Escolar Documentos
Profissional Documentos
Cultura Documentos
PROBABILIDADE E ESTATÍSTICA - INSTIC 2023 - 6. Ed.
PROBABILIDADE E ESTATÍSTICA - INSTIC 2023 - 6. Ed.
ª Edição
MANUAL DE PROBABILIDADE
E ESTATÍSTICA
LUANDA, 2023
6.ª Edição
“Todavia, eu sou o Senhor, teu Deus, desde a terra do Egipto; portanto, não reconhecerás
outro deus além de mim, porque não há Salvador senão eu.” (Oséas 13:4)
“Simão Pedro, servo e apóstolo de Jesus Cristo, aos que connosco alcançaram fé igualmente
preciosa, pela justiça do nosso Deus e Salvador, Jesus Cristo:” (2 Pedro 1:1)
“E os quatro animais tinham, cada um de per si, seis asas, e ao redor, e por dentro, estavam
cheios de olhos; e não descansam, nem de dia nem de noite, dizendo: Santo, Santo, Santo é o
Senhor Deus, o Todo-Poderoso, que era, e que é, e que há-de vir.” (Apocalipse 4:8)
“Aquele que testifica estas coisas diz: Certamente cedo venho. Ámen. Ora vem Senhor
Jesus!” (Apocalipse 22:20)
i
6.ª Edição
Índice
ii
6.ª Edição
iii
6.ª Edição
Breves Considerações
Este material não serve para fins comerciais, mas sim, única e exclusivamente
para questões de ensino desta Cadeira no INSTIC.
1
6.ª Edição
CAPÍTULO I: ESTATÍSTICA
2
6.ª Edição
Dados contínuos: Um número infinito de valores possíveis sem que haja falhas
ou lacunas entre eles; representam os dados contínuos, os quais incluem todos
os valores de um intervalo numérico.
3
6.ª Edição
Solução:
4
6.ª Edição
5
6.ª Edição
6
6.ª Edição
7
6.ª Edição
Quando um conjunto de dados tem muitos valores, pode ser difícil de observar
padrões. Veremos agora como organizar conjuntos de dados agrupando-os em
intervalos chamados de classes e formando uma distribuição de frequência.
Veremos também como usar as distribuições de frequência para a construção
de gráficos.
8
6.ª Edição
Uma variável aleatória é discreta se sua imagem (ou conjunto de valores que
ela assume) é um conjunto finito ou enumerável. Se a imagem é um conjunto
não enumerável dizemos que a variável aleatória é contínua.
Uma forma diferente de conduzir o estudo seria medir o tempo diário (em horas)
que um vendedor passa fazendo ligações. O tempo gasto fazendo ligações pode
ser qualquer número real de 0 a 24 (incluindo frações e decimais), então x é uma
variável aleatória contínua. Você pode representar esses valores em um
intervalo na reta, mas você não poderá enumerar todos os valores possíveis,
conforme a figura abaixo.
9
6.ª Edição
Solução:
10
6.ª Edição
∑𝑛𝑖 𝑋𝑖
=
𝑛
Exemplo: Na primeira prova de Estatística, você teve a nota 8, na segunda a
nota foi 7, na terceira obteve a nota 6 e na última prova sua nota foi 7. Para ser
aprovado, sua média tem de ser igual ou maior que 7.
Média ponderada
Diferente da simples, a média aritmética ponderada calcula a média quando os
valores possuem pesos diferentes.
Usando o mesmo exemplo das notas de Estatística, imagine que cada uma das
notas tem um peso distinto. A primeira prova possuía peso 2, a segunda, peso
2, a terceira, peso 3, e a quarta, peso 3. Como isso pode ser calculado?
Multiplica-se o valor pelo seu peso, somando aos resultados das outras
multiplicações, e, então, divide-se pela soma de todos os pesos. Confira o
cálculo do exemplo:
Moda (Mo)
A moda é o valor que mais aparece no conjunto de dados do experimento. É o
valor que ocorre com maior frequência em um conjunto de dados, sendo
denominado valor modal. Baseado nesse contexto, um conjunto de dados pode
11
6.ª Edição
apresentar mais de uma moda. Nesse caso, dizemos ser multimodais, caso
contrário, quando não existe um valor predominante, dizemos que é amodal.
Mediana (Md)
A mediana é o valor tal que mais da metade dos dados é maior ou igual a ela, e
mais da metade dos dados é menor ou igual a ela. A mediana é uma medida de
posição. É, também, uma separatriz, pois divide o conjunto em duas partes
iguais, com o mesmo número de elementos. O valor da mediana encontra-se no
centro da série estatística organizada em ordem crescente, de tal forma que o
número de elementos situados antes desse valor (mediana) é igual ao número
de elementos que se encontram após esse mesmo valor (mediana).
Para o cálculo da mediana, temos duas considerações a fazer:
Logo, a mediana será dada pelo elemento que divide o Rol em duas partes
iguais.
Md = 9
2. O número de observações (n) é par. Não existe, portanto, um valor que ocupe
o centro, convencionando-se que a mediana será a média aritmética dos valores
que ocupam as posições de ordem.
Exemplo: Calcular a mediana dos valores já ordenados: 6, 8, 9, 11, 12, 14.
12
6.ª Edição
n = 6 (par)
A mediana será dada pela média aritmética entre o 3º e 4º elementos da
sequência:
9 + 11
𝑀𝑑 = = 10
2
Variância (𝑺𝟐 )
13
6.ª Edição
Os dados que ele precisa levar em consideração para obter as análises são a
média de tempo de cada atleta e a variância desses tempos.
Os cálculos da média aritmética de cada atleta estão abaixo:
A conclusão que o treinador tira com os cálculos de variância é que o atleta Davi
tem tempos mais dispersos da média. Jonas tem tempos mais próximos da
média dos outros atletas.
S = √𝑣𝑎𝑟 = √𝑆 2
14
6.ª Edição
Para encontrar o ganho para cada prêmio, subtraia o preço do bilhete do prêmio.
Por exemplo, o seu ganho para o prêmio de $ 500 é:
$ 500 – $ 2 = $ 498
e o seu ganho para o prêmio de $ 250 é:
$ 250 – $ 2 = $ 248.
15
6.ª Edição
Como o valor esperado é negativo, você pode esperar perder, em média, $ 1,35
por cada bilhete que comprar.
1. Encontre o (a) primeiro, (b) segundo, (c) terceiro e (d) quarto momentos
do conjunto 2, 3, 7, 8, 10.
(a) O primeiro momento, ou média aritmética, é
16
6.ª Edição
2. Encontre o (a) primeiro, (b) segundo, (c) terceiro e (d) quarto momentos
em torno da média para o conjunto de números do exemplo anterior.
(a)
(b)
(c)
(d)
17
6.ª Edição
𝑀𝑥 '(𝑡) = Σ xe tx 𝑓(𝑥)
𝑀𝑥 ''(𝑡) = Σ x 2 e tx 𝑓(𝑥)
𝑀𝑥 '''(𝑡) = Σ x 3 e tx 𝑓(𝑥)
𝑀𝑥 (n) '(𝑡) = Σ x n e tx 𝑓(𝑥)
𝑀𝑥 '(0) = E (X)
𝑀𝑥 ''(0) = E (X2)
𝑀𝑥 '''(0) = E (X3)
𝑀𝑥 𝑛 (0) = E (Xn)
Isso significa que, se a função geradora de momento existe para uma variável
aleatória específica, podemos encontrar sua média e sua variância em termos
de derivadas da função geradora de momento. Conseguimos notar o primeiro, o
segundo, o terceiro e o n-ésimo momento.
18
6.ª Edição
Exemplo:
Os dados de uma pesquisa realizada com 240 eleitores onde se obtiveram as
intenções de voto nos candidatos A, B e C.
Dos 240 eleitores que responderam à pesquisa:
A obteve 48 votos;
B obteve 72 votos;
C obteve 120 votos.
Candidato A
19
6.ª Edição
Candidato B
Candidato C
20
6.ª Edição
Você já está familiarizado com muitas das práticas da estatística, tais como
realização de pesquisas, coleta de dados e descrição de populações. O que você
pode não saber é que coletar dados estatísticos acurados é frequentemente
difícil e de alto custo. Considere, por exemplo, a tarefa monumental de contar e
descrever a população inteira de Angola. Se você fosse o responsável por tal
censo, como faria? Como asseguraria que seus resultados são acurados? Essas
e muitas outras preocupações são de responsabilidade do Instituto Nacional de
Estatística.
21
6.ª Edição
22
6.ª Edição
Há dois resultados possíveis quando lançamos a moeda: cara (H) ou coroa (T).
Para cada um desses, há seis resultados possíveis quando jogamos o dado: 1,
2, 3, 4, 5 ou 6. O diagrama de árvore na figura abaixo fornece uma visualização
dos possíveis resultados de um experimento probabilístico usando ramos
originados de um ponto inicial. O diagrama pode ser usado para encontrar o
número de resultados possíveis em um espaço amostral, assim como resultados
individuais.
23
6.ª Edição
24
6.ª Edição
Exemplo:
No lançamento de um dado, os eventos:
A – obtenção de um número ímpar (A = {1, 3, 5})
Ā – obtenção de um número par (Ā = {2, 4, 6})
São evento contrários, pois A Ս Ā = espaço amostral e A Ո Ā = Ø.
{1, 3, 5} Ս {2, 4, 6} = {1, 2, 3, 4, 5, 6}
{1, 3, 5} Ո {2, 4, 6} = Ø
25
6.ª Edição
26
6.ª Edição
27
6.ª Edição
3×2×4 = 24 maneiras.
Pn = n!
28
6.ª Edição
Exemplo:
Gui, Bussunda e JowJow vão posar para uma fotografia. De quantas maneiras
essa fotografia pode ser tirada:
P3 = 3! = 3 . 2 . 1 = 6
𝑛 ,…,𝑛𝑘 𝑛!
𝑃𝑛 1 =
𝑛1 ! × 𝑛2 ! × … × 𝑛𝑘 !
Exemplo:
𝑛1 = 5
𝑛2 = 6
𝑛3 = 2
n = 𝑛1 + 𝑛2 + 𝑛3 = 5 + 6 + 2 = 13
5,6,2 13!
𝑃13 = = 36036
5! × 6! × 2!
29
6.ª Edição
Exemplo:
Solução: Esses arranjos podem ser: {a, b, c}, {a, b, d}, {a, c, b}, {b, c, d} e assim
sucessivamente.
Onde:
n – número total de elementos;
p – número de elementos de cada arranjo;
4!
No exemplo anterior, teríamos um total de 𝐴4,3 = = 24 arranjos possíveis.
(4−3)!
30
6.ª Edição
Ainda no exemplo anterior (a que foi usada no arranjo simples), se fosse para
fazer combinação, seria:
4!
𝐶4,3 =(4−3)!×3! = 4 combinações possíveis.
O método que você utilizará para calcular uma probabilidade depende do tipo de
probabilidade. Há quatro tipos: probabilidade clássica, probabilidade
empírica, probabilidade subjectiva e probabilidade condicional. A
probabilidade de ocorrência de um evento E é escrita como P(E) e lê-se
“probabilidade do evento E”.
A = {5} ⇒ n(A) = 1.
Logo,
1
𝑃(𝐴) = = 0,1666 × 100% = 16,66%
6
31
6.ª Edição
Exemplo: Uma empresa está conduzindo uma pesquisa pela internet com
indivíduos selecionados aleatoriamente para determinar com que frequência
eles reciclam. Até o momento, 2.541 pessoas foram pesquisadas. A distribuição
de frequência da Tabela abaixo mostra os resultados. Qual é a probabilidade de
que a próxima pessoa pesquisada sempre recicle?
Solução:
32
6.ª Edição
Exemplos:
No diagrama temos:
U – conjunto de alunos da escola.
n(U) = 100 ou 40 + 20 + 30 + 10
B – conjunto de alunos que estudam biologia.
n(B) = 60 ou 40 + 20
A – conjunto de alunos que estudam alemão.
n(A) = 50 ou 30 + 20
A Ո B – conjunto de alunos que estudam biologia e alemão.
n(A Ո B) = 20
U – (A Ս B) – conjunto de alunos que não estudam nem biologia e nem alemão.
33
6.ª Edição
n(U – (A Ս B)) = 10
Lembre-se que n(A) + n(B) = n(A Ս B) + n(A Ո B)
60 3
P(B) = =
100 5
50 1
P(A) = =
100 2
20 1
P(A Ո B ) = =
100 5
n(AՈB) 20 1
P(A/B) = = =
n(B) 60 3
P(AՈB)
P(A/B) =
P(B)
Ou seja:
34
6.ª Edição
1/5 1
P(A/B) = =
3/5 3
AՈB = {3, 9}
Como:
n(B) 6 1
P(B) = = =
n(U) 12 2
e:
n(AՈB) 2 1
P(AՈB) = = =
n(U) 12 6
Então:
P(AՈB) 1/6 1
P(A/B) = = =
P(B) 1/2 3
Nota:
P(A/B) – probabilidade do número ser múltiplo de 3 com a condição de ser ímpar;
n(AՈB)
P(A/B) =
n(B)
P(AՈB) – probabilidade do número ser múltiplo de 3 e ímpar.
n(AՈB)
P(AՈB) =
n(U)
Portanto, P(A/B) é diferente de P(AՈB).
35
6.ª Edição
Exemplos:
1. Em uma prova de múltipla escolha, cada questão tem 5 alternativas,
sendo apenas uma delas correta. Ao não saber a resposta, o aluno “chuta”
aleatoriamente uma resposta qualquer entre as possíveis escolhas.
Levando-se em conta um aluno mediano, que saiba 60% do conteúdo,
qual será a chance de ele acertar uma das 5 questões escolhida
aleatoriamente? E qual a chance de ele acertar exatamente 3 questões?
Solução:
Este problema consiste em calcular a probabilidade incondicional de um aluno
acertar uma questão qualquer. Isto é, sem saber se ele domina ou não o
conteúdo, qual é a chance de acertar uma questão?
Considere os eventos
A = acertar;
B = saber o conteúdo;
36
6.ª Edição
P(M) = 0,2
37
6.ª Edição
P(E|M) = 0,25
a) O veículo somente vai parar se tiver problema eléctrico. Então, precisamos
calcular a Probabilidade Total de ocorrer defeito eléctrico, independentemente
de ter havido ou não defeito mecânico.
Agora vamos calcular a probabilidade de não haver defeito eléctrico, dado que
houve defeito mecânico. Considerando o espaço amostral de todos os eventos
que podem ocorrer, dado que houve defeito mecânico, sabemos que a chance
de haver defeito eléctrico é P(E|M) = 0,25. A chance de não haver defeito
eléctrico será, portanto, o complementar do evento E em relação a este espaço
amostral.
3. Alberto diz que pode prever o futuro das colheitas. A comunidade em que
ele vive, interessadíssima nesses poderes, se mobilizou para verificar o
fato. Foi averiguado que ele acerta 80% das vezes em que diz que os
tomates não vão germinar e 90% das vezes em que diz que os tomates
vão germinar. Os tomates não germinam em 10% das colheitas. Se
Alberto anunciar a perda da colheita, qual é a probabilidade real de que
eles não germinem?
38
6.ª Edição
Solução:
A maior dificuldade deste exercício é identificar os eventos relevantes. Sejam:
A = haver previsão de perda;
B = haver perda real da colheita.
39
6.ª Edição
, no departamento financeiro.
, no departamento de advocacia.
, no departamento de contabilidade.
40
6.ª Edição
41
6.ª Edição
Este é mais um exercício que você pode resolver listando todos os resultados
possíveis contidos no espaço amostral. Porém, para ser coerente com o
conteúdo desta Unidade, vamos associar este problema ao Teorema de Bayes,
que vai nos permitir calcular a probabilidade de sair uma face 2 condicionada ao
fato de que as faces são diferentes.
O que queremos calcular é
42
6.ª Edição
P(B|A) é a probabilidade de saírem duas faces diferentes, dado que saiu pelo
menos uma face 2. Os eventos favoráveis estão marcados em verde na tabela
a seguir e o espaço amostral considerado, em azul.
Portanto, temos:
43
6.ª Edição
44
6.ª Edição
Onde:
P(D) = probabilidade de ser um “indivíduo portador” = 0,15
P(S) = probabilidade de ser um “indivíduo são” = 0,85
P(𝐸𝐴 |D) = probabilidade de termos “resultado positivo no laboratório A, dado que
o indivíduo é portador” = 0,8
P(𝐸𝐵 |D) = probabilidade de termos “resultado positivo no laboratório B, dado que
o indivíduo é portador” = 0,7
P(𝐸𝐴 |S) = probabilidade de termos “resultado positivo no laboratório A, dado que
o indivíduo é são” = 0,1
P(𝐸𝐵 |S) = probabilidade de termos “resultado positivo no laboratório B, dado que
o indivíduo é são” = 0,05
45
6.ª Edição
d) Para a doença não ser detectada de forma alguma (vamos chamar de evento
H), os testes devem falhar no laboratório A e no laboratório B para ambos os
pacientes. Então, nada mais é do que uma Regra do Produto aplicada duas
vezes.
46
6.ª Edição
1. f(x) ≥ 0;
2. A área total sob o gráfico de f(x) tem de ser igual a 1.
Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa
alguma variável aleatória contínua X, de modo que P(a ≤ X ≤ b) é a área sob a
curva limitada pelos pontos a e b.
47
6.ª Edição
1. f(x) ≥ 0;
2. ∫ 𝑓(𝑥)𝑑𝑥 = 1.
Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa
alguma variável aleatória contínua X, de modo que
𝑏
P(a ≤ X ≤ b) = ∫𝑎 𝑓(𝑥)𝑑𝑥
Exemplos:
Solução:
22 2 2 2 2 4
P(0 ≤ X ≤ 2) = ∫
0 5
𝑑𝑥 = [ 𝑥] = ( × 2 − × 0) =
5 0 5 5 5
48
6.ª Edição
𝑥
, 𝑠𝑒 1 ≤ 𝑥 ≤ 3
𝑓(𝑥) = { 4
0, 𝑝𝑎𝑟𝑎 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟 𝑜𝑢𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
Solução:
a)
Note que a condição f(x)≥0 também é verificada para o valores dados no
intervalo de X.
3𝑥 1 3 1 1
P(1 ≤ X ≤ 3) = ∫1 𝑑𝑥 = [ 𝑥 2 ] = ( × 32 − × 12 ) = 1
4 8 1 8 8
b)
3𝑥 1 3 1 1 5
P(2 ≤ X ≤ 3) = ∫2 𝑑𝑥 = [ 𝑥 2 ] = ( × 32 − × 22 ) =
4 8 2 8 8 8
49
6.ª Edição
Então,
50
6.ª Edição
0 ≤ 𝐹𝑥 (x) ≤ 1
lim 𝐹𝑥 (x) = 1
𝑛→∞
lim 𝐹𝑥 (x) = 0
𝑛⟶−∞
2.10 – Função de distribuição acumulada - cálculo a partir da área sob a curva de densidade.
Exemplos:
1. O gráfico a seguir mostra as probabilidades acumuladas no lançamento
de um dado.
51
6.ª Edição
Calcular:
a) P(X ≤ 3);
b) P(X = 4);
c) P(X ˃ 4);
d) P(X < 3).
Solução:
a) Olhando no gráfico, podemos ver claramente o resultado.
3
P(X ≤ 3) = 6 = 0,5.
4 3 1
b) P(X = 4) = 6 − =
6 6
4 2
c) P(X ˃ 4) = 1 - P(X ≤ 4) = 1 - 6 = 6
2
d) P(X < 3) = P(X ≤ 2) = 6
52
6.ª Edição
a) X ≤ 2;
b) 3 ≤ X ≤ 8;
c) 1 ≤ X ≤ 7;
d) X ≤ 6;
e) X > 1.
Solução:
b) 3 ≤ X ≤ 8
Uma das propriedades da função de repartição é:
Então,
c) 1 ≤ X ≤ 7
Esta alínea é resolvida da mesma forma que a anterior.
d) X ≤ 6
Esta alínea é semelhante à alínea a.
53
6.ª Edição
e) X > 1
A função de repartição dá apenas o valor da probabilidade de uma variável
assumir valores menores ou iguais a um determinado valor. N esse caso, só
podemos calcular a probabilidade de X assumir valores menores ou iguais a 1:
54
6.ª Edição
Binómio de Newton
ou
55
6.ª Edição
Sendo,
Exemplo:
56
6.ª Edição
Exemplo:
Jogando-se um dado 5 vezes, qual é a probabilidade de se obter o ponto
máximo, exactamente 3 vezes?
Solução:
n = 5;
k = 3;
Nota:
57
6.ª Edição
𝜆𝑥 𝑒 −𝜆
f(x) = P(X = x) =
𝑥!
58
6.ª Edição
Exemplo:
Agora você está na máquina de caça níquel, o operador da máquina disse que
ela é honesta e há em média 2 ganhadores por dia. Qual a probabilidade de ter
5 ganhadores ou nenhum ganhador durante o dia?
λ=2 ganhadores/dia em média.
a) Cada experimento é dito ser uma tentativa. Existe uma série de tentativas,
cada uma tendo dois resultados: sucesso ou falha;
59
6.ª Edição
Obviamente, as condições de uma fdp são satisfeitas, uma vez que p > 0, 1 − p
> 0 e p + (1 − p) = 1. O valor de p é o único valor que precisamos conhecer para
determinar completamente a distribuição; ele é, então, chamado parâmetro da
distribuição de Bernoulli. Vamos denotar a distribuição de Bernoulli com
parâmetro p por Bern(p).
A função de distribuição acumulada é dada por:
Esperança e Variância
Em resumo
60
6.ª Edição
Exemplo:
X = 0, se ocorre coroa;
X = 1, se ocorre cara
Esse exemplo ilustra o facto de que “sucesso”, nesse contexto, nem sempre
significa uma situação feliz na vida real. Aqui, sucesso é definido de acordo com
o interesse estatístico no problema. Em uma situação mais dramática, “sucesso”
pode indicar a morte de um paciente, por exemplo.
61
6.ª Edição
A curva normal é um tipo de curva simétrica, suave, cuja forma lembra um sino.
Essa distribuição só tem um valor para moda, ou seja, é unimodal, sendo seu
ponto de frequência máxima, situado no meio da distribuição, em que a média,
a mediana e a moda coincidem.
São propriedades da Distribuição Normal:
62
6.ª Edição
Para facilitar o cálculo dessa integral, foi criada uma metodologia que a reduz a
um único caso de qualquer função de distribuição normal N(μ,σ) em uma única
função de distribuição normal, em que μ=0 e o desvio-padrão σ=1.
A função de distribuição normal reduzida é designada como N(0,1).
Se o eixo vertical for deslocado para a direita até chegar ao centro, fizemos uma
mudança de origem, pois o 0 passou a ocupar o lugar da média. Z é a nova
variável que pode ser definida pela fórmula:
Assim, temos:
σ2 =n∙p∙q
σ2 é a variância procurada, n e p têm a mesma definição anterior e q é a
probabilidade de fracasso para o evento.
63
6.ª Edição
64
6.ª Edição
Exemplo:
1. Calcular a probabilidade da variável aleatória estar entre -1,25 e 0.
Solução:
A probabilidade corresponde à área destacada na figura abaixo.
Podemos utilizar o quadro para ver o valor de: P (0 < z < 1,25) = 0,3944
Como a figura é simétrica, a mesma probabilidade de
P (-1,25 < z < 0) = P (0 < z < 1,25) = 0,3944
65
6.ª Edição
66
6.ª Edição
𝜇𝑥 = μ
67
6.ª Edição
Solução:
68
6.ª Edição
69
6.ª Edição
Em qualquer dos casos, a distribuição amostral das médias tem média igual à
média da população.
𝜇𝑥 = μ média das médias amostrais
A distribuição amostral das médias tem uma variância igual a 1/n vezes a
variância da população e um desvio padrão igual ao desvio padrão da população
dividido pela raiz quadrada de n.
𝜎2
𝜎ẍ2 = variância das médias amostrais
𝑛
𝜎
𝜎ẍ = desvio padrão das médias amostrais
√𝑛
Fig.2.19 – Distribuições não normal, normal e respectivas distribuições amostrais das médias.
Nota: A distribuição das médias amostrais tem a mesma média que a população,
mas o seu desvio padrão é menor que o desvio padrão da população. Isso nos
diz que a distribuição das médias amostrais tem o mesmo centro que a
população, porém é mais concentrada. Além disso, a distribuição das médias
70
6.ª Edição
Exemplo:
1. As contas de telefone celular dos habitantes de uma cidade têm média de
US$ 47 e desvio padrão de US$ 9, como pode ser visto na Figura abaixo.
Amostras aleatórias de 100 contas de telefone celular são selecionadas
desta população e a média de cada amostra é determinada. Calcule a
média e o desvio padrão da média da distribuição amostral das médias.
Depois, esboce um gráfico da distribuição amostral.
Solução:
De acordo com o teorema do limite central, uma vez que o tamanho da amostra
é maior que 30, a distribuição amostral da média pode ser aproximada por uma
distribuição normal, com uma média de US$ 47 e um desvio padrão de US$ 0,90,
conforme a Figura abaixo.
71
6.ª Edição
Fig.2.21 – Média de 100 contas de telefone celular (em dólares); Distribuição das médias
amostrais com n = 100.
Fig.2.22 – Frequência (em batimentos por minuto); Distribuição das frequências cardíacas da
população de atletas com 20 anos, em treinamento.
Solução:
Fig.2.23 – Frequência média (em batimentos por minuto); Distribuição das médias amostrais
com n = 4.
72
6.ª Edição
73
6.ª Edição
Referências Bibliográficas
74