Escolar Documentos
Profissional Documentos
Cultura Documentos
Probabilidad~ e Estatistica
Modelos matematicos na presenga de
incertezas
,-----.,
(
,.-...
"
"'
(
,,.---..,
/"""'--
("'-
("'-
\
:---i
•
- - -- -- - -- - - - - - - -- - --·-
Sumario
1 Conceitos Fundamentais 1
1.1 Aleatoriedade 1
,-._
1.2 0 Certo no Incerto 2
1.3 Incerteza e Risco 7
1.4 N0<;ao Empfrica de Probabilidade 8
1.5 Modelo de Probabilidade de Laplace 10
1.6 0 Experimento de d'Alembert 11
1.7 Pro ba bilidade 12
1.8 Probabilidade Condicional 20
1.9 Eventos Independentes 26
1.10 Probabilidade Total . 30
1.11 Teorema de Bayes . 34
1.12 Tamanho e Modelos de Laplace
I
38
2 Variaveis Aleatorias 45
2.1 Definigoes e Exemplos 45
2.2 Tipos de Variaveis Aleatoria;:; .. . . 50
.--... 2.3 Variaveis Aleat6rias e Probapilidade . 51
2-4 Furn;ao de Probabilidade 53
2.5 Distribui<_;ao Acumulada 54
2.6 Variaveis Aleat6rias Continu~s _ 57
2.7 Furn;ao Distribui<_;ao de Probabilidade de Variaveis Aleatorias
Continua. 63
,-._ 2.8 Parametros da Distribui<_;ao 69
~ 2.8 .1 Esperarn;a de uma V9'riavel Aleat6ria Discreta 69
2.8.2 Esperarn;a de uma Variavel Aleat6ria Continua 72
- r· L
,( . . ~. ·' " . 2.'9. Furn;ao de Variavel Aleat6ria . 74
,.--._
2.10 Propriedades da Esperan<_;a _ 76
;y
- Vl SUAL4RIO
""""'
_....., 2.11 Variancia 77
2.12 Exercicios 88
~
4 Variaveis Continuas 111
4.1 Distribui<:;ao U niforme 111
4.2 Distribui<:;ao Normal 114
4.2.1 Defini<:;ao e propriedades 114
4.2.2 Padroniza<:;ao 118
4.2.3 Teorema Central do Limite . 122
4.2.4 Casos Particulares do Teorema Central do Limite 124
~
-
Capitulo 1
11
Conceitos Fundamentais ae
Probabilidade
1.1 Aleatoriedade
A observagao e o estudo de situac;oes sobre as quais pairam incertezas ou
ha menos informac;ao do que o necessario para as caracterizar plenamente,
chamadas de aleat6rias, comec;aram ha bastante te111po .
Desde muito antigarnente os pensadores tern se colocaclo a questao de
modelar fenomenos mais ou menos irnprevisfueis, como, no larn;amento de
uma moeda ao ar, advinhar se a face que fica para cirna e a cara ou a
coroa. Outros fenomenos cle natureza similar sao a questao de chover ou nao
amanha, ou saber se a pr6xima pessoa em que se esbarrara sera. um homem
ou uma mulher. Toclas estas situac;oes tambern sao aleatorias.
Atualrnent.e as teorias que servem para rnodelar situac;oes cujo resultaclo
e incerto, OS fenomenos aleat6rios, sao a probabilidade e a estatistica. Es-
t.as sao irnportantes ferramentas nas mais diversas areas de engenharia, nas
cien.cias txatas , nas sociais e nas ciencias da sa{1cle . Tanto a probabiliclacle
.1.'. · .. .. . , ·- .
1
2 CAPITULO 1. CONCEITOS FUNDAMENTi-US
3
E claro que outras situa<;6es podem ocorrer, como, por exemplo, a moeda cair e ficar
na vertical apoiada na sua lateral (de quina) . Esta e uma situa<;ao mais complexa mas
- ~ que tarnbem pode ser incluicla na analise. No entanto, o rnodelo matematico ficaria mais
I ~
n ~ e 0 evento certo.
</> e 0 evento impossivel.
'V'-7 I ---,
A uB e a ocorrencia de A OU B.
'V'-7
. I ,--
1.2. 0 CERTO NO INCERTO 5
caras, sab eremos tambern as posi<_;:6es que sao ocupadas pelas coroas, sao as
20 - j posi<_;:6es (restantes) ·nao ocupaclas pelas caras. Basta entao escolher
as posi<_;:oes das j cams, entre as 20 posi<_;:oes disponiveis: isto e dado por urna
combina<_;:ao, de 20 possibilidades, escolhidas j a j,
cj _ 201
20 - i (20 - j )!
Assirn o n {1mero t otal de elementos do espago amostral consiste em somar o
rnimero de seqiiencias com nenhuma cara (a.penas a seqiiencia
I<KKKI<K . .. I<KKK,
v i11t e comas
scrr
l-~,\y YCFY
~' y KKCKY
·~,y ... ,
19 coroas 18 coroas 17 coroas
KK .. . KC~,KK . .. K ~}cD
1 coroa 0 coroas
I ~
Neste caso #<.J.R = 21, que e bern menor do que a cardinalidade do espa<;;o
) ~
aniostral, D, das seqi.iencias de 20 caras ou coroas da alinea a) , e e chamado,
sugestivamente, de espa<;;o amostral reduzido do experimento em a).
) -
Exemplo 7. Fabricar pe<_;as (1000 por dia) e contar as defeituosas. 0 expe-
rimento c:onsiste em contar o n{m1ero de pe<;;as defeituosas produzicla.s. Ja o
espa.<;;o amostral e o conjunto <.J. = {O, 1, 2, 3, ... , 1000}.
0 evento 'haver no maximo 10 pe<;;as clefeituosas' corresponde ao sub-
c:onjunto B = {O, 1, 2, 3, ... , 10}. 0 evento 'a percentagem de defeituosos
e de, no maxima, 3,5%' corresponde ao subconjunto do espa<;;o amostral,
C = {O, 1, ... , 35} e o evento 'a percentagem de defeituosos e menos de
3, 5%' corresponde a D = {O, 1, ... , 34}.
I
Exernplo 8. Larn;ar um dado e ver que face fica para baixo. 0 espa<;;o
'amostral e D = {1, 2, 3, 4, 5, 6}. 0 evento aleat6rio 'sair um mimero par para
baixo' e caracterizado pelo subconjunto D = {2 , 4, 6}. Ill
i -
I ~
··- - -- - - - --·- -
Se voce decide comer o salgadinho quanclo este esta cleteriorado, isto se con-
stitui em uma decisao incorreta, um erro .
Neste tipo de situa<;ao sempre ha cluas possibiliclades de errar, e uma e
consicleracla. de maior gravidade. No caso do salgaclinho , se voce esta com
vontacle de come-lo, os erros sao: (i) nao come-lo quando ele esta born , e
(ii) come-lo quando esta deteriorado. Neste caso, o erro ma1s grave esta
a
relacionado segunda alternativa. Iii
'freqiiencia relativa' =
on de
I ,,.._
Agora, suponhamos que larn;o uma rnoeda uma {mica vez . Entao
D = {C, K}
as seguintes probabilidades,
1 1
P(A 1 ). = - : P(A.)) = -
2 - 2
e tambem ,
P (D) = 1; P(¢) = 0
primarios , pontos , retas , pianos, assumindo verdadeiras relar;oes iniciais entre eles, do
tipo, ~lados dois pontos distintos, existe uma unica reta que passa por eles , etc, constru-
[ · ~: , ..... indo 1prma;lmente assim , a geometria Euclidiana, [?] .
7
S6 para relembrar, 25 %, 25 / 100, i-
50/ 200, 2, 5.10- 1 e 0,25 sao tao sornente repre-
1
vezes aparecera cara. Observe, no entanto, que isto nao quer dizer que nao
possam ter ocorrido apenas 98 caras. Pode! Quando se lanr;am 500 vezes
uma moeda, podem sair apenas 98 caras, mas nao e o usual , nao e o que se
espera.8 .
f
. 1
~
~ "
-t-
J2
,-...._;
~
,-.....,,
· · · ,...., . n f'
e entao
n.fi 1
donde fi = l/n.
0 exemplo de uma moeda, com resultados cara e coma, se comporta
dessa forma. Tambem o caso de um dado, em que a freqiiencia relativa de
sair 5 oscilaria em torno de 1/6, ajudaria a apoiar o modelo de Laplace para
atribui<;iio de probabilidades. E possivel imaginar, mas certamente mon6tono
8 Aviso
aos 'navegantes' : apesar de probabilidade e estatistica serem teorias matemati-
:.·
r.·
·~'
, _: · · ·' .• . \." . ::!'· · . ~ cas, formalmente corretas, o uso destas para analisar
situa~oes praticas (como, de resto,
acontece com qualquer teoria) envolve o risco de se fazer afirma~oes que nao se confirmam
na pratica.
1.6. 0 EXPERil\IIENTO DE D'ALEl\1BERT 11
,. . . ::.::::=======================================================================================-~~==--=-=-==·-- ··--
1.7. PROBA.BILIDADE 13
9 Por vezes, quando o espa<;o arnostral tern um niimero infinito de elementos, ha uma
questa.o tecnica (isto e, relacionacla ao rigor matematico) associacla a escolha dos sub-
,, conju11tos de n que podern ser charnados de eventos . Repetindo : as vezes, nem todos
os subconjuntos de 0 poclem ser chamados de eventos. Esta complexidade tecnica, no
T· ', •
. ._: '· ··· '• - entari.to, niio vai a.fetar nenhuma das quest6es que estaremos considerando e por isso nao
sera discutida aqui. Quern estiver interessado, pode consultar o ja referido livro de Barry
James[?].
14 CAPiTULO 1. CONCEITOS FUNDATvIENTA_IS
entao
OU
Le-se a equac;;ao (1.2) como: "a probabilidade da uniao disjunta e a soma Clas
probabilidades dos eventos" .
3) A func;;ao de probabilidade P e uma funr;ao de conjunto, isto e, e uma
func;;ao definida nos subconjuntos de um conjunto 10 .
10
Daclo um moclelo matematico de um corpo material, representado por n, uma furn:;ao
de conjunto usual e a furn:;a.o 'rnassa'' m, definida nos subconjuntos ('materiais') de n; se
A c D e um subconjunto de n, m(A) e a 'massa' de A. Alem disso, a partir da furn;:ao
m podemos definir uma func;a.o de probabilidade em n, basta fazer P(A) = m(A)/rn(D),
desede que a massa de D seja finita, 0 < m(D) < oo. Esta func:;ao satisfaz a clefinic;ao 12.
11
Dado viciado e um dado que favorece sair uma face em detrimento de outra ou out-
/.
l'
·,.
I.: ' • • . .\·. • ·~·· . ,; ras,do ponto de vista experimental, isto e, as freqiiencias relativas de cada face nao tendem
todas a um mesmo valor. As faces nao sao eventos equiprovaveis, e portanto nao se aplica
o procedimento cla.ssico de atribuic:;ao de probabilidacles de Laplace.
1. 7. PROBABILIDADE 1.S
d . .
P(\2) = P(0. u </J) = P(fl) + P(1b) =? P(rjJ) = P(ft) - P(D) = 0
i• . d
·'Como AU Ac= De A. n (/:J.C) = ¢segue que D = AU Ac donde
Iii
HA demonstrai:;a.o deste result.ado e seme+hante as dos clois anteriores. Decompoe-se A
d
em 2 eventos disjuntos, A= BU (A.\B), fa<;a urna figura, en tao
Ill
16 CAPITULO 1. CONCEITOS FUNDAl'viENTAIS
B ~ 'sair 2'
{ A ~ 'sair par' (qualquer numero par do dado)
Assim, {2} =B c A = {2, 4, 6}. Logo P(B) :::; P(A) mesmo se o dado for
viciado. ' Ill
) ~
d d
Au B = (A\B) u (B\A) u (An B)
Assim, da equac;ao (1.2)
d d
A= (A \B) u (An B) e B = (B\A) U (An B)
~ ===============================================================================
1. 7. PROBA.BILIDA.DE 17
A B
A\B B~\
(LJA;\
Tl
(C) Computagao 20 10 30
TOTAL 115 85 200
115 ) ~
P(H) = - = 57.5%
200 .
( ;) -
P H nA -
15 - 7, 5 - -o/c
- lOO - 7, o o I ~
200
cl) Ser homem ou de matematica aplicada?
1. 7. PROBA.BILIDADE
n
-\<'., = \ \, ;'\-·-c',, C'l?
{1·-1··- . \, CC'}
...
Apesar deste experimento ser diforente do de cl' Alembert, eles estao rela-
cionados, corno mostrado na tabela a seguir:
!· ~
l
B ""7 evento que ocorreu .
Essa probabilidade e chamada probabilidade do evento A condicional a ocor-
rencia do evento B . Para modelar est a situa<;ao tern que se levar em consid-
era<;ao que: ! --.
I -~
.1. 0 P"SSa'Il
.Ll..L ale.
0.. P"""a. cnre"tos ( i\ n B'j c .LJ.
~ u J. Q..l. C- \ D
. _Li ; ..[ 'l. I
31242152461342516
Nao ha como ga.rantir que haja oc:orrencia de um elemento de B, e portanto
para falar da probabilidade do evento A condicional a ocorrencia do evento
B, deve-se excluir da sequencia experimental todos os elementos que nao
pertern;am a B . Fazendo isto com a sequencia anterior , abtenhamos assim, I~
a nova sequencia
3124212413421 I -
de A dado B .
...-.. -- -- -
,........_
1.8. PROBABILIDADE CONDICIOi\lA.L 21
Note que P(B) e P(B\B) nao coincidem, em geral, uma vez que B I B e
o evento certo, e portanto P(B I B) = 1 e usualmente P(B) < 1.
No langamento do dado, calculamos as frequencias relati'vas dos eventos
An B={2A} e A I B, no exemplo:
D=
(3, 1) (3,2) I (3, 3) I (3,4) (3, 5) (3, 6)
(4, 1) I (4, 2) I (4, 3) (4, 4) (4, 5) (4, 6)
I (5, 1) I (5, 2) (5, 3) (5, 4) (5, 5) (5,6)
(6, 1) (6, 2) (6,3) (6, 4) (6,5) (6,6) '
Note que clestacamos acima o event.a A atraves de caixas,
P(A I B)
# de casos favoraveis a B
#(An B) 2
#B 15
b) Neste ca.so, o espai_:;o amostral reduzido e A. Assim,
# de elementos do evento B I A (= A. n B) 2
P(B I A) = - I -
# elementos do novo espa.c;o amostral A) 5
~
I --
Em geral, esquecem-se as considerac;oes acima e usa-se a seguinte definic;ao:
) -
Defini~ao 19. Sejam A e B dois eventos de D. Define-se a probabiliclade
condicional de A dado B,
P(AnB) P(B)
P(A I B) = se
P(B). >0 (1.8)
't' '·'
- ". ~.. ' . :;
{ P(A), ca.so contrario .
17 Nao foram inclufdas as vfrgul,as entre os elementos de fl para nao carregar a nota<;ao.
,.-... ------
E M TOTAL
N 40 30 70
u 20 10 30 I ,..__
TOTAL 60 40 1100 1
Uma pessoa entra no escrit6rio e pega uma maquina eletrica ao acaso . Qual
a probabilidade de que esta seja nova?
::'\ote que
# de ocorrencias favoraveis a A
P(A)
-!/- de ocorrencias no universo
13 (cart as de co pas)
32 (cart.as no baralho)
# de ocorrencias favoraveis a B I A
P(B I A)
# de ocorrencias no novo universo
12 (copas no baralho incompleto)
31 (cartas no baralho incompleto)
~
2 13
P(An B) P(B I A) . P(A) = .
ol 52
II
26 CAPITULO 1. CONCEITOS FUNDAl'\iIENTA.IS
P(A1 n A2 n A3 n A4)
= P(A1). P(A2 IAi). P(ibl(A1 n lh)). P(A.4 J(A1 n A2 n A,3))
{
P(A)P(B)
incl. P(B) se P(B) i- 0
P(A)
P(A ) c. c.
,.....__
demonstra.ndo (1.11). (Abreviamos caso contrario por c.c.).
b) Agcira veremos que P(A I B) = P(A.) (equa<;:ao 1.11) irnplica independencia. Pela
regra da multiplicac;ao, P(A n B) = P(A / B) P(B) = P(A) P(B) onde, na t'1ltirna
igualdacle, se usou a equa<;ao (1.11), e entao conclui-se que A e B sao independent es .
22 A principal ideia na demonstra<;:ao dos resultaclos 3a), 3b) e 3c) , como de resto na
clen10nstrac;-ao dos resultados clas observac;-oes da pagina 15, e 'decornpor ' o espa<;o amostral
em subconjunt.os.
Demonstra<;ao de 3a). Assuma que A e B sao independent.es . Decompomos B em
d
event os clisjuntos, B = (B n A.) u (B n _.etc) e obtemos P(B) = P(B n A)+ P(B n Ac) .
l\fas P(B n A.) = P(B) · P(A) e entao
f (1, 5) (1,6) } ~
(2, 5) (2, 6)
(3, 5) (3, 6)
B=
(4, 5) (4, 6)
(5,5) (5, 6)
(6, 5) (6,6)
(2,5) (2,6)}
An B = (4, 5) (4, 6) ·
{ (6, 5) (6, 6)
>)
Assim,
12 1
P(A) = 18 =
36
~
2
P(B) - - - -
36 3
P(A) P(B) = ~
e como P(AnB) = 366 = f3 concluimos que , de fato, P(AnB) = P(A) ·P(B),
logo, OS event.OS Sao indepenclentes. ill I ~
3 1
-
6 ')
2 1
P(B) .3
6
r
e finalmente,
. . . 1 1 1
P(A n B) P(A).· P(B) = P(A .fr,) P(B
. R
) = -
23. - = -
6
Isto tudo e
feito sem consiclerar explicitamente A ou B e sem usar a
notac;:ao AR e BR· Faz-se menta.lmente a iclentificac;:ao A -v--> AR e B -v-+ BR .
-
30 CAPITULO 1. CONCEITOS FUNDAJ\JENTA.IS
I .-...
i) S2 = A1 u ib U . .. Ak;
ii) A/s sao subconjuntos disfuntos 2 a 2 ou eventos rrwtuamente e:rclv,-
. . , ,, n 4 , . , .
sivos, isto e, hi , , / J = <P, z =f- .J .
Observa<;oes. 1) Cada elemento da partic;ao, Ai, i = 1..., k, e chamado de
uma parte den.
2)Uma parti<;ao do espa~:o amostral define, de certa forma, uma cla.ssi-
ficac;ao dos elementos do espago amostral no sentido em que cada elemento
do espago amostral esta em uma e apenas uma clas partes de n. Utilizam-se
os adjetivos exaustiva. e exdudante relativamente a uma parti<,;ao querendo
significar, respectivarnente a condigiio (i) e (ii) cla definic;ao 2'7. Interpreta-se
que em uma partigao os elementos de cada parte tern alguma identidade em
comum entre si e diferente da dos elementos de outra pa.rte.
Na nota de rodape da p2-lgina 27 ja not.a.mos que as dernonstrag6es ali
trataclas dependiam de urna parti~:ao, do espac;o arnostral, em dois eventos.
Podemos usar a palavra estratificac;ao do espac;o amostral ao inves de
partic;ao , e cada elemento da partic;ao e um 'extrato ' do espac;o amostral.
Exemplo 28 . .Jogue um dado e considere os eventos
A1 'V'-7 'sair um primo' ---'t A1 = {2, 3, 5}
A 2 'V'-7 'sair um par' ---'t A 2 = {2 , 4, 6}
A.3 'V'-7 'sair 1' ---'t A.:3 = { 1}
Os eventos A1 , A 2 e A3 nao formam uma partil;ao de fl:
mas
(Os eventos A1 , A. 2 , ib sao exaustivos mas nao exdudant es, com ,respeito a
Q).
Exemplo 29. Dados os subconjuntos do espago arnostral n = {1, 2, 3, 4, 5, 6},
B 1 = {1 , 3, 5} ---'t n{1meros impares
B 2 = {2} ---'t primos pares
B:, = { 4, 6} ---'t esses clois m'.imeros ai!
Note que B 1 , B2 e B:3 formam uma parti9ao den.
Observac;ao. Dada uma partic;ao de D, Ai, A. 2 , ... , Ake Bum evento, entao
poclemos pensar em B como um espa90 amostral recluzido e, neste caso, os
conjurrtos
A1 n B , .l b n B, . .. 'Ak n B
" ,..: ' • • .\ ·. . .. ~
I ,...._
I -
I ~
Em particular, B pode ser escrito atraves de uma uniao de eventos mer-
amente exclusivos,
k
) _...,_
B = LJ(Ai n B)
i=l
I ~
Este resultado e o: ! -
i ~
Teorema 30 . Teorema da Probabilidade Total. Sejam A 1 , .. . , Ak uma
partic;ao do espa<;:o amostral n e B um evento qualquer de n. Entao
.y.. . : .,
(1.12)
I ,...._
\ -
. . .,:-:-=
: - =-=--·==============================================================-=-=-====-------
..-._
'
.
, Exen1plo 32. Considere urn lote de 100 ma<;as sendo que 10 sa.o poclres e
90 sao boas . Deste lote extraimos em dois dias seguidos uma ma<;a por dia.
,_: ' ' "
·'• I',.,: . . ' ~
Assui11ii1do que dois dias sao insuficientes para as mac;as boas passarem a
poclres, qual a probabilidade da mac;a do 2° dia estar poclre?
34 CAPITULO 1. CONCEITOS FUNDAJ'vIENTA.IS
-
Solu<;ao. Decompomos este experimento em etapas:
2a etapa. Pegar uma outra mac_;a, no 2Q dia. { B 'V'-7 'maga esta podre' .
Pelo teorema <la probabilidade total,
j=l
Ill
, Observa<;oes. 1) 0 teorema de Bayes nao afirma nada no caso em que
· ~" . · '' P(B) = 0, mas neste caso, pela definic_;ao de probabilidade condicional, P(Ai I
B) = P(Ai)·
J ·-
I ~
J --
J ~
30 CAPJTULO 1. CONCEJTOS FUN]JAMENTAJS
2'~ eta.pa. Pegar uma mit ra nws:i'i, no '.2Q c\ia. { B ~ 'mac;a est~\ podnc'.
Observac;oes. 1) 0 teorerrn1 de· Bayes uao afirnrn nacla 110 casu C'rn qtH'
P(B) = U. mas ucste u1so. pch1 dcfitiic_;0,o de pruliabilicL-1.f.k vullcli( iond;,
(p6gina20), segue que. P(A; I B) = P(A;) = 0. ! ··· -
2) Note: que: pel() teorenw dc1 proh <1bil icL.1dr tutctL o qurn ientr: un r:q It• 1(Jj;, : l I -l)
1
e igual a P(B). /
3) Como o teorema cla probabilidacle total, u tebrema de Bayes f! pnrt..jc11-
larmente 1'ttil quanclo ha um experiuicnto em clna.s et.a.pas. Sejam Ai. } =
1. 2, ... k eventos clefiniclos em tenrios cla primeira etapi1., e forrrnmclo mi ia
parti~8o clo espac_;o arnostral. Seja B um r;vcnto clefinido em termos cli1. st·-
guw:la f'tc-tpa. Ent)w u t.c·orenw de Bnyes fot nPU''. 1.mrn fom1a de u1knl;t1
P(A; ! B)
P(A; I 13) = 'prolic-il>ilidack de i.1111 l'Vent.u cleliuidu em tenuus del F 1·tctp<1
claclo CJUC·~ VOCe conhec:e 0 . OCUlTCll Ila seguucla t'(,~q)a'.
~:
,... ·' . ' ~ ', '
....
_:;
........
-·
;:_<•:"·::··.' -_.·...:·.··
U.002·0.3 6
= 26 %
P(/vh ID)= 0, 001. 0, 2 + 0. 002 . o.:3 +·0.003 . 0. :) 2 + G + 15
Iii
32 CAPfTULO 1. CONCEJTOS FUNDAMENTA.JS
/.
obtidaC>~n:
P(A i B) = 0, 80 I
P (A ! 1\!J) = 0, 50 \
~-'---- ··~-·-··
P(A I F ) = 0, 20 J
.,·-···.
,~_f:( A I F) · P(cJ_.--·------------
P(F i A)_= P(A I B) · P(13 ) + P(A t Mi· P(JJ) + P:( A ! f) · f'CF_:
' 0 20 . (), 25 ' ' . .
Pr f I _4 ) = . .· . ·.
- ·~-.-. ' = 0. llJ "'" l ry;{
\I. 0.80 · 0,25+0.'.i0 ·0 ,50+U . 20·TJ.2S ..
R.csposta. Ap1m::t:> lOo/r dos apnlvaclos eque .seriarn classificuc.lCJS COJ,ll'() frm o.~
clunrnte o cmso. ii!I
I· ·
0 bserva<;;ao. Corn()
j
...; :
Exemplo 35. Urna corricla e disp\1tacla por 3 equipes . H1zem parte cla eqt1ipe
l urn Palio, 2 Vectrn.s e um Audi . A equipe 2 tern clois p.:1.lios , l\Ill Vect.ra
e ur;1 Audi. A equipt~ 3 tern nm Palio. l.lltl Vectr~1. e clois Auclis. Assuminc\o
1
que a chanc'.e de vitoria. de cada equipe e de cacla c;;i,rro em cacla equipe sao
iguais e consicleranclo-se que sen:~ vencedorn a. -equipe cu:jo carro ocqpa o l"'
..
~~~r~<,-,._
lugar, qual a probabiliclacle de ter sido vencedot·a a equipe 2, sabenclo-se que
' f.~ ..- o 1Q lugar foi obticlo por urn Vectra? . .
...:.:. ~ . ~ ;.· .
--....··'
/·
1
P(B I At)
2 (Vectras) .
4 (carros) '
P(B \ l h ) = ~ :. P (B l lb). =o 4
.
!
'
• em urna esfe:ra (urn dado com infinitos !ados) --- joga-se unH es fern ;1~i
alto, e o ponto que fica 'cobclo com o ch8.o' (ou 0lternativnme11te o qtw
e
fica 'para cima') 0 ponto selecionado:
I
• em uma circunferencia (roda da for t una) ~ roda-se \lma circ:unferenc:ie:t
e, digamos, 0 ponto que ficar nq 'polo norte' e 0 escolhido;
'tamanho de A'
P(A)
'tamanho da c1rc:ui1forenci ~. '
Neste caso, a no<;ao de tarnanho 1180 pode ma.is ser o nl'.tmero de ponr<ps.
: uma vez que teriamos ·urn nl'.unero infinito tanto 11\l nunwrador corno nci
denominaclor. Uma forma e atribi1ir 3. no(;a.o de tamanho o cornprimertt.o.
Assim,
1
P(A)
6
e
A icleia basica usar-se uma uoc;ao de tama.nho (ou medida) que se poc;s,1
aplicar a subconjutos .
• .., Y· , :~
Capitulo 2
Variaveis Aleatorias
45
, ..-,
\
r
den.
I ~
* P({O})=P({KK})=l
d
0 P({l})=P({CK, KC})=P({CK}u{KC})
1 1 1
= P({CK}) + P({KC}) =
4+ 4 = 2
* P({2}) = P({CC}) = ~4
e que pode ser resumido em forma de tabela,
Evento {O} {1} {2}
I r--.
Pro babilidade 1/4 1/2 1/4
i
46 "'
i r--.
I
'
I ~
--.,
~
-- --- ----- - -~-- - --·------- ----------- -- -~ · ~---
X:D-+IR
47
que associa a cada elemento w de Q um rnimero real X (w) e denominada
uma variavel aleat 6ria.
I ~.
48
I ~
1t/2
TC/2
~\
'"I~ tI \T o
\ //
~------/
3TC/2
Seja D o disco,
D = {(x, y) E JR 2 tal que x2 + y 2 s; l}. De fato as variaveis aleat6rias
acima consideradas estao definidas em D. Podemos considerar e·ventos definidos
a partir das vari<iveis alea.t6rias R e X. Por exemplo seja A o evento ... 0
evento
49
Figura 2.3: Disco. Os eventos A e B estao representados pela regiao hachu-
rada. A 'mosca' e representada pelo disco central.
sao bastante import.antes; na maioria das vezes acaba por esquecer o espa<;o
amostral inicial onde a variavel aleatoria est.a. definida em detrimento da
imagem Rx de X. No exqnplo 50 , Rx = 1" = {O, 1, 2}, no exemplo 51,
R 1 = {O, 1}, no exemplo .52 , RH = {O, 1} e no exemplo 54, Rx = [O, l] e
RR= [O, l] .
Essencialmente, para as aplica<;oes que estamos interessados em conside-
rar, ha dois tipos de variaveis aleat6rias: as discretas e as continuas 3 . Parte
.; ~~As noc;oes de variaveis aleat6rias discretas e continuas sao exdudentes mas nao ex-
't'
austivas, isto e, uma variavel aleq,t6ria nao pode ser simultanearnente discreta e continua
(nao exdudente) mas nem toda ~ variavel aleatoria e discreta ou continua (noc;oes nao
50
I ~.
- ·- ·- - - -- - ·-·· ---- - -- -- ------- -- --- · ---
51
[X = ::ci] = {w En tal que X(w) =Xi· (2. 1)
0 espac;o amostral e
~
n= {CC,CI(KC,KK}
Se X denota o mimero de caras, entao,
;
{ .
52
i -
, . . ., ;::::==================================================================================
Exemplo 62. Sejam ;3 bolas em uma urna: uma preta (P), outra amarela
(A) e aincla uma verde CV) . Consiclere o experimento 'retirar 2 bolas com
reposi<;ao' . A tabela abaixo retrata as possibiliclacles.
p \ 2a I[ p I A [ \/
p pp PA PF
A AP AA AF
\i' \f P \/A I \l \.·r
53
equiprovaveis. Assim,
) ~
4
f(O) = P(X = 0) = P({AA,A1l, VA, \/V}) = g
f(l) = P(X = 1) = P({PA,P\l,AP, \lP}) = i
f(2) = P(X = 2) = P({PP}) = ~
E facil verificar que f satisfaz as propriedades apresentadas na ultima ob-
servac;ao:
f(O) 2 O; f (1) 2 O; f (2) 2 0
e
f(O) + f(l) + f (2) = 1
54
I ~
. . . . ;:..:===:=:===============================-=-=--==-=-=-=-=-=-=·============================·=-=--·=-=
---=
--=-=-==-·.
,.......
,-.... -=-
,.....,.
,,.._ f(x)
)
'"""' I
I
..-...
4/9
,.......,
119 x
2
.........
'7·
J.' ...: .. ' '·' •• ..t'. :F(l~ = P(X ::;; 1) = f (0) + f (l) = ~
• F(2) = P(X ::;; 2) = f (0) + f (1) + f (2) = 1
,,.--.
55
.-..
""
,....._
......_
-
,.-.,
-
f(x)
i
8/9
4/9
aleat6ria discreta.
57
As noc;oes de variaveis aleatorias discreta e continua nao sao dicot6micas,
isto e, apesar de uma variavel aleat6ria discreta nao ser continua, e vice-
versa, elas nao 'esgotam' as possibilidades; ha variaveis aleat6rias que nao
sao nem discretas nem continuas.
As variaveis aleatorias continuas surgem muitas vezes quando considera-
mos a medi<;ao de grandezas fisicas como, por exernplo, o cornprimento de
uma barra de ferro, ou a sua rnassa, ou o tempo de evapora<;;ao de uma certa
quantidade de agua. Uma propriedade de uma variavel aleat6ria continua e
que havera um intervalo (finito ou infinito, i.e., [a, b[; ] - oo, a[; [b, +cc[
etc.) no qual a variavel aleat6ria assume qua.lquer um dos valores do intervalo.
Considerernos um exemplo.
Exemplo 65. Roda da Fortuna. Neste exemplo podernos dizer que:
0 Do ponto de vista probabilistico, todos OS pontos sao indistinguiveis.
® Em particular; to dos OS pontos sao igualmente provaveis ( = eqi.iiprova.veis).
i=l i=l
Mas isto nao pode ser pois, por defini<;;ao, temos que ter probabilidade :::; 1,
para qualquer evento.
Se eu rodar a roda vai sair um ponto. E inegavel. Mas a probabilidade
de qualquer ponto nao e nula? Isto nao e contradit6rio? De fato, nao e
contradit6rio.
A ideia de probabilidade esta intimamente relacionacla a freqiiencia rela-
tiva de ocorrencia em urna serie de repeti<;;6es. A freqiiencia relativa de sair
o mesmo ponto em repeticlas rotar;oes da roda e tipicamente, usualmente,
insignificante, por isso atribq.imos probabilidade nula. m
58
----------·- - -
''
x
····--·····-L.:.. ___ ..:: __ ,,~_ .. .:...~----·-·-------··- . ·····-···-·····---··-···-···...
b
/b
P([a, b]) = P(a S ,;Y S b) = Ja f°(.'r) ch (2 .2)
P ( { w)aSX ((,,')Sb})
/b
P (a S X S b) = Ja. f (x) dx . (2 .3)
59
2) Se X e uma variavel aleat6ria continua, entao, P(a :::=; X :::=; b) =
P(a < X::; b) = P(a::; X < b) = P(a < X < b). Este resultado provem do
fato expresso no item acima que a probabilidade de ocorrencia de um ponto e
nula e que a probabilidade de eventos disjuntos e a soma clas probabilidades
dos eventos . Por exemplo,
b -
l
. a
J(::c) dx por clef. P(a :::=; X :::=; b) = P(X =a)+ P(a < X:::;; b)
f (b)
q = f(a)
Se q > 1 diz-se que b tern mais chances de ocorrer do que a.
Se q = 1 diz-se que a e b tern a mesma chance de ocorrer.
Se q < 1 diz-se que a tern mais chances do que b de ocorrer.
Note, no entanto, que ambos os pontos tern probabilidade nula de ocorrer.
Isto NAO significa que e impossivel ser sorteado um <lesses pontos. Sair um
ponto especffico e um evento possivel, isto e, pode ocorrer, apesar de ter
probabilidade nula.
Exemplo 67. Considere a roda <la fortuna . 8 assume valores em [O, 27r[.
Como as chances relativas dos varios pontos sa.o iguais, entao f sera cons-
tante. Por isto diz-se que 8 tern distribui<;ao uniforme. Note que
.f (b)
q = j(a) = 1
60
) --
- - -- - - -- - - -
...-.,
,-.. ""'-
......_
A
f(x)
,,......
,.-.-.
,,-.
x
- -- -----'··_,_,,_, ...... D>-
2I1
·2-;r
./ 0
J( dx 1 =? JCr 1 2-;r
lo
=l =? 211 }{ =l =? E:_£]
K = -,-
211
Assim:
( l 0 ,::; :r < 211
f (:r) = ) 211 '
l 0, caso contrario
- '
b) ' l Q Quadrante' {=? 0 ,::; e< 11 /2
'• 'Q lrante ') = 1·-rr/'>~ 1
,.,. .r, ,,,: . "
~
P( 1-0 :.·. uac
·, 0
-dx
211
l · -.
= -211 71
2
= -41 ,, como esperado !
61
A
f(x)
x
----~---------- ----- --- ---- ------------0--------~
I ~
62
I~
,,-... ·-·--
--·-·--- - - - - - - - -- -- · - -
. ------··-
=
f
,4
3
-ix d:1: + 1·00 0 dx =
u 4
1
- · ',
8 ~1
'.t214
3
16 - 9
16
7
16
Resposta. A probabilidade de X ser superior a 3 e 7/ 16.
F..x:(.r) = P(X::; ;;;) = P(-oo < X::; :r:) = ./_ f(x) d1:
00
63
f(x)
iii) Se ~r 2: 4
o, :r :'.S: o
:r2
.[ .(·~·; ~ ·'
Fx( x) = , 0<x<4
{ 16
1, x > 4 i ~
64
) -
I ,,...._
I -
Exemplo 71. A fungao de densidade de .Y e:
2
r (t ) = { K. (y - 2) para 0 < y < 2
J y/ 0 , .
, caso contrano
Solm;ao:
a)
.o
.·)
i- .
f(y)dy = 1 =?-
~-0
')
l-
K(y - 2) 2 dy
. = 1 =?-
. . ., 12
J<._ (y-2)
· .
3
·
0
0
=
8
1 =?- - K
3
= 1
Resposta. L--=-iJ
b)
t .
.Jo f(y)dy =Jo
t 3
3(Y - 2)2dy =
3
8.
( - 2'3
y 3 ; o=
l 1
- 8+ 1 = 8
7
c) Fy(y) r
= .}_ f(v.) d·u. Pela expressao da furn;ao clensidade, vemos que ha
00
dois pontos de tra.nsi<_;ao, o zero e o clois, clefinindo 3 intervalos,
1) Se y ::::; 0,
·y [Y
Fy(y) j
= . -co f('u) du= 1-cx· 0 du= 0
2) Se 0 < y < 2,
......... Fy(y) =
ry
J_co f('u) du=.
1·0 f(u) du+ Jory f(v.) du
-co
y3 . ·) (u - 2r{ ly (y - 2) 3
=
l - (u-2)-du=
.o 8 8 0
=
8
+1
65
i ~.<) f(x)
3) Se y 2: 2,
Finalrnente ,
o, se y SO
1.+CY~2 l , se0 <y< 2
3
Fy(y) =
{
, l, se y 2: 2
§I
distribuigao , entao:
1) F e uma fungao continua;
2) F e nao-decrescente;
3) lim F(:r) = 0 e lim F(x) = 1;
x~ - oo · x~+oo
4) Se f e continua, entao:
.. ~
d
.f(:r:) = -d F(.7:).
x
66 .
Demonstra<_;;ao do item 4) .
= lim
h--+0
l-x
x+h J(u)du -
h
(1: f (1l)du
.J-co
1, x 2: 2
a) Deterq1ine a fun~:a.o densidade de probabiliclade: b) A partir da furn;ao
dist~'ibuig'ao acumulada e possivel determinar-se a probabilidade de eventos
sem recorrer a fungao de densiclade. Desta forma calcule P (O::; X ::; 1).
67
SolU<;;ao:
a)
o, .']; < o =
3
(x-2r-,
')
os;x<2
8
f(x) = F'(:T) = ~(x - 2) 2
, 0 s; x < 2
{ {
0, x;::: 2 0, caso contrario
7 7
b) P(O s; X s; 1) = F(l) - F(O) = S- 0= S
!Ill
Solm;;ao.
a)
00
I+== -c
l=
1 0
f(w)dw= ( 1 - .3w )
- -ce
3 0
1
3
=}lc=3I
ii) w> 0
68
---- -- - - - - - - - - - - - -- -
·' \
O. w < - 0
Fii-(WJ =
,'
Observe que,
co mo deveria ser.
e) Para se calcular a probabilidade dos eventos pediclos, pode-se usar a
fda F1v(w):
i) Calculo de P( - 1 < T+- < 2) :
P(-1 < T·V < 2) = P(-1 < lV :S 2)-P(TV = 2) = Frv(2)-Fiv( -l )-O = -e- 6 +1
69
._
f(x)
y=ax+b
\(l
b tga=a
x
···--- - --·-·········--··---········ ......... ··········-··-··- -- --- ... ····-········-··-··-·-············ ············ - ·-->-
.
E (X) = 2= xiPi = 1· 61 +2 · 63 + 64 + 65 + 1 = 6=2=3,5
21 7
X-i.
·:· · :) Ill
'i:'
Interpreta<;ao. Se larn;ar o dado sucessivas vezes, a media dos resultados
encontrados tendera a ser 3,5 (mas podendo ser mais ou menos, e um valor
70
--- ~
- =·=
--=
--=-=-===
-=======-=-==--=-=-=-=-====-=~
--
=-=-=======================
- ==-=-=-=
- =-=-===========·==-=
--
==~--
Solrn;ao.
E (X) = (-1) · (0, 10) + 0 · 0, 25 + 1·0,30 + 2 · 0, 35 = 0, 9
~
'massa total'
onde a 'massa total' e dacla pela soma das massas de cada uma das particulas,
NI= m 1 + m 2 + ... + mn . Neste caso, Tp e chamado de centro de massa cla
barra e Tp e obtido atraves de uma media ponderada dos :r:~S .
Note que p; = rnif AJ pode ser pensado como uma furn;ao de probabilidade
definida em cad a uma das posi~: oes; Pi = P (X = :r.;), uma 1.rez que 1 2: Pi 2:: 0
e;
rn 1 mn ·m 1 + . .. + rnn __
P1 + P2 + · · · + Pn = -
J.11
+ · · · + -I\1 = - - - -- -
i\.1
1
,•
'
Assirn·, x; = :r1 ·Pi + x2 · P2 + .. . + xF · Pn · Mais ou menos isto e, a posigao
J,: ' •.- .• 1 ·, - '
71
"°""
a esperanc;a pode ser interprftacla como o centro de massa:
Xp X1 ·Pi + · · · + Xn · Pn·
'.1'1 • Pi + · · · + Xn · Pn
1
X1 ·Pl +···+ ::Cn · Pn
P1 + · · ·Pn
X1 · Pl + · · · + Xn · Pn
'massa total'
.No exemplo 76, podemos pensar que temos quatro massas distribuidas
ao longo de uma reta, nas posic;oes -1, 0, 1 e 2, com massas 0,10; 0,25; 0,30 e
0,35 . Neste caso, para equilibra-las temos que colocar o ponto de apoio (um
cutelo) na posic;ao 0,9.
E (X) = [~ xf(x)dx
/+oo
quancto esta integral existe e e finita, .Loo ::r: J(x) cLr < 80.
72
-·---
,. . . , -.;: _ .-: .;-=--=-=-==-=-========================-==-=-=--=--=-=-=--=--=·--=-===--=-=-=---==---=-====--===--=-=---=-=---=============--=--=-==-=-==--
- --.---··
Iii
Determine a esperarn;a de X.
Assim:
ST 0< X < 3/2
.--.. f(x) = 9· '
{ 0, caso contra.rio
oe [ :3/2 8 13/2
J
Q ? ·
r
E (.\') = :T
,
j (:r) dx = U
0 x- cLi- = r x
3
. = 1.
-OQ •· 0 ;:; ~I 0
,-,. Pense na barra. veja a figura. E (X) e um valor intermediario dentre todos
. /: " ~ ·' ~\
os i.ralores que X assume.
•'• ,_ ' ' '" I •
..:
Exemplo 80. Afodelo das situar;oes anteriores. Em uma guerra, um casal
esta dividido pela linha de batalha. Depois das 17 horas, todos os dias, a
guerra para para descansar e o casal tern chances de se encontrar. Dado que o
temp o para o casal se encontrar tern fdp anteriores (dos 2 ultimos exemplos)
determine a hora media do encontro.
Resposta. 17 h 45min OU 18
~ "-..,,--'
17h+3/4h 17h+lh
(soluc;ao do lQ exemplo) (solrn;ao do 2g exemplo)
74
,. . . _ ::::=====================================·-=-=-===-=--=
--=--=
-=
- ====-====-=-========-=-=-====================
SolU(;ao.
E (bX) = bE (X).
Demonstra<;ao. (Caso continua)
E (aX + b) = aE (X) + b.
E (X + Y) = E (X) + E (Y).
76
""' ::...:.:.::::..:_~-=
-====--===-=-==-=
-===-=-=====
-=-=-============-=-=====-=-=-================================
L = 'lucro total' = X 1 + X 2 + X3
"\.' - {10,
.'\_l -
com prob. 0, 2
0, com prob. 0, 8
0,
==> E (X2 ) = 0 · 0, 2 + 20 · 0, 8 = 16
com prob. 0, 2
-y- -
Jl3 -
{40, com prob. 0, 30
==> E (X 3 ) = 0 · 0, 70 + 40 · 0, 30 = 12
0, com prob. 0, 70
77
Exemplo 86. Sejam X, }', Z e VV as variaveis aleat6rias abaixo:
X = 0 com prob . 1
E (X) = 0 · 1=0
E CV) = (-1). t+ t = 1. 0
1 1
E (Z) = (-100) · "2 + 100 · "2 = 0
3 1
E (Hi ) = - 100 · - + 300 · - = 0
4 4
~ ote que as 4 variaveis aleat6rias tern a mesma esperarn;a mas sao variaveis
aleat6rias completamente diferentes. Nao e possivel distingui-las atraves
da esperarn;a. 0 conceito de variancia ajuda na distirn;ao dessas variaveis
aleat6rias.
Suponha que voce tente 'prever' o resultado da variavel aleat6ria X pela
media µ = E (X) . Isto e, antes de realizar o experimento e obter o valor
;t; que X assume, VOCe preve que 0 valor de X que ira surgir e a media OU
78
.......... ----
- - -- -----·--·~- ---·-·· · -
e 0 desvio padr-ao de xe
DP (X) = yfVar (X) .
m
2
(2) Como sabemos, E (X ) = 'esperarn;;a de uma furn;ao cla variavel aleat6ria
x (a fungao quaclrado); e dada por :
se x e discreta
se x e continua
Assim:
--:· ·. · ·' (3) ~.o.te J1uc se [X] = U, X tern unidade U, entao a unidade de Var (X) e
~: ~ ~ ,.· . 1::
u2 ; (\/ar '(X)] = U2 ; e assim a unidade do desvio padrao sera U, [DP (X)] =
U, ou scja tern a mesma unidade que a variavel aleat6ria (o que e uma
79
vantagem com relagao a variaancia; a vantagem da variancia sobre o desvio
padrao e que a algebra que envolve 0 seu calculo e mais simples.
(4) Tanto o desvio padrao como a variancia sao uma medicla cla 'dispersao ',
isto e, 0 'espalhamento ' dos valores da variavel aleatoria x em torno de
E (X) no sentido que:
ii) quanta menores forem DP (X) ou \ lar (X), menos dispersos da media
Sao OS val ores de _X.
2 2
Var (Y) E (Y 2 ) - (E CY)) 2 = (-; ) + (1] - 02 = 1
=> DP (Y) = Vl = 1
2
(l~0) + (-li0)
2
Var (Z) E (Z 2 ) - (E (Z)) 2 = - 02 = 10.000
=> DP (Z) = 100
80
- - ·
· -- - - -- ~ - - -- -· ·
SolU<;ao.
DP(X) VH ~ 1,707
Exemplo 90. Calcule Var (X) e DP (X) da variavel aleat6ria X cuja fdp e
dada por:
1
-. 0 < :r < 10
fxCi:) = 10 - -
{ 0, caso contrario
Solm;:ao.
l·lO ~ cl:r = ~ 110 = 5
il lO ') .
,10 ;r Y-?
E (X) = JJ(:r)d.T =
. 0 . 0 10 20 0
,·; =
E ("\:-) ;1:~ f
,=
(:r)cLc
{ 10 :r2
-. c!J.; =
;r3
--?
110 100
. 0 .Jo 10 10 · ,__, 0
81
-
Figura 2.14: Furn;:ao densidade de probabilidade do exemplo 90.
Var(X + C) = Var(X)
Em particular,
Var(aX + b) = a Var
2
X
I / '-,
82
....-... -··------·
Demonstra~ao. (b).
Var (X + C) = E (X + C) 2 - (E (X + C) ) 2
= E (X 2 + 2CX + C 2 ) - [E (X) + E (C) ] 2
= E (X 2 ) + E (2CX) + C 2 - ((E (X)) 2 + 2CE (X) + C 2)
= E (X 2 ) - (E (X)) 2
A clemonstra~ao de (cl) e conseqiiencia de (b) e (c).
Demonstragao de (e)
'lar(X - 1') = \ 'ar(X + (- Y)) =Var (X) + Var( -1')
= Var (X) + (-1) Var (Y ) = Var (X) + Var (1")
2
Demonstrai;ao de (f)
'lar("Y + 1") = E((X + 1") - E(X + Y)) 2
= E((X 2 + 2XY + 1- 2 ) - 2E(X+ 1")E(X + Y)+
+ [E(X)] 2 + 2E(X)E(Y) + (E(1' )) 2
83
Defini<;ao 92 . A correlar;Jio entre as variaveis aleat6rias X e }- e:
cov(X, }")
PXY =
O"xO"r·
donde
84
- - ---- - - - ---- - --- - - - - -- -
tem-se que
·var (B) = Var (L + C) =Var (L) +Var (C)
onde, na ultima igualdade usou-se que L e C sao indepenclentes 7 entre si (as
embalagens sao produzidas em um lugar e o preenchimento efeito em outro,
por exemplo) . Como DP (B) = 20 e DP (C) = 10, e relembrando que ,
Var X =[DP (X)] 2
obtemos 400 = Var(B) = ' /ar( L + C) = Var(L) + 'v'ar(C) = ·var(L) + 100
.- . Var(L) = 300 e DP (L) = /300"'"' 17, 32g 1i
L=B-C
Var (L) = Var(B - C) = Var (B) + Var (C)
ERRO: B e C nao sao indepenclentes 1
Exemplo 94. "Cm processo de fabricagao procluz pega.s com peso medio 30g
e desvio-padrao de 0,7 g. Essas pegas sao acondicionadas em pa.cotes de
uma dezena cada. A embalagern (para 10 pe<:;as!) pesa em media 40g com
variancia 2,25g2 . Qual a media e 0 desvio-pa.drao do peso total do pacote?
Solu~ao. Consiclere as seguintes variaveis aleat6rias:
X 'peso total do pa.cote'
-v-7
ii -v-7 'peso da 'i -esima pe<:;a, i = 1, ... , 10' Z -v-7 'peso da ernbalagem'.
Sabemos que
E (Z) = 40g E (1i) = 30g
·var ( Z) = 2, 25g2 DP (.Vi) = 0, 7
lx=f1~
I
+zl
i=l I
Assim, o peso medio total do pacote e dado por:
10 ) 10 10
T·
~ ,(X); = E (
~ 1i + Z = ~ E (Yi)+ E (Z) = ~ 30 + 40 = 340g
85
Como
10 ) 10
Var X Var (
~Yi+ Z = ~ Var(Yi) + Var(Z)
temos que
DP (X) = ~g ~ 2, 67g.
II
Observa~ao. Para IERRAR Ieste exercicio, considere as seguintes variaveis
aleat6rias
X """"' 'peso total do pacote';
Y """"' 'p eso de urna pe<;a';
Z """"' 'peso da ernbalagern.'.
En tao ,
X = lOY
~
+Z (2.4)
ERRO
0 erro e devido a que cada pec;a tern, potencialmente, a. sua pr6pria variavel
aleat6ria. peso e portanto o peso total nao e lOX e sim X 1 + X 2 + .. . + X 10 .
Usando a equac;ao (2.4) acima cometemos um ENGAl\O no valor do desvio
padra.o que passa a ter um valor superior ao seu verdadeiro valor:
independencia
. ',I'. '
I que e maior do que 2,67 g afirmado .
CQffiQ
'· E razoavel que o verdadeiro valor do desvio padrao seja inferior ao ap-
resentado na equa~ao (2.4) uma vez que, como cada pec;a tern o seu peso,
86
~ ~-================-===--==-===
- -=
- ========================
--~==-=-=
--=
--=--===---==
-~ --
=--==-==-~-
= --=
---==---
algumas podem estar mais pr6xirnas da media enquanto outras estejam mais
distantes . .\'a equa<;:ao (2.4) o que ocorre e que todas as pec;as tern o mesmo
peso, e assim, quanclo uma se afasta da media, todas se afastam, dando urna
contribuic;ao rnuit.o grande a. variancia, que depende do quadrado cla distancia
a media. ill
·.::" ' . ;
87
-
-
2.12 Exercicios
Exercicio 95. Suponha que X tenha fdp : f(x) = 8/x 3 , x > 2 e J(x)
0, c.c .. Seja TV= (1/3)X. Calcule E (lY), sem empregar a fdp de TV .
Exercicio 96. uma caixa cantem 4 artigos bons e 2 defeituosos. Dois artigos
sao retirados sem reposic;ao. Seja X a V.A. que representa o rnimero . de
artigos bons retirados. Calcule a func;ao de probabilidade e a func;ao de
distribuic;ao acumulada de X.
Exercicio 98. 0 tempo de espera (em minutos) entre duas chamaclas telefonicas
em uma certa central telefOnica e uma F.A. com fdp dada por:
Qual a probabilidade de que o tempo entre duas chamadas seja: (a) inferior
a 4 minutos? (b) superior a 10 minutos?
.I
a) Qual o no me da fun gap .f (xi)?
, (
88
. . . ._ .:=-=-=-:..:·==-=-=-=··=
--=--=-=-==-=-======-=-=-=-=-=====-:.-.:. ··=
:.:.- =
--=·==-=--=-=-=-==--=-=-=-=·-:_-=-==--=-~-=========================-·=
··-=-:::===·=-=
·------
Exercido 100. Seja X uma V.A. continua com fdp dacla por:
f(x) =
CL. ,~a~~., 1 S :r < 2
{ - (.1,.X , oa., para 2 S x < :3
\. 0, c.c.
3 I 4 o 6 7 ou tros
0,1 0,3 I 0,2 0,2 / 0,1 / 0
Suponha que L , o lucro liquido obtido na vencla clesta liga (por unidade de
peso) , e a seguinte func;ao da percentagem de chumbo : L = C'1 + C'2 X, onde
C'1 e C.2 sao constantes. Calcule a E ( L) (= lucro esperado por unidade de
peso) .
89
a) Determine a fun<;;ao de pro babiliclade de X;
b) Determine as seguintes probabilidades: bl) P(X = 1; 5) ; b2) P(O , 5 <
X < 2, 7); b3) P(X > 3) ; b4) P(O :S X < 2) .
Exercicio 104. lim processo de fabricac;ao produz pe<;;as com peso rnedio
de 20 g. Essas pec;as sao acop.dicionadas em pacotes de uma dezena cacla. A
embalagem pesa em media 50 g. Qual a media do peso total do pacote? .
90
,....,_ - .
,. . . ._ ===-.::-=-=··=
--==-=··===-=--==··-=·==-=··-=-=-=-=--=----==--=---=·==-=·-=-=-=-==========================================·=--=
·-=-·=-=·==·-=--=-=·==--=--==
· --·-·
Capitulo 3
Modelos Probabilisticos de
Variaveis Aleatorias Discretas
1
Talvez aqui se possa pensar que a moeda pode cair de ' quina' ; a teoria da probabiliclade
e capaz de incluir esta. situa<;ao, mas seria muito no presente momento e assumimos entao
:· ~: :; ~ .. \ '• . a sittia.gao ,~ deal que a posii;ao final da. mo eda s6 e cara ou coroa. Isto e a.nalogo, no estudo
da queda de um corpo, a assumir que nao ha atrito do ar ou, o que e o mesmo, que assumir
que a queda se da no vacuo.
91
c) Um dado e lan<_;ado e pode sair a face com o rnimero 6 ou alguma das
outras faces (sai 6 ou rtao sai 6).
d) Uma pessoa e escolhida ao acaso em um grupo de 500 e ela e ou nao
do sexo feminino.
Pela conveniencia de clarificar o raciocinio muitas vezes classifica-se o
result ado em sucesso ou em fracasso (falha, insucesso). For exemplo, se v9ce
esta apostando que sai cara., entao 'sair cara' e sucesso e o evento 'sair coroa'
e fracasso. Associamos a estes experimentos simples uma variavel aleatoria
X que assume apenas 2 valores:
X = 1, se ocorre SUCESSO
X = 0, se ocorre FRACASSO
fodicaremos por p a probabilidade de S'UCesso, isto e:
P(X = 1) = P ('Sucesso') = p, 0 :; p:; 1
e, assim, a pro babilidade de fracasso (a probabilidade do complementar) e
P(X = 0) = P ('Fracasso')= 1 - p,
que e usualmente representada pela letra q = 1 - p.
Defini<_:;ao 106. Dizemos que uma variavel aleat6ria tern uma distrib'Uit;ao de
Berno'Ulli (ou e uma varirivel aleat6ria de Berno-ulli) com parametro p (0 :;
p :; 1) se X assume somente os valores 0 e l com furn;ao de probabilidade:
xx = 0 l
P(X=x) (1 -p) \P
Usa-se a notac;ao X rv Ber(p) que se le, X tern distribuic;ao de Bernoulli
com parametro p. Experimentos que resultam em uma variavel aleat6ria de
Bernoulli sao conhecidos como ensaio.s de Berno ulli.
I --
Teorema 107. Seja X urna variavel de Bernoulli com parametro p . Entao:
a) E (X) = p; ) -
b) Var(X) = p (l - p) = pq;
c) a = DP (X) = JVar(X) = Jp( l - p);
d) A func;ao distribuic;ao de probabilidade e:
O, sex< O
. ,; Fx(x) = 1 - p, se O:; x<l
{
1, sex> 1
: -
92
) -
,..........,,, ~- - -
Ip
l-p &I.il - --
x
...............
D emonstra~ao . De fato ,
a) E (X) = 1 · p+0 · (1 - p) = p,
b) E (X 2 ) = 12 ·p+02 · (1 -p) =p
==? Var(X ) = E (X 2 ) - (E (X)) = p - p = p( l - p) = pq
2 2
93
f(x)
-
)
5
/ 61_' 116{ -
A esperan~a e
1
E (X) p= -
6
e a variancia e
- ("''--v)
\ iar =
(-
p 1- p =
) 61 . 60 = 5
36
A fungao distribuigao acumulada e dada por:
0, se ;T <0
Fx(:r) = 5/6 , se 0::; ;r < 1
{
1, sex> 1
94
--- - -------~--- --· --
FSSFS OU (0, 1, 1, 0, 1)
Note que o resultado e igual ao obtido acima sempre que o evento for con-
stituiclo por 3 sucessos e 2 fracassos , nao importando a ordem em que os
sucessos e os fracassos ocorram,
p = P(C) /= P(K) = q
95
X 'nQ de
-v-+ Eventos I Probabilidades Sep= q = 1/2
sucessos' (viciada) (moeda nao-viciada)
J·(KK
0 q3 1/8
FFF
1
CKK KCK KKC
3pq2
.
3/8
SFF FSF FFS
CCK CKC KCC
2 3p2q 3/8
SSF SFS FSS
CCC
3 p3 1/8
SSS
Ill
Caso geral. Em geral, seja X uma variavel aleat6ria que representa o
numero de sucessos em n ensaios de Bernoulli (independentes) :
96
I -
\ -
Qualquer seqiiencia com n resultados de ensa.ios de Bernoulli, contendo k
sucessos (e n - k fracassos) tern a mesma pro babilidade de ocorrencia:
Assim:
P(.X = k) = C~pkqn-k, k = 0, 1, 2, ... , n
onde n! = n .(n-1).(n - 2) . . . 3.2.1. E tambem comum a notaga,o dos nii:meros
binorniais, ( ~) = c~ .
Defini<;;ao 111. Chama-se experimento binomial ao experimento que:
97
Noh~ que se substituirrnos a por p e b por q no binomio de Ne\vton obtemos
Teorerna 112. Seja X""' Bin(n,p). Entao E (X) = np e Var (X) = npq.
· { 1. se ocorrer sucesso
Xi -v--7 'Bernoulli' """" ' . , . .
0, se ocorrer fracasso no ·i-es1mo ensa10
n ) n n
Var (X) =Var (
~X; =~Var (Xi)= ~pq = npq
X1 rv· Bin(n1,P)
X2 ""' Bin(n2,P)
98
,---., ::.:. ::::.:__:__=-=-==--=-=-===-===--=-=--=--=-==-===-=-=·==-=--=-==-==-=·=
--====·-=-==-=·-.·. .·-:.======-=========================--=-::..:-:. :·:-: .-=-=--==
. ---··-
Exemplo 114. Uma agencia de publiciclade afirma que 40% clas donas de
casa que recebem a visita de um vendedor de enciclopedias, acabam por
encornendar urna. a) De 12 donas de casa que recebern a visita, qua.l a
probabilidade de:
P(.X _::; 3) = C~2 (0, 4) 0 (0, 6) 12 + Ci2 (0, 4) 1 (0, 6) 11 + Cf2 (0, 4) 2 (0, 6) 10 + Ci32 (0, 4) 3 (0, 6) 9
,--..; 0,2254
99
b) Seja 1r """' 'numero de enciclopedias que ele vende em 100 visitas' (numero
de sucessos em 100 tentativas).
Para cada tentativa, a probabilidade de sucesso e = 0, 41. Assim, Ip
Bin(~;~
n p
100
) -
as repeti<;oes sao inclepenclentes e que; em cada repetigao :
SUCESSO FRACASSO
P(A) = p P(Ac) = 1 - p = q
Entao,
P(X = 3) = P(F na 1il, F na 2'\ S na 3") = P(F) · P(F ) · P(S)
=(1 - p)(l - p)p = (1 - p) 2p
1,2,3,4 ...
101
0 0 (zero) nao faz parte qos valores que a geometrica assume porque nao
ha como ter sucesso sem que haja experimento.
Observa<;oes. 1) X denota o rnimero de ensaios (experimentos) necessarios
ate a ocorrencia (inclusive) do lg sucesso. X e tambem referida como o
tempo de espera ate que ocorra um sucesso.
2) E (X) = ~
p
e Var (X) = ~)
p-
(verifique est.as afirmac;6es).
1
pois p = -_ = 10- 5 . 0 tempo medio e dado por:
10'='
\,T) =
E (j\. -
1 = 105
10-5
0 tempo medio ate ganhar e 100 mil semanas, e 0 desvio padrao e tambem
de 100 mil semanas,
(J \/Var (X) = . ~= /
v~
1
-
10 5
10-10
- ~ 10 5
102
-··---- ----- ---·-- ------ --·- ·- -- - - - ·- - - · - - ····- - --- - - - · - -- -·--- - - - - - --- ···-
(:3.1)
.... ~-- . :~
P(X = 7) Cl col) 3~k C61) 4~n-k ~ 0, 1247.
5 6
on cl e p = 11 eq= 11
.
103
3.5 Distribui<;ao de Poisson
A distribuic;ao de Poisson elargamente utilizada quando se deseja contar o
n11mero de eventos de um certo tipo que ocorrem em um intervalo de tempo ,
em um pedac;o de uma superficie, em um volume, etc. (quando estes sao
raros no sentido do teorema 125 mais acliante).
cl) 0 n{unero de chamadas telefOnicas por hora que chega a uma central;
104
) '°'
,....,, --- -·-
- ------- - -- . - ----- -~- ~- - - ------ ·----- --~ ------ --- ------ -------·- -- ---. -- - - -
rp(i)=P(Y=i)
,. ..
i
................... .. . .. ... ·· ···- ... . . ... . ·----·-···--·· I> ··········-· · ·--···············---- ----- -----·-·····- ······-·- .. ·-·-····
0 1 2 3 4 5 6 7 8 9 10111213141516171819
I 2 J 456789IOll12!31415161Jl8l9
a) b)
2) :'.\ote que de fato a equac;ao (3.2) define uma furn;ao de probabilidade uma
vez que :
(X) x >,k 00 ~k
~
L.,
P( y = k)
~-·
" \ = L.,
v -k! · e-/\ = e- A ~ /
L., -k! = e0 = 1
k=O k=O k=O
;-----;
= e>-
105
- ---·--- - ---· - - - ----- - - - -- - -- --- ------------- - - - ·- -- ~-- - - - - --
.·-··· ..... ·······-···-··· -·· ··· -··· - - - ··- -····-·····--····-·-- ···-···-·-· ··1
i
I
p(i)=P(Y=i) p(1l=PC<"')
I
.. " . ''
.. ,. " t t i- .;. .;. t - t -t ~ + t - ... t .. + -
I 2 3 4 S 6 1 3 9 10ll l213l4l;t61718 19
··-····-··-·····-····---·-..- - .. ·-·-·-··-
0 I 2 3 4; 6 7 8 9 10111213H15161il819
···········-·--·········--·L....
Ii
I
a) b) I
... _________ _!
Figura 3.3: Func:ao distribuic_;;ao de Poisson.
2) l\ote que de fato a equaga,o (3 .2) define uma func:ao de probabilidade uma
vez que :
'°'
co
L.,
P( X
'
= k) =
x
L., k!
.>,k
v - · e-A = e--' L.,
'
00 ~k
-/
k!
= e0 = 1
k=O k=O k=O
,__ ___,
105
Exemplo 123. Um departamento de conserto de maquinas recebe uma
media de 5 chamadas telef6nicas por hora.
a) A probabilidade de que; em um intervalo de 1 hora escolhido aleatori-
amente, sejam recebiclas exatamente 3 chamadas e:
Ake-Al 53e-5
P(X = 3) = -k,- = ~ ~ 0, 1404.
· A=5; k=3 ·
X'"" Pois(5)
I ~
106
) ~
-.... ------
,,..... ::::.:_:::·-:..::..::
- -==-=-.:-:___-=-.:_=======-
===
·-·--======================================
- --==-
=--
==--====
-- =========-~==--==-
===
---==-==
-----
\k e->- I
lim P(X = k) = - / --
n-+x k!
107
onde n = 3000 representa o rnimero de individuos (tentativas) e p = 0, 001
represent a a probabilidade ser portador da doern:;a (probabilidade de sucesso).
Enta.o,
E (X) = np = 3
I ,-
ou, com a aproximac;ao,
I ~
I '"'
) ~
108
i -
! ~
3.6 Comentarios Finc;ds
Neste capitulo foram apresentadas cinco dist ribui<;oes chscretas de proba-
bilidade, nomeadamente:
a) distribui<;ao de Bernoulli;
b) distribui<;ao binomial;
e) distribui<;ao de Poisson .
109
dizermos que x rv Bin(20, p)' para algum valor de p, estamos, Segundo a
terminologia introduzida, caracterizando o modelo.
Se conhecermos o ·valor de p podemos, conforme apresentado neste capitulo,
calcular a probabilidacle de eventos, por exernplo, calcular a probabilidacle de
s
'sairem no maximo 5 caras', P([X 5]). A este problema chama-se problema
direto.
Se nao conhecermos o valor de p, mas efetivamente jogarmos 20 vezes
a moeda, e anotarmos a seqiiencia de caras e coroas que ocorreram 3 , pode-
mos determinar um valor aproximado para p, com uma certa credibilidade
cientifica; este problema e dito pertencer a teoria da iriferencia estatistica,
ou mais geralmente, diz-se que se trata de um problema inverso, que se esta
iclentificando o modelo, ou que se quer treinar o modelo .
No pr6ximo capitulo trataremos de construir mais modelos probabilisticos
de situac_;6es reais, envolvenqo variaveis aleat6rias continuas, ampliando as-
sim , a nossa capacidade de caracterizar um modelo pertinente a dada. situagao
concreta. Nos capitulos posteriores, nos concentraremos na questa.o da. in-
ferencia estatistica, a identificac_;ao ou estimagao dos modelos .
. ~ --------------
3 Neste caso, entrarnos em coq.tato corn a realidade que se quer modelar, atra:ves de
resultados experimentais.
110
I~
,..-....,, - - . -
=~- ===-===-=·==-==--===
---=--==-==-========-=--=--=-==--==--===
-· =·-=-·= =- ==-==-= · =====================-----
· == - - -- - - ---- - - - - -- -------·.
·-
Capit11lo 4
- 1- a< •r < b
f(x)= b-a ' · - ·"-
{ 0, caso contrario
111
/
-
--
I ~f(x) - -
-
-
I 1 !- ------;-
j ---------\:
1
--
-
b-a \
\
\
''
'''
\
\
x '
\
I ,-.,
a) b)
) ,-.
I~
En tao,
K= 1 =-1-
. 'tamanho ([a,b])' b- a I .-..
Demonstra.;;ao.
( '
E (X) = 1: xf(?;)dx = [
b2 - a 2 (b
x·b
+ a) (b -
~ a dx = b ~a ~
a) b+a
2
[ I -"
2(b-a) 2(b-a) 2
112
' -·
'"'· =
--.= - =- .::
·-= ·-=-====-=-=-=-=--= =--=-=-=-=--=-=-=--=--=-=-=-=-=-==·-=-=====-=·-=-=·-=--=-=-=·=========-=-=-=-=-==-.:::-:·-:=--=-===-=-==-=-==--=-=-=-=========-=--=-=·-=-=-:__-::._::-·-·-··-·
a2 - b2 (a - b)(a + b)
a3 - b3 (a - b)(a 2 +ab+ b2 )
a4 - b4 (a. - b)(a3 + o. 2 b + ab 2 + 63 )
d)Use o resultado da alfnea c) quando lrl < 1, para concluir que para lim,.,,-+ 1 + r + · · ·+
00
1
1+r + r 2 + ... 1 - /'
ja. que limn.-+oc r"' = 0, obtenclo assim a soma de itma progressiio geometrica (PG) de
razao re 1Q termo 1.
e)Rascunho cla clemostrar;a.o cla equa<;;oa ?? .
11 3
{b 2 l l ;r3 Ib b3 - a3
E (X 2 ) } a :;c b - a d:r = b - a . 3 Ia ( b - a) · 3
2 2
(b +ab+ a )(b - a) b +ab+ a. 2
2
3 (b - a) 3
3 22 12
4 .2 .1 Defini<;;ao e propriedades
) -
Definit;ao 128. Uma variavel aleat6ria X e normal com media p (-oo < I ----
p < +oo) e variancia a 2 (0 < a < oo) sea funga,o densidade de probabiliclade
e:
I "'
114
,...._ ---
f(x) ()
I L_---------- - --- - ------ -- ----
J
_J/
;' -
•
:'
I
'
'
I '
.. ... ....... ...... 1 .
u a ······-- --"h
a) b)
Observe que:
l
b
P(a:::::; X :::::; b) = - - e- 20-
2
d:r
. a. V'fTia
Devemos ter que:
.
1 = P(D) = P(-YO < X <+co)=
!co 1
~ e-
i:c-µ)2
2.,.
2
d:r
. -co v 2xu
Observac;oes . 1) A fdp cla distribuic;ao normal tern forma de sino;
2) A fdp e simetrica em relac;a.o a. media µ ;
e
3) 0 ponto de maxirno cla fdp em x: = µ e 0 valor ma.ximo e:
. 1
j(µ) = 0=
v L.Ji(J
T· ~
i: '···'
Ass1m; se compararmos 1; = µ com qualquer outro ponto, = ~l
• "· ' : ,I'
.T e o ponto
com maior chance relativa de ocorrencia.
115
l ----------------- -----
a) b)
116
- -- - - -- -------~ ---------------- ----------- ----------- - -- - - - - - - - - · - - - - - - - - - - - - ------
n
Entao, a media amostral tambem e normal e
Y
"~n "'-'
_
( ') )
er
N µ, ~
e a sua variancia e
onde a segunda igualdade e valida uma vez que X/s sao indepenclentes .
T· .· ,. ' l
3) A aliiiea c) do teorema acima e um caso particular clas alineas b) e a)
A.: ' • •,\
117
Usa-se a alinea a) com o valpr do parametro a = 1/n e b = 0:
- X1 X2 Xn
Xn =-+ - + ···
n n
+ -n
E (xi) = - ·
-
n
1 E ( Xi )
n
= -µ
n
==?- E (-Xn) = n · -µ = µ
n
Var (xi) = -
-
n
1
~
r a-
2
=-
o-2
~
==?- Var( Xn)
-
=n
o-2
·-
~
=-
o-2
~ 1 (x-µ.)2
P(a < X < b) = -·-e-~ dx
a ../2ira-
118
i'P
I
I , ---- -------- - ------------- -
. ,. , ·
/_. ' ·
1 .. . .. . '
a) b)
-·· ·· ··--·····--------------·-- -·-_J
- p (a---
_ fl < Z < -
b--µ) ~
\ (J (]"
= P (Z < ~) - P (Z ~ a: JI)
= <J> (~)-qi(~)
\ CJ (]" J
119
} ,--,
a) b)
(3) Temos tambem z > O; P(Z 2:: - z) = P(Z:::; z) = j <I>(z) j, veja na figura
?? .
(4) Para um intervalo simetrico temos
I ~
veja na figura ??
Exemplo 130. Seja X ,.__, N(5, 4). Determine P(l < X < 8).
Solm;ao: Note que
µ = 5
{ o- 2 = 4 .. . O" = 2
I ~
120
I ·~
,.......... · - --- ·
-
"'-\ssim, padronizando e consultanclo a tabela cla normal obtemos :
-
P (X < 11
) = P(
-x - 3
< 11 4- 3 -.) = P- (Z < 2-) = <P (2). ~ 0, 977:3
4
'--v--'
=Z~N( O,l)
121
a) b)
2- 3 X-3 7-3
P(2 < X < 7) P(-,- < < ~) = P( - 1/4 < Z < 1)
4 4 ..___,
=Z,..,N(O,l)
,I -
W =+= V -E (V) V - µ
J .----..
DP (V) a
) .----..
- .. ~·· '
·'
''e a padronizac;ao de V; e cl1ro que E (W) ;::::: 0 e Var (W) = l(veja exerdcio \ -
??).
I -
122
) -
J --
Seja X 1 , X 2 , ... , Xn uma seqiiencia de varia1·eis aleatorias independentes e
identicarnente distribuidas (iid) quaisquer, cada uma com mediaµ. e variancia
CJ 2 (finitas). Note que
E (X1+X2+ ·· · +Xn) nft
Var(X1 + X2 + · · · + Xn) T/,0"2
S = X1 + X2 + · · · + Xn
basta subtrair sua media np e diviclir o resultado por seu desvio paclrao,
ofa, obtendo-se a variavel aleat6ria
y = X1 + X2 + · · · + Xn - np
ufii,
que tern media nula e desvio padrao 1,
E (Y) = 0 e VarY = 1
l\ote, no entanto, que }' pode nao ter clistribui~ao normal , como pocle tambem
ser discreta.
No caso em que as variaveis X/s forem normais, Y tambem sera normal
e portanto tera distribuic;ao normal padrao (veja Teorema 129 abaixo). A
vantagem entao e que para o caku lo de probabilidacles envolvenclo ou a soma
<las varia veis
OU a sua media
X1 + X2 + · · · +Xn
n
poclemos recorrer a.tabela da normal, quando temos uma sequencia de V.a in-
depenclentes e identicamente distribuiclas, X i rv X, vi (isto e,X, X 1 , X2 , · · · , Xn
e uma amostra aleat6ria cla 1·.a X), cada uma com media p e variancia u 2
(finita #- 0) , entao,
., X1 + X2 + · · · + Xn -
} = - - - - - - - - - --
np
CJ,fi
Tera media nula e variancia infinita. Em geral nao e uma clistribuigao normal.
-r· ,•
1.: ' · .•;\
0 cal'Culd; probabilistico com a Tr.a Y pocle ser bem complicaclo. 0 que vale
e 0 seguinte teorema,
123
-
Teorema 132. (TCL) Seja X 1 , X 2 , . . . , X 11 uma seqiiencia de variaveis aleat6rias
independentes e identicamente distribuiclas (iid) cada urna com media fl e
variancia a 2 (finitas) . Entao a clistribui<;ao
X1 + X2 + · · · + X -
a/ii n
nµ -t Z rv N(O, 1) quanclo n -t cc
E·
I X1
I\
+ X2 + · · · + Xn - nµ) _o para todo n
afo -
,cvar (X1+X2+···+X 11 -n{l\I = 1 para todo n
\ a~n )
124 I -
- -- - · - ------------ -- ----- - ------~ - - · ------ ---- - ------- - - - -------
Xi ,._, Ber(p)
en tao
,r =
.../ ~. : vl
./ l _L
I
::v.,
~.C\..c..
_L • • • ..L
I I
;v
J \...n. _,-v B-1-,•n·,(·r.l·,.
> p)
X - E (X)
DP (X)
125
de fato se ter n ---+ oo ou ,\ ---+ oo (isto e, estaremos utilizando uma aprox-
imac,:ao com n e ,\ finitos), qu ando as variaveis aleat6rias X 1 , . .. , X n sao
discretas .
Por exemplo, as vezes P (X = 3) =/= 0 pois X e discreta., mas quando
aproximarnos por uma. normal, a probabilidade fica nula. Assumimos que
X e uma variavel aleat6ria discreta com valores inteiros. Enta,o, fazemos as
seguintes alterac,;oes nas extremidades dos intervalos (adiciona-se ou subtrai-
se 0,5).
:\'ote que estas alterac,:oes nao sao aproximac,:oes ma.is sim sao igualclades ,
isto e, por exernplo,
126
se inscre-vem no processo de selec;ao, esta adrnite 450 estudantes (apesar do
tamanho ideal da turma. ser de apenas 150 alunos). Toda via, a universidade
sabe por experiencia passacla que somente 303 dos admitidos e que irao para
ela. E alias por este motivo que ela envia cartas de aceitac;ao para um numero
de alunos maior do que ela pode comportar.
a) Calcule a probabilidade que mais de 150 estudantes vao para esta
universidade.
b) Qual a probabilidade de se montar uma turma de 1g ano com mais de
4% de alunos do que 0 numero ideal (150)?
c) Qual a probabilidacle de se montar uma turma de 19 ano com pelo
menos 43 a mais de alunos do que o numero icleaF
aceitam a oferta de vaga e vao para esta universidad.e, com prob. p = 30%
{ nao aceitam a oferta de vaga e vao para outro lugar, com prob. p = 70 3
Assim,
alunos admitidos'
,-"'-..,
X rv Bin( 450 0, 3)
~
prob. do aluno aceitar
127
Resposta. Ha aproximadamente apenas 5% de chances da escola receber
rnais alunos do que o ideal. !G
b)4% da turma ideal sao seis alunos . Entao pede-se o calculo de P(X >
156) .
.
·,,.- .) ( __ .) (X - 135
P( A . > 156 = P _,\ > lo6, 5 = P _ In > 21,5)
In . _ = P(
·z > n ) =
v94, 5 v94, o
c) Pede-se P(X 2: 156). Assim ,
OU
X - .A X - 30 ( )
--- = rvNOl
·vf/\ J30 - '
Queremos P(X S 22):
1Q) Faz-se a correr:ao de continuidade:
128
! ~
·--- ·- ------ - - ----------- - -~-- - - -------- -- ---- ---- - - - - - -
Definit_;;ao 137. Uma variavel aleat6ria continua cuja jclp e dacla por: .
f(x) = {/\ e->-x, para x: 2: 0
· 0, caso contdrio
e dita uma varidvel aleat6ria exponencial com pararnetro A > 0. A not agao
usada e X rv Exp (.A); diz-se que X {~ distribnido exponencialmente com
parametro .A.
unidades de tempo dado que nao ocorreu ate o inst.ante de tempo t e igual
129
a probabilidade de ocorrer ate s. Isto e, demorar mais s unidades de tempo
independe de quando se come<;ou; o processo 'esquece' que ja 'envelheceu'
(ou seja, que passaram t unidades de tempo).
'j:·
130
-· -------------- --- ----·------ -· ---- - -
-
4.4 Exercicios
Exerdcio 139. Suponha que um dispositivo eletronico tenha uma dura~ao
X (em unidacles de 1000 horns) a qual e considerada urna V.A. contfnua corn
fclp dada por:
r
1(:r)=
, {e-..
Tpara ;f > 0
0, para ::c ::; 0
131
-
-
a) Ern quanto deve ser regulado o peso medio ~l para que apenas 10 %.
dos pacotes tenham menos do que 5009? (R.: 512, 89)
b) Com a maquina assim regulada, qual a probabilidade de que o peso
total de 4 pacotes escolhidos ao acaso seja inferior a 2kg? (R.: 0,523)
Exercicio 144. A capaciclade maxima de um ele,··ador e de 500kg . Se a
distribuic;ao X dos pesos dos usuarios e N (70, 100):
a) Qual a probabilidade de 7 passageiros ultrapassarem esse limite? (R. :
353)
b) E 6 passageiros? (R.: 0.053)
Exercicio 145. Estima-se que 60% dos acidentes rodoviarios em um certo
pais estejam relaeionados, direta ou indiretamente, com as mas condic;oes da
rede rodoviaria do pais em questao.
a) Em 8 acidentes, qual a probabilidade de no ma.ximo dois estarem rela-
cionados as mas conclic;oes cla recle?
b) Em 50 aciclentes, qual a probabilidade de que pelo menos 35 clestes
estejam relacionados as mas concligoes cla rede rodoviaria? R.: 0,0985.
Exercicio 146. No Reino do Fedor, um reino distante e primitivo, os habi-
tantes vivem em constante perigo porque o esgoto corre abertamente pelas
ruas da vetusta cidade . Sabe-se que o esgoto contem bacterias nocivas que
provocam tumores no pulmao. 0 Graride Sabio do Reino disse ao seu querido
Pavo Fedorento que o nl'1mero medio de bacterias por centimetro cubico de
liquido de esgoto e 4, disse tambem que as bacterias encontram-se aleatori-
arnemte distribuidas ao longo do liquido do esgoto.
a) Calcule a probabilidade de haver no maximo uma bacteria por 2 cm 3
de liquido de esgoto; R.: 0 . 0030192.
b) Calcule a probabilidade de haver mais que 120 bacterias por 25 cm3
de liquido . R . : 0 .0202.
Exercicio 147. A quantidade de leite em p6 contida em cada. lata fabri-
cada por uma indl'1stria tern peso clistribnfrlo normalmente com media 990g
e clesvio paclrao de lOg. Uma la.ta e aceita para venda se tiver peso liquido
maior que 976g, caso contrario e rejeitacla. Se observamos uma. clestas latas
numa linha de produc;ao ,
a) qua.l a probabilidade de que a decima la.ta observada seja a primeira
)a.ta rejeitada? R . : 0.0378(5.
' b) qual a probabilidade de que em 20 latas observadas, 15% destas sejam
. rejeitadas? R.: 0.143585.
132
- -- - ---- -- - ---- - · -~ - - ---- ·- -··- ·----- -- ------ - -----· ---- ---- ··-- ---~ -- ·- - ---~-----· - - - - ·---·· -
- 0,2515786
b) Um cliente esta disposto a comprar um lote de um grande mimero de
13.mpaclas se verificar que em 10 lampaclas escolhidas ao acaso pelo menos 6
duram mais que 138 horas. Qual a probabilidade do cliente comprar o lote?
R.: 0,0197.
Exerdcio 149 . Numa. determinada fabrica, os cigarros sem filtro sao feitos
em uma maquina automatica que pesa o tabaco a ser colocado no cigarro,
coloca o papel e enrola o cigarro. 0 peso do tabaco tern como media 1,16g e
desvio padrao de 0,05656 g. 0 peso rnedio do papel e de 0,040 g corn desvio
padrao de 0,020 g. Esses pesos (isto e, peso do tabaco e peso do papel) sao
independentes e tern clistribuic;ao normal.
a) Determine o peso medio de urn cigarro sem filtro e o respectivo desvio
padrao .
b) Qual a probabilidade de que um cigarro sem filtro tenha peso inferior
a 1,17 g?
R .: 1,2 g; D,06 g; 0, 3085
Exercicio 150. Seja 1-Y uma variavel alea.t6ria qualquer com E(Hr) = f-l e
1/ ar (TV) = o- 2 i- O. '[ se as propriedacles cla esperarn,;a. e da variancia para
mostrar nue'l
a variavel aleat6ria \/ = E-µ, obtida de VV subtraindo-se sua
(J .
E(1/) = 0 e \T ar(TT) = 1
~ .
. . '~.. ' .. :~
133
.. ------·-- · - --- - - ~-- --- --- - - - --- - · - - - - - -- - - - - - - - - - -- ---- -- - --- - - - - --------- - - ------------ --
Capitulo 5
Variaveis Aleatorias
B idimensionais
135
se analisam a altura e o peso de individuos.
e) Em um estudo da ocupa<_;ao territorial em uma cidade, a posigao (X, Y)
das habitar;oes.
f) Um produto e classificado de acordo com o mimero de defeitos que cont.em
e tambem de acordo com o tempo que levou para ser produzido. Sejam X
e }T as variaveis aleat6rias que represent.am, respectivarnente, o nurnero .de
unidades de tempo que o produto levou p;:i.,ra ser produzido e o nurnero de
defeitos por produto.
136
------- - - - - - - - - -- ---- - -- - -- - ----- -~-------- ---- - ---------------------·-·-- ---------·-~--- -- -
.. . I
:rm p(:rm, Y1) p(:r.,.,I.; Y2) ... I P(Xm, Yn) I P.x(:rm)
py py(Y1) I py(Y2) . .. I py(Yn) I l
X""Y 0 1 I 2 :3 I
1 1/8 1/16 I 3/ 16 1/8 1/2
2 1/16 1/16 1/8 112
'-v-" '-v-" '-..,,.-'
P(Y=O) P(Y=l) P (Y=2) P*') 11
Analise:
Defini<;ap 153. Seja (X, }r) um vetor aleat6rio cliscreto corn func;:ao de pro-
-
'·
/.' ,_: '• ~- ·.
babi'Ifdade conjunta p(:r, y) . Entao as fun c;:oes de probabiliclade rnarginais de
;\
x e y sao
1.37
Q Px(x) = P(X = x) = t=Pxy(x, y) (somat6rio em y)
y
@ py(y) = P(Y = y) = J::pxy(x, y) (somat6rio em x)
Px(x) 2: 0 e LPx(x) = 1
x
e analogamente para py .
2) Na tabela 5.1 acima, r~presentamos na ultima coluna a probabilidade
marginal de X e na ultirna l}nha a marginal de Y .
3) Em principio, sabendp-se as furn;oes de probabilidade de X e de Y,
separadamente, nao e possivel obter-se a fungao de probabilidade conjunta.
Ou seja, a distribuigao de probabilidade conjunta representa um ganho de
informa<;ao sobre o conhecimrnto individual <las fun<;oes de probabilidade <las
variaveis aleat6rias X e Y.
Podemos completar a t~bela do Exemplo 152, com as probabilidades
margmais.
x"'Y II o 1 2 3 II Px(x) I
1 1/$ 1/16 3/16 1/8 8/16
2 1/16 1/16 1/8 1/4 8/16
Py(y) II 3/16 I 2/16 I 5/16 I 6/16 I 1
Por exemplo:
y x
138
- - - - - - - - - -- -·- --·-··------· - --
De fato,
E (X 2) = L :r:2px(x:) = L.
x y
(2= x
J:2 p(:r:, y))
Exemplo 154. No exemplo 152,
- 8 8 3
E (.X) = L::rpx(1;) = 1 · +2· =
2
16 16
Defini~ao 155, Dado vet.or aleat6rio discreto (X, Y"), com probabilidacle
conjunta dada por p(:r: , y), definimos a probabilidacle condicional de}' dado
X = :r: por:
p(x,y)
PY IX=x (Y ) = Px (x ) quando Px (:i:) > 0
e am1Jogamente
~- -·~:
r· ( · ....
139
Observac:_;oes. 1) Fixado x, Y I X= x com furn;ao de probabilidade dada
por PYI X = x e uma variavel aleat6ria. ; .~
Assim, a partir da variavel aleatoria Y iremos ter muitas variaveis aleat6rias
condicionadas Ylx=x, tantas guantos forem os valores de X. Neste caso, dize-
mos que X define uma estratifica<;ao na variavel Y.
2) 0 mesmo pode ser feito para a variavel aleat6ria X fixando Y = y
3) Note que, fixado x, temmr
LPYJX=x(Y) = 1
y
e, analogamente, fixado y,
5116
Observe que a soma dos doi~ valores e 1, como previsto! 1!!11
140
I .---,
Exemplo 158. No exemplo 152, X e Y sao inclependentes? Nao , pois, por
exemplo,
1 . . 8 J 40 20
p( 2 , 3) = S =/= Px( 2 ). py( 3) = 16. 16 = 16 = 8
r--
,,.-
,.-.
' ,_ ,
' ' ·'
,,.....
,--.
141
,.....
,,....._
,.....__
-...
,-..
ii'
5.6
G
E xerCiCIOS
Exercicio 159. 0 numero de chapeus de chuva (X) e gabardines (Y) que
uma loja vende em um dia qe inverno tern a seguinte distribui<_;ao de proba-
bilidade:
II Y tx --7 11 o 1 2
0 0,05 0,05 0,1
l 0,05 0,1 0,2
2I
0,1 0,1 0,25
II X = x II 0 I 1 I 2 I 3 I outros
~
_,...
II P(X = x) II 0,2 I o,4 1 0,2 1 0,2 1 0
.,
II Y = y II 0 I 1 I 2 I outros II ~
142
---- --- ----- - - · ~ - - · · · - - · - - -- - -·-··-·
Calcule:
a) 0 valor da constante c. (R.: 1/42) b) P(X = 1, Y = 1); c)
P(X :=::; 1, 1" 2: 2) cl) As fun<;oes de probabilidade marginais de cada uma
das variaveis a leat6rias.
II Y -i x ~ I o I 1 I 2 I 3 I 4 I
0 70 4 2 1 0
1 4 2 ;3 1 1
2 2 1 1 1 2 I I
3 2 1 0 0 0
I
4 1 1 0 0 0
conjunta:
143
II Y ix~ I 1 2 3 4 II
800 ' 0 0 0,10 0,10
1200 0,05 0,05 0,10 0,10
2000' 0,05 0,20 0,05 0
5000 0,10 0,05 0,05 0
I ~
I ~
I ~
,,,'
144
~-
Capitulo 6
Introducao ...>
a Inferencia
Estatistica Estimacao _;)
Pontual
145
6 .1 Introd u<;ao
As tecnicas de inferencia estatistica apresentadas neste texto se encaixam
em tres tipos: (i) a estima<;ao pontual (ii)a estima<;ao intervalar e (iii) o teste
de hip6teses. A estima<;ao pqntual sera considerada neste capitulo, enquanto
a estima<;ao intervalar (intervalo de confia,n<;a) e o teste de hip6teses serao
abordados em cap:ftulos sub~equentes.
Consideramos agora exer,nplos ilustratiyos dos problemas que cada uma
dessas tecnicas aborda.
µ;
146
~-------------· ·------------- ·· · - -- - - ····
..---.. ---------------------========================-:...:.:========================-~.
147
pelo nome do funcionario (ou seu numero de identidade, ou CPF, etc) e pelo
seu salario em reais. 1 /""
Uma amostra pode ser constitufda pelos salarios de 35 funcionarios . Ill 1 ------
Exemplo 168. Uma outra populac;ao pode ser constituida pelo numero de
garrafas produzidas por dia em uma fabrica, durante um ano, e uma amostra
de tamanho tres seria o numero de garrafas produzidas nos dias 13/05, 17 /07
I
e 03/11, digamos 1002, 997 1005. r '
X:N {0,1}
n X(n) ~{ 0, sen EB
1, sen EA
I ~
:\este exemplo temos varios eventos, como por exemplo, [Y = 174], cuja
probabilidade (func;ao de probabilidade de variavel aleat6ria cliscreta) e,
Xi rv F para todo i = 1, .. . n
149
Desta forma, cada um dos dados amostrais possam ser pensados como
variaveis aleat6rias indepen1entes e distribuidas como a popula<_;ao.
150
! -
------ -- -· -----·- - - ---· - ---·-·····----- ---·----- - - - -·-··-------- - - - - - -----
-- --~----------· - -
. - ·--- --·-- -- ---- ---~-- - -.-- - - --- - ------ --~-- --- --- --
"'i!.' ' \, · • • _, ~· .Pn~blema Inverso: Dados os pontos ( 1, ~) e ( k, 1) determinar os parametros cla reta
ax+ by= c.
151
I~
603 Estatisticas
Definic;;ao 174. Dada uma .a mostra aleatoria X 1 , X 2 , •.. Xn, de uma pop-
ulac;ao, uma estatistica L e simplesmente uma func;ao da amostra aleatoria, .-----
-.
19 A variancia amostral,
32 -1- ~(v
7 V-)2
Ai-A
n - 1 L,.-'
i=l
1 n
s - ~(Xi-X) 2 ,.-- ,
n - 14--
i=l
o A proporr;.iio de sucessp,
p= #sucessos
#tentativas
152
; ~
'--'
um valor numerico.
Defini~ao 177. Um est imador T e nao viciado (ou sem vies, nao tenden-
cioso, centrado) para a estimagao do parametro e se
E (T) = e '--
-~
154
...__,,
~ :~;
~
·-- ~ - -- - .... ------------·--·-··-·- --
R X cnl - X c1)
'-' n i= l
2
A estatistica R tambem e associada a determinagao Observamos que 1J .
o uso destas estatfsticas nao estao restritas aos casos em que Xi tern uma
distribui<;ao de probabilidade conhecicla como as que foram considera.das nos
capitulos 3 e 4. Os modelos tratados nos capitulos 3 e 4 sao chamaclos
moclelos parametricos. Quando se aplicam as estatistica para determinar
'-' os parametros das distribuic;oes) as estatisticas passam a ser chamadas de
'-'
estimadores (dos pararnetros) . A tabela 6.1 exibe este uso.
'-
'-
Seja eo parametro da distribuic;ao, F =Fe . 0 para.metro epode denot ar,
por exernplo, a media, o desvio padrao, uma proporga.o, etc. Em geral, B
'-
pode representar uma quantidade escalar ou uma quantidade vetorial, B = µ.,
e = (µ, o 2 )' e = (e1' 82 ' . ' ' en). E usual representar 0 conj unto de toclos OS
possiveis para.metros, o espar;,o param.etrico, por 8.
Definic;ao 175. Um estimador clo parametro e, da distribuigao Fe , e uma
'-'
estatistica da amostra aleat6ria
'-'
Tn = 'T,1,(X1 , X2 , ... Xn)
-
...._
-
-
.......
0 ,
-- - - - --- - - -- · - - - - - - - -- - - - -- - - - - - -
Exemplo 178. Considere uma populac:;ao corn media p . :.\fostre que a media
amostral
X = ~
Jt
txi
i-1
E (X) = p e E (X:~) = p
(uma vez que _X3 tem a mesma distribuic:;ao que a populac:;a.o - nao e :r3 , nao
e um valor numerico especffico) OS dois estimadores sao nao viciados. Agora
verificamos as variancias:
Var (X)
t'
155
-
a) b)
I ® +t0
~--~d_ _ _ _
Figura 6.1: Alvos
Logo, sen> 1,
2
~= Var (X) < Var (X3 ) = J
2
n
156
Solw;ao. Tenho que ver de quanto a m6clia cl el es clifere de u 2 .
ao passo que
n -1 ?
--s~==}
n
E( 0-2) E(' - 152) = n - 1E(S2) = n - 1a2
n n n
157
.
l
[{~)
rw .
IA I~
11
I
I
-
I
I I e "3 ---
Tl .......,.;_ "'!.•
In 1· " II D
II
I
--
Figura, 6.2: Acuracia e presi<;ao
~
-
Tabela 6.3: Compara<;ao de (fStimadores com rela<;ao a acuracia ea precisao.
I Estimadores I T1 I T2 I T3 I
Acuracia maior (nao-viciado) intermediaria menor i -
i
Precisao menor intermediaria ma10r
,i
As vezes, estimadores viciados sao preferiveis a estimadores nao-viciados
'que nao sejam muito precisqs. Um criterio plausivel e escolher o estimador
que apresente o men or erro quadrado medio (EQM), onde o erro quadrado
158
I ~
I ~
·- ·-·----~- -· ---- - - ~- -- ------ - ·- - --
p = E(T)
EQJ11(T) E·\rr.,,, 2
\ - µ + /l - 8.) 2
\ -1 - 8) ) = E(·T
E[(T - µ) 2 + 2(T - f-l) (,u - 8) + (p - 8) 2 ]
E(T - p) 2 + 2(µ, - 8) E(T - p) +(µ ..- 8) 2
~
=D
Var(T) + (E(T) - 8) 2
2
Var(T) + (Vicio/
' ,'
\.~J
r · ·.
\: ' • •.\ - .. - ~··
,•, ' ., :~
159
6.5 Exercicios
Exercicio 182. Suponha q~e nos temos uma a.a. de tamanho 2n de uma
popula<_;ao denotada por X 1 e E(X) = µ e Var(X) = a 2 . Seja X 1 =
2n ·n
(1/2n) I: Xi e X 2 = (1/n) ~Xi dois estimadores de µ. Quale o melhor
i=l ;=l
estimador de µ? Justifique 4- resposta.
Exercicio 184. Suponha que X e uma V .A. com mediaµ e variancia a 2 . Seja
X 1 , X 2 , ... , Xn uma amostra ,aleat6ria (a.a.) (isto e X/s sao independentes e
identicamente distribuidas) 4e tamanho n qa. popula<_;~io representada por X .
Seja X a media amostral. As afirma<_;6es abaixo sao verdadeiras ou falsas?
Justifique a resposta.
a) A variancia da media 11mostral e rnaior do que a variancia de X. I -
b) 0 valor esperado da media amostral e igual ao valor esperado da
variavel aleat6ria X.
160
I ,-..._
) '"'
a) Se X e Y sao variaveis aleatorias inclepenclentes e iclenticamente dis-
tribuidas, entao Var(X - }') = Var (X) + Var (Y) .
b) Se Xe}' sao \/.A's quaisquer , entao E(X + Y) = E(X) + E(Y) .
c) Se X e \'.A qualquer, entao Var(cX) = c2 Var(X), oncle c e uma
constante.
d) Se Xe uma V .A. com media igual aµ e variancia igual a a 2 , entao X
tern variancia igual a 17 2 /n.
e) Se Z'"" N(O, 1), entao P(Z < -z) = P (Z > z).
f) Se Z ,_..., N(O, 1), entao P(Z > z) = 1 - P(Z < z).
7· .( ·'. ~" .
161
~'
..-..... -- - -
-- ··-··-- ---·- ----··· -·--- ~ ----- - ---- - - -- - - -- -- --- -- --- --- --- - -----· - -- -,...,....,------ -------·-- ___________________ __ .., -- ~ ---~ ~ - --·- -·-
Capitulo 7
Intervalos de Confian~a
-f-
~'\. -- -1 (""l
n
v- + , · · --
J\.n
)
oncle (Xi, ... , X,J e uma amostra aleat6ria, o que faz de X tambem uma
vari~vel aleat6ria. Quando selecionamos uma amostra especffica, (x 1 , .. . , J;n) ,
obtemos, partindo do estimador, uma estimafrua do parametro
. -~.: ~·· ' :~
1
X -(:Y1 + :Y2 +. · ·:En)
n
163
x
cuja variancia, cr 2 /n, pode ~er tao menor do que a variancia de X quanto
I ~
quisermos - basta considerar uma amostra com muitos elementos, ou seja
com n grande veja a figura A.1 A variavel aleatoria
X-µ
Z = CT/Vn rv N(O, 1) (7.1)
a/2
i -
164
' """
- -- - - - - -- - --- - ---- - -- - --
i{x)
aJ2
--------·-··----~-~~ci!T · ·-·· --·---···----·--··-··· -··-·--··--··-·-· ··-·--·-·········•
..
Il
.. J .
Assirn,
P(-Zo:/2 < z < Zo:/2) P(Z < z0 ;2) - P(Z::::; - z01 ;2)
1 - P(Z 2 Zo:/2) - P(Z::::; Zo:/2) \(.7.~?)
1 - 0:
'T· ',•
isto _e,
1.: ' • • ,"I ;' ~ '. ' :;
165
Substituindo Z na equa<;ao A.2 por sua expressao dada na equa<;ao 7.1
obtemos:
X- µ
P(-Za./2 < z < Za.;2) P(-za.;2 <
J
/,(ii, < za.;2) = 1 - a
n
1- a
ou ainda,
- J - J
P(X - r,;:;Za/2 < µ < X
vn ·
+ vn
r,;:;Za.;2) = 1- a
Para chegar nesta ultima equa<;ao, multiplica-se a equa<;ao anterior por (-1),
(naturalmente invertendo-se :::; por 2 e somando-se, em seguida, X a todos
os termos. Assim,
] X- - Vnzo,05,
J
X- + Vnzo,05
J [
=
J-X - J
Vn.1, 64, X- + Vn.l,
J
64 [
166
........ ------~ --·
Zo,02.5 = 1, 96
- 0, 051 . -
]
-
X -
CJ -
r;;;Z0:1 2, )(
yri '
+ CJ
r;;;Zo.12
yn '
[
] 1, iO - y0 1, 96; 1, rO + 0,.y051
fg 1, 96
[
]1 , 68; 1, 72[
Observa<_:;oes . a) 0 intervalo
~- ' :~
- CJ
] )( - Za/2 Vn ; )(- + Za/2 vn
CJ [
r;;;
1,67
e chamado de intervalo de cpnfianc;a de (1 ~ a)l00% para a mediaµ.
b) Os extremos do intervalo sao chamados de limites de confiarn;;a a
(1 - a)100%.
168
....
-.:;------~----
---------- - · - -- - - ---·-·-·
~--
--=--:.___~-·
-
X- µ " (7.5)
rJjjii-+ Z"' N(O, 1)
169
onde S 2 e a variancia amostral 2 e tv e a distribui<_;;ao t-student com v graus
de liberdade. Os valores da pistribui<_;;ao t-student sao tabelados. Se temos
n = 4 amostras, na tabela usamos v = n - 1 = 3 graus de liberdade.
Este resultado e verdadeiro independente do tamanho n da amostra, po-
dendo ser usado em amostra.s pequenas. ,
(ii) Popula<_;;ao ii-normal(ampstras grandes). Seja X 1 , . . . Xn uma amo_s5ra_
aleat6ria de uma populac;ao ~ao necessariamente normal, com media e vanancia ~
desconhecidas. Entao, '
x .-µ --+ Z rv N(O, 1)
sJn,
quando n--+ oo.
Um comentario analogo ci.o anteriormente feito vale aqui. Assim, ao inves
de usar a verdadeira distribuic;ao de probabilidade de
X -µ
S/y'n
para construir intervalos de Fonfianc;a, pode-se utilizar a aproxima<;ao dada
pela normal, quando n for grande.
7 .3 Intervalos d~ Confian~a
Pelo que acabamos de ver, dada uma populac;ao com mediaµ e variancia
e X 1 , ... Xn uma amostra aleat6ria e, assumindo que a- e conhecida, entao,
o- 2
se a populac;ao e normal
- a- - a
P(x - Zo./2 -vn <µ<x + Zo./2 vn) 1-a
170
-
~~~~--~~~~~--~-·-
-----=-
-~-~~
- -- -
_-_._
- _
-_·--
· -
- ~~~--~~-··_
-_-
_-_
-_. _-~· -
· -· -=-
-~--~
- __:_··~-=--=-=
--~-=-=--=-=-~~_::_:::.=:__:
T = X - ,Ll
S/Vii
Seja io:,v tal que
Assim,
- s - + la / 2 fa
s [
]X - ta / 2 Vn X
- s
] )( - Zn/ 2 r;:
. vn
)(- + Za / 2 yn
sr;: [
171
-
Em um intervalo de confian~a de 95% = (1 - a)l00%, a = 0, 05 e, como,
a
<I>(zo,025) = P(Z _:::; zo,025) = 1 - 2 = 0, 975
consultando uma tabela da normal, obtemos
Zo ,025 = 1, 96
8 8
] 168 - 1, 96 20 ; 168 + 1, 96 20 [
)167, 2; 168, 8[
Exemplo 193. Uma maquina pode ser ajustada para produzir pec;as de
comprimento medio fixado. Sabe-se, por experiencia, que o comprimento <las
pec;as fabricadas por essa maquina segue uma lei normal com J desconhecido.
Depois de ter sido regulada, a maquina fabricou pec;as com os seguintes
comprimentos:
140cm 144cm 145cm 147cm 148cm 149cm 150cm 150cm
151cm 151cm 152cm 153cm 153cm 155cm 158cm 148cm
Determine OS limites de conf:iarn_;a de 95% para 0 comprimento medio das
pe<_;as.
'·
, . :;Alem disso, (1 - a)lOO = 95, donde a = 0, 05, e
/, ~'
172
Assim, um intervalo de confian~a de (1 - a)10% = 95% para a media ~l e
dada por:
s s r
l X-
l! 149 . 6 ·y
t%,(n-l)
.
"""' O -
c
-yn
?~, 1~1.:_
u
s
,7-.
·"
149, 625
+ t ~,(n-1) jn lI
+ 2.. 131-4s Lr I
J , ' 4
ri
l~
p Za/2V1j(l ~ P) ; P+ Za/2JP(l: fi) [ I ~
) ~
Teorema 195. Se Xi, . . . X 71 ea amostra aleat6ria de uma popula<;ao normal
com media µ e variancia a 2 , entao
I
a media amostral X e a variancia amostral
S 2 sao variaveis aleat6rias iIJ.dependentes cujas distribui<;6es sao:
(72
X rv N(µ,-)
n
2
rv Xri-1
174
- Figura 7.4: ???
x >O
caso contrario
175
Assim, um IC de (1 - a)100% para a variancia a 2 e
(n - l)S 2 [
X1-%,(n - 1)
' '
176
7.6 Exercicios
Exercicio 197. a) Determine um I.C. de 80% para a media de uma V.A .
normal com variancia 4, com base em uma amostra de 8 elementos, cujos
valores estao dados a seguir: 9, 14, 10, 12, 7, 3, 11, 12.
b) Qua.I deve ser o coeficiente de confiani:;a a utilizar para que a amplitude
do intervalo seja 2,77?
Exerdcio 199. Uma cadeia de supermercados tenciona abrir uma nova loja
em um bairro onde vivem aproximadamente 12 000 pessoas. Antes de se
tomar a decisao foi feito um estudo no ambito do qual 400 pessoas foram
entrevistadas. Dest.as, 310 indicararn poder vir a utilizar regularmente os
servii:;os do no-vo supermercado. Encontre um I.C . de 95% para a propori:;a.o
de pessoas que podera ser cliente habitual da loja.
177
Exercicio 202. Na atmosfera, o nivel de gas nocivo (em volume), segue
uma distribui<_;ao normal coll} media e variapcia desconhecidas. Efetuam-se n
analises, obtendo-se os valor~s x 1 , x 2 , ... , Xn · Em uma amostra de tamanho
10, obteve-se os valores 50 para a media amostral e 100 para a variancia
amostral.
a) Determine um LC. de p53 para o nivel medio de gas nocivo na atmos-
fera.
b) Qual seria o intervalo acima se a variancia da popula<_;ao fosse 100?
c) Suponha agora que temos uma amostra 10 vezes maior do que a ante-
rior, que nos fornece os segujntes resultados: x = 48 e s 2 = 90. Qual seria o
LC. de 953 paraµ? ·
178
Capitulo 8
Teste de Hipoteses
H: B :::; Bo
H: e = f3o
T· - '" ~ ',. ' :;
e chamada de hip6tese simples, uma vez que ela especifica completamente a
distribuic;ao.
181
- --- ----------------------------------~-
182
Pode-se fazer uma analogia pondo:
Reu e inocente
Ren e culpado
A tebela a seguir resume as possibilidades.
t Realidade \ Sentern;a-+ I Absolver o Reu I Condenar o Ren
Reu e inocente Sentern;a justa I Sentern;a
injusta
(muito grave)
183
e exemplificados mais adiantp:
(i) Considera-se X uma vari~vel aleat6ria em uma dada popula<_;ao;
(ii) Tem-se um afirma<_;ao (htp6tese) sobre um certo parametro populacional
(parametro da variavel aleat,6 ria X), e.
Por exemplo, afirma-se qµe e = () 0 (onde () 0 e um numero especificado).
(iii) Explicita-se a hip6tese :q.ula Ho
Ho : e= Bp OU Ho : (} ~ eo OU Ho : () ::::; Bo
184
8.3 Teste para a l\/Iedia
Mostraremos nest.a sec;:a.o como construir testes para a media. Sera.o con-
siderados distintamente os casos em que a variancia e conhecida ou desco-
nhecida.
A estatistica de teste e
X - f.lo
T
a/fo
::\a determina~:ao da regiao c:ritica, ou de aceita<;ao (complementar a regiao
critica), se assume a hip6tese nula, donde E(X) = fLo e tambem E(Xi) = µo .
::\ota-se entao que a estatistica de teste T t em media E(T) = 0 e variancia
F ar(T) = 1. Assim , quando n e suficientemente grancle, pode-se, pelo teo-
rema central do limite, afirmar que a distribui\ao de T e aproximaclamente
iV(O, 1) .
A cletermina<;ao cla regiao critica depende da hip6tese alternativa que
escolhemos. Consideramos inicialmente o caso de urn teste bilateral.
~. Dado que H 0 e assumida ·verdadeira, entao, pelo que foi dito acima (talvez
~·
quando 71 for grande) , T rv N(O, 1), veja na figura 8.1. Assim, e como
. .,: ' , •. ,1 . .~ .
' :'
185
T
~
-z.= '
, RA:
J z=al2
Re~ de aceitaciio, ~
x
Figura 8.1: Sob H0 , T"' N(q, 1). Assim, perto de zero aceita-se H0 e 'longe'
de zero rejeita-se H 0 .
segue-se que
P(erro do tipo I) = P(T < -zo.; 2 ou T > zo.;2) = o:
:· ·'
·'· . . ~ Dado que H0 e verdadeira, eptao, T"' N(O, 1) (talvez quando n for grande).
1: ,,,: ·~ .~ ·' ... ~
'' Como
186
segue-se que
Neste caso a regiao crftica e ]z0 , +oo[. Rejeita-se H 0 quando T > za e aceita-
se Ho quando T ::::; Za Valor critico: z 0 .
Observa<;ao. i) A escolha da hip6tese alternativa reveste-se de fun-
damental impor tancia, devendo basear-se no conhecirnento que se tern do
problema.
ii) Usua.lmente, nsam-se hip6teses nulas com igualdade:
Ho 0 = fJo
Ho fl = Po x H1 fJ > Po ou
Ho µ = 110 x H1 fl < /Lo
{ · ;, ' :~
iii) :'.\ao rejeitar H 0 quer dizer que, corn o nfvel de significaucia especificado,
nao ha evidencias estatisticas suficientes para rejeitar.
187
Exemplo 206. Uma maqui:p.a de encher pacotes de cafe, enche segundo uma
distribuic;ao normal com media µ e variancia 400g 2 . A regulagem de µ exige
que se pare a prodrn;ao. De meia em meia hora, colhemos uma amostra de 16
pacotes e verificamos se a prpduc;ao esta sob controle, isto e, se a verdadeira
media de produc;ao e µ = 500g OU nao. Se em uma dessas amostras, obtemos
uma media _X = 492g, VOCe pararia OU ,nao a prodrn;ao para verificar a
regulagem da maquina (use a = 1%)?
Solrn;;ao. Se X e a variavel aleat6ria que representa o peso de cada pacote,
X rv N(µ, 400). As hip6tese$ neste caso sao:
H0 : µ = 500g x H1 µ =f 500g
onde µ 0 = 500g
[-2, 58 2, 58]
.X - µo 492 - 500
T = -1,6
q/vn 5
188
e -1,6 E [-2,58;2,58], aceitamos a hipotese nula a 1%.
Concluimos que o desvio cla media pode ser considerado razoaveL e e
devido a variabilidacle natural do processo. iii
1.89
-
Ho : µ = µ 0 x H1 : µ #- µ0 - (Bilateral)
X-µ o
T =
S/y'ri,
As regi5es de rejei<_;ao dependem da hip6tese alternativa:
i) Hi : µ #- µ o.
ReJ" eita-se Ho se T < - ±£2'n-1 OUT> fo_~' n- l·
Aceita-se Ho se - t%,n-l 6 Ts; t %,n-l·
ii) Hi : µ > µo.
Rejeita-se H 0 a nivel de E)ignificancia a se T > ta,n-l ·
Caso contrario, aceita-se H 0 .
iii) H1 : µ < µo.
Rejeita-se Ho se T < -ta,n-1·
Caso contrario, aceita-se H 0 .
com o consumo medio diario: 340, 356, 332, 362, 318, 344, 386, 402, 322, 360,
362, 354, 340, 372, 338, 375, 364, 355, 324 e 370. Com n:fvel de significancia
de 5%, verifique se os dados ,contradizem o representante.
Solw;;ao. Temos:
I ,......_
. ;..
j<:'i. que
x _!___
20
. L~ y J'l·1 -- ·Y3 , 8
uu .
i=l
s2 1 2= (Xi-),'.)_
20
.' r n£,
-471,~
_ / re 'l
==> s = 21, 8
19 ·i =l
·) (n - 1)82
X7i.- 1 ---.)-- sob H 0
O'f5
')
H 1 : er< ·) ,\ . H ') ·)
a 0. hceit.amos o se X~i - l > Xi-o;n-1·
:).91
8 5
o Exercicios
Exercicio 209. Uma fabrica de instrumentos de precisao produz tubos que
deveriam ter 10 cm de comprimento. 0 comprimento, no entanto, esta su-
jeito a ligeiras altera<_;oes deyido a fatores externos, tais como: alterac;oes na
temperatura, vibrac;oes, etc. Admite-se que o comprimento dos tubos tern
distribuic;ao normal com var~ancia desconhecida. E feita uma inspec;ao a ,20
tubos, que fornece uma media de 10, 04 cm e um desvio padrao de 0, 05 cm.
Fixando o nivel de significancia em 5%, deve o processo ser interrompido
para afinac;oes?
Exercicio 210. Dois amigo~ encontraram-se e o seguinte dialogo decorreu:
Rodolfo: - usabes, dissrram que o prer;.o media de um apartamento de
luxo em Jpanema nao ultrapassa a 20 mil dinheiros. Por este prer;o estou
seriamente pensando em corrprar um".
vVeidlich: - "Nao pode serf lvessa regiao os rwve apartamentos desse
tipo que vi custavam: 40, 34, 32, 20, 20, 30, 22, 26 e 28 mil dinheiros".
Admitindo que os prei;;os dos apartamentos seguem uma distribuic;ao nor-
mal, comente o dialogo.
Exercicio 211. Uma empr(fsa tenciona importar um grande lote de instru-
mentos de precisao para posterior distribuigao no pais. Os fabricantes garan-
tem que o respectivo peso medio dos instrumentos e de 100 gramas. Sendo
o peso uma caracteristica importante
I
na qualidade do produto, resolveu-se
testar a garantia do fabricante. Para tal, o departamento tecnico da empresa
importadora obteve uma amostra de 15 instrumentos. Os seguintes valores
15 15
foram obtidos desta amostra: L xi = 1344g L (xi - x) 2 = 3150g 2 . Ad-
i=l i=l
mitindo que o peso enormalf11ente distribuido, diga qual a conclusao a tirar?
(Use o: = 0,01).
Exercicio 212 . Uma firma tern seguido a politica de oferecer uma garantia
de 2000 utilizac;6es para determinado aparelho que vende. Esse procedimento
ba~eia-se em estudos levado~ a efeito no periodo inicial da produi;;ao que in-
dicaram um numero medio qe utilizai;;6es possiveis por aparelho de 2060 com
um desvio padrao igual a ~O. Existem indicios que, atualmente, a garan-
/ . tia pode vir a mudar (devidp a diferente qualidade dos materiais utilizados,
,.
f .r,'. ..; ···' '• - ,~· _:.:~. . ...:;condii;;oes de fabrico alteradp,s, etc).
a~ Proceda ao teste apronriado (supondo que o desvio padrao se mantem),
sabendo que 10 aparelhos s~lecionados aleatoriamente e testados pela firma
!\
192
,..,_
1' ,-
fornecera.m os seguintes valores: 2100, 2115, 2025, 2064, 2071, 2088, 2067,
1995, 2150, 2095. Suponha que o mirnero de utiliza<;:oes permitidas tern
distribui<;:ao normal (use o: = 0,05).
b) Determine para cada. um dos valores alternat ivos: µ 1 = 2030; 2040;
2045; 2050; 2055; 2065; 2070; 2080; 2090.
bl) a probabiliclade do erro do ti po II;
b2) os valores assumidos pela fungao poder (ou fungao potencia) e faga um
grafico cla mesma.
i93
c) Voce poderia justificar o uso de um valor diferente para a?
d) Como varia o valor d,e /3, caso se decida obter uma amostra maior?
Calcule f3 sea dimensao da p,mostra for n :;:::: 16.
e) Que decisao tomaria se nas nove pil}las testadas, 0 numero medio de
disparos fosse de 436? (Use p: = 0,05) .
I ..-,-
) /
194
·.·
Apendice A
Linguagem de Conjuntos
195
Observa~oes. 1) 0 c A para todo conjunto A. Esta afirmativa e ''ver dadeira
por vacuidade" pois voce nao precisa verificar nunca que os elementos de 0
estao ou nao em A, ja que 0 nao contem nenhum elemento.
2) Em probabilidade, os resultados de experimentos sao os subcorijuntos do
espago amostral D (que contern to dos os resultados possi veis). Em partic-
ular, o subconjunto 0 e interpretado .c omo um resultado impossivel (evento
im possi vel).
Ac = {a E D tal que a ~ A}
. /
1"""1>,,
A \B = {:r E A tp,l que :i: ¢:. B}
197
i
!
01
a) AUB b) AnB
(AnB)n(A\B) = 0
a) Comutatividade:
AUB =B UA e AnB = BnA
b) Associatividade:
AU (Bu D) =(Au B) u D
An (BnD) = (AnB) nD
c) Distributividade:
An (Bu D) =(An B) u (An D)
Au (B n D) =(Au B) n (Au D)
d) (Ac)c =A (0 complemepto do complemento e o pr6prio) .
.;e) • AnD=A e AnA=A
e AUr2 = r2 '1 AUA = A
I
• An 0= 0 • A fl Ac= 0
198
Figura A .3: Diagra.ma de Venn de um conjunto e sen complementar.
• AU0=A
f) J1 \ B = A n Bc.
g) Leis de Morgan:
... (Au B)c =Ac n BC
@ (An BY= Ac u BC
, @
I
Colocarnos esta informat ao na forma de uma tabela:
Brasileiro Estrangeiro
E F
Baixo G H
199
- - - - -- - -- - -... -----·-----.-·······---- -·-·· ··-- --- - -- - - -- - ·---··· - --- ..·-·- .. ····· · ------- ~-r--
e E=AnB
e F = An BC = A \B
e G = B n Ac= B\A
e H =Ac nBc
a) S6 ocorre A.
R: A ocorre e nao B o-u C ou ambos . Note que as conjun<;oes ou e e
foram destacadas propositalmente. Logo
'somente A ocorre' = An (BC u cc)
b) A e C ocorrem, mas nao B.
R: A e C ocorrem simultaneamente e nao B. Logo )
c) A, B e C ocorrem.
R: A e B e C ocorrem simultaneamente. Note que e foi novamente
real<;ado para ressaltar o simbolo a ser utilizado. Logo
R: Ou A ou B o0 c orre . Logo
f lo menqs um ocorre' = A U B U C
e) Exatament~u ocorre.
R: Ou ocorr A e B e C nao ocorrem, ou ocorre B e A e C nao ocorrem,
ou ainda ou o orre C e A e B nao ocorrem Logo
'exatamente p.m ocorre' =(An BC n cc) u (B n Ac n cc) u (C n Ac n BC )
f) Nenhum ~corre.
R: A unica maneira de garantir que nen.hum dos eventos ocorra e definir
"
'!:'· 1.: · ;;um conjunto \aue seja complementar a unia,o dos eventos A, Be C. Logo
200
\
\
,,.-._
~.
201