Escolar Documentos
Profissional Documentos
Cultura Documentos
24 de outubro de 2023
ª
3 Montgomery, D e Runger. G. Estatística Aplicada e Probabilidade
para Engenheiros. LTC, 5. Edição, 2012.
Crítica dos Dados. Após crítica dos dados procede com a nalidade
de suprimir os valores estranhos ao levantamento, os quais são capazes
de provocar enganos.
População
Amostra
Dados Brutos
Rol
Variáveis
Estatística Descritiva
É a parte da Estatística que desenvolve e disponibiliza métodos para
resumo e apresentação de dados estatísticos com o objectivo de facilitar a
compreensão e a utilização da informação.
Ni
= ih=1 fh : Frequência relativa acumulada;
P
Fi =
n
Exemplos
Exemplo
Resolução
OBS: Este tipo de tabela também pode ser utilizada quando temos uma
variável quantitativa discreta em que aparecem uma pequena quantidade
valores que se repetem várias vezes.
Por exemeplo
Outra forma
Exemplo 1
4,1 5,8 5,8 6,1 6,7 7,0 7,0 7,5 7,5 7,5
7,7 8,2 8,3 8,5 8,7 8,8 9,0 9,0 9,1 9,1
9,1 9,2 9,2 9,2 9,2 9,4 9,4 9,4 9,5 9,5
9,7 9,8 10,0 10,0 10,2 10,2 10,3 10,6 10,6 10,8
10,9 10,9 11,0 11,1 11,1 11,6 11,7 11,8 11,8 11,8
12,0 12,2 12,2 12,3 12,5 12,6 12,7 14,0 14,2 14,8
Construir a tabela de frequência.
Resolucção
n = 60
ln(n) ln(60)
1 n.º de classes = k = = = [5, 9] + 1 = 5 + 1 = 6;
ln(2) ln(2)
2 amplitude total a = max − min = 14, 8 − 4, 1 = 10, 7
a 10, 5
3 amplitude das classes ac = = ≈ 1, 8
k 6
4 classes c1 = [4, 1; 5, 9[ ; c2 = [5, 9; 7, 7[ ; c3 = [7, 7; 9, 5[ ; c4 =
[9, 5; 11, 3[ ; c5 = [11, 3; 13, 1[ ; c6 = [13, 1; 14, 9]
Exemplo 2
1, 5 1, 1 1, 2 1, 7 0, 9 1, 3 1, 4 1, 8
1, 4 1, 3 1, 7 1, 6 1, 2 1, 2 1, 0 0, 9
Exemplo 3
Grácos
Gráco Circular
Um Gráco Circular é constituído por um círculo dividido em fatias
quantas as categorias da variável. O tamanho das fatias e determinado peo
número ou percentagem/porporção de observações nas categorias, i.é.,
pelas frequências absolutas, ni , ou pelas relativas fi .
Gráco de Barras
Um Gráco Barras é um diagrama de barras (usualmente vertical), sendo
cada barra associada a cada uma das categorias da variável. A altura das
barras é denida pela frequências absolutas, ni , ou pelas relativas fi .
A linha a tracejado,
que une os extremos
das barras, chama-se
Polígono de
Frequências.
Histograma
AI Menor valor
Q1 e Q3 1º quartil e 3 º quartil
x̃ Mediana
AS Maior valor
Tabela: Resumo das estatísticas mais úteis para cada escala de medida
Escala nominal Escala ordinal Escala Quantitativa
Moda. Moda, Quantis Moda, Quantis, Amplitude interquartil
Amplitude Amplitude total, Média, Desvio padrão
interquartil. Coeciente de variação, Assimetria, Achatamento.
Média aritmética
Dados Quantitativos
Moda
Mediana
Dados
ordinais, discretos
ou não agrupados contínuos agrupados Contínuos
1 Ordenar a amostra por ordem 1 Identicar a classe Mediana Me
crescente; Ni = n/2 ou Fi = 0.5.;
2 Valor da mediana é dado por: 2 O valor da mediana é dado por:
(n/2) − NMe−1
x̃ = LIMe + acMe ∗
nMe
0.5 − FMe−1
(x + x(n/2)+1:n
n/2:n = LIMe + acMe ∗
, par fMe
x̃ = 2
x(n+1)/2:n , ímpar
Use a média para descrever a amostra com um único valor que representa o
centro dos dados. A mediana e a média medem a tendência central. Mas
os valores atípicos, chamados de outliers, podem afetar a mediana menos
do que afetam a média. Se seus dados forem simétricos, a média e a
mediana são semelhantes.
Quantis
p = 4i , i = 1, 2, 3;
Quartis = Qi :
i
Qp = Decis = Di : p = 10 , i = 1, 2, ..., 9;
i
Percentis = Pi : p = 100 , i = 1, 2, ..., 99.
Dados
Murteira et al. (2007) sugerem que o cálculo dos quantis, no caso dos
dados não agrupados, se proceda da seguinte forma:
Calcular o valor de r = 1 + (n − 1) ∗ p
Se r inteiro então Qp∗ = xr :n
Se r não inteiro então r = a + d onde a é a parte inteira e d a parte
decimal e então Qp∗ = xa:n + d(xa+1:n − xa:n ) = (1 − d)xa:n + dxa+1:n
Os quantis podem ser determinados gracamente através do polígono de
frequências acumuladas
Continuação Exercício 15
Moda:
x̂ = 5 = Muito bom (categoria com maior frequência). O mais frequente
foi os utentes considerarem que a qualidade de serviço prestado nesse
º
Centro de Saúde é Muito Bom.
1 Quartil:
p = 14 = 0, 25 =⇒ np = 12, 5(não é inteiro) =⇒ Q1 = x[12,5]+1:50 =
x[12]+1:50 = x13:50 = 4. Portanto, 25% dos utentes consideram que a
qualidade do serviço prestado foi no máximo (inferior ou igual) boa e,
portanto, os restantes 75% consideram que a qualidade do serviço foi no
º
mínimo (superior ou igual) boa.
3 Quartil:
p = 43 = 0, 75 =⇒ np = 37, 5(não é inteiro) =⇒ Q3 = x[37,5]+1:50 =
x38:50 = 5.
75% dos utentes consideram que a qualidade do serviço prestado foi no
máximo (inferior ou igual) muito boa e, portanto, os restantes 25%
consideram a qualidade do serviço prestado foi no mínimo (superior ou
igual) muito boa.
Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com
Probabilidade e Estatística
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 47
Católica
/ 163 d
Medidas Descritivas Tendência não central
Continuação Exercício 15
4 º Decil ou 40
4
º Percentil:
x20:50 + x21:50
p= = 0, 4 → np = 20(é
10 inteiro) =⇒ D4 = P40 = =
2
4+4
=4
2
40% dos utentes consideram que a qualidade do serviço prestado foi no
máximo (inferior ou igual) boa e, portanto, os restantes 60% consideram
que o nível da qualidade do serviço prestado foi no mínimo (superior ou
igual) boa.
Medidas absolutas
Dados quantitativos
Variância
Dados quantitativos
Observações
Medidas Relativas
s s
CD = e CV = × 100
x̄ x̄
Observações
Resolução exemplo 1
Resolução exemplo 2
Continuação do Exercício 15
Qualidade
xi′
N. ª de Prop. de N. º ac. de Prop.ac
de Serviço utentes untentes utentes utentes
Muito mau 1 1 0,02 1 0,02
Mau 2 1 0,02 2 0,04
Médio 3 6 0,120 8 0,16
Bom 4 15 0,30 23 0,46
Muito bom 5 27 0,54 50 1
Total 50 1,00
Mediana:
x25:50 + x26:50 5 +5
n = 50(é par) → x̃ = =5 =
2 2
Portanto, metade dos utentes considera que no mínimo a qualidade do
serviço foi muito boa.
Resolução exemplo 2
Resolucção exercício 16
º º
Determine e interprete as medidas de localização de tendência central, os
quantis, o 1 e 9 decis, os percentis 82 e 95, a amplitude interquartil e a
º º º º º
amplitude total, a variância e o desvio padrão, o coeciente de variação e
dispersão, o 2 , 3 e 4 momentos centrais, o 2 momento, o 2 momento
em relação a 4 livros e estude a assimetria e achatamento dos dados.
x̄ = 1, 88
Em média os alunos leram mais do que um livro (1,88) livros nas férias de
verão.
Variância amostral:
s 2 = 0, 6384.
Desvio padrão amostral:
√ √
s= s2 = 0, 6384 = 0, 799. O desvio típico em relação ao número
médio de livros lidos é 0,8 livros.
Coeciente de variação:
s
CV = ∗ 100 = 42, 5% < 50%. A média é representativa dos dados
x̄
(CV < 50%).
Considere os dados, sobre as áreas dos jardins dos projetos aprovados, cuja
tabela de frequências segue abaixo:
º º º º
Determine e interprete as seguintes medidas estatísticas: média, mediana,
moda, amplitude interquartil, 1 e 7 decis, 36 e 90 percentis, variância,
desvio padrão, coecientes de dispersão e variação.
Probabilidade
Experiência Aleatória
Exemplos
Acontecimento
Exemplo
Terminologia
Conjuntos Acontecimentos
Ω Acontecimento certo
∅ Acontecimento impossível
ω∈Ω Acontecimento elementar
Acontecimento
Exemplos
Experiência E1 : Observação da face no lançamento de um dado.
Ω = {1, 2, 3, 4, 5, 6}
Acontecimentos
Acontecimento União
A ∪ B = {saída de face par ou múltipla de 3} = {2, 3, 4, 6}
Acontecimento Interseção
A ∩ B = {saída de face par ou múltipla de 3} = {6}
Análise Combinatório
Permutações
Permutação
Exemplo
Pn = n! = P5 = 5! = 120
2 Temos 5 livros de Estatística, 3 de Matemática Financeira e 4 de
Contabilidade. De quantas maneiras podemos organizar esses livros
em uma prateleira? Qual seria a sua resposta se os livros do mesmo
assunto tivessem que car juntos? se não é necessário agrupar por
assunto.
Pn = n! = P12 = 12! = 479.001.600
Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com
Probabilidade e Estatística
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 75
Católica
/ 163 d
Probabilidades Análise Combinatória
Se os livros do mesmo assunto têm que car juntos, devemos observar que,
primeiro, temos que contar as maneiras como podemos organizar os
assuntos. Como são 3 assuntos, há 3! = 6 maneiras de organizar os
assuntos. Para os livros de Estatística, há 5! = 120 maneiras de
organiza-los; para os livros de Matemática Financeira, 3! = 6 maneiras, e
para os livros de Contabilidade, 4! = 24 maneiras. Pelo princípio
´ Ö
fundamental da multiplicação, o número total de maneiras de organizar os
Ö Ö
12 livros de modo que os livros do mesmo assunto quem juntos e 6 6
120 24 = 103.680 maneiras. Note que é razoável que esse número
seja menor, pois estamos impondo condições restritivas na organização.
Arranjos
Arranjos
n n!
Ak =
(n − k)!
´
por um presidente, um vice-presidente e um secretário. Quantas
comissões e possível formar? R: 720
k n!
Cn =
k!(n − k)!
Observação importante
Exemplo
Frequencista de Probabilidade
Exemplo
Lança-se um dado e observa-se a face que cai voltada para cima. O espaço
amostral é S = {1, 2, 3, 4, 5, 6}. Vejamos Alguns acontecimentos são:
A: O número observado é par={2, 4, 6} ,
B: O número observado é maior que 3={4, 5, 6} ,
C: O número observado é maior que 4 ={5, 6} .
Propriedades de Proabilidade
0 ⩽ P(A) ⩽ 1;
P(Ω) = 1;
n n
!
[ X
P Aj = P(Aj ), ondeAi ∩ Aj = ∅parai ̸= j
i=1 j=1
n
X
P (A1 ∪ A2 ∪, ..., ∪An ) = P (A1 ) + P (A2 ) + ... + P (An ) = P(Ai )
i=1
Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com
Probabilidade e Estatística
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 82
Católica
/ 163 d
Probabilidades Propriedades de Probabilidades
Propriedades de Operações
Exemplo
Três cartas são retiradas, sem reposição, de um baralho que tem três cartas
de cada uma das cores azul, vermelha, preta e branca. Dê um espaço
amostral para esse experimento e liste os eventos:
B: uma carta vermelha, uma carta azul e uma carta preta são
selecionadas.
Exercícios
1 Suponha que há três revistas, A, B, C , com as seguintes percentagens
de leitura:
Acontecimentos:
A = a pessoa escolhida, ao acaso, é leitor da revista A;
B = a pessoa escolhida, ao acaso, é leitor da revista B ;
C = a pessoa escolhida, ao acaso, é leitor da revista C .
a) P(A ∪ B ∪ C ) b) P(A ∩ B ∩ C̄ ) c) P(A ∩ B̄ ∩ C̄ )
Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com
Probabilidade e Estatística
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 86
Católica
/ 163 d
Probabilidades Probabilidade Condicional
Probabilidade Condicional
P(A ∩ B)
P(A|B) = , P(B) > 0 (3)
P(B)
Invertendo a expressão acima, obtém-se a importante relação:
Exempos 1
(1, 1), (1, 3), (1, 5), (2, 2), (2, 4), (2, 6), (3, 1), (3, 3), (3, 5),
A=
(4, 2), (4, 4), (4, 6), (5, 1), (5, 3), (5, 5), (6, 2), (6, 4), (6, 6)
Se ocorreu B, a única chance de ter ocorrido A é que tenha ocorrido o
acontecimento
P(A ∩ B) = (4, 6), (5, 5), (6, 4), (6, 6)
e, nesse caso, a probabilidade é dada por
4
P(A ∩ B) 4
P(A|B) = = 36
10 =
P(B) 36
10
Exemplo 2
Actividade de Lazer
Sexo Total
Cinema Praia Desporto
Masculino 10 12 13 35
Feminino 15 41 9 65
Total 25 53 22 100
Solução
P(M ∩ P) 12
100 12
P(M|P) = = 53 = 53
P(P) 100
Observação
Exemplo 3
Solução
Plano pessoal
Total
Sim Não
Plano da Sim 200 200 400
empresa Não 0 100 100
Total 200 300 500
O problema pede
Exemplo 4
Exemplo
Sexo
Curso
Homens Mulheres
Matemática 70 40
Matemática Aplicada 15 15
Estatística 10 20
Ciência da Computação 20 10
Solução
20
P(A ∩ B) 200 2
P(A|B) = = =
P(B) 30 3
200
Regra de Multiplicação
Acontecimentos Independentes
Observação
Observação
i P(A ∩ B) = P(A)P(B)
ii P(A ∩ C ) = P(A)P(C )
iii P(B ∩ C ) = P(B)P(C )
iv P(A ∩ B ∩ C ) = P(A)P(B)P(C )
Se apenas as três primeiras relações estiverem satisfeitas, dizemos que os
acontecimentos A, B, C são mutuamente independentes. É possível que
três acontecimentos sejam mutuamente independentes, mas não sejam
completamente independentes.
Probabilidade Total
Assim, considerando B um
acontecimento qualquer tal que
B ⊂ Ω, então B pode ser escrito da
seguinte forma:
B = (B ∩A1 )∪(B ∩A2 )∪...∪(B ∩An )
Deste modo, a Probabilidade Total de B pode ser obtida, como segue.
Xn
= P(B|Ai )P(Ai )
i=1
Teorema de Bayes
Exemplo 1
b Sabendo que uma caixa não está em condições para venda, qual a
probabilidade de ser proveniente da linha de produção M 2?
Resolução
Acontecimentos:
M 1, M 2 e M 3: A caixa é embalada pela linha de produção M 1, M 2 M 3,
respectivamente.
D A caixa não está em condições para venda.
Exemplo 2
Exemplo 3
Variável Aleatória
Uma variável aleatória (v.a), X , é uma função que a cada resultado ω∈Ω
associa um valor numérico X (ω) ∈ R.
Exemplo 3.1
Função de Probabilidade
P(X = x) sex ∈D
f (x) = (8)
0 sex ∈
/D
Propriedade
1 0⩽ f (x) ⩽ 1, ∀x
P
x∈D f (x) = 1
2
Função de Distribuição
X
F (x) = P(X ⩽ x) = f (i) (9)
i⩽xD
Propriedades
1 0 ⩽ F (x) ⩽ 1, ∀x
2 F (x1 ) ⩽ F (x2 ) ∀x com x1 < x2 , i.e., F (x) é uma função monótona
não crescente;
Exemplo
xi 1 3 4 5 7
f(xi ) 0.1 0.3 0.2 0.3 0.1
Exemplo
xi 0 1 2 3
P(X=xi ) 1/10 1/5 m 1/10
a Determine o valor de m
b Construir a função distribuição de variável aleatória de X
Resolução
b)
0 se
x <0
0.1 se 0 ⩽ x < 1
F (x) = 0.1
+ 0.2 = 0.3 se 1 ⩽ x < 2
0.3 + 0.6 = 0.9 se 2 ⩽ x < 3
0.9 + 0.1 = 1 se x ⩾ 3
xi 0 1 2 3
P(X=xi ) 1/6 p 1/30 3/10
b Calcule P(1 ⩽ X < 4); P(X > 2); P(X ⩽ 1); P(X ⩾ 1|X < 3)
Exemplos 3.2
Resolução
x 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com
Probabilidade e Estatística
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 114
Católica
/ 163 d
Variáveis Aleatórias Variável Aleatória Discreta
Continuação
Função de Densidade
F (0) = P(X ⩽ 0) = P(X = 0) = 18 ;
F (1) = P(X ⩽ 1) = P(X = 0) + P(X = 1) = 18 + 83 = 48 ;
F (1) = P(X ⩽ 2) = P(X = 0) + P(X = 1) + P(X = 2) = 18 + 38 + 83 = 78 ;
F (1) = P(X ⩽ 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) =
1+3+3+1 =1
8 8 8 8
Assim,
x 0 1 2 3
F(x) 1/8 4/8 7/8 1
Função de distribuição
Z x
F (x) = P(X ⩽ x) = f (t)dt
−∞
Propriedade
1 0 ⩽ F (x) ⩽ 1, ∀x
2 F (x1 ) ⩽ F (x2 ) ∀x com x1 < x2 , i.e., F (x) é uma função monótona
não crescente;
3 limx→∞ = 0 e limx→∞ = 1;
4 F (x) é continua à direita;
∂F (x)
5 F ′ (x) = = f (x)
∂x Rx
6 P(x1 < X ⩽ x2 ) = x12 = F (x2 ) − F (x1 ) ∀x x1 , x2 com x1 < x2
Exemplo 3.2
(1
x 2, 0 <x <3
f (x) = 9
0, caso contrário
Resolução
1 2 du 1
x3
Rx Rx
a) F (X ) = −∞ f (u)du = −∞ 9 u =
27
Portanto,
0, x ⩽0
1
F (x) = x 3, 0 <x <3
27
1, x ⩾3
1
c) P(X > 1, 5) = 1 − P(X ⩽ 1, 5) = 1 − F (1, 5) = 1 − ∗ 1, 53 = 0, 875
27
1 1
d) P(1 ⩽ X ⩽ 2) = F (2) − F (1) = ∗ 23 − = 0, 2593
27 27
Exemplo 3.3
Exemplo 3.3
O diâmetro X de um cabo eléctrico supõe-se ser uma v.a com f.d.p, assim
denida
6x(1 − x), 0 ⩽ x < 1
f (x) =
0, c.c
Média
Propriedades
1 E(k) = k , k constante
2 E(kX ) = kE(X )
3 E(X ± Y ) = E(X ) ± E(X )
4 E(X ± k) = E(X ) ± k
5 Se X e Y são independentes, então E(X .Y ) = E(X ).E(X )
Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com
Probabilidade e Estatística
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 122
Católica
/ 163 d
Variáveis Aleatórias Média e Variância de uma V.A Discreta
Variância
v.ak Discreta
v.a Continua
(x − µx )2 f (x)
X Z
Var (X ) = Var (x) = (x − µx )2 f (x)dx
i=1 D
!2 Z Z 2
x2 = x 2 f (x)dx − xf (x)dx)
X X
= − xf (x)
D D
x∈D x∈D
p
O desvio padrão de X, σx , quando exite, dene-se por: σx = Var (x)
Propriedade da variância
1 Var (k) = 0;
2 Var (kX ) = k 2 Var (X );
3 Var (k + X ) = Var (X )
4 Var (X ± Y ) = Var (X ) ± Var (Y ), X e Y independentes
Exemplo
b E(4X + 2) e E(X 2 );
c Var (X ) e Var (2X + 5)
Exemplo
Distribuições
Discreta Continua
1 Uniforme 1 Uniforme
5 Multinomial 5 Gama
6 Hipergeométrica 6 t-Studant
7 Poisson 7 F de Fisher-Snedecor
Distribuição de Bernoulli
Distribuição Binomial
Denição
Distribuição Poisson
Denição
e −λ λx
f (x) = P(X = x) = , x = 0, 1, 2...; λ > 0
x!
ª
Com a ingestão de um determinado fármaco para o tratamento da
depressão, 20% dos doentes referem sentir efeitos secundários durante a 1
semana de tratamento. Recolheu-se uma amostra aleatória de 15 doentes.
Seja X a v. a. que representa o número de doentes que sentem os referidos
efeitos secundários numa amostra de 15 doentes.
a Identique a distribuição da v. a. X.
b Em média quantos doentes sentiram efeitos secundários?
c Calcule a variância da v. a. X.
d Qual a probabilidade de exatamente 5 doentes sentirem efeitos
secundários?
e Determine a probabilidade de pelo menos 1 e menos de 4 doentes
sentirem efeitos secundários.
15
f (x) = P(X = x) = (0.2)x (0.8)15−x , x = 0, 1, . . . 15
x
b) E, c) Var (X )
d) P(X = 5) = 15 5
5 (0.2) (0.8)
15−5 = 0, 1032
e) P(1 ⩽ x < 4) = P(X = 1) + P(X = 2) + P(X = 3) = 0.6130
Exemplo 2
a) X ∼ P(λ = 32 = 9)
Função de probabilidade:
e −9 9x
f (x) = P(X = x) = , x = 0, 1, 2, ...
x!
c) P(X ⩾ 2) = P(X = 2) + P(X = 2) + P(X = 2) + · · · ou
−9 0
e −9 91
e 9
= 1 − (P(X = 0) + P(X = 1)) = 1 − + = 0, 9998
º
0! 1!
′
d) Seja X a v.a. que representa o n. de automóveis que entram na AE
′ ′
num período de 1 minuto. Logo, X ∼ P(λ = 2λ = 18), pois 1 minuto =
2*30 segundos
P(X ′ ⩽ 3) = P(X ′ = 0) + P(X ′ = 1) + P(X ′ = 2) + P(X ′ = 3) ∼
=0
Exemplo 2
Exemplo 3
Distribuição Uniforme
1
, a⩽x ⩽b
f (x) = b−a
0, c.c
a+b (b − a)2
E(X ) = e Var (X ) =
2 12
Msc.Augusto Lucubo Positivo Nakiti lucubo3@gmail.com
Probabilidade e Estatística
WhatsApp:
|| Métodos(00351)
Estatísticos
24
912017297
de outubro
(Universidade
de 2023 134
Católica
/ 163 d
Variáveis Aleatórias Distribuições de Probabilidades
Outros exemplos
Distribuição Exponencial
Denição
1 1
Se X ∼ Exp(λ) então E(X ) = e Var (X ) = 2
λ λ
Exemplo
Distribuição Normal
(x − µ)2
1 −
f (x) = √ e 2σ 2
2πσ 2
Z b
(x − µ)2
1 −
P(a ⩽ X ⩽ b) = √ e 2σ 2
a 2πσ 2
X −µ
Z=
σ
A criação de uma nova variável aleatória por essa transformação é referida
como padronização. A variável aleatória Z representa a distância de X a
partir de sua média em termos dos desvios padrões. Pode-se ainda vericar
que essa transformação não afeta a normalidade e, assim, a variável
aleatória Z terá distribuição N(0, 1) e será denominada de Normal Padrão
ou Normal Reduzida. Para determinar a probabilidade de X ∈ [a, b],
procedemos da seguinte forma:
X −µ X −µ
P(a ⩽ X ⩽ b) = P ⩽Z ⩽
σ σ
Resultados Importantes
X ∼ N(µ, σ)
Se então a v.a estandardizada (padronizada)
X −µ
Z= .
σ
A função de distribuição F (z) da v.a. Z ∼ N(0, 1) é representada por
Φ(z) e está tabelada.
Φ(−z) = 1 − Φ(z).
Φ(z) = α =⇒ z = Φ−1 (α)
Exemplo 2
Denições Importantes
Denições Importantes
A amostragem
é uma técnica de seleção de elementos de uma população para se estimar
propriedades e características da população. Há dois tipos de métodos de
amostragem: Aleatória e Determinístico
1 Amostragem Aleatória, Causal ou Probabilística. Técnicas de
amostragem em que a seleção é aleatória de tal forma que cada
elemento tem igual probabilidade de ser escolhido para a amostra, e é
selecionado independentemente de qualquer outro. Assim se conhece a
probabilidade de todas as combinações amostrais possíveis.
é
N
1
, do 2. º é
1
N −1
, do 3. º é
N−
1
2
, etc., sendo
1
N −i +1
para o
Para que uma amostra assim selecionada se possa dizer aleatória, todas as
combinações da amostra n elementos que podem ser extraídos de uma
população com M sujeitos (N Cn ) deem ter a mesma probabilidade de
serem selecionados:
1
probabilidade = NC
n
Por conceito
Como já foi referido, nem sempre é possível e viável estudar com exatidão
toda a população, pelo que se retira uma amostra dessa população e, com
base na informação amostral, infere-se, quando possível, para a população.
A base dessa inferência assenta no tipo de amostragem probabilística que
se realizou e nas distribuições de probabilidade, cuja junção resulta nas
distribuições por amostragem. Ao longo deste capítulo assume-se que a
amostra é aleatória.
Propriedades
µX̄ = E(X̄ ) = µ
1
σX̄2 = Var (X̄ ) = σ2
n
X̄ − E(X̄ ) X̄ − µ
Z= p = σ
Var (X̄ ) √
n
Observações do TLC
X̄ − µ
Z= ∼ N(0; 1)
√σ
n
X̄ − µ
T = ∼ t(n−1)
√S
n
S X̄ − µ
˚ N µ; √
X̄ ∼ , ou seja, Z = ∼
˚ N (0; 1)
n √S
n
Distribuição t − Student
Seja Z uma variável aleatória com distribuição normal padrão e seja Y uma
variável aleatória com distribuição qui-quadrado com graus de liberdade,
com Z e Y independentes. Então
Z
T =p
Y /v