81 + 38 = 84 ;
F (1) = P (X ⩽ 2) = P (X = 0) + P (X = 1) + P (X = 2) = 18 + 38 + 38 = 78 ;
F (1) = P (X ⩽ 3) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) =
1 3 3 1
8 + 8 + 8 + 8 =1
Assim,
x 0 1 2 3
F(x) 1/8 4/8 7/8 1
Função de distribuição
Z x
F (x) = P (X ⩽ x) = f (t)dt
−∞
Propriedade
1 0 ⩽ F (x) ⩽ 1, ∀x
2 F (x1 ) ⩽ F (x2 ) ∀x com x1 < x2 , i.e., F (x) é uma função monótona
não crescente;
3 limx→∞ = 0 e limx→∞ = 1;
4 F (x) é continua à direita;
∂F (x)
5 F ′ (x) = = f (x)
∂x Rx
6 P (x1 < X ⩽ x2 ) = x12 = F (x2 ) − F (x1 ) ∀x x1 , x2 com x1 < x2
Exemplo 3.2
(1
x2 , 0<x<3
f (x) = 9
0, caso contrário
Resolução
Rx Rx 1 2 1
a) F (X) = −∞ f (u)du = −∞ u du = x3
9 27
Portanto,
0,
x⩽0
1 3
F (x) = x , 0<x<3
27
1, x⩾3
1
c) P (X > 1, 5) = 1 − P (X ⩽ 1, 5) = 1 − F (1, 5) = 1 − ∗ 1, 53 = 0, 875
27
1 1
d) P (1 ⩽ X ⩽ 2) = F (2) − F (1) = ∗ 23 − = 0, 2593
27 27
Exemplo 3.3
Exemplo 3.3
O diâmetro X de um cabo eléctrico supõe-se ser uma v.a com f.d.p, assim
denida
6x(1 − x), 0 ⩽ x < 1
f (x) =
0, c.c
Média
Propriedades
1 E(k) = k , k constante
2 E(kX) = kE(X)
3 E(X ± Y ) = E(X) ± E(X)
4 E(X ± k) = E(X) ± k
5 Se X e Y são independentes, então E(X.Y ) = E(X).E(X)
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 148 / 184
Variáveis Aleatórias Média e Variância de uma V.A Discreta
Variância
v.ak Discreta
X Z v.a Continua
V ar(X) = (x − µx )2 f (x) V ar(x) = (x − µx )2 f (x)dx
i=1 D
!2 Z Z 2
= x2 f (x)dx − xf (x)dx)
X X
2
= x − xf (x)
D D
x∈D x∈D
p
O desvio padrão de X, σx , quando exite, dene-se por: σx = V ar(x)
Propriedade da variância
1 V ar(k) = 0;
2 V ar(kX) = k 2 V ar(X);
3 V ar(k + X) = V ar(X)
4 V ar(X ± Y ) = V ar(X) ± V ar(Y ), X e Y independentes
Exemplo
b E(4X + 2) e E(X 2 );
c V ar(X) e V ar(2X + 5)
Exemplo
Distribuições
Discreta Continua
1 Uniforme 1 Uniforme
5 Multinomial 5 Gama
6 Hipergeométrica 6 t-Studant
7 Poisson 7 F de Fisher-Snedecor
Distribuição de Bernoulli
Distribuição Binomial
Denição
Distribuição Poisson
Denição
e−λ λx
f (x) = P (X = x) = , x = 0, 1, 2...; λ > 0
x!
ª
Com a ingestão de um determinado fármaco para o tratamento da
depressão, 20% dos doentes referem sentir efeitos secundários durante a 1
semana de tratamento. Recolheu-se uma amostra aleatória de 15 doentes.
Seja X a v. a. que representa o número de doentes que sentem os
referidos efeitos secundários numa amostra de 15 doentes.
a Identique a distribuição da v. a. X.
b Em média quantos doentes sentiram efeitos secundários?
c Calcule a variância da v. a. X.
d Qual a probabilidade de exatamente 5 doentes sentirem efeitos
secundários?
e Determine a probabilidade de pelo menos 1 e menos de 4 doentes
sentirem efeitos secundários.
15
f (x) = P (X = x) = (0.2)x (0.8)15−x , x = 0, 1, . . . 15
x
b) E, c) V ar(X)
d) P (X = 5) = 15 5
5 (0.2) (0.8)
15−5 = 0, 1032
e) P (1 ⩽ x < 4) = P (X = 1) + P (X = 2) + P (X = 3) = 0.6130
Exemplo 2
a) X ∼ P (λ = 32 = 9)
Função de probabilidade:
e−9 9x
f (x) = P (X = x) = , x = 0, 1, 2, ...
x!
c) P (X ⩾ 2) = P (X = 2) + P (X = 2) + P (X = 2) + · · · ou
−9 0
e−9 91
e 9
= 1 − (P (X = 0) + P (X = 1)) = 1 − + = 0, 9998
º
0! 1!
′
d) Seja X a v.a. que representa o n. de automóveis que entram na AE
′ ′
num período de 1 minuto. Logo, X ∼ P (λ = 2λ = 18), pois 1 minuto =
2*30 segundos
P (X ′ ⩽ 3) = P (X ′ = 0) + P (X ′ = 1) + P (X ′ = 2) + P (X ′ = 3) ∼
=0
Exemplo 2
Distribuição Uniforme
1
, a⩽x⩽b
f (x) = a + b
0, c.c
A função distribuição acumulada da Uniforme é facilmente encontrada e é
dada por:
0,
x − x<a
a
F (x) = , a⩽x<b
a+b
1, x⩽b
Sua esperança e variância são dadas da seguinte maneira:
a+b (b − a)2
E(X) = e V ar(X) =
2 12
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 160 / 184
Variáveis Aleatórias Distribuições de Probabilidades
Distribuição Normal
(x − µ)2
1 −
f (x) = √ e 2σ 2
2πσ 2
A equação da curva Normal é especicada usando 2 parâmetros: a média
populacional µ, e o desvio padrão populacional σ , ou equivalentemente a
variância populacional σ2. Denotamos N (µ, σ 2 ) à curva Normal com
média e variância. A média refere-se ao centro da distribuição e o desvio
padrão ao espalhamento de curva.
Z b
(x − µ)2
1 −
P (a ⩽ X ⩽ b) = √ e 2σ 2
a 2πσ 2
Entretanto, a integral acima só pode ser resolvida de modo aproximado e
por métodos numéricos. Por essa razão as probabilidades para o modelo
Normal são calculadas com o auxílio de tabelas. Para se evitar a
multiplicação desnecessária de tabelas para cada par de valores (µ, σ 2 ),
utiliza-se uma transformação que conduz sempre ao cálculo de
probabilidades com uma variável de parâmetros (0, 1), isto é, média 0 e
variância 1.
Msc.Augusto Lucubo Positivo Nakiti augusto.lucubo@isptec.co.ao
Estatística Básica WhatsApp:
3 de(00351)
outubro912017297
de 2022 162 / 184
Variáveis Aleatórias Distribuições de Probabilidades
X −µ
Z=
σ
A criação de uma nova variável aleatória por essa transformação é referida
como padronização. A variável aleatória Z representa a distância de X a
partir de sua média em termos dos desvios padrões. Pode-se ainda vericar
que essa transformação não afeta a normalidade e, assim, a variável
aleatória Z terá distribuição N(0, 1) e será denominada de Normal Padrão
ou Normal Reduzida. Para determinar a probabilidade de X ∈ [a, b],
procedemos da seguinte forma:
X −µ X −µ
P (a ⩽ X ⩽ b) = P ⩽Z⩽
σ σ
Resultados Importantes
X ∼ N (µ, σ)
Se então a v.a estandardizada (padronizada)
X −µ
Z= .
σ
A função de distribuição F (z) da v.a. Z ∼ N (0, 1) é representada por
Φ(z) e está tabelada.
Φ(−z) = 1 − Φ(z).
Φ(z) = α =⇒ z = Φ−1 (α)
Exemplo 2
Denições Importantes
Denições Importantes
A amostragem
é uma técnica de seleção de elementos de uma população para se estimar
propriedades e características da população. Há dois tipos de métodos de
amostragem: Aleatória e Determinístico
1 Amostragem Aleatória, Causal ou Probabilística. Técnicas de
amostragem em que a seleção é aleatória de tal forma que cada
elemento tem igual probabilidade de ser escolhido para a amostra, e é
selecionado independentemente de qualquer outro. Assim se conhece a
probabilidade de todas as combinações amostrais possíveis.
Este tipo de amostragem é pode ser feita com com reposição e sem
reposição (Geralmente a seleção é feita sem reposição e cada amostra é
feita unidade a unidade até que se atinja o número pré-determinado).
é
N
1
, do 2. é º1
N −1
, do 3. é
1
N −2
, º etc., sendo
1
N −i+1
para o
Para que uma amostra assim selecionada se possa dizer aleatória, todas as
combinações da amostra n elementos que podem ser extraídos de uma
população com M sujeitos ( N Cn ) deem ter a mesma probabilidade de
serem selecionados:
1
probabilidade = NC
n
Por conceito
Como já foi referido, nem sempre é possível e viável estudar com exatidão
toda a população, pelo que se retira uma amostra dessa população e, com
base na informação amostral, infere-se, quando possível, para a população.
A base dessa inferência assenta no tipo de amostragem probabilística que
se realizou e nas distribuições de probabilidade, cuja junção resulta nas
distribuições por amostragem. Ao longo deste capítulo assume-se que a
amostra é aleatória.
Propriedades
µX̄ = E(X̄) = µ
2 = V ar(X̄) = 1 2
σX̄ σ
n
X̄ − E(X̄) X̄ − µ
Z=p =
V ar(X̄) √σ
n
Observações do TLC
X̄ − µ
Z= ∼ N (0; 1)
√σ
n
X̄ − µ
T = ∼ t(n−1)
√S
n
S X̄ − µ
˚ N µ; √
X̄ ∼ , ou seja, Z = S ∼
˚ N (0; 1)
n √
n
Distribuição t − Student
Seja Z uma variável aleatória com distribuição normal padrão e seja Y uma
variável aleatória com distribuição qui-quadrado com graus de liberdade,
com Z e Y independentes. Então
Z
T =p
Y /v