Escolar Documentos
Profissional Documentos
Cultura Documentos
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Sumário
1 PROBABILIDADE 3
1.1 Noções de experimento, espaço amostral e eventos 3
1.1.1 Experimento aleatório 3
1.1.2 Espaço amostral 3
1.1.3 Evento 3
1.2 Conceitos de probabilidade 5
1.2.1 Definição clássica de probabilidade “apriori” 6
1.2.2 Conceito empírico ou a “posteriori” 6
1.2.3 Definição axiomática 6
1.3 Probabilidade condicionada 7
1.4 Independência estatística 8
1.5 Teorema de Bayes 9
1.6 Diagrama de árvore 11
1.7 Resumo das propriedades do cálculo de probabilidades 11
1.8 Exercícios 11
2 VARIÁVEIS ALEATÓRIAS 14
2.1 Variáveis Aleatórias Discretas 14
2.1.1 Função de probabilidade de uma v. a. d. 14
2.1.2 Função de repartição de uma v. a. d. 15
2.1.3 Valor médio de uma v. a. d. 16
2.1.4 Variância de uma v. a. d. 16
2.1.5 Desvio Padrão 17
2.2 Variáveis Aleatórias Contínuas 17
2.2.1 Função densidade de probabilidade de uma v. a. c. 17
2.2.2 Função de repartição de uma v. a. c. 18
2.2.3 Valor médio de uma v. a. c. 19
2.2.4 Variância de uma v. a. c. 19
2.2.5 Desvio Padrão 19
2.3 Função Geradora de Momentos (fgm) 20
2.4 Função Característica 21
2,5 Exercícios 21
5 REFERÊNCIAS BIBLIOGRÁFICAS 41
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
1 – Probabilidade
É o estudo de experimentos aleatórios ou não determinados. Os fenômenos estudados pela
Estatística são fenômenos cujo resultado, mesmo em condições normais de experimentação variam de
uma observação para outra, dificultando dessa maneira a previsão de um resultado futuro. Para a
explicação desses fenômenos – fenômenos aleatórios – adota-se um modelo matemático probabilístico,
que avalia com que probabilidade os resultados podem ocorrer.
O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e
emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los e
explicá-los a ponto de poder, com determinado grau de crença, obter o desenvolvimento teórico do
fenômeno. Para tanto é necessário que se formule um modelo que ajude a melhor elucidá-lo.
No campo da estatística, os modelos matemáticos utilizados são denominados, modelos não-
determinísticos ou probabilísticos, ou seja, que avaliam com que probabilidade os resultados podem
ocorrer.
Tipos de eventos:
1. Eventos mutuamente exclusivos: dois eventos A e B são denominados mutuamente exclusivos, se
eles não puderem ocorrer juntos, isto é, AB = ;
2. Eventos complementares: são os eventos que se completam em relação ao espaço amostral, isto é,
A A = S, onde A é o evento complementar de A;
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
3. Eventos impossíveis: são eventos que não possuem elementos no espaço amostral, isto é, A = e
P(A) = 0;
4. Eventos certos: são eventos que possuem todos os elementos do espaço amostral, isto é, A = S e
P(A) = 1;
5. Eventos independentes: são eventos que podem ocorrer simultaneamente, isto é, AB e
P(AB) = P(A) . P(B)
6. Eventos dependentes: são eventos em que a ocorrência de um deles está condicionada à ocorrência
de outro, acontece um evento se o outro já ocorreu, isto é, AB e P(AB) = P(A) . P(B/A),
com P(A) 0.
7. Evento elementar: é aquele formado por um único elemento de um dado espaço amostral.
Álgebra de eventos
Podem-se combinar os eventos da mesma maneira que se faz com os conjuntos. As operações a
seguir serão usadas para construção de novos eventos, a partir de eventos conhecidos.
Exemplo 1.1: Sejam A, B e C três eventos de um espaço amostral. Expressar os eventos abaixo, usando as
operações união, intersecção, e complementação.
a) Somente A ocorrer: { A B C }
b) A, B e C ocorrerem: { A B C }
c) A e C ocorrerem, mas B não: { A B C }
d) Pelo menos um ocorrer: { A B C }
e) Exatamente um ocorrer: { ( A B C ) ( A B C ) ( A B C ) }
f) Nenhum ocorrer: { A B C }
g) Exatamente dois ocorrerem: { ( A B C ) ( A B C ) ( A B C ) }
h) Pelo menos dois ocorrerem: { ( A B C ) ( A B C ) ( A B C ) ( A B C ) }
i) No máximo dois ocorrerem:
{( A B C ) ( A B C ) ( A B C ) ( A B C ) ( A B C ) ( A B C )
( A B C )}
Exemplo 1.2: Três eventos são mostrados no diagrama de Venn na figura abaixo. Reproduza a figura e
sombreie a região que corresponde a cada um dos seguintes eventos:
a) A . b) A B .
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
c) ( A B ) C . d) ( A B) .
e) ( A B ) C .
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
1.2.1 Definição clássica de probabilidade ou “a priori”
É válida para espaços amostrais finitos e equiprováveis, sendo que teve suas origens nos
trabalhos de matemáticos do século XVII, como Blaise Pascoal (1623-1662) e Pierre de Fermat (1601-
1665) no contexto dos jogos de azar.
Se todos os resultados de um espaço amostral finito forem igualmente prováveis, ou seja,
admitindo-se que S possa ser escrito sob a forma S = {a1, a2, .... , ak}, então, a cada evento formado por
um resultado simples (ai) associa-se um número "pi", denominado probabilidade de A, que satisfaça as
seguintes condições:
pi 0;
k
P(S) = p1 + p 2 + .... + p k = p
i 1
i 1;
1
pi , já que todos os resultados são igualmente prováveis.
k
Disto decorre que, para qualquer evento A constituído de r resultados simples têm-se:
r
P(A) = r . 1/k = , sendo que:
k
nº de casos favoráveis a A pelos quais E pode ocorrer
P(A) = = r/k
nº total de casos pelos quais E pode ocorrer
Pela definição clássica de probabilidade devida a Laplace: seja E um experimento aleatório que
dá origem a k resultados mutuamente excludentes e igualmente possíveis. Seja A um evento
constituído por r resultados de E. A probabilidade de ocorrer o evento A é definida como sendo a razão
r/k.
Exemplo 1.4: Escolha aleatoriamente uma carta de um baralho comum de 52 cartas. Calcular P(A),
P(B) sendo A igual a uma carta de espada e B igual a uma carta de figura, isto é, um valete, rainha ou
rei.
Solução:
13 1
P ( A) ;
52 4
12 3
P( B) ;
52 13
.
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
1.2.3 Definição axiomática
Em 1933, o matemático russo Andrei Kolmogorov (1903 – 1987) formulou a chamada
definição axiomática de probabilidade.
Seja E um experimento e S um espaço amostral associado a E. A cada evento A associa-se um
número real representado por P(A) e denominado probabilidade de A, que satisfaça aos seguintes
axiomas:
1. 0 P(A) 1;
2. P(S) = 1;
3. Se A e B forem eventos mutuamente excludentes, então: P(A B) = P(A) + P(B);
4. Se A1, A2, ... , An,... forem dois a dois eventos mutuamente excludentes, então:
P( i1 Ai) = P(A1) + P(A2) + ... + P(An) + ...
Exemplo 1.5: Um lote é formado por 10 peças boas, 4 com defeitos e duas com defeitos graves.
Calcule a probabilidade de que:
a) Ela não tenha defeitos graves;
14 7
.
16 8
b) Ela não tenha defeitos;
10 5
.
16 8
c) Ela ou seja boa ou tenha defeitos graves.
12 3
.
16 4
Teoremas fundamentais:
Teorema 1: se for um evento (conjunto) vazio, então: P() = 0;
DEM: Seja A um evento qualquer, A e Ø são disjuntos, pois A ∩ Ø= Ø
P(A Ø) = P(A) + P(Ø) pelo axioma 3
P(A) = P(A) + P(Ø) pois A Ø = A
Portanto P(Ø) = 0.
7
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Teorema 2: se A for um evento complementar de A, então: P( A ) = 1 - P(A);
DEM: Pode-se escrever S = A A e A A são disjuntos pois A ∩ A = Ø então:
P(A A ) = P(A) + P( A )
P(S) = P(A) + P( A ) e pelo axioma 2
1 = P(A) + P( A ) logo P( A ) = 1 - P(A)
Teorema 3: se A e B forem eventos quaisquer, então: P(A B) = P(A) + P(B) - P(A B);
DEM: Os eventos A e ( A B ) são mutuamente exclusivos. Logo pelo axioma 3 P(A ( A B ) = P(A
B ) = P(A) + P( A B ). Mas B é a união dos eventos mutuamente exclusivos (B ∩ A) + P( B A );
logo P( B A ) = P(B) – P(B ∩ A) que substituindo tem-se:
P( A B ) = P(A) + P(B) - P(B ∩ A).
Teorema 4: se A e B forem eventos de um espaço amostral S e se A B, então: P(A) P (B).
DEM: Pode-se escrever B = A ( A B ) , A e ( A B ) são mutuamente exclusivos logo; P(B) = P(B)
– P(A), mas pelo axioma 1, P(B) – P(A) 0 logo P(B) P(A).
Exemplo 1.6: Se P(A) = 1/2; P(B) = 1/4; e A e B são mutuamente exclusivos, calcular:
a) P( A ) = 1 – P(A) = 1 – 1/2 = 1/2.
b) P( B ) = 1 – P(B) = 1 – 1/4 = 3/4.
c) P( A B ) = 0.
d) P(A B ) = P(A) + P(B) = 1/2 + 1/4 = 3/4.
e) P( A B ) = 1 – ( A B ) = 1 – 0 = 1.
Exemplo 1.7: Em certa escola, 25% dos estudantes foram reprovados em matemática,
15% em química e 10% em matemática e química. Um estudante é selecionado
aleatoriamente.
a) Se ele reprovou em química qual é a probabilidade que tenha reprovado em
matemática?
b) Se ele reprovou em matemática, qual a probabilidade de que tenha reprovado
em química?
c) Qual é a probabilidade de que tenha reprovado em matemática ou química?
Solução:
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
P(M Q) 0,10
a) P M 0,6667 66,67% ;
Q P (Q ) 0,15
P( M Q) 0,10
b) P Q 0,4 40% ;
M P( M ) 0,25
c) P(M Q) P( M ) P(Q) P(M Q) 0,25 0,15 0,10 0,3 30% .
Exemplo 1.8: A probabilidade de que um homem viverá mais dez anos é 1/4 e a
probabilidade que sua esposa viverá mais dez anos é 1/3. Encontre a probabilidade de que:
a) ambos estarão vivos em dez anos; b) ao menos um estará vivo em dez anos; c) nenhum
estará vivo em dez anos; d) somente a esposa estará viva em dez anos.
Solução: Faça A = eventos em que o homem estará vivo em dez anos, e B = eventos em que sua
esposa estará viva em dez anos. Então P(A) = 1/4 e P(B) = 1/3.
1 1 1
a) P(A B) = P(A)xP(B) = .
4 3 12
1 1 1 1
b) P(A B) = P(A)+P(B) – P(A B) = .
4 3 12 2
c) Sendo P( A ) = 1 – P(A) e P( B ) = 1 – P(B);
1 1 1
P( A B ) = 1 1 .
4 3 2
3 1 1
d) ( A B ) = P( A )xP(B) = .
4 3 4
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Conseqüentemente
P ( B ) P ( A1 B ) P ( A2 B ) ... P ( An B )
P ( A1 B )
P(A1/B) =
P( B) ,
onde: P(B) = P(B/A1) . P(A1) + P(B/A2) . P(A2) + ... + P(B/An) . P(An) = probabilidade total
P( Ai B)
P(Ai/B) =
P( B)
P( B / Ai ).P ( Ai)
P(Ai/B) =
P(B/A 1 ) . P(A 1 ) + P(B/A 2 ) . P(A 2 ) + ... + P(B/A n ) . P(A n )
Exemplo 1.9: Três máquinas, A, B e C produzem respectivamente 60%, 30% e 10% do total de peças
de uma fábrica. As porcentagens de peças defeituosas nas respectivas máquinas são de 2%, 3% e 4%.
Uma peça é sorteada ao acaso e verifica-se que é defeituosa. Qual a probabilidade de que a peça tenha
vindo da máquina C?
Solução: Sendo x = peças defeituosas, procuramos P(C/x), a probabilidade de que uma peça tenha sido
produzida pela máquina C dado que é defeituosa. Pelo teorema de Bayes,
P (C ) P( x / C )
P(C/x) = ;
P ( A) P ( x / A) P( B ) P ( x / B) P(C ) P( x / C )
0,10 0,40 4
P(C / x) 16% .
0,60 0,02 0,30 0,03 0,10 0,04 25
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
denominada ramo de primeira geração. Para cada ramo de primeira geração cria-se na extremidade do
ramo, para cada escolha possível do segundo elemento do par. Cada segmento de reta é um ramo de
segunda geração, e assim sucessivamente até se encontrar todos os ramos necessários. Abaixo
encontra-se um diagrama de árvore com ramos de primeira e segunda geração.
Exemplo 1.10: São dadas três caixas como segue: A caixa I tem 10 lâmpadas, das quais 4 são
defeituosas. A caixa II tem 6 lâmpadas, das quais 1 é defeituosa. A caixa III tem 8 lâmpadas, das quais
3 são defeituosas. Seleciona-se uma caixa aleatoriamente e então se retira uma lâmpada também
aleatoriamente. Qual a probabilidade de que a lâmpada seja defeituosa?
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
P( E F G ) P( E ) P(E F ) 12 - Sejam A e B dois eventos tais que P(A) = 0,4 e
d) P ( A B ) 0,7 . Seja P(B) = p. Para que valor de p, A
P ( E F G ). e B serão mutuamente exclusivos? Para que valor de p, A
e B serão independentes?
3 - Uma caixa contem 25 bolas numeradas de 1 a 25.
Extraindo-se uma bola ao acaso, qual a probabilidade de 13 - A probabilidade de que João resolva esse
que seu número seja: problema é 1/3, e a de que José resolva é 1/4. Se ambos
a) par; tentarem independentemente resolver, quual a
b) ímpar; probabilidade de que o problema seja resolvido?
c) par e maior que 10;
d) primo e maior que 3; 14 - Sorteados dois algarismos sem repetições,
e) múltiplo de 3 e 5; calcule a probabilidade de que:
a) sua soma seja menos que 4;
4 - Uma caixa tem 3 bolas brancas e 2 bolas pretas. b) seu produto seja menos que 4.
Extraindo-se duas bolas simultaneamente, calcule a
probabilidade de serem: 15 - Retiradas duas cartas de um baralho de 52
a) uma de cada cor; cartas calcule a probabilidade de que;
b) ambas da mesma cor. a) ambas sejam de copas;
b) ambas sejam do mesmo naipe;
5 – Resolver o problema anterior admitindo que as c) formem um par;
duas bolas são extraídas uma a uma com reposição. d) ao menos um seja figura;
e) não sejam cartas consecutivas;
6 - Se as cinco bolas da caixa anterior forem f) a segunda carta retirada seja de maior valor que a
extraídas uma a uma sem reposição, calcule a primeira.
probabilidade de que: Observação: Considere que Ás é a carta de maior valor e o dois
a) as três brancas saiam sucessivamente; a de menor valor.
b) as duas pretas saiam sucessivamente;
c) ao menos um dos eventos mencionados em a e b 16 - Retirando-se 5 cartas de um baralho completo,
ocorra. qual a probabilidade de se obter uma quadra?
7 - Dentre 7 pessoas, será escolhida por sorteio uma 17 - Uma urna contém 3 bolas brancas, 5 bolas
comissão de 3 membros. Qual a probabilidade de que verdes e 6 bolas vermelhas. Extraindo-se
uma determinada pessoa venha a figurar na comissão? simultaneamente 3 bolas, calcule a probabilidade de que:
a) nenhuma seja branca;
8 - No lançamento de 4 moedas honestas, considere b) exatamente uma seja verde;
os eventos: c) todas sejam da mesma cor;
A = sair número par de caras; d) saia uma de cada cor.
B = saírem duas ou mais caras.
Calcular P ( A) ; P (B) ; P ( A B ) ; P ( A B ) ; 18 - Resolver o problema anterior se as três bolas
forem extraídas uma a uma, com reposição.
P( A B ) .
19 - Uma água é contaminada se forem encontrados
9 - Um sistema automático de alarme contra bacilos tipo A e/ou bacilos tipo B e C simultaneamente.
incêndio utiliza três células sensíveis ao calor que agem As probabilidades de se encontrarem bacilos tipos A, B e
independentemente uma da outra. Cada célula entra em C são, respectivamente, 0,30; 0,20; 0,80. Existindo
funcionamento com probabilidade 0,8 quando a bacilos tipo A não existirão bacilos tipo C. Existindo
temperatura atinge 60 ºC. Se pelo menos uma das células bacilos tipo B, a probabilidade de existirem bacilos tipo
entrar em funcionamento o alarme soa. Calcular a C é reduzida à metade.
probabilidade do alarme soar, quando a temperatura a) Qual a probabilidade de aparecerem bacilos B
atingir 60 ºC. ou C?
b) Qual a probabilidade da água estar
10 - Dois eventos mutuamente exclusivos podem ser contaminada?
independentes? Dois eventos independentes podem ser c) Se a água está contaminada, qual a
mutuamente exclusivos? Por quê? probabilidade de aparecerem bacilos tipo B?
11 - Em uma unidade, 40% dos estudantes praticam 20 - Um artilheiro naval dispara 5 torpedos para
futebol e 30% praticam natação. Dentre os que praticam tentar acertar um navio. Sendo 1/3 a probabilidade de
futebol, 20% praticam também natação. Que cada torpedo acertar o navio, qual a probabilidade de que
porcentagem de estudantes não praticam nenhum dos o navio seja atingido? Se os dois primeiros torpedos
dois esportes? forem perdidos, qual a probabilidade de que o navio
ainda seja atingido?
12
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
2 – Variáveis Aleatórias
Na prática é, muitas vezes, mais interessante associarmos um número a um evento aleatório e
calcularmos a probabilidade da ocorrência desse número do que a probabilidade do evento.
Ao descrever um espaço amostral, não especificamos que um resultado individual
necessariamente seja um número.
Dada uma experiência aleatória, podemos sempre associar a seus resultados (eventos)
mutuamente exclusivos uma probabilidade. É claro que esses resultados podem ser expressos sempre
numericamente, mesmo quando possuem natureza qualitativa. Neste caso mediante uma convenção
adequada, associa-se a cada resultado um número.
Considerando uma variável X, que assume um e só um valor numérico cada vez que ocorre um
evento. A esta grandeza numérica, que assume diferentes valores, estando cada um destes valores
associados a uma certa probabilidade, dá-se o nome de variável aleatória (v.a.).
Definição:
Sejam E um experimento e S o espaço amostral associado ao experimento. Uma função X, que
associa a cada elemento s S um número real X(s) é denominado variável aleatória.
S R
x
s
x(s
)
Variável Aleatória
OBS : Quando nos referimos as variáveis aleatórias empregamos letras maiúsculas X, Y, Z, ....
Contudo, quando falamos do valor que essas variáveis aleatórias assumem usa-se, em geral letras
minúsculas, como x, y, z, ...
Exemplo 2.1: Lançam-se três moedas. Seja x = número de ocorrências da face cara. Associe um
número a cada evento do espaço amostral.
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Os números p(xi), i = 1, 2, .... devem satisfazer as condições:
a) 0 p(xi) 1
b) p( X ) 1
i 1
i
X x1 x2 ... Xn
p(xi) p(x1) p(x2) .... p(xn)
Solução: Pode-se ainda associar às probabilidades de X assumir um dos valores, as probabilidades dos
eventos correspondentes:
Graficamente:
X 0 1 2 3
P(x) 1/8 3/8 3/8 1/8 1/8
0
0 1 2 3
x
Propriedades da F(x).
1) F(x) = P( xi)
xi x
2) F( ) = 0
3) F( ) = 1
4) P(a < x b) = F(b) – F(a)
5) P(a x b) = F(b) – F(a) + P(x = a)
6) P(a < x < b) = F(b) - F(a) - P(x = b)
7) A função é não decrescente, isto é, F(b) F(a), para b > a.
Como X assume apenas um número finito de valores x1, x2, ..., xn então a função de distribuição é
dada por:
15
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
0 x x
1
f ( x ) x xx
1 1 2
f ( x ) f (x ) x xx
F( X ) 1 2 2 3
f ( x1 ) f ( x 2 ) ... f ( x n ) 1 x x
n
Exemplo 2.3: Determine a função de distribuição da v.a.d. X, do exemplo 2.1 e trace seu gráfico.
Solução:
0, x0
1 / 8, 0 x 1
F( x ) 4 / 8, 1 x 2
7 / 8, 2x 3
1, x 3
n
E(X) x i p i
i 1
Propriedades da E(X)
a) E(k) = k
b) E(kX) = kE(X)
c) E(X Y) = E(X) E(Y)
d) E(k X) = k E(X)
Exemplo 2.4: Um jogador lança um dado. Se ocorrer um número primo, ele ganha este número em
reais, mas se ocorrer um número que não seja primo ele perde este número em reais. Qual a esperança
de ganho do jogador em uma partida?
Solução:
X -1 2 3 -4 5 -6
P(x) 1/6 1/6 1/6 1/6 1/6 1/6
16
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
2
Var(x) = x = E[( x x ) 2 ] ( x ) 2 P( x )
i x
i 1
i
Propriedades da variância:
i) A variância de uma constante é zero. V(k) = 0
ii) Multiplicando-se uma variável aleatória por uma constante sua variância fica multiplicada pelo
quadrado da constante. V(kx) = k 2 V( x)
iii) Somando-se ou subtraindo-se uma constante à uma variável aleatória, sua variância não se altera.
V(k x ) = V(x)
iv) A variância da soma ou diferença de duas variáveis aleatórias independentes é a soma das
respectivas variáveis. V(x y) = V(x) + V(y) se x e y forem independentes.
Exemplo 2.5: Determine a variância e o desvio padrão para os dados do exemplo 2.4.
E(X2) = (-1)2 x 1/6 + (2)2 x 1/6 + (3)2 x 1/6 + (-4)2 x 1/6 + (5)2 x 1/6 + (-6)2 x 1/6 = 15,17
V(X) = 15,17 – (0,17)2 = 15,1411 x 15,1411 = 3,89
2 x 2 , se 0 x 2
Exemplo 2.6: Verificar se f ( x) é fdp.
0 , e.c.c.
Solução:
i) f ( x) 0 x
2
2 x2
ii) 0 2 x 3dx 1 2 . 3.x 4 6 10 , não é fdp.
2 0
17
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Exemplo 2.7: Seja a função f, definida em R, por:
0 , se x 0
f ( x ) x ,0 x k
2
0 , se x k
onde k é uma constante real. Determine para que valores de k, f é função densidade de probabilidade
de uma v.a. x.
2 k
Solução:
k
x dx 1 1 . x 1
1 2
k 1 k 2 4 k 2 , mas como f ( x ) 0 , k = 2.
0 2 2 2 4
0
Assim F( x ) f (t )dt
Propriedades da F(x).
1) 0 F(x) 1
2) lim F( x ) 0
x
3) lim F( x ) 1
x
5) F(x) é descontínua à esquerda, nos pontos em que a probabilidade é diferente de zero. lim F(x) é
x x0
0 ,x0
Exemplo 2.9: Suponha que uma v.a.c. tenha a fd F dada por: F ( x) x
. Encontre a f.d.p.
1 e , x 0
de x.
0 , p.o.v.
Solução: f ( x) F ' ( x) x .
e , x 0
18
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
2.2.3 Valor médio de uma v. a. c.
Dada uma v. a. X contínua, chama-se valor médio ou esperança matemática o valor
E(X ) x f ( x ) dx
Propriedades da E(X)
a) E(k) = k
b) E(kX) = kE(X)
c) E(X Y) = E(X) E(Y)
d) E(k X) = k E(X)
Exemplo 2.10: A distribuição da quantidade de cascalho (em toneladas) vendida por uma empresa de
3 2
(1 x ) , se 0 x 1
materiais de construção em uma semana é uma v.a.c. X com fdp f ( x) 2 .
0 , p.o.v.
Determine o valor médio de cascalho vendida por semana.
Solução:
x 1
1 1
3 3 3 x2 x4 3
E ( X ) x f ( x)dx x (1 x )dx ( x x 3 )dx
2
0
2 20 2 2 4 x0 8
Propriedades da variância:
v) A variância de uma constante é zero. V(k) = 0
vi) Multiplicando-se uma variável aleatória por uma constante sua variância fica multiplicada pelo
quadrado da constante. V(kx) = k 2 V( x )
vii) Somando-se ou subtraindo-se uma constante à uma variável aleatória, sua variância não se
altera. V(k x ) = V(x)
viii) A variância da soma ou diferença de duas variáveis aleatórias independentes é a soma das
respectivas variáveis. V(x y) = V(x) + V(y)
Exemplo 2.11: A venda semanal de leite, em milhares de litros, de uma cooperativa pode ser
representada por uma v.a. X com função de distribuição de probabilidade
0 se x 0
F ( x) x 3 se 0 x 1 .
1 se x 0
a) Determine a f.d.p.
b) Calcule E(x) e V(x)
19
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
0 se x 0
0 e.c.c.
Solução: a) f ( x) F ' ( x) 3 x 2 se 0 x 1 2 ;
0 se x 0 3 x , 0 x 1
1 1 1 1
2 x4 3 3
b) E ( x) x f ( x) dx x.3 x dx 3 x dx 3. ;
0 0 0
4 0
4
1 1 1 5 1
x 3
E ( x 2 ) x 2 f ( x) dx x 2 .3 x 2 dx 3 x 4 dx 3. ;
0 0 0
5 0
5
2
3 3 3 9 48 45 3
V ( x) .
5 4 5 16 80 80
Teorema: Seja X uma v.a. Se a fgm de X exista então: M xn' (o) E ( X n ) , isto é, a derivada n-
ésima de Mx(t), calculada para t = 0, fornece E(xn).
Sejam X e Y duas vs. as. cujas fgm , são respectivamente Mx e M y. Se Mx(t) = My(t) para algum
intervalo contendo a origem, então as vs. as. X e Y têm a mesma distribuição de probabilidade.
Exemplo 2.12: A v.a x pode tomar os valores 1 e -1 com probabilidade 1/2 cada um. Determine a
função geratriz de momentos.
Solução:
x -1 1
p(x) 1/2 1/2
1
Mx(t) = e txj
2 2 2
p ( xj ) e tx . p ( x) 1 .e t 1 .e t e t e t
j 1
0 ,x0
Exemplo 2.13: Uma v.a. x tem f.d.p. dada por f ( x) 2 x . Determine a função geratriz de
2e , x 0
momentos.
20
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
0
2 x (t 2 ) 2
Solução: M x (t ) tx
e f ( x)dx
tx tx 2 x x (t 2 )
e .0dx e .2e dx 2.e dx e 0 1
0 0
t2 0 t2
2
M x (t ) .
t 2
a a | x| 0 a a
itx
Solução: x (t ) E (e ) e itx e dx e itx e a ( x ) dx e itx e ax dx
2 2 0 2
0
a 0 x ( it a ) a 0 x ( a it ) a e x ( it a ) a e x ( a it ) a a
e dx e dx . .
2 2 2 it a
2 a it 0
2(it a ) 2( it a )
2 2 2 2
a (a it ) a (it a ) a ait ait a 2a a
2 2 2
2 2
2 .
2( a i t ) 2(a t ) 2(a t ) (a t 2 )
2 2
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Determine: Nº de Até 41 42 43 44 45 46
a) o valor da constante c; clientes
b) P(x 2) ; P(1/2 x 3/2); Probabili- 0,88 0,06 0,04 0,01 0,006 0,004
c) Determine F(x). dades
3.1.1 Bernoulli:
Definição: Seja X uma v.a.d. e p, 0 p 1 onde 0 representa o fracasso e 1 representa o
sucesso. X tem distribuição de Bernoulli, X ~ B(P), se sua f.p. é:
p x 1 p 1x , x 0,1
p( x )
0 , p. o. v.
Características:
i) Se X ~ B(p), então a fgm de X é:
1
Mx (t) = E(etx) = e tx px (1 p)1 x (1 p) e t p 1 p(et 1) .
x 0
22
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
p 1
Mx (t) > 0 1 + p(et - 1) > 0 p(et - 1) > - 1 et – 1 > -1/p et > 1 – (1/p) t ln .
p
ii) Se x ~ B(p), então:
E(x) = M’x (0) M’x (t) = p.et M’x (0) = p
E(x2) = Mx’’(0) Mx’’ (t) = p.et Mx’’ (0) = p
V(x) = E(x2) – [E(x)]2 V(x) = p – p2 = p(1-p) = pq
Exemplo 3.1: Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja x =
número de bolas verdes, determinar p(x) e calcular E(x) e V(x).
Solução:
0 → q = 30/50 = 3/5.
1 → p = 20/50 = 2/5.
x 1 x
2 3
p( x) .
5 5
E(x) = p = 2/5.
2 3 6
V(x) = .
5 5 25
3.1.2 Binomial
Considere que se repita um ensaio de Bernoulli n vezes, e que as repetições sejam independentes,
isto é, o resultado de um ensaio não tem influência nenhuma no resultado de qualquer outro ensaio.
Cada tentativa admite apenas dois resultados: fracasso com probabilidades q e sucesso com
probabilidade p, p + q = 1. As probabilidades de sucesso e fracasso são as mesmas para cada tentativa.
Seja X: número de sucessos em n tentativas.
Para um resultado particular (RP):
SSSS
...
SFFFF
...
F
k nk
Logo,
k nk
P(RP) = P(SSSS...SFFFF..F) = pppp...p qqqq...q p q
k n k
Características:
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
E(x2) = Mx’’(0) Mx’’ (t) = n(n – 1)[1 + p(et – 1)]n-1.pet.pet + n[1 + p(et – 1)]n-1.pet.
Mx’’ (0) = n(n – 1)p2 + np = n2p2 – np2 + np.
V(x) = n2p2 – np2 + np – n2p2 V(x) = np(1 – p).
Exemplo 3.2: Uma moeda é lançada 20 vezes. Qual a probabilidade de saírem 8 caras?
8 12
1 1 8
Solução: P( x 8) C 0,12013 .
20
2 2
Exemplo 3.3: Uma firma de vendas por correio envia cartas anunciando um determinado produto aos
possíveis clientes. A porcentagem de respostas a essas cartas é, em geral, de 10%. Supondo que um
prédio tem 20 moradores e que todos receberam uma carta, determine a probabilidade de:
a) Ninguém responder a essas cartas;
b) Só duas dessas cartas terem respostas;
c) Responderem menos de 20% das pessoas contatadas.
Solução:
0 20
1 9 0
a) P ( x 0) C 20 0,1216 ;
10 10
2 18
2 1 9
b) P( x 2) C 20 0,2852 ;
10 10
0 20 1 19 2 18 3 17
0 1 9 1 1 9 2 1 9 3 1 9
P( x 4) C 20 C 20 C 20 C 20
c) 10 10 10 10 10 10 10 10
0,1216 0,2702 0,2852 0,1901 0,8671.
3.1.3 Poisson
A distribuição de Poisson é uma outra distribuição de probabilidade que encontra muitas
aplicações práticas. Existem inúmeros fenômenos discretos representados por um processo Poisson, do
mesmo modo que o modelo Poisson também é empregado para fornecer aproximações para a
distribuição Binomial.
Muitas vezes, no uso da Binomial, acontece quando n é muito grande (n ) e p é muito
pequeno (p 0). Na prática, quando n > 30 e p < 0,05. Nesse caso, pode-se aproximar a distribuição
Binomial para a Poisson, com = np.
Def: Seja X uma v.a.d. e > 0 um número real. X tem distribuição de Poisson com parâmetro ,
X ~ P(), se sua f.p. é
e x
x 0,1, 2...
p ( x ) x!
0 x 0
Características:
i) Se X ~ P(), então a fgm de X é:
e x
(e t ) x t t
M x (t ) E.e e .tx
e . tx
e .e e e ( e 1) .
x 0 x! x0 x!
24
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
ii) Se X ~ P(), então:
t
E(X) = M'
X
(0) M'
X
(t) = e ( e 1)
e t M 'X (0) = E(X) =
t t
E(X2) = M' '
X
(t)t = 0 M ' ' (t)
X
= e ( e 1)
e t e e e ( e 1)
e t M' '
X
(0) = 2 +
V(X) = 2 + - 2 V(X) =
Exemplo 3.4: Numa estrada há 2 acidentes para cada 100 km. Qual a probabilidade de que em:
a) 250 km ocorram pelo menos 5 acidentes?
b) 300 km ocorram 5 acidentes?
Solução: 2 / 100km
2 100
a) → 5 / 250km
250
e 5 .50 e 5 .51 e 5 .52 e 5 .53 e 5 .54
P ( X 5) 1 P ( X 5) 1
0! 1! 2! 3! 4!
1 0,0111 0,0500 0,1125 0,1687 0,1898 0,56.
2 100
b) → 6 / 300km
300
e 6 .6 5
P ( X 5) 0,1606.
5!
Exemplo 3.5: Suponha que uma fábrica produz por dia 40 peças metálicas para candeeiros. A
máquina de acabamento não está devidamente ajustada produzindo uma peça defeituosa em cada
dez peças. Determine a probabilidade de se obter, no máximo, 2 peças defeituosas.
Solução: 1 / 10 peças
e 1 .10 e 1 .11 e 1 .12
P ( X 2) 0,3679 0,3679 0,1839 0,9197.
0! 1! 2!
25
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Características:
a) Da fdp f:
i) f(x) > 0, x E R, lim f ( x ) lim f ( x ) 0 .
x x
ii) A f tem um número máximo em x = .
f’(x) = 0 x=
f’’(x) < 0 (, 1 ) é o ponto de máximo
2
iii) f é simétrica em relação à x = . f(x + ) = f( - x), x
iv) a f tem dois pontos de inflexão em x = . f’’(x) = 0 x = .
b) da variável:
i) Se X ~ N( ,2), a fgm de x é:
2 2
1 x 1 x
1
2
1
2
tx
M x (t ) E (etx )
tx
e e dx = e dx =
2
2
2
1 x 1
1
2
2 tx
1
2 2
x 2
2 x 2 2 2 xt
2
e dx =
2
e dx =
2
2
1 2
1
2 x 2 2 x ( 2t ) e 2 2
1
2 x 2 2 x ( 2t ) ( 2t ) 2 ( 2 t ) 2
e 2
e 2 dx = e 2 dx =
2 2
2 2 2 2
2 2
1 2 2
1 x ( 2 t )
2 2
1
2
2
2 2t 4t 2 1 x ( 2t )
e 2
( t )
2 e .e 2 2
e 2 e dx = e dx =
2 2
2 2 1 2 1
t 2t 2 1 x ( 2t )
2
t 2t 2 1 x ( 2t )
2
e 2 2 2 2 2
2
e 2
e dx = e dx
2 2
2y
e
1 2
dy 2 e fazendo y
x 2 t
Usando o fato: ,
2
1 x ( 2 t ) 1 2
2 2 2y
e dx e dy 2 , então:
26
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
1 1
t 2t 2 1 t 2t 2
2
e . . 2 e 2 , logo:
2
1
t 2t 2
2
M x (t ) e
ii) Se x ~ N( ,2), então:
1 1
t 2 t 2 0 2 02
E(x) = M’x (0) M’x (t) = e 2 ( 2 t ) M’x(0) = e 2
( 2 0) = .
1 1
t 2 t 2 t 2 t 2
2
E(x ) = Mx’’(0) Mx’’ (t) = e 2
( t ) 2 2 2
e 2
2 2 2
E(x ) = Mx’’(0) = +
V(x) = E(x2) – [E(x)]2 V(x) = 2 + 2 - 2 = 2
Def: Seja X uma v.a.c. x tem distribuição normal padrão x ~ N(0,1), se sua fdp é:
1
1 x2
x e 2 , - < x < .
2
Característica:
a) Da fdp :
i) (x) > 0, x, lim ( x ) lim (x ) 0
x x
ii) tem um máximo em x = 0.
’(x) = 0 x = 0
’’(x) < 0 (0, 1 ) é ponto de máximo.
2
27
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
1 2
1 tx
x2
1
1
1 2
2 x 2 tx 1 2 2
2 x 2 tx t t
E(etx) = Mx(t) = .e e 2 dx = e dx = e dx =
2 2
2
1 2
1 t
1 x t 2 1 t 2 e2
1
2 x t
2
e 2 2 dx e dx .
2
=
2
Fazendo y = (x – t) tem-se:
1 2 1 2
t 1 t
2 y2 2 1
e e t2
e 2
dy 2 = e 2 .
2
2
ii) Se x ~ N(0,1).
1 2
t
M’x(t) = 2 t.e 2
E(x) = M’x(0) = 0
1 2 t2
t
Mx’’(t) = e2 t 2 .e 2
2
E(x ) = Mx’’(0) = 1
V(x) = 1
0,4772
0 2
0,45 0,4
b) z 1;
0,05
P( x 0,45) P ( z 1) 0,5 0,3413 0,8413 84,13% .
0,3413
0,5
0 1
28
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
0,5 0,4 0,6 0,4
c) z 1; z 4;
0,05 0,05
P(0,5 x 0,6) P(2 z 4) 0,4999 0,4772 0,0228 2,28% .
0,4772
2 4
0,3 0,4
d) z 2 ;
0,05
P( x 0,3) P( z 2) 0,5 0,4772 0,0228 2,28% .
0,4772
Gráfico:
29
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
b) Da variável:
i) Se x ~ tn, então: E(x) = 0
gl
V(x) = , para gl > 2.
gl 2
Tabela da distribuição “tn”
x
Sendo x ~ tn, dados n e α, a tabela fornece ,n
, tal que: P( , n x , n) 1 e
2 2 2
P( x x x ) .
2
,n
2
,n 2
1 1 1 1
2 arc tgx 0,025 2 arc tgx 0,025 arc tgx 0,475
arc tgx 0,047 x tg (0,475 ) x 12,706 .
30
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
n 1
1 1 x
x2 e 2
,x 0
2
n
n
f ( x) 2 2
0 ,x 0
e se indica por x ~ n2 .
Características:
a) da f.d.p. f
i) n = 1; lim f ( x) e lim f ( x) 0 e f(x) é estritamente decrescente, isto é, f ‘(x) < 0, para
x0 x
x > 0.
1 1
1 x
f ( x) x 2e 2
,x 0
1
2 1 2
2
31
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
(n2 > n1 ≥ n3)
OBS: (r ) s r 1e s ds
0
(r ) (r 1)! (r ) (r 1)(r 1)
(r 1) r! (r 1) r (r )
(1) 1 (1 / 2)
(3 / 2) (1 1 / 2) 1 / 2 (1 / 2) 1 / 2
b) da variável:
i) Se X ~ n2 , a fgm de x é:
n 1 n 1
1 2
1 x
2 tx 1
2
1 x (1 2 t )
2
M x (t ) x e e dx x e dx
0 n
2 2 n 2 n
2 2 n 2 0
Fazendo ;
Substituindo na integral, tem-se:
n n 1
1 n
1 2v 2 v 2dv 2 2 .2 1
M x (t ) e n v 2 e v dv
n
2 2 n 2 0 (1 2t ) n 1
1 2t 2 2 n (1 2t ) 2 (1 2t ) 0
2
2 .n
n
2
2 1 n 2
M x (t ) (1 2t )
n (1 2t )
n n n
2 2 2
2 (1 2t )
2
ii) Se x ~ n2 então:
E ( x) M x' (0)
n n 1 n 1
M x' (t ) (1 2t ) 2 ( 2) n(1 2t ) 2
2
n 1
M x' (0) n(1 2.0) 2 n E(X) = n
2 ''
E ( x ) M ( 0) x
n n 2 n 2
M x'' (t ) ( 1).n.(1 2t ) 2 ( 2) ( n 2 2n)(1 2t ) 2
2
n 2
M x'' (0) (n 2 2n)(1 2.0) 2
n 2 2n
V ( x ) n 2 2n n 2 2n V(X) = 2n
A distribuição qui-quadrado é largamente utilizada na inferência estatística. Para essa finalidade ela
esta tabelada. Essa tabela fornece abscissa ou valores da variável com distribuição qui-quadrado pré-
fixada e em função do parâmetro n ( na pratica é chamado de número de graus de liberdade).
32
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
A tabela da distribuição n2, é construída para fornecer valores da variável, em função de 1 ,
e α, 0 < α < 1, satisfazendo a sentença: X ~ n2, e P(x > xα, ) = α → x α,
Exemplo 3.8: X ~ 22 e P(X > x 0,05; 2) = 0,05
1
x
f ( x) 1 e 2
,x 0
2
1 1x
x 1
P(x > x 0,05; 2) = 0,05 = 1 e 2 dx 2 e 2 0,05
2 x 2
x
1
x ln 0,05 x 2. ln 0,05 5,99
2
Exemplo 3.9: X ~ 22 e P(X> x ) = 0,10
1
x
f ( x) 1 e 2
,x 0
2
1 1 x
x 1
P(x > x) = 0,10 = 1 e 2 dx 2e 2 0,10
2 x 2
x
1
x ln 0,10 x 2. ln 0,10 4,61
2
Características:
a) da fdp f x ~ F(m,n):
n 2 2
ii) Se m = 2, f(x) 0, x , lim f ( x) 2 n 1
x 0 n
2
iii) Se m 3, f(x) 0, x , lim f ( x) 0 , lim f ( x) 0 e f(x) tem um máximo em
x 0 x
n m2
x . , m 2 ( m 3)
m m2
n m2
f ' ( x) 0 x .
m n2
n m 2
f ' ' . 0
m n2
Gráfico:
b) Da variável:
33
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
i) Se X ~ Fm,n, então:
n
E ( x) , n3
n2
2n 2 ( m n 2)
V ( x) , n 5.
m( n 2 ) 2 ( n 4 )
(3).2 2 x
Solução: Então: 3
dx 0,05 8. x.(1 2 x) 3 dx 0,05
(2). (1) x0 (1 2 x) x0
Fazendo:
ux
du dx
1
dv (1 2 x) v (2 x 1) 2
4
x 1
8 2
(1 2 x) 2 dx 0,05
4(1 2 x) 4 x0
2x 1 2 x0 1
2
0,05 2
0,05
(1 2 x) 1 2x x (1 2 x 0 ) 1 2 x0
0
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Suponha que os eventos em que as linhas estejam 7. O número de partículas gama, emitidas por segundo, por
ocupadas em sucessivas sejam independentes. Considere certa substância radioativa é uma variável aleatória com
que 10 chamadas aconteçam. distribuição de Poisson com média igual a 2. Se um
a) Qual a probabilidade de que, para exatamente três instrumento registrador torna-se inoperante quando há mais
chamadas, as linhas estejam ocupadas? de 3 partículas por segundo, qual a probabilidade de que isto
b) Qual a probabilidade de que, para no mínimo uma aconteça em qualquer determinado segundo?
chamada, as linhas não estejam ocupadas?
c) Qual o número esperado de chamadas em que todas as
8. Se 5% das lâmpadas produzidas por uma fábrica são
linhas estejam ocupadas?
defeituosas, encontre a probabilidade de que, numa
amostra de 100 lâmpadas, escolhidas ao acaso,
3. Porque nem todos os passageiros de aviões aparecem
tenhamos:
na hora do embarque, uma companhia aérea vende 125
a) nenhuma defeituosa
bilhetes para um vôo que suporta somente 120
b) três defeituosas
passageiros. A probabilidade de um passageiro não
c) mais do que uma boa
aparecer é de 0,1 e os passageiros comportam-se
independentemente.
9. Em média há 2 chamadas por hora em certo telefone.
a) Qual a probabilidade de que cada passageiro que
Calcular a probabilidade de nenhuma chamada em 90
apareça possa embarcar?
minutos.
b) Qual é a probabilidade de que o vôo decole com
assentos vazios?
10. Sabendo que em certo processo industrial a média
mensal de acidentes pessoais é igual a 0,5, determine a
4. Em seu caminho matinal, você se aproxima de um
probabilidade de que, ao longo de 4 meses, verifique-se:
determinado sinal de transito, que está verde 20% do
a) nenhum acidente;
tempo. Suponha que cada manhã represente uma
b) um acidente;
tentativa independente.
c) ao menos um acidente;
a) Em cinco manhãs, qual a probabilidade de que a luz
d) no máximo dois acidentes.
esteja verde exatamente um dia?
b) Em 20 manhãs, qual a probabilidade de que a luz
11. Suponha que o número de partículas emitidas por
esteja verde exatamente quatro dias?
um material radioativo em cada segundo tenha uma
c) Em 20 manhãs, qual a probabilidade de que a luz
esteja verde em mais de quatro dias? distribuição de Poisson com média 3 ( = 3).
a) Construa o gráfico para a distribuição de
5. Em um pedágio de determinada rodovia chegam, em probabilidade do número de partículas emitidas por
média, 1200 carros por hora. Determine a probabilidade de um material radioativo por segundo (use a tabela de
chegarem: Poisson).
b) Calcule a probabilidade de que sejam emitidas entre
a) pelo menos 2 carros por minuto 7 e 11 partículas por segundo.
c) Qual é distribuição do número de partículas emitidas
b) no máximo 4 carros a cada 4 minutos
por um material radioativo por minuto?
c) três carros a cada 6 minutos d) Qual é a probabilidade de que 100 partículas sejam
emitidas em um minuto?
d) 100 carros em meia hora
12. Uma fábrica produz válvulas, das quais 20% são
6. A chance de que um bit transmitido através de um defeituosas. As válvulas são vendidas em caixas com 10
canal digital seja recebido com erro é de 0,1. Suponha peças. Se a caixa não tiver nenhuma defeituosa, seu
também que as tentativas de transmissão sejam preço de venda é R$ 10,00; tendo uma defeituosa, o
independentes. Faça X = número de bits com erro nos preço é R$ 8,00; duas ou três defeituosas, o preço é R$
próximos quatro bits transmitidos. Determine a 6,00 e mais do que 3 defeituosas o preço é R$ 2,00. Qual
probabilidade: o preço médio de uma caixa, neste caso?
a) De dois bits conterem erro.
b) De que pelo menos um contenha erro.
c) De que no máximo 2 contenham erro.
36
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
examinar a distribuição amostral da média aritmética para populações que não são distribuídas
normalmente, recorremos ao Teorema Central do Limite.
O Teorema Central do Limite é útil no estudo de variáveis aleatórias, pois dá apoio ao uso da
distribuição normal. Isto é, qualquer que seja a distribuição da variável de interesse para grandes
amostras, a distribuição das médias amostrais serão aproximadamente normalmente distribuídas e,
tenderão a uma distribuição normal. Mas se tomarmos várias amostras grandes desta distribuição e,
então fizermos um histograma das médias amostrais, a forma se parecerá com uma curva normal.
A aproximação para a normal melhora à medida que o tamanho amostral cresce. Este
resultado é conhecido como Teorema Central do Limite.
S n 1 b u2
lim P a n b e 2
du
a
x
n 2
37
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Segue-se que a variável aleatória padronizada de S n é:
Sn n
Sn*
n
*
A função geratriz de momentos para S n é:
t Sn n
n
*
M S * t E etS n E e n
t X1 t X 2 t X n
M S * t E e n .e n ...e n
n
t X1 t X 2 t X n
M S * t E e n .E e n ...E e n
n
n
t X1
M S * t E e n
n
onde, nos dois últimos estágios levamos em conta o fato de que X k são independentes e são
identicamente distribuídas. Mas pelo desenvolvimento de Taylor,
38
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Figura 1 – Distribuição normal e distribuição de amostragem da média aritmética de 500
amostras de tamanho n = 2, 3, 8, 16 e 32. (Figura adaptada de Leviene, Berenson e Stephan, 2000).
39
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Figura 2 – Distribuição uniforme contínua e distribuição de amostragem da média aritmética de
500 amostras do tamanho n = 2, 4, 8, 16 e 32. (Figura adaptada de Leviene, Berenson e Stephan,
2000).
40
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
Figura 3 – Distribuição exponencial e distribuição de amostragem da média aritmética de 500
amostras do tamanho n = 2, 4, 8, 16 e 32. (Figura adaptada de Leviene, Berenson e Stephan, 2000).
5 - Referências Bibliográficas
CARREIRA, A.; PINTO, G.; SOUSA, B. Cálculo da Probabilidade. Lisboa: Piaget, 2002.
COSTA NETO, P. L.; CYMBALISTA, M. Probabilidades: Resumos Teóricos – Exercícios
Resolvidos – Exercícios Propostos. São Paulo: Edgard Blücher, 1974.
DANTAS, C. A. B. Probabilidade: Um Curso Introdutório. 3. ed. São Paulo: Edusp, 2008.
DEVORE, J. L. Probabilidade e Estatística para Engenharia e Ciências. 6. ed. San Luis Obispo:
Thomson, 2006.
LIPSCHUTZ, S. Teoria e problemas de probabilidade. São Paulo: McGraw-Hill do Brasil, 1972.
41
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros.
2. ed. Rio de Janeiro: LTC, 2003.
MORETTIN, L. G. Estatística Básica. 7. ed. São Paulo: Makron Books, 1999.
NAGHETTINI, M. PINTO, É. J. DE A. Hidrologia Estatística. Belo Horizonte: CPRM, 2007.
SPIEGEL, M. R. Probabilidade e Estatística. São Paulo: Pearson Education do Brasil, 1978.
42
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)