PUCRS FAMAT DEPT DE ESTATSTICA

4120B-04 PROBABILIDADE E ESTATSTICA

Material - 1 rea
1. Introduo e Conceitos:

Populao:
Conjunto de todos os elementos que possuem, pelo menos, uma caracterstica em
comum, cujo comportamento interessa analisar.
Amostra:
Subconjunto da populao, selecionado de acordo com determinados critrios.
Estatstica Descritiva:
O objetivo principal descrever os fatos. Compreende a organizao, resumo,
apresentao, anlise e clculo de medidas ou coeficientes que possam descrever um
conjunto observado.
Estatstica Inferencial:
Consiste em obter e generalizar concluses para a populao, a partir de valores
amostrais.
Classificao das Variveis:
N o m i n a i s O r d i n a i s
Q u a l i t a t i v a s
D i s c r e t a s C o n t n u a s
Q u a n t i t a t i v a s
V a r i v e i s
2. Probabilidade:
Experimentos Aleatrios:
So experimentos cujos resultados variam de uma observao para a outra, mesmo
quando mantidas as condies de experimentao.
Caractersticas:
1. Cada experimento aleatrio poder ser repetido indefinidamente sob as mesmas
condies.
2. No se conhece um particular valor do experimento antes que este ocorra, porm,
conhecemos todos os possveis resultados.
3. Quando repetimos um experimento um grande nmero de vezes, surge uma
regularidade.
1
Espao Amostral (S ou ):
o conjunto de todos os resultados possveis de um experimento aleatrio. O espao
amostral com um nmero finito ou infinito enumervel de valores dito espao discreto, e o
espao amostral com um nmero infinito no-enumervel de pontos dito espao contnuo.

Eventos Aleatrios:
So os resultados possveis de cada experimento aleatrio. Um evento , portanto, um
subconjunto do espao amostral. Os eventos so denotados por letra maiscula.
Combinao de Eventos:
Sejam dois eventos A e B, do espao amostral S. Como A e B so conjuntos, podemos
aplicar a eles operaes, tais como:
1. Unio: A B
2. Interseco: A

B
3. Complementar de A: A
4. Subtrao: A-B
Eventos Mutuamente Exclusivos:
Dois ou mais eventos so mutuamente exclusivos se no podem ocorrer
simultaneamente.
Definio de Probabilidade:
Seja A um evento de S. Ento, a probabilidade de A ocorrer dada por
2
S
B

A
S
A
S
B A
S
B A
A
n
h
= ) A ( P
onde h: nmero de resultados favorveis ao evento A
n: nmero total de resultados.
Propriedades da Probabilidade:
Seja A um evento de S
1. 0 P(A) 1.
2. Sejam A
1
, A
2
, ... , A
n
todos os resultados possveis de um experimento aleatrio.
Ento,

n
1 = i
i
1 = ) A ( P
3. Se A o complemento de A, ento,
1 = ) A ( P
-P(A)
4. Se A
1
, A
2
, ... , A
n
so eventos mutuamente exclusivos, ento,
) A ( P + ... + ) A ( P + ) A ( P = ) A ... A A ( P
n 2 1 n 2 1

5. Se A e B so dois eventos quaisquer, ento,
) B ( P + ) A ( P = ) B A ( P
-P(A

B)
6.
) B A ( P + ) B A ( P = ) A ( P
Probabilidade Condicional:
Suponha que desejamos determinar a probabilidade de ocorrer o evento B, sabendo que
o evento A j ocorreu. Se A e B so eventos no-exclusivos, temos
Como A j ocorreu, temos o seguinte espao amostral:
Logo, a probabilidade de B ocorrer dada por
) A ( P
) B A ( P
= ) A / B ( P

onde P(B/A) a probabilidade condicional de B, dado A.
Eventos Independentes:
Se os eventos A e B so tais que a probabilidade de ocorrncia de A no afeta a
ocorrncia ou no-ocorrncia de B, dizemos que A e B so eventos independentes. Ento, se A
e B so independentes,
P(B/A)=P(B) e
) B A ( P =P(A).P(B) (1)
3
S
B

A
A
Reciprocamente, se (1) se verifica, A e B so eventos independentes.
Teorema da Probabilidade Total:
Considere um experimento que deve resultar em um dos eventos mutuamente
exclusivos A
1
, A
2
, ... , A
n
, cuja unio S. Seja A um evento de S. Ento,
P(A)=
n
1 = i
i i
) A / A ( P ). A ( P
Teorema de Bayes:
Sejam A
1
, A
2
, ... , A
n
eventos mutuamente cuja unio o espao amostral S, associados a
um experimento aleatrio. Seja A um evento de S. Ento,

n
1 = i
i i
k k
k
) A / A ( P ). A ( P
) A / A ( P ). A ( P
= ) A / A ( P
3. Variveis Aleatrias e Distribuies de Probabilidade:
Variveis Aleatrias:
Uma varivel dita aleatria quando o valor da mesma obtido atravs de observaes
ou experimentos, e a cada valor estiver associada certa probabilidade. Denota-se uma
varivel por letra maiscula e os valores assumidos por ela por letra minscula.
Uma varivel dita Discreta quando assume valores em pontos isolados ao longo de uma
escala (n finito ou infinito enumervel de valores).
Exemplo: N de alunos na sala
Uma varivel dita Contnua quando assume qualquer valor ao longo de um intervalo (n
infinito no enumervel de valores).
Exemplo: Tempo, temperatura, peso, etc.
3.1. Distribuies Discretas de Probabilidade:
Seja X uma varivel aleatria discreta e sejam x
1
, x
2
, ... , x
n
os valores de X. A
funo f(x) uma distribuio de probabilidade (ou funo de probabilidade) se:
(a) f(x)=P(X=x) 0, x
(b)

n
1 i
1 )
i
x ( f
Exemplo:
Determine a distribuio de probabilidade da varivel aleatria X: Nmero de
caras em dois lances de uma moeda equilibrada.
S={CC, CK, KC, KK}
x f(x)
4
0 0,25
1 0,50
2 0,25
Total 1,00
Funo de Distribuio Acumulada:
A funo de distribuio acumulada de uma v.a.d. X definida por
F(X)=P(X x)
=

x u
u f ) (
Exemplo:
Considere o experimento que consiste em lanar duas vezes uma moeda. Seja a
varivel aleatria X: nmero de caras. A funo de distribuio de X dada por:

'

<
<
<

2 x s e 1 , 0 0 ;
2 x 1 s e : 0 , 7 5
1 x 0 s e 0 , 2 5 ;
0 x s e ; 0 0 , 0
) (X F
Parmetros de uma v.a.d.:
1. Expectncia:
Seja X uma varivel aleatria discreta que pode assumir os valores x
1
, x
2
, ... , x
n
,
com probabilidades f(x
1
), f(x
2
), ..., f(x
n
), respectivamente. Ento, a expectncia de
X dada por

n
i
i i
x f x X E
1
) ( . ) (

Propriedades:
1. E(aX) = a.E(X)
2. E(Xa)=E(X)a
3. E(XY)=E(X)E(Y)
2. Varincia:
Seja X uma varivel aleatria discreta com expectncia finita. Ento, a varincia de
X dada por:
2 2
)] ( [ ) ( ) ( X E X E X Var , onde

n
i
i i
x f x X E
1
2 2
) ( . ) (
5
Propriedades:
1. Var(aX)=a
2
.Var(X)
2. Var(Xa)=Var(X)
3. Var(XY)=Var(X)+Var(Y), se X e Y so v.a. independentes.
3. Desvio Padro:
O desvio padro de X dado por;
) (X Var
x

3.2. Distribuies Contnuas de Probabilidade:
Seja X uma varivel aleatria contnua. A funo f(x) uma funo densidade
de probabilidade se:
(c) f(x) 0,
(d)

+

1 dx ) x ( f

OBS: P(a<X<b)=

b
a
dx ). x ( f
Exemplo:
Considere a funo densidade dada abaixo.

'

< <

c o n t r r i o c a s o 0 ,
3 x 0 s e , x
9
1
) x ( f
2

Funo de Distribuio Acumulada:
A funo de distribuio acumulada de uma v.a.c. X definida por
F(X)=P(X x)
=

x
du ) u ( f

Exemplo:
Considerando a funo densidade do exemplo anterior, a funo de distribuio de X
dada por:

'

< <

3 x s e 1 ;
3 x 0 s e ; x
2 7
1
0 x s e ; 0
) x ( F
3
6
OBS:
dx
) x ( dF
) x ( f
Parmetros de uma v.a.c.:
1. Expectncia:
Seja X uma varivel aleatria contnua com funo densidade de probabilidade f(x).
Ento, a expectncia de X dada por

+

dx ). x ( f . x ) X ( E
Exemplo:
Para a funo densidade dada anteriormente,
]
2,25
x
36
1
dx . x
9
1
. x ) X ( E
3
0
3
0
4 2

2. Varincia:
Seja X uma varivel aleatria contnua com funo densidade f(x). Ento, a varincia
de X dada por:
2 2
)] ( [ ) ( ) ( X E X E X Var , onde

3. Desvio Padro:
O desvio padro de X dado por:
) X ( Var
x

Exemplo:
Considerando a funo densidade dada por

'

< <

c o n t r r i o c a s o 0 ,
3 x 0 s e , x
9
1
) x ( f
2

Ento,
Var(X) = 5,40 (2,25)
2
7

+

dx ). x ( f . x ) X ( E
2 2
]
5,4
x
45
1

dx . x
9
1
. x ) X ( E
3
0
5
3
0
2 2 2

= 0,3375
e

0,5809
3375 , 0
x

4. Distribuies Discretas de Probabilidade:
4.1. Distribuio Binomial:
A distribuio Binomial o modelo probabilstico adequado para casos em que se
consideram repetidas provas de Bernoulli, isto sucesses de experimentos aleatrios
independentes, em cada um dos quais se observa a ocorrncia (sucesso) ou no
(fracasso) de um determinado acontecimento, de probabilidade p, constante de
observao para observao. Seja a v.a.d. X: nmero de sucessos em n provas. A
distribuio de probabilidade f(x) dada por:
f(x) = P(X=x) = C
n
x
.p
x
.q
n-x
, onde x= 0,1,2,3,......n e p: probabilidade de sucesso
Ento, X tem distribuio Binomial e escreve-se simbolicamente X~B(n, p), para
indicar que diferentes valores de n e p, correspondem diferentes distribuies.
Propriedades:
1. E(X)=n.p
2. Var(X)=n.p.(1-p)
3.
p) - n.p.(1 =
4.2. Distribuio de Poisson:
Seja X uma varivel aleatria discreta que designa o nmero de sucessos que
ocorrem durante um dado intervalo de tempo ou em uma regio especificada, cuja funo de
probabilidade f(x) dada por:
P(X=x)= e
-

x

x!
onde > 0, constante, e designa o nmero mdio de sucessos ocorrendo em um dado
intervalo de tempo ou regio especificada e X pode assumir os particulares valores 0,1,2,3,...
A funo f(x) assim definida denominada de distribuio de Poisson, e escreve-se
simbolicamente X~P ( ).
Propriedades:
1. O nmero de sucessos em um intervalo de tempo ou regio especificada
independente daquele que ocorre em qualquer outro intervalo de tempo exclusivo ou
regio do espao.
2. A probabilidade de um nico sucesso ocorrer durante um intervalo de tempo
muito curto ou em uma regio pequena diretamente proporcional ao comprimento
8
desse intervalo ou do tamanho da regio e no depende do nmero de sucessos
ocorrendo fora desse intervalo de tempo ou regio.
3. A probabilidade de termos mais de um sucesso em um intervalo de tempo
pequeno ou em uma regio pequena desprezvel.
4. Parmetros de uma v.a.d. que segue o modelo de Poisson, com parmetro :
(a) E(X) =
(b) Var (X) =
Aproximao Binomial-Poisson:
Quando, numa distribuio Binomial, n 50 e n.p<5, podemos determinar as
probabilidades atravs da distribuio de Poisson, com =n.p.
5. Distribuies Contnuas de Probabilidade:
Distribuio Exponencial:
A v.a.c. X tem distribuio Exponencial com parmetro se sua funo
densidade de probabilidade dada por:

'

c o n t r r i o c a s o , 0
0 x s e ,
) (
x
e
x f

-
A funo de distribuio de X dada por

'

>

0 x s e ; 1
0 x s e ; 0
) (
x
e
x F
-
Propriedades:
1. E(X)=

1

2. Var(X)=
2

1
Exemplo:
O tempo de vida de certo tipo de lmpada tem distribuio Exponencial com
mdia de 1500 h. Qual a probabilidade de uma lmpada queimar antes de
3000h?
P(X<3000)=F(3000)
= 1-
1500 / 3000
e

0,86
Distribuio Normal:
Seja X uma v.a.c. tal que E(X)=

e Var(X)=
2

, onde + < < x e >

0. Ento, X tem distribuio Normal com mdia e varincia
2

, se sua funo
densidade de probabilidade dada por:
9
2
2
2
) x (
e
2
1
) x ( f

Notao: X~N( ; )
Distribuio Normal Padro:
Seja X uma v.a.c. tal que X~N( ; ). Ento, a v.a.c.

X
= Z
-
tem
distribuio Normal com mdia 0 (zero) e desvio padro 1 (um), isto , Z~N(0;1). A
funo densidade de Z dada por:
2
z
e
2
1
= ) z ( f
2
-
0
Teorema da Combinao Linear:
Sejam X e Y variveis aleatrias independentes com distribuio
Normal, tal que E(X)=
x
Var(X)=
2
x
, E(Y)=
y
, Var(Y)=
2
y

, a, b e c
constantes. Ento, a varivel aleatria Z=aX+bY+c tem distribuio Normal
com

z
= E(Z)=a
x
+ b
y
+ c
Var(Z)=a
2 2
x
+ b
2
2
y

Em particular, a soma ou a diferena de duas ou mais variveis

aleatrias Normais tambm uma varivel aleatria Normal.

Teorema do Limite Central:
Sejam X
1
, X
2
, X
3
, ... , X
n
, variveis aleatrias independentes e
identicamente distribudas, com mdia e varincia
2
, finitas. Ento, se
S
n
=X
1
+X
2
+ X
3
+ ... +X
n
,
du e b
n
n S
a P
b
a
u
n
n

2
2
2
1

) ( lim , isto ,
n
n S
n

~N(0;1)
OBS: O teorema vale tambm quando X
1
, X
2
, X
3
, ... , X
n
so variveis aleatrias
independentes com mesma mdia e mesma varincia, mas no necessariamente a
mesma distribuio.
10
6. Estatstica Descritiva:
6.1. Principais tipos de sries estatsticas:
Para classificar a srie, devemos levar em considerao trs elementos: o local,
a poca e o fenmeno.
Srie Temporal:
Permanecem fixos o local e o fenmeno. Os valores da varivel so registrados
cronologicamente, em perodos de interesse.
Srie Geogrfica:
Permanecem fixos a poca e o fenmeno. Os valores da varivel so coletados em locais
geogrficos diferentes.
Srie Especfica:
Permanecem fixos o local e a poca. O fenmeno varia.
Distribuies de Freqncias:
Permanecem fixos o local, a poca e o fenmeno.
6.2. Distribuio de Freqncias:
uma tabela na qual se encontram os possveis valores de uma varivel aleatria,
agrupados em classes ou no, com as respectivas freqncias observadas.
Distribuio de freqncias por ponto:
Tabela... : Ttulo
N de filhos N de casais
0 14
1 18
2 9
3 6
4 3
Total 50
Fonte: ...
Distribuio de freqncias por intervalo:
Tabela... : Ttulo
Tempo (min) N de alunos
0 |20 4
20 |40 9
40 |60 15
60 |80 17
80 |100 5
Total 50
Fonte: ...
Elementos caractersticos de uma distribuio de freqncias:
11
- Freqncia absoluta: f
i
: n de observaes de cada valor ou intervalo de valores.
- Freqncia relativa:
n
f
= fr
i
i
- Freqncia acumulada:

i i
f = F

i i
fr = Fr
- Ponto mdio:
2
LS + LI
= x
i i
i
- Amplitude de um intervalo:
i i
LS = h
-
i
LI
- Tipos de intervalos:
Aberto: 0 10
Fechado: 0 || 10
Aberto direita e fechado esquerda: 0 |10
Aberto esquerda e fechado direita: 0 | 10
Regras para elaborar uma distribuio de freqncias:
1. Localizar o maior (M) e o menor (m) valor observado.
2. Determinar o n de intervalos k, onde n = k . Observar 5 20 k .
3. Calcular a amplitude aproximada de cada intervalo
k
m M
h

4. Determinar as freqncias.
6.3. Representao Grfica:
Histograma de freqncias:
Grfico de Linhas:
12
Consumo de gua. em m, de 75 contas da
CORSAN
0.00
0.10
0.20
0.30
0.40
0----| 10 10----| 20 20----| 30 30----| 40 40----| 50 50----| 60
Evo l u o d o p re o d o d l a r co m e r ci a l
0 . 0
0 . 5
1 . 0
1 . 5
2 . 0
2 . 5
1 2 / 9 8 0 2 / 9 9 0 4 /9 9 0 6 /9 9 0 8 /9 9
Dat a
V
a
l
o
r

d
o

d

l
a
r
Grfico de Setores (Pizza):
Grfico de Colunas:
Nmero de cpias de jornal que circulam diariamente
72.047
58.247
30.000
25.467
23.848
18.343
8.941
6.551 6.281 5.697
0
10.000
20.000
30.000
40.000
50.000
60.000
70.000
80.000
J
a
p

o
E
U
A
R

s
s
ia
A
l
e
m
a
n
h
a

n
d
i
a
I
n
g
la
t
e
r
r
a
F
r
a
n

a
B
r
a
s
i
l
I
t

l
ia
P
o
l
n
ia
Pas
M
i
l
h
a
r
e
s

d
e

e
x
e
m
p
l
a
r
e
s
6.4. Medidas de Tendncia Central
6.4.1. Mdia aritmtica simples:
A mdia aritmtica simples, para uma populao, dada por
Dados no agrupados Dados agrupados
13
Conceito dos alunos de uma turma de Estatstica
27%
35%
16%
22%
A
B
C
D
N
x
N
1 i
i

N
x . f
k
1 i
i i

onde x
i
: valores observados ou ponto mdio
f
i
: freqncia absoluta
N: tamanho da populao
k: n de valores ou intervalos

Para uma amostra, a mdia aritmtica simples calculada por
Dados no agrupados Dados agrupados
n
x
X
n
1 i
i

n
x . f
X
k
1 i
i i

onde x
i
: valores observados ou ponto mdio
f
i
: freqncia absoluta
n: tamanho da amostra
k : n de valores ou intervalos
Propriedades:
1. A mdia de um conjunto de nmeros sempre pode ser calculada.
2. Para um dado conjunto de nmeros, a mdia nica.
3. Somando-se ou subtraindo-se uma constante a cada valor de um
conjunto, a mdia ficar, respectivamente, somada ou subtrada do valor da
constante. Analogamente, multiplicando-se ou dividindo-se por uma
constante cada valor de um conjunto, a mdia ficar multiplicada ou
dividida, respectivamente, pela constante.
4. A soma dos desvios dos nmeros de um conjunto em relao mdia
zero, isto ,
0 ) x (
i .
5. A mdia sensvel a todos os valores de um conjunto. Assim, se um
valor se modifica, a mdia tambm se modifica.
6.4.2. Mediana:
a medida que ocupa a posio central num conjunto de dados ordenados, isto
,
2
1 N
x Med
+

OBS: Se N par, a mediana a mdia aritmtica simples dos dois valores

centrais.
14
Para dados agrupados numa distribuio de freqncia, localizamos a posio
central atravs da freqncia acumulada. Para distribuio de freqncias por
intervalo, aplicamos a frmula abaixo para calcular o valor aproximado da
mediana.
i
i
1 i
i
h .
f
F
2
N
LI Med

,
_

+

6.4.3. Moda:
A moda a observao mais freqente. Caso no haja observao mais
freqente, a distribuio amodal. Podemos ter um conjunto unimodal (com uma
moda), bimodal (com duas modas) ou multimodal (com trs ou mais modas).
Para dados agrupados numa distribuio de freqncias por ponto, localizamos a
moda pela maior freqncia absoluta. Para dados agrupados por intervalo,
utilizamos
i
1 i 1 i
1 i
i
h .
f f
f
LI Moda

,
_

+
+
+
+
Moda Bruta: o ponto mdio do intervalo de maior freqncia.
6.5. Medidas de Variabilidade:
6.5.1. Amplitude Total:
a diferena entre o maior e o menor valor observado.
6.5.2. Varincia:
A varincia, para uma populao, dada por
Dados no agrupados Dados agrupados
( )
N
x

N
1 i
2
i
2

( )
N
x f
k
1 i
2
i i
2

onde x
i
: valores observados ou ponto mdio
f
i
: freqncia absoluta
N: tamanho da populao
: mdia populacional
k: n de valores ou intervalos

Se o conjunto observado for uma amostra, ento a varincia dada por
Dados no agrupados Dados agrupados
15
( )
1 n
X x
S
n
1 i
2
i
2

( )
1 n
X x f
S
k
1 i
2
i i
2

onde x
i
: valores observados ou ponto mdio
f
i
: freqncia absoluta
n: tamanho da amostra
X : mdia amostral
k : n de valores ou intervalos
Frmulas abreviadas:
Dados no agrupados Dados agrupados
Populao
2
N
1 i
2
i
2

N
x

2
k
1 i
2
i i
2

N
x f

Amostra
1 n
X n x
S
n
1 i
2
2
i
2

1 n
X n x f
S
k
1 i
2
2
i i
2

6.5.3. Desvio padro:

Populao Amostra
2

2
S S
Propriedades:
1. O desvio padro pode ser definido por
N
) a x (

2
i

onde a uma medida qualquer. O desvio padro mnimo quando a= .

2. Para as distribuies normais, temos que:
(a) 68,27% dos casos esto entre - e + .
(b) 95,45% dos casos esto entre - 2 e + 2 .
(c) 99,73% dos casos esto entre - 3 e + 3 .
3. Suponha que dois conjuntos tenham N
1
e N
2
nmeros de observaes,
varincias e
2
2
2
1
, respectivamente, e a mesma mdia . Ento, a
varincia conjunta de ambas as distribuies dada por:
2 1
2
2 2
2
1 1 2
N N
N N

+
+

16
4. Somando-se ou subtraindo-se uma constante a cada valor de um
conjunto de dados, o desvio padro no se altera. Multiplicando-se ou
dividindo-se por uma constante cada valor de um conjunto, o desvio padro
tambm fica multiplicado ou dividido, respectivamente, pela constante.
6.5.4. Disperso relativa e Coeficiente de Variao:
A variao determinada por qualquer medida de disperso denominada
disperso absoluta. Entretanto, uma variao igual em duas distribuies com
mdias diferentes, pode ser inteiramente diferente. Para compararmos estes
dois conjuntos, utilizamos a disperso relativa, definida por:
Mdia
absoluta Disperso
relativa Disperso
Se a disperso absoluta o desvio padro e a mdia a aritmtica, a disperso
relativa denominada coeficiente de variao, e dado por

e pode ser expresso em percentagem.
Para a amostra, o coeficiente dado por
X
S
g
17