Académique Documents
Professionnel Documents
Culture Documents
Probabilidade e Estatstica
Versao 1
Vit
oria da Conquista - BA
2016
Sum
ario
1 Aula 1
1.1
O Conceito de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
1.3
Definic
ao de Probabilidade
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Aula 2
10
2.1
C
alculo das Probabilidades em Espacos Amostrais Finitos . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.2
Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.3
12
2.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Diagramas de Avore
e Problemas Envolvendo Probabilidade Condicional . . . . . . . . . . . . . . . . .
2.5
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
13
3 Aula 3
15
3.1
Vari
avel Aleat
oria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
3.2
Vari
avel Aleat
oria Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
3.2.1
Distribuic
ao de Probabilidade - Massa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
3.2.2
Func
ao de Distribuic
ao Acumulada/Reparticao . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
3.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
3.4
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
3.4.1
19
3.4.2
Gr
aficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
4 Aula 4
21
4.1
Vari
avel Aleat
oria Contua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
4.1.1
Distribuic
ao de Probabilidade - Densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
4.1.2
Func
ao de Distribuic
ao Acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
4.2
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
4.3
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
5 Aula 5
25
5.1
Medidas de Posic
ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
5.1.1
25
5.1.2
Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
5.1.3
Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
5.2
5.3
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
6 Aula 6
30
6.1
Vari
ancia e Desvio Padr
ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
6.2
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
6.3
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
7 Aula 7
34
7.1
Modelos de Distribuic
ao de Probabilidade - Caso Discreto . . . . . . . . . . . . . . . . . . . . . . . . .
34
7.1.1
Distribuic
ao de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
7.1.2
Distribuic
ao Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
7.1.3
Distribuic
ao Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
7.1.4
Distribuic
ao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
7.2
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
7.3
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
7.3.1
Distribuic
ao Binomial no STATDISK
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
7.3.2
Distribuic
ao de Poisson no STATDISK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
8 Aula 8
39
8.1
Precis
ao e Arredondamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
8.2
40
8.3
Distribuic
ao de Frequencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
8.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
8.5
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
9 Aula 9
45
9.1
45
9.2
Representac
ao Gr
afica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
9.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
9.4
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
10 Aula 10
50
50
10.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
53
10.4 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
11 Aula 11
55
11.1 Quantis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
11.2 Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
11.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
11.4 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
58
12 Aula 12
60
60
12.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
12.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
13 Aula 13
65
65
66
13.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
13.4 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
70
14 Aula 14
71
14.1 Distribuic
ao Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
14.2 Distribuic
ao Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
14.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
14.4 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
14.4.1 Simulac
ao Computacional de Uma Distribuicao Uniforme . . . . . . . . . . . . . . . . . . . . .
74
14.4.2 Simulac
ao Computacional da Distribuicao Exponencial . . . . . . . . . . . . . . . . . . . . . . .
75
15 Aula 15
76
15.1 Distribuic
ao Normal de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
15.2 Distribuic
ao Normal Padr
ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
15.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
80
15.6 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
16 Aula 16
16.1 Amostragem
84
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
84
16.1.2 Composic
ao da Amostra - Metodos Probabilsticos . . . . . . . . . . . . . . . . . . . . . . . .
86
16.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
16.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
17 Aula 17
91
91
91
93
17.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
17.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
18 Aula 18
96
96
96
. . . . . . . . . . . . . . . . . . . .
97
18.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
18.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
19 Aula 19
100
104
Captulo 1
Aula 1
1.1
O Conceito de Probabilidade
Ao estudarmos fen
omenos de observac
ao, devemos buscar estabelecer um modelo matematico que melhor o ex-
plique. Estes podelos, em geral, podem ser de dois tipos: determinstico ou probabilstico.
Fen
omenos Determinticos: S
ao aqueles cujo resultado costuma se repetir quando repetidas as condic
oes de um
teste. Por exemplo, a previs
ao do tempo de queda de um objeto, sendo conhecida sua altura.
Fen
omenos Probabilsticos: S
ao aqueles cujo resultado pode variar entre uma observacao e outra, mesmo mantidas
todas as condic
oes anteriores. Por exemplo, o resultado no lancamento de um dado.
H
a tres tipos processos importantes para se obter uma estimativa da probabilidade de certo evento.
Processo Cl
assico, ou a priori: Se um evento pode ocorrer de r maneiras diferentes, em um total de n maneiras
possveis, com, digamos, todas igualmente provaveis, teremos entao que a probabilidade de ocorrencia deste evento
ser
a
r
n
Exemplo 1.1.1. Suponhamos que desejemos determinar a probabilidade do aparecimento de 1 cara em uma jogada
de uma moeda. Como h
a dois resultados possveis, carae coroapodemos admitir que esta probabilidade e de 1/2.
Obviamente, estamos levando em considerac
ao que esta moeda e totalmente simetrica, de modo a n
ao pender para
nenhum dos resultados possveis num lancamento qualquer.
Processo da Frequ
encia, ou a posteriori: Se apos n repeticoes de um experimento (n suficientemente grande),
se observarmos r ocorrencias de um determinado evento, entao admitiremos ser
r
n
Exemplo 1.1.2. Se jogarmos uma moeda 1000 vezes e aparecer cara 540 vezes, estimamos a probabilidade de
ocorrencia da face cara como sendo 0, 54.
Processo Subjetivo: A probabilidade de ocorrencia de um evento A, e estimada usando-se o conhecimento de
circunst
ancias relevantes.
Exemplo 1.1.3. Ao tentar estimar a probabilidade de um astronauta sobreviver a uma miss
ao do
onibus espacial, os
peritos consideram enventos passados, junto com mudancas na tecnologia e condic
oes, para desenvolver uma estimativa
de probabilidade. Estima-se atualmente que esta probabilidade seja de 0, 99 (TRIOLA, pg. 16).
1.2
Espa
co Amostral e Evento
O estudo de um fen
omeno aleat
orio exige que saibamos o conjunto de todos os resultados possvel. Isto nos
1.3
Defini
c
ao de Probabilidade
Defini
c
ao 1.3.1. Dado um experimento aleat
orio E com espaco amostral S, a probabilidade de um evento A, denotada
por P (A), e uma func
ao definida em S que associa cada evento a um n
umero real, satisfazendo os seguintes axiomas:
i) 0 P (A) 1
ii) P (S) = 1
iii) Se A e B forem eventos mutuamente exclusivos, (A B = ), ent
ao P (A B) = P (A) + P (B).
Alguns teoremas decorrem da Definic
ao 1.3.1. Precisaremos deles para resolver os exerccios!
Teorema 1.3.2. Se e o conjuto vazio, ent
ao P () = 0.
Demonstrac
ao. Dado um evento qualquer A, temos que
A = P (A ) = P (A) + P () P (A) = P (A) + P () P () = 0.
= 1 P (A).
Teorema 1.3.3. Se A e o complementar de A, ent
ao P (A)
Teorema 1.3.4. Se A B, ent
ao P (A) P (B).
Teorema 1.3.5. Se A1 , ..., An s
ao eventos mutumamente exclusivos, ent
ao
P (A1 ... An ) = P (A1 ) + ... + P (An ).
Teorema 1.3.6. Se A e B s
ao eventos quaisquer, ent
ao
P (A B) = P (A) + P (B) P (A B).
Exemplo 1.3.7. A probabilidade de uma mulher estar viva daqui a 30 anos e
3
4.
esta mulher n
ao esteja viva daqui a 30 anos.
Soluc
ao: Consideremos os eventos A : a mulher estar viva daqui a 30 anos temos:
= 1 P (A) = 1 3 = 1 .
P (A)
4
4
Exemplo 1.3.8. Lanca-se um dado e uma meda. Determine a probabilidade de cair face cara na moeda ou sair um
resultado par no dado.
Soluc
ao: Consideremos os eventos A : cair face cara na moeda e B : sair um resultado par no dado. Assim,
1 1 1
3
P (A B) = P (A) + P (B) P (A B) = + = .
2 2 4
4
Escreva o espaco amostral e os eventos!
1.4
Exerccios
b) 8,
b) 91 .
c) 2n
2
7
e P (C) = 17 .
1.5
No Computador
Modelos a priorinem sempre s
ao t
ao simples de se obter. Neste caso, certos softwares mostram-se bastante
u
teis. Vejamos o exemplo a seguir:
Exemplo 1.5.1. Determine a probabilidade de 8 pessoas escolhidas ao acaso completarem anivers
ario em 8 dias
diferentes. Admita que a probabilidade de se nascer seja a mesma para todos os dias e que um mes possua apenas 30
dias.
Soluc
ao: A princpio, o problema parece complexo. Contudo, vejamos uma estimativa computacional usando o Excel.
Usando a funca
o
[=ALEATORIOENTRE(1;30)]
podemos gerar uma coluna contendo 8 n
umeros aleat
orios entre 1 e 30. Contudo, uma u
nica coluna n
ao nos fornecer
a
uma boa estimativa. Verifiquemos o que est
a ocorrendo em pelo menos umas 20 colunas. Cada coluna desta e chamada
e dita ser uma realizac
aodo experimento em quest
ao. Os valores sorteados est
ao expressos na Figura 1.1. Percebemos
que, em 10 das 20 realizac
oes as 8 pessoas fazem anivers
arios em dias distintos. Isso nos d
a uma probabilidade a
posterioride 10/20 = 0, 5. Poderamos tomar um n
umero maior de realizaco
es, digamos, aumentando de maneira
gradativa, com 25, 30, 50 e 100 realizac
oes. Contudo, o Excell apresenta certa desvantagem. A Figura 1.2 apresenta
uma rotina em Octave capaz de realiza de forma mais eficaz in
umeras realizac
oes para um n
umero qualquer de pessoas
(n) e grupos (N ) (n 30 e N qualquer). Em particular, para n = 8, ao gerarmos aleatoriamente 10000 grupos,
obtemos uma estimativa de 0, 35920 que e bastante pr
oxima da soluc
ao exata. A rotina apresentada mostra em suas
u
ltimas 9 linhas a soluc
ao exata do problema que e 0, 35969 (com 5 casas decimais). A soluc
ao algebrica deste problema
pode ser vista no Exemplo 2.2.6 da Aula 2.
Captulo 2
Aula 2
2.1
C
alculo das Probabilidades em Espacos Amostrais Finitos
Defini
c
ao 2.1.1. Seja S um espaco amostral finito S = {a1 , ..., an }. Considere-se o evento formado por um resultado
simples A = {ai }. A cada evento simples {ai } associa-se um n
umero pi denominado probabilidade de ai , satisfazendo
as seguintes condic
oes:
i) pi 0,
i = 1, 2, ..., n.
ii) p1 + ... + pn = 1.
Se um dado evento A pode ser decomposto como
A = Ai1 Ai2 ... Ais ,
com i1 , i2 , ...is {1, 2, ..., n}, ent
ao
P (A) = P (Ai1 ) + P (Ai2 ) + ... + P (Ais ).
Exemplo 2.1.2. Tres cavalos A, B e C, est
ao em uma corrida; A tem duas vezes mais probabilidade de ganhar que
B, e B tem duas vezes mais probabilidade de ganhar que C. Determine a probabilidade de vit
oria de cada cavalo.
Soluc
ao: Seja P (A) = p1 , P (B) = p2 e P (C) = p3 . Temos que:
p1 + p2 + p3 = 1 2p2 + p2 + p3 = 1 2.2p3 + 2p3 + p3 = 1 7p3 = 1 p1 =
2
1
4
, p2 = e p3 = .
7
7
7
Defini
c
ao 2.1.3. Um espaco amostral S e dito equiprov
avel se cada evento simples Ai tem mesma probabilidade.
De acordo com a Definic
ao 2.1.3 temos que, se
A1 ... An = S,
ent
ao
P (A1 ... An ) = 1 P (A1 ) + ... + P (An ) = 1 nP (Ai ) = 1 P (Ai ) =
1
, i = 1, 2, ..., n.
n
Assim, se
A = Ai1 ... Air ,
ent
ao
P (A) = r.
r
1
= .
n
n
12!
= 66.
2!(12 2)!
10
8!
= 28.
2!(8 2)!
Assim,
P (A) =
n(B)
28
14
=
=
.
n(S)
66
33
Observa
c
ao 2.1.5. O n
umero de combinac
oes (a ordem dos elementos n
ao importa) de p elementos tomados p a p
e dado por
n!
.
p!(n p)!
O n
umero de arranjos (a ordem dos elementos importa) de p elementos tomados p a p e dado por
Cpn =
Cpn =
2.2
n!
.
(n p)!
Probabilidade Condicional
Em alguns caso, buscamos certas probabilidades, sabendo de certa informacao a priore. Vejamos o exemplo que
segue:
Exemplo 2.2.1. Em uma corrida de cavalos h
a 12 competidores sendo, sendo 4 competindo com cavalos da raca A, e
8 com cavalos da raca B. Ao final de uma corrida, determine a probabilidade de um corredor X usando um cavalo da
raca A ganhar, sabendo que esta o animal vencedor e desta raca. Sem a informac
ao teramos uma chance de acertar
de apenas
1
12 .
Com a informac
ao, temos que a probabilidade de ter sido X o vencedor e de
1
4.
Obviamente estamos
P (A B)
.
P (B)
Exemplo 2.2.3. Extraem-se duas cartas de um baralho comum de 52 cartas. As duas cartas s
ao extradas, uma ap
os
a outra, sem reposic
ao. Determine a probabilidade de ambas serem ases.
Soluc
ao: Consideremos os eventos A : sair um
as na primeira extrac
ao e B : sair uma
as na segunda extrac
ao. Temos
que
P (A B) = P (A)P (B|A) =
4 3
1
=
.
52 51
221
Defini
c
ao 2.2.4. Um evento A e considerado independente um outro evento B se a probabilidade de A e igual
a
probabilidade condicional de A dado B, isto e, se
P (A) = P (A/B).
Pode-se mostrar que A e B s
ao independentes se, e somente se, P (A B) = P (A).P (B).
Exemplo 2.2.5. Em uma caixa temos 7 bolas azuis e 3 pretas s
ao extradas duas bolas, uma ap
os a outra, com
reposic
ao. Calcular a probabilidade de ambas serem azuis.
Soluc
ao: Considere os eventos, A: Sair bola azul na primeira extrac
ao e B: sair bola azul na segunda extrac
ao. Temos
que A e B s
ao independentes, pois P (B) = P (B/A). Assim, a probabilidade de ambas as bolas serem azuis e dada
por:
P (A B) = P (A).P (B) =
11
49
7 7
=
.
10 10
100
Exemplo 2.2.6. Determine a probabilidade de n pessoas (n 30) escolhidas ao acaso completarem anivers
ario em n
dias diferentes. Admita que a probabilidade de se nascer seja a mesma para todos os dias e que um mes possua apenas
30 dias.
Soluc
ao: A primeira das n pessoas tem dia de anivers
ario com probabilidade
30
30
= 1. Ent
ao, se a segunda deve ter
dia de anivers
ario diferente, este deve ocorrer em um dos 29 dias restantes. Assim, a probabilidade da segunda pessoa
fazer anivers
ario em dia diferente da primeira e de
29
30 .
Analogamente, a terceira n
ao poder
a fazer anivers
ario nos
dias em que as duas primeiras fazem o que portanto ocorre com uma probabilidade de
28
30 .
P (Ak A)
n P (A )P (A|A ) .
k=1
k
k
2.3
0, 5.0.05
25
P (B Def )
=
=
.
P (A|Def ) + P (B|Def ) + P (C|Def )
0, 4.0, 03 + 0, 5.0.05 + 0, 1.0, 02
39
Exerccios
Exerccio 2.3.1. Em um jogo de poker extraem-se 5 cartas de um baralho de 52 cartas. Determine a probabilidade
de a) sairem 4 ases; b) tres 10e dois valetes.
Exerccio 2.3.2. Uma m
aquina produz diariamente um total de 12000 porcas, que acusam, em media, 3% de defeituosas. Determine a probabilidade de que, dentre 600 porcas escolhidas ao acaso, 12 sejam defeituosas.
Exerccio 2.3.3. Uma caixa contem 2 bolas vermelhas e 3 azuis. Extraem-se ao acaso duas bolas, sem reposica
o.
Determine a probabilidade de serem ambas azuis.
Exerccio 2.3.4. Em uma joalheria, cada um de tres arm
arios identicos tem duas gavetas. Em cada gaveta do
primeiro arm
ario h
a um rel
ogio de ouro. Em cada gaveta do segundo arm
ario h
a um rel
ogio de prata. Em uma
gaveta do terceiro arm
ario h
a um rel
ogio de ouro, enquanto que na outra gaveta h
a um rel
ogio de prata. Escolhido ao
acaso um arm
ario, e aberta uma das gavetas (tambem aleatoriamente), verifica-se conter um rel
ogio de prata. Qual a
probabilidade de a outra gaveta do arm
ario escolhido conter um rel
ogio de ouro?
Exerccio 2.3.5. Dois jgadores A e B jogam alternadamente um par de dados. Ganha o jogo aquele que primeiro
obtiver um total de 7. Determine a probabilidade de
a) ganhar o jogo aquele que inicia.
b) ganhar o jogo aquele que faz a segunda jogada.
REPOSTAS:
2.3.1. a)
1
54145
b)
1
108290
12
2.3.2. P =
2.3.3.
2.3.4.
3
10
1
3
2.3.5. a)
2.4
360
11640
C12
.C588
12000
C600
6
11 ,
b)
5
11
Diagramas de Avore
e Problemas Envolvendo Probabilidade Condicional
O uso de diagramas de
arvore mostra-se uma ferramenta bastante u
til na resolucao de problemas envolvendo prob-
Casos F avorarveis
=
T otal de Casos
0, 1.0, 8
= 0, 028.
0, 1.0, 8 + 0, 9.0, 3
Observe que, no denominador constam as somas de todos os produtos referentes aos galhos que apresentam a informac
ao conhecida, isto e, a reaca
o positivaao teste Y , tendo ou n
ao a doenca. No numerado consta somente o
que de fatos esperamos saber, ter a tuberculose sabendo que a reac
ao ao teste Y foi positivo. Tente fazer usando o
Teorema 2.2.7.
2.5
No Computador
O octave apresenta uma func
ao bastante util para o sortei de n
umeros aleatorios no intervalor [0, 1] - a func
ao
rand. Usando contadores podemos calcular problemas envolvendo combinacoes de casos sem que necessitemos conhecelas ou estimar suas quantidades. Vejamos o exemplo:
Exemplo 2.5.1. O sangue humano foi classificado em 4 tipo: A, O, B, AB. Numa certa populac
ao, as probabilidades
destes tipos de sangue s
ao respectivamente: 0, 40; 0, 45; 0, 10 e 0, 05. Qual a probabilidade de que em 5 indivduos
escolhidos ao acaso haja tres do tipo A e dois do tipo O.
13
Soluc
ao: Observe que, ao tomarmos 5 pessoas num dado grupo, temos mais que um caso a considerar quando encontramos 5 pessoas com as caractersticas escolhidas. Por exemplo,
Pessoa
Tipo
Pessoa
Tipo
...
14
Captulo 3
Aula 3
3.1
Vari
avel Aleat
oria
Sejam E um experimento e S o espaco amostral associado. Uma vari
avel aleat
oria e uma funcao X que associa
a cada elemento S um n
umero real X(s).
Exemplo 3.1.1. Jogando-se uma moeda duas vezes, o espaco amostral S e dado por:
S = {CaCa, CaCo, CoCa, CoCo}.
Seja X o n
umero de faces caraque aparecem. A cada ponto do espaco amostral podemos associar um n
umero real
para X. Assim, temos a seguinte tabela:
Resultado
CaCa
CaCo
CoCa
CoCo
Observa
c
ao 3.1.2. No Exemplo 3.1.1 poderamos ter definido v
arias vari
aveis aleat
orias, como, por exemplo o
quadrado do n
umero de caras.
Temos dois tipos de v.a. as Discretas e as Contnuas. Vejamos cada uma (nesta e na proxima aula).
3.2
Vari
avel Aleat
oria Discreta
Defini
c
ao 3.2.1. Uma v.a. X e dita ser discreta se o n
umero de valores possveis de X for finito, ou infinito
enumer
avel (existir uma correspondencia com o conjunto dos n
umeros naturais, N).
Exemplo 3.2.2. S
ao exemplos de vari
aveis aleat
orias discretas:
? N
umero de alunos aprovados, em uma turma de 30 alunos da disciplina C
alculo I do IFBA: 0, 1, ..., 30.
? N
umero de acidentes numa rodovia num perodo de um mes: 0, 1, 2,...
3.2.1
Distribuic
ao de Probabilidade - Massa
Defini
c
ao 3.2.3. Seja X uma v.a. discreta, e sejam x1 , x2 , ..., os valores que ela pode tomar, dispostos em ordem
crescente de magnitude, tais que suas probabilidades s
ao dadas por:
P (X = xk ) = p(xk ), k = 1, 2, ...
A func
ao definida desta forma recebe o nome de distribuic
ao de probabilidade
15
p(x ), x = x
k
k
P (X = x) =
0,
x 6= xk
Exemplo 3.2.4. Determine a distribuic
ao de probabilidade associada ao Exemplo 3.1.1.
Soluc
ao: Temos
P (CaCa) =
1
4
P (CaCo) =
1
4
P (CoCa) =
1
4
P (CoCo) =
Ent
ao,
1
1
P (X = 1) =
4
2
Podemos organizar p(x) em uma tabela como segue:
P (X = 0) =
P (X = 2) =
p(x)
1
4
1
2
1
4
1
.
4
1
.
4
Temos ainda a representacao por meio de um grafico de barras conforme a Figura 3.1
3.2.2
Func
ao de Distribuic
ao Acumulada/Repartic
ao
Defini
c
ao 3.2.5. A func
ao de distribuic
ao acumulada de uma v.a. X e definida como
F (x) = P (X x)
onde x (, +).
Para o caso de uma v.a. discreta X, temos que a funcao de distribuicao cumulativa
X
F (X) = P (X x) =
p(a).
ax
Se X toma apenas um n
umero finito de valores x1 < x2 < ... < xn , entao a funcao de distribuicao acumulada e
dada por:
F (x) =
, < x < x1
p(x1 )
, x1 x < x2
p(x1 ) + p(x2 )
..
.
, x2 x < x3
..
.
, xn x <
p(x)
1
5
1
4
11
20
16
Soluc
ao: De acordo com o que foi posto acima, temos:
0
, < x < 0
,0 x < 1
0 + 15
F (x) =
1
1
,1 x < 2
0+ 5 + 4
0 + 1 + 1 + 11
,2 x <
5
4
9
F (x) =
5
9
20
, < x < 0
,0 x < 1
,1 x < 2
,2 x <
A func
ao de distribuic
ao acumulada satisfaz algumas propriedades:
i) F () = 0;
ii) F () = 1;
iii) P (a < x b) = F (b) F (a);
iv) P (a x b) = F (b) F (a) + P (X = a).
3.3
Exerccios
0 , < x < 0
,0 x < 1
12
1
,1 x < 2
6
F (x) =
1
,2 x < 3
,3 x < 4
1
,4 x <
Determine P (1 x < 3).
REPOSTAS:
3.3.1. a)
x
P (x)
1/6
1/6
1/6
1/6
1/6
1/6
b)
F (x) =
, < x < 1
n
6
,n x < n + 1
,6 x <
c) Trivial.
3.3.2.
3.4
1
4.
No Computador
Como o leitor pode ter notado, em alguns casos, e de fato necessario que lancemos mao das v.a. Ocorre, que
nem sempre estamos trabalhando com v.a. numericas. Neste caso, a v.a. serve de enumeracao do espaco amostral.
Imaginemos o lancamento de uma moeda. Os resultados possveis sao Cara ou Coroa. Contudo, o computador n
ao
trabalha com vari
aveis n
ao numericas em seus calculo!
17
Exemplo 3.4.1. No lancamento de uma moeda, podemos, por conveniencia, definir a v.a. X como sendo o n
umero
de faces cara. Isto e,
x = 0 Co
x = 1 Ca
18
3.4.1
Voce j
a deve ter percebido que a estimativa de probabilidades por meio de simulacao computacional, como
visto nos captulos anteriores n
ao requer grandes conhecimentos matematicos, mas sim, que saibamos contar, ou
melhor, que saibamos fazer com que a m
aquina conte por nos. De modo geral, cada uma dos problemas resolvidos via
simulac
ao, se resolvidos de maneira exata poderiam exigir conhecimentos como combinacoes, permutacoes etc. Porem,
uma estrutura simples, ap
os o soteio dos n
umeros aleatorios, nos permite contar facilmente os casos favoraveis em um
dado experimento aleat
orio. Normalmente a estrutura de contagem de casos favoraveis e dada por:
If condic
ao A ocorre
contA = contaA+1
endif
Volte nos exemplos envolvendo simulac
oes e observe cuidadosamente como os contadores foram utilizados. Vejamos
mais um exemplo.
Exemplo 3.4.2. Extraem-se duas cartas de um baralho comum de 52 cartas. As duas cartas s
ao extradas, uma ap
os
a outra, sem reposic
ao. Determine a probabilidade de ambas serem ases.
Soluc
ao: Antes de resolver este problema note que o espaco amostral se modifica com a retirada da primeira carta,
isto e, a retirada de um segundo
as ter
a probabilidade diferente da retirada do primeiro. Se a carta fosse reposta o
problema seria relativamente f
acil. Voce ir
a notar que a relac
ao de dependenciaentre eventos (retirada da primeira
carta e retirada da segunda carta) nos rementem a c
alculos e rotinas mais complicadas. Em Octave, temos:
A: Primeira carta As
B: Segunda carta As
19
s
ao dependentes (verifique). Se a primeira carta fosse reposta n
ao precisaramos deste laco. Considerando 100000
realizac
oes, obtemos 0, 00462.
3.4.2
4 3
0, 00452.
52 51
Gr
aficos
Os v
arios tipos de representac
ao gr
afica constituem uma ferramenta importante, pois facilitam a an
alise e a
interpretac
ao de um conjunto de dados.
Os gr
aficos est
ao presentes em diversos meios de comunicacao (jornais, revistas, internet) e estao ligados aos mais
variados assuntos do nosso cotidiano. Sua importancia esta ligada `a facilidade e rapidez com que podemos interpretar
as informac
oes. Os dados coletados e distribudos em planilhas podem ser organizados em graficos e apresentados de
uma forma mais clara e objetiva.
O Excel apresenta uma grande variedade de graficos: Barras, Colunas, Setores, Segmentos etc.
Exemplo 3.4.3. Consideremos a v.a. cuja distribuic
ao de probabilidades est
a expressa na tabela:
x
P (x)
0,1
0,2
0,2
0,3
0,1
0,1
20
Captulo 4
Aula 4
4.1
Vari
avel Aleat
oria Contua
Defini
c
ao 4.1.1. Uma v.a. X e dita ser contnua se seu contradomnio for um intervalo ou uma colec
ao de intervalos.
Exemplo 4.1.2. S
ao exemplos de v.a. contnuas:
? Temperatura da cidade de Vit
oria da Conquista em um dado momento.
? Di
ametro de um parafuso produzido por certa m
aquina.
4.1.1
Distribuic
ao de Probabilidade - Densidade
Se X e uma v.a. contnua, a probabilidade de X tomar determinado valor e, em geral, zero. Nao se pode, pois
definir uma funcao de probabilidade contnua da mesma maneira como o fizemos no caso de uma v.a. discreta.
Exemplo 4.1.3. Escolhido ao acaso um indivduo de um grande grupo de adultos do sexo masculino, a probabilidade
de sua massa ser exatamente 65 kg (isto e, 65, 000... quilos) e zero. Contudo, existe uma probabilidade finita, maior
do que zero, de X estar entre 67, 500 e 68, 500 quilos, por exemplo.
Com base nas ideias expostas acima, nos somos levados a postular a existencia de uma dada funcao f (x) tal que:
1. f (x) 0
R
2. f (x)dx = 1
Defini
c
ao 4.1.4. A probabilidade da v.a. X estar entre a e b, por
Z
P (a < X < b) =
f (x)dx
a
f (x)dx = 1
Z
0dx +
Z
0dx = 1
kxdx +
0
21
x2
kxdx = 1 k
2
1
= 1 k = 2.
0
Assim,
2x,
f (x) =
0,
0<x<1
do cont.
b) Temos que
P
1
3
<x<
4
4
3
4
Z
=
1
4
34
2x2
2xdx =
2
3
1
1
=
=
4
4
2
1
4
Observa
c
ao 4.1.6. O esboco do gr
afico de f (x) referente ao Exemplo 4.1.5 e bastante u
til para entendermos o
significado do item b). Observe que a probabilidade nada mais ser
a que a
area delimitada por f (x) e as retas x =
x=
3
4.
4.1.2
Func
ao de Distribuic
ao Acumulada
1 x2 , 0 < x < 3
9
f (x) =
0,
do cont.
a) Determine F (x).
b) Use F (x) para calcular diretamente P (1 < X < 2).
Soluc
ao: a) De maneira an
aloga ao caso discreto, repassando os somat
orios para integrais, temos:
Rx
0dx,
x0
R0
Rx 1 2
F (x) =
0dx + 0 9 x dx,
0<x<3
Rx
Rx 1 2
R0
0dx + 0 9 x dx + 3 0dx,
x3
0,
x0
1 3 x
F (x) =
0 + 27 x 0 ,
0<x<3
1 3 3
x3
0 + 27 x 0 + 0,
F (x) =
0,
x0
1 3
27 x ,
0<x<3
1,
x3
b) Note que
P (1 < x < 2) = F (2) F (1) =
1 3
1
7
2 13 =
.
27
27
27
N
ao e difcil ver que F (x) satisfaz as seguintes propriedades:
i) F () = 0;
ii) F () = 1;
iii) P (a < x < b) = P (a x b) = F (b) F (a);
iv) P (x = a) = 0;
v) F (X) e contnua.
Observa
c
ao 4.1.9. Esboce os gr
aficos do Exemplo 4.1.8. Observe as propriedades i), ii), iii), iv) e v).
22
1
4
4.2
Exerccios
0,
x0
Kx,
0 x < 500
f (x) =
0,
x 1000
Determine:
a) O valor de K.
b) P (250 x 750)
c) P (x = 500)
d) F (1000)
Exerccio 4.2.2. A func
ao de distribuic
ao acumulada de uma v.a. X e dada por:
1 e2x , x 0
F (x) =
0,
do cont
Com base na func
ao acima.
a) Determine f (x).
b) Calcule P (x > 2).
c) Calcule P (3 < x 4).
d) Mostre que limx F (x) = 1.
e) Mostre que limx f (x) = 0. content...
REPOSTAS:
4.2.1. a) K =
1
5002 ,
b)
3
4
c) 0 d) 1
4.2.2. a)
2e2x , x 0
f (x) =
0,
do cont
b) e4 c) 1 e8 d) Faca as contas.
4.3
e) Faca as prontas.
No Computador
O c
alculo de probabilidades envolvendo v.a. contnuas costuma esbarrar no calculo de integrais. O software
4(x+1)
0,
do cont
Determine P
1
3
<x<
2
3
Soluc
ao: Uma vez que n
ao e necess
ario conhecer explicitamente o valor da integral (indefinida), mas somente o valor
1
2
de P 3 < x < 3 . No Winplot, obtemos:
23
k 2 , 0<x<1
x+1
f (x) =
0,
do cont
Determine o valor de k.
Soluc
ao: Digitando na plataforma Wolfram Alpha como segue:
24
Captulo 5
Aula 5
5.1
Medidas de Posi
c
ao
Veremos a seguir as chamadas medidas de posic
ao. Tais medidas orientam-nos quanto a posicao da distribuic
ao
5.1.1
M
edia ou Esperanca Matem
atica
Defini
c
ao 5.1.1. Define-se a Media ou Esperanca Matem
atica de uma vari
avel aleat
oria como sendo:
X
E(X) = x =
xi P (xi ), X Discreta
Z
E(X) = x =
xf (x)dx, X Continua
20
40
30
P (xi )
1
6
1
6
1
6
1
6
1
6
1
6
Segue da Definic
ao 5.1.1, caso discreto
E(X) =
6
X
xi P (xi ) =
i=1
1
1
1
1
1
1
= 0. + 20. + 0. + 40. + 0. 30. = 5.
6
6
6
6
6
6
Observa
c
ao 5.1.3. No Exemplo 5.1.2 o valor medio R$ 5 n
ao e necessariamente um valor possvel de ser ganho.
Como voce esplicaria isso?
Exemplo 5.1.4. A func
ao de densidade de probabilidade da uma v.a. X e dada por:
1 (x + 1) 0 < x < 4
12
f (x) =
0
do cont.
Determine o valor esperado da v.a. X.
Soluc
ao: Usando a Definic
ao 5.1.1, caso contnuo
Z
Z
E(x) =
xf (x)dx =
25
x.
1
(x + 1)dx =
12
1
12
4
1 x3
x2
+
=
12 3
2 0
1 43
42
=
+
=
12 3
2
(x2 + x)dx =
Propriedades da M
edia
i) Se X = K e uma vari
avel aleat
oria constante, entao
E(K) = K.
ii) Multiplicando-se uma v.a. X por uma constante, sua media fica entao multiplicada por essa constante.
E(KX) = KE(X).
iii) A meida da soma (ou diferenca) de duas v.a. X e Y e igual a soma (ou diferenca) das medias, isto e:
E(X Y ) = E(X) E(Y ).
iv) Somando (ou subtraindo) uma constante a uma v.a. X, a sua media fica somada (ou subtrada) da mesma
constante.
E(X K) = E(X) K.
5.1.2
Mediana
Defini
c
ao 5.1.5. A Mediana (M d) de uma v.a. X e o valor que divide a distribuica
o em duas partes iguais, isto e,
F (M d) = 0, 5.
Exemplo 5.1.6. Determine a mediana da v.a. X cuja distribuica
o de probabilidade e dada por:
xi
P (xi )
1
10
2
10
2
10
1
10
1
10
3
10
Soluc
ao: Basta observar que
F (3) = P (X = 2) + P (X = 1) + P (X = 3) =
1
2
2
1
=
+
+
= .
10 10 10
2
Logo, M d = 3.
Soluc
ao: Note que F (3) =
3
10 ,
F (6) =
xi
P (xi )
1
10
1
10
1
10
3
10
2
10
2
10
6
10 .
M d = 6.
Exemplo 5.1.8. Determine a mediana da v.a. contnua X cuja func
ao densindade e dada por:
2x 0 x 1
f (x) =
0
do cont.
Soluc
ao: Basta resolver a equac
ao
Z
Md
F (x) = 0, 5
Z
f (x)dx = 0, 5 =
Md
2xdx = 0, 5
0
p
M d
= x2 0 = 0, 5 M d2 = 0, 5 M d = 0, 5.
26
5.1.3
Moda
Defini
c
ao 5.1.9. A Moda (M o) de uma v.a. X e o valor de maior probabilidade se X for discreta e de maior
densidade se X for contnua.
Caso X tenha mais de um valor satisfazendo a condicao de moda, dizemos que X e uma distribuic
ao amodal.
Neste caso tambem e possvel, segundo alguns autores, classificar a distribuicao em bimodal (dois valores de moda),
trimodal (tres valores de moda).
Exemplo 5.1.10. Determine a moda das distribuic
oes X e Y a seguir:
xi
P (xi )
1
10
3
10
2
10
2
10
1
10
1
10
yi
P (yi )
1
10
1
10
1
10
3
10
3
10
1
10
Soluc
ao: A moda da v.a. X e M o = 1 uma vez que X = 1 possui maior probabilidade. Por outro lado, a v.a. Y e
amodal pois n
ao h
a um u
nico valor satisfazendo a condic
ao da moda.
Exemplo 5.1.11. Determine a moda da v.a. X cuja func
ao densidade de probabilidade e dada por
4x(9x2 ) 0 x 3
81
f (x) =
0
do cont.
Soluc
ao: Do c
alculo diferencial, temos:
x=
e o valor m
aximo de f em [0, 3]. De fato,
d 4x(9 x2 )
36 12x2
=0
=0
dx
81
81
36 12x2 = 0 x = 3.
Alem disso,
d
36 12x2
36 24x
( 3) =
( 3) =
( 3)
dx
81
81
36 24. 3
=
< 0 (teste da derivada segunda)
81
Vemos que f ( 3) e um m
aximo local. Testando em f os valores, 0, 3 (limite inferior e superior do intervalor [0,3])
5.2
Exerccios
1 x = 1, 2, 3, ...
2x
f (x) =
0
do cont.
Determine:
a) a media de X.
b) a mediana de X.
c) a moda de X.
27
x(4x2 ) 0 x 2
4
f (x) =
0
do cont.
Determine:
a) a media de X.
b) a mediana de X.
c) a moda de X.
d) Esboce o gr
afico de f juntamente com os valores obtidos nos itens a), b) e c).
REPOSTAS:
5.2.1. a) E(X) = 2,
5.2.2. a) E(x) =
16
15
b) qualquer n
umero entre 1 e 2 pode ser a mediana (por que?), c) M o = 21 .
p
5.3
No Computador
O computador se mostra uma ferramenta muito u
til na determinacao nao so de probabilidade como tambem das
29
Captulo 6
Aula 6
6.1
Vari
ancia e Desvio Padr
ao
Nesta parte abordaremos duas das medidas bastante u
teis, a Vari
ancia e o Desvio Padr
ao pertencentes
a classe
Defini
c
ao 6.1.1. O momento de ordem k de uma vari
avel aleat
oria X em relaca
o `
a media , e definido por
k = E((X )k )
? k =
Pn
? k =
i=1 (xi
Defini
c
ao 6.1.2. O momento de ordem k em relaca
o `
a origem e definido como
0k = E(X k ).
A utilizac
ao do momento centrado na origem facilitara algumas contas.
Defini
c
ao 6.1.3. Define-se a vari
ancia de uma vari
avel aleat
oria X como sendo
2
V ar(X) = X
= E((X X )2 ).
Uma f
ormula mais pr
atica para o c
alculo da variancia e conseguida da seguinte maneira:
2
X
= E((X X )2 ) = E(X 2 2X + 2X ) =
Defini
c
ao 6.1.4. Define-se o desvio padr
ao de uma vari
avel aleat
oria X como sendo
q
2 .
X = X
30
O desvio-padr
ao e uma das medidas de dispersao mais importante. Costumamos utilizar o desvio-padr
ao, como
criterio de comparac
ao de duas ou mais v.a. nos casos em que as seguintes condicoes sao satisfeitas por estas:
i) usarem a mesma unidade de medida;
ii) usarem a mesma escala;
iii) apresentarem medias aproximadamente iguais.
Caso n
ao tenhamos verificadas as condic
oes acima, recorremos ao coeficiente de variacao, utilizado para calcular a
dispers
ao de maneira relativa.
CVX =
X
.
E(X)
P (xi )
1
10
2
10
2
10
1
10
1
10
3
10
yi
P (yi )
2
10
1
10
2
10
1
10
3
10
1
10
Soluc
ao: Temos que V ar(X) = E(X 2 ) E(X)2 . Pois bem,
E(X) =
6
X
xi P (xi ) =
= 2.
2
2
1
1
3
1
+ 1. + 3. + 6. + 7. + 9.
= 4, 6
10
10
10
10
10
10
6
X
E(X 2 ) =
x2i P (xi ) =
i
1
2
2
1
1
3
= (2) . + 12 . + 32 . + 62 . + 72 . + 92 .
= 35, 2
10
10
10
10
10
10
2
Portanto,
V ar(X) = E(X 2 ) E(X)2 = 35, 2 4, 62 = 14, 04
p
X = 14, 04 3, 747.
De maneira an
aloga, temos:
6
X
yi P (yi ) =
E(Y ) =
2
1
2 i
1
3
1
= 2. + 1. + 3. + 6. + 7. + 9.
= 3, 9
10
10
10
10
10
10
6
X
E(Y 2 ) =
yi2 P (yi ) =
i
2
1
2
1
3
1
= (2) . + 12 . + 32 . + 62 . + 72 . + 92 .
= 29, 1
10
10
10
10
10
10
2
Portanto,
V ar(Y ) = E(Y 2 ) E(Y )2 = 29, 1 3, 92 = 13, 89
p
Y = 13, 89 3, 727.
Note que, E(X) >> E(Y ). Assim, a pura an
alise do desvio-padr
ao pode nos enganar (pois as medias s
ao diferentes).
Recorremos ent
ao ao coeficiente de variac
ao:
CVX =
3, 747
0, 815
4, 6
CVY =
3, 727
0, 956
3, 9
31
2x 0 x 1
f (x) =
0
do cont.
Soluc
ao: Temos que
Z
Z 1
x.f (x)dx =
x.2xdx =
E(X) =
0
Z 1
1
x3
1
2
2.
x2 dx = 2
= 2. = .
3 0
3
3
0
Z
Z 1
E(X 2 ) =
x2 .f (x)dx =
x2 .2xdx =
0
4 1
Z 1
1
1
x
3
= 2.
x dx = 2.
= 2. = .
4
4
2
0
0
Por fim,
2
2
1
1
=
6.2
Exerccios
1 2 x 2
4
f (x) =
0
do cont.
Calcule a vari
ancia e o desvio padr
ao de X.
Exerccio 6.2.3. Seja X uma v.a. com func
ao de densidade
ex 2 x 2
f (x) =
0
do cont.
Determine a vari
ancia e o desvio padr
ao de X.
REPOSTAS:
6.2.2. V ar(X) = 43 ,
q
X = 35
.
q 12
4
X = 3 .
6.2.3. V ar(X) = 1,
X = 1.
6.2.1. V ar(X) =
6.3
35
12 ,
No Computador
O Excel e uma ferramenta bastante util no calculo da media e desvio padrao devido `a certas facilidades, como
32
33
Captulo 7
Aula 7
7.1
Modelos de Distribui
c
ao de Probabilidade - Caso Discreto
Nesta aula apresentaremos alguns dos principais modelos de distribuicoes discretas de probabilidade.
7.1.1
Distribuic
ao de Bernoulli
x1 = 1 (sucesso)
x2 = 0 (fracasso)
p(x1 ) = p
p(x2 ) = 1 p
P (X)
1
X
Vari
ancia:
2
X
= E(X )
2X
1
X
!
x2i P (xi )
2X =
0
= 02 (1 p) + 12 p p2 = p(1 p).
Exemplo 7.1.1. Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja X a v.a. representando o n
umero de bolas verdes. Calcular E(X) e V ar(X).
Soluc
ao:
Temos que
0,
X=
1,
1p=
p=
20
50
30
50
3
5
2
5
Assim,
2
E(X) = p =
5
2
2
2 3
6
V ar(X) = . 1
= . =
5
5
5 5
25
34
7.1.2
Distribuic
ao Binomial
1
= 50
2
p
100 0, 5 0, 5 = 5.
7.1.3
Distribuic
ao Multinomial
Esta distribuic
ao se trata de uma generalizacao da distribuicao Binomial.
Suponhamos que os eventos A1 , ..., Ak possam ocorrer com probabilidade p1 , p2 , ..., pk , com p1 + ... + pk = 1. Se
X1 , . . . , Xk s
ao as v.a. que d
ao, respectivamente, os n
umeros de vezes que A1 , ..., Ak ocorrem em n provas, de modo
que X1 + ... + Xk = n, ent
ao
P (X1 = n1 , ..., Xk = nk ) =
35
n!
pn1 ...pnk k .
n1 !...nk ! 1
10!
3!2!1!1!2!1!
7.1.4
Distribuic
ao de Poisson
Agora veremos uma importante distribuicao descoberta e estudada por S. D. Poisson na primeira metade do
seculo XIX.
Uma v.a. Poisson satisfaz as seguintes propriedades:
M
edia:
X =
Vari
ancia:
2
X
= .
Seja X uma v.a. discreta que pode tomar os valores 0, 1, 2, ... e cuja funcao de probabilidade e dada por
P (X = x) =
x e
, x = 0, 1, 2, ...
x!
23 e2
3!
0, 180
b) P (X > 2) = 1 (P (X = 0) + P (X = 1) + P (X = 2)) =
0 2
1 2
2 2
e
e
e
= 1 2 0!
+ 2 1!
+ 2 2!
= 1 5e2 0, 323.
7.2
Exerccios
Exerccio 7.2.1. Determine a probabilidade de que, em 5 jogadas de um dado, apareca 3 ao menos duas vezes.
Exerccio 7.2.2. Em uma famlia de 4 filhos, determine a probabilidade de termos ao menos uma menina e um
menino. (Admita igual a 0, 5 a probabilidade de nascimento de cada sexo)
Exerccio 7.2.3. Uma caixa contem 5 bolas vermelhas, 4 brancas e 3 azuis. Extrai-se uma bola ao acaso, anota-se a
cor, repondo-se em seguida a bola na caixa. Determine a probabilidade de que, de 6 bolas assim escolhidas, 3 sejam
vermelhas, 2 sejam brancas e 1 seja azul.
36
Exerccio 7.2.4. Dez por cento das pecas produzidas por certo processo de fabricaca
o acusam defeitos. Determine a
probabilidade de que, em uma amostra aleat
oria de 10 pecas, exatamente 2 sejam defeituosas. Assuma tratar-se de
uma v.a. de Poisson.
REPOSTAS:
7.2.1. 0, 1962
7.2.2.
7
8
7.2.3. 0, 1206
7.2.4. 0, 1839
7.3
No Computador
O software STATDISK e bastante u
til quando trabalhamos com distribuicoes discretas de probabilidades. Ve-
7.3.1
Distribuic
ao Binomial no STATDISK
37
7.3.2
Distribuic
ao de Poisson no STATDISK
400
500
= 0, 8 erros por p
agina. Inserindo os
38
Captulo 8
Aula 8
8.1
Precis
ao e Arredondamento
Nesta parte, sup
oe-se, que as medidas utilizadas para os calculos sao valores laboratoriais, isto e, valores cuja
8.2
Popula
c
ao, Amostra e Representatividade
A seguir apresentaremos dois dos conceitos mais importantes para os estudos posteriores.
um conjunto de indivduos ou objetos que apresentam pelo menos uma caracterstica comum (a ser
Popula
c
ao: E
estudada). Uma populac
ao pode ser considerada finita ou infinita. Na pratica, quando uma populacao e finita, com
um grande n
umero de elementos, considera-se como populacao infinita.
Amostra: Trata-se de um subconjunto de uma populacao, que mesmo tendo tamanho reduzido, ainda consiga
representar a populac
ao.
Considerando-se a impossibilidade, na maioria das vezes, do tratamento de todos os elementos da populac
ao,
retira-se uma amostra. Contudo, a escolha desta amostra deve seguir padroes pre-estabelecidos (veremos logo mais).
Isso evita que tenhamos resultados tendencioso e consequentemente nao representativos.
Exemplo 8.2.1. Por exemplo, perguntar para os familiares e amigos de uma candidato a prefeito, em quem ir
ao
votar, com a finalidade de saber quem ganhar
a as eleico
es na cidade. Obviamente j
a sabemos a resposta (ou temos
ideia) e nada nos garante que ela represente as intec
oes de toda a cidade, mesmo que o tamanho da amostra seja
adequado!
8.3
Distribui
c
ao de Frequ
encia
Em estatstica, uma distribuic
ao de frequencia e um arranjo, em forma de tabela, dos valores que uma ou mais
vari
aveis assumem em uma amostra. Cada entrada na tabela contem a frequencia, ou a contagem de ocorrencias de
valores em um grupo ou intervalo especfico, e deste modo, a tabela de distribuicao apresenta uma resumo de todas
as informac
oes. A seguir veremos os passos para a construcao de uma tabela de distribuicao de frequencia.
Pois bem, vejamos agora os passos para obtermos uma distribuicao de frequencia. Trabalharemos com um exemplo
padr
ao (e mais outros exemplos) a fim de fazermos um estudo completo.
o conjunto dos dados numericos obtidos apos a crtica dos valores coletados.
I. Dados Brutos: E
59,2
51,9
54,7
70,2
48,5
69,3
57,4
58,0
47,0
55,4
63,2
62,4
63,2
49,7
70,4
78,9
78,4
64,4
69,9
77,3
61,2
61,2
60,4
63,2
59,9
61,8
67,5
51,4
63,2
48,5
49,7
51,4
51,9
54,7
55,4
57,4
58,0
59,2
59,9
60,4
61,2
61,2
61,8
62,4
63,2
63,2
63,2
63,2
64,4
65,2
67,5
69,3
69,9
70,2
70,4
77,3
78,4
78,9
40
A distribuic
ao de frequencias para o exemplo ser
a:
Xi
Fi
47, 0
48, 5
..
.
1
..
.
63, 2
..
.
4
..
.
78, 9
P
1
30
Quantidade
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
63, 2 ` 68, 6
68, 6 ` 74, 0
74, 0 ` 79, 4
P
3
30
Observa
c
ao 8.3.2. As regras para a construca
o de uma tabela de distribuic
ao de frequencias n
ao s
ao de todo rgidas.
Em alguns casos e possvel que n
ao se utilize de uma regra especfica ou ate mesmo se utilize de uma outra. Contudo,
isso pode gerar erros em c
alculos futuros com base nos valores tabelados. Se o objetivo e uma an
alise superficial ou
a pura exposic
ao da amostra n
ao h
a problemas. Por exemplo, poderamos ter reescrito a tabela do anterior
41
come
cando de 45( 47, 0) e usando h = 6, 0( 5, 4).
Peso (kg)
Quantidade
45, 0 ` 51, 0
51, 0 ` 57, 0
57, 0 ` 63, 0
63, 0 ` 69, 0
69, 0 ` 75, 0
75, 0 ` 81, 0
P
3
30
PORTANTO, NAO
8.4
Exerccios
1,462
1,482
1,499
1,523
1,524
1,535
1,545
1,559
1,572
1,600
1,600
1,630
1,654
1,667
1,690
1,720
1,734
1,734
1,735
1,740
1,741
1,742
1,750
1,755
1,762
1,773
1,793
1,799
1,820
1,833
1,841
1,913
1,920
1,950
a) Determine a precis
ao do instrumento utilizado na medic
ao.
b) Construa uma tabela de distribuic
ao de frequencia com dados agrupados em classes.
Exerccio 8.4.2. O consumo, em kWh, de uma residencia ao longo de 42 meses e mostrado a seguir:
130,0
130,0
131,0
131,0
132,0
132,0
132,0
135,0
135,0
135,0
135,0
135,0
136,0
137,0
137,0
137,0
138,0
138,0
141,0
141,0
142,0
142,0
145,0
149,0
150,0
152,0
152,0
153,0
154,0
158,0
158,0
159,0
160,0
160,0
165,0
166,0
169,0
169,0
170,0
171,0
171,0
172,0
Quantidade
17 ` 20
20 ` 23
10
23 ` 26
26 ` 29
29 ` 32
32 ` 35
P
3
29
Estime, sem usar o rol, em qual(ais) classe(s) devem estar a media a moda e a mediana.
42
REPOSTAS:
8.4.1. a) regua com escala em cm
b)
Altura (cm)
Quantidade
145, 1 ` 153, 5
153, 5 ` 161, 9
161, 9 ` 170, 3
170, 3 ` 178, 7
11
178, 7 ` 187, 1
187, 1 ` 195, 5
P
4
36
8.4.2.
Consumo (kWh)
Quantidade
130, 0 ` 136, 0
12
136, 0 ` 142, 0
142, 0 ` 148, 0
148, 0 ` 154, 0
154, 0 ` 160, 0
160, 0 ` 166, 0
166, 0 `
a 172, 0
P
7
42
8.5
M d 20 ` 23
M o 20 ` 23.
No Computador
Uma das coisas que mais demandam tempo antes da construcao de uma tabela estatstica e a arrumac
ao dos
dados em um rol para facilitar sua posterior contagem, evitando assim, enganos. O software Excel apresenta uma
forma bastante simples de organizarmos um rol a partir de dados brutos.
Exemplo 8.5.1. Os dados a seguir representam as idades de 26 alunos de um curso tecnico.
18 25 22 23 27 24 25 26 24 25 42 32 28
28 27 29 25 25 24 23 27 23 28 38 35 22
Apresente o rol e uma tabela de distribuic
ao de frequencia com dados agrupados em classes.
Soluc
ao: A Figura 8.1 mostra tudo que foi solicitado.
Rol
Passos: i) Nomeie a primeira coluna (A) como Ordem e insira, a partir da celula A2, um inteiro para cada elemento
da elemento da amostra, isto e, comece de 1 e termine no n
umero total de dados brutos; ii) Nomeie a segunda coluna
(B) como Dados Brutos e insira os dados brutos; iii) Nomeie a terceira coluna (C) como Rol e na sua segunda
celula insira = M EN OR($B$2 : $B$27; A2)e depois arraste, para baixo, ate que a quantidade de celulas seja igual
ao n
umero de elementos;
Pr
e-Tabela
Passos: iv) Na celula E3, coloque o valor da amplitude; v) Na celula F 3 coloque o seguinte comando = 1 + 3, 22
43
44
Captulo 9
Aula 9
9.1
classes. A presenca de outros itens na tabela de distribuicao de frequencia pode nos fornecer ainda mais informac
oes.
Vejamos
a media aritmetica entre o limite superior e inferior de cada classe.
VIII. Pontos M
edios das Classes (xi ): E
Peso (kg)
Quantidade
xi
47, 0 ` 52, 4
49, 7
52, 4 ` 57, 8
55, 1
57, 8 ` 63, 2
60, 5
63, 2 ` 68, 6
65, 9
68, 6 ` 74, 0
71, 3
74, 0 ` 79, 4
P
76, 7
30
Em particular, o valor 49, 7 pesente na segunda linha e terceira coluna, foi obtido da seguinte forma:
47, 0 + 52, 4
= 49, 7.
2
N
ao e necess
ario arredondar o ponto medio para a precisao do instrumento. Ele sera bastante u
til em c
alculos
posteriores, como por exemplo o c
alculo da media aritmetica.
a soma das frequencias dos valores inferiores ou iguais ao valor
IX. Frequ
encia Absoluta Acumulada (Fac ): E
dado.
Peso (kg)
Quantidade
Fac
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
16
63, 2 ` 68, 6
23
68, 6 ` 74, 0
27
74, 0 ` 79, 4
P
30
30
X. Frequ
encia Relativa (fi ): A frequencia relativa e dada por f =
dado elemento(elementos de uma classe) na amostra.
45
Fi
n ,
9.2
Peso (kg)
Quantidade
Fac
47, 0 ` 52, 4
5/30
52, 4 ` 57, 8
3/30
57, 8 ` 63, 2
8/30
63, 2 ` 68, 6
7/30
68, 6 ` 74, 0
4/30
74, 0 ` 79, 4
P
3/30
30
Representa
c
ao Gr
afica
Podemos colocar as informac
oes contidas numa tabela por meio de um grafico (ou vice versa). Vejamos alguns
destes gr
aficos.
a representac
XI. Histograma: E
ao gr
afica por meio de retangulos justapostos com base sobre as classes e alturas
iguais `
as suas respectivas frequencias.
46
9.3
Exerccios
Exerccio 9.3.1. a) Complete cada uma das tabelas a seguir com o Ponto Medio das Classes, a Frequencia, Frequencia
Acumulada e a Frequencia Relativa.
b) Para cada uma das tabelas a seguir esboce o Histograma, o Polgono de Frequencia e o Polgono de frequencia
acumulada.
Idade (anos)
Quantidade
17 ` 20
20 ` 23
10
23 ` 26
26 ` 29
29 ` 32
32 ` 35
P
3
29
Altura (cm)
Quantidade
145, 1 ` 153, 5
153, 5 ` 161, 9
161, 9 ` 170, 3
170, 3 ` 178, 7
11
178, 7 ` 187, 1
187, 1 ` 195, 5
P
4
36
Consumo (kWh)
Quantidade
130, 0 ` 136, 0
12
136, 0 ` 142, 0
142, 0 ` 148, 0
148, 0 ` 154, 0
154, 0 ` 160, 0
160, 0 ` 166, 0
166, 0 `
a 172, 0
P
REPOSTAS:
9.3.1 Triviais. Em caso de d
uvida consulte o professor.
47
42
9.4
No Computador
Conforme mencionado na Aula 3 o software Excel e bastante util no esboco de graficos. Alem disso, temos grande
facilidade no c
aculo de pontos medios das classes, freencias acumuladas e frequencias relativas.
Exemplo 9.4.1. A tabela a seguir mostra a renda mensal de 35 famlias da classe baixa
Peso (kg)
Quantidade
900 ` 1000
1000 ` 1100
1100 ` 1200
11
1200 ` 1300
1300 ` 1400
1400 ` 1500
P
2
35
Apresente uma tabela expandida contendo o ponto medio das classes, a frequencia acumulada e a frequencia relativa.
Soluc
ao: No Excel, temos:
H8.
Frequ
encia Relativa
Passos: v) Na celula I3 insira a f
ormula = I3/F 9e arraste ate a celula I8.
Construa o polgono de frequencia absoluta, o polgono de frequencia acumulada e o histograma!
49
Captulo 10
Aula 10
10.1
Medidas de Posi
c
ao - M
edias
Destacaremos agora algumas medidas de posicao que possibilitaram representar um conjunto de dados relativo `
a
observac
ao de determinado fen
omeno de forma resumida. Como visto anteriormente estas sao medidas que orientamnos quanto `
a posic
ao da distribuic
ao no eixo x (eixo dos n
umeros reais), possibilitando a comparacao de series de
dados entre si pelo confronto desses n
umeros.
M
edia Aritm
etica: A media aritmetica dos dados x1 , x2 , ..., xk , com frequencias F1 , F2 , ..., Fk respectivamente e
dada por:
Pk
xi Fi
x = Pi=1
.
k
i=1 Fi
Nos casos em que a distribuic
ao for contnua, xi representara os pontos medias das classes.
Exemplo 10.1.1. Determine a media aritmetica dos dados:
Xi
Fi
47, 0
48, 5
50, 5
52, 0
Soluc
ao: Pela f
ormula, temos
x=
Quantidade
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
63, 2 ` 68, 6
68, 6 ` 74, 0
74, 0 ` 79, 4
50
Quantidade
xi
47, 0 ` 52, 4
49, 7
52, 4 ` 57, 8
55, 1
57, 8 ` 63, 2
60, 5
63, 2 ` 68, 6
65, 9
68, 6 ` 74, 0
71, 3
74, 0 ` 79, 4
P
76, 7
30
Assim,
x=
49, 7.5 + 55, 1.3 + 60, 5.8 + 65, 9.7 + 71, 3.4 + 76, 7.3
=
5+3+8+7+4+3
62, 48 kg
= 62, 5 kg
M
edia Geom
etrica: A media geometrica dos dados x1 , x2 , ..., xk , com frequencias F1 , F2 , ..., Fk respectivamente e
dada por:
Mg =
q
n
Fk
1 F2
xF
1 x2 ...xk .
Ano
5, 25
2012
4, 75
2013
5, 25
2014
9, 30
2015
Soluc
ao:
Mg =
p
4
4, 751 .5, 252 .9, 301 = 5, 907092767%
= 5, 91%
M
edia Harm
onica: A media harm
onica dos dados x1 , x2 , ..., xk , com frequencias F1 , F2 , ..., Fk respectivamente e
dada por:
Pk
Fi
M h = Pki=1 F .
i
i=1 xi
Fi
47, 0
48, 5
50, 5
52, 0
Soluc
ao: Pela f
ormula, temos
Mh =
4
47,0
4+5+3+4
5
3
+ 48,5
+ 50,5
+
4
52,0
51
= 49, 30234349
= 49, 3.
Exemplo 10.1.5. Uma empresa produziu, durante o primeiro trimestre do ano passado, 500, 200 e 200 unidades, em
janeiro, fevereiro e marco, respctivamente. Qual foi a produc
ao media mensal nesse trimestre?
Soluc
ao: Que media e essa que queremos? Queremos a media M tal que, se a produc
ao mensal fosse sempre igual a
M , a produc
ao trimestral seria a mesma. A produc
ao trimestral foi de 500 + 200 + 200. Se todos os meses a produc
ao
fosse igual a M , a produc
ao trimestral seria igual a 3M . Logo,
3M = 500 + 200 + 200 M = 300.
A media desejada era a aritmetica.
Exemplo 10.1.6. Uma empresa aumentou sua produc
ao durante o primeiro bimestre do ano passado Em janeiro e
em fevereiro, as taxas de aumento foram 21, 0% e 8, 0%, respectivamente. Qual foi a taxa media de aumento mensal
nesse bimestre?
Soluc
ao: Que media queremos? Queremos a taxa media i tal que, se em todos os meses a taxa de aumento fosse igual
a i, o aumento bimestral seria o mesmo. O aumento bimestral foi de 30, 68%, conforme mostra o esquema
100 100.1, 21 100.1, 21.1, 08 = 130, 68
Se em todos esses os meses tivessemos um aumento de taxa i (aumento sobre aumento), teramos
100 100(1 + i) 100(1 + i)2 .
Ent
ao,
100(1 + i)2 = 100.1, 21.1, 08 (1 + i)2 = 1, 21.1, 08
p
1 + i = 1, 21.1, 08
= 1, 143153533 i
= 14, 3%
Exemplo 10.1.7. Um concurso anual distribui entre os vencedores um premio total de R$ 1800, 00. Nos u
ltimos tres
anos houve 2, 1 e 3 premiados, respectivamente. Qual foi o premio medio desses ganhadores?
Soluc
ao: Queremos uma media tal que, se todos os premios fossem iguais a essa media, o total distribudo seria o
mesmo. Essa e precisamente a media aritmetica. Os premios foram de 1800/2 = 900, 1800/1 = 1800 e 1800/3 = 600.
O premio medio foi de (900 + 1800 + 600)/3 = 1100 reais. Observe que a media aritmetica dos rateios e igual a
1
1800. 12 + 1800. 11 + 1800. 13
+1+1
= 1800. 2 1 3
3
3
3
1800 1 1 1 = 1800.M h(2, 1, 3).
2 + 1 + 3
Teorema 10.1.8. Se x1 , x2 , ..., xn s
ao n
umeros positivos, e x, M g e M h s
ao as medias aritmetica, geometrica e
harm
onica, respectivamente, ent
ao
M h M g x.
10.2
Exerccios
Quantidade
17 ` 20
20 ` 23
10
23 ` 26
26 ` 29
29 ` 32
32 ` 35
P
3
29
52
Altura (cm)
Quantidade
145, 1 ` 153, 5
153, 5 ` 161, 9
161, 9 ` 170, 3
170, 3 ` 178, 7
11
178, 7 ` 187, 1
187, 1 ` 195, 5
P
4
36
10
b) 1
c) 5
REPOSTAS:
24 anos,
10.2.1. x =
x
= 169, 9 kW h
10.3
Qual M
edia Usar?
A na pr
oxima sec
ao apresentaremos comandos que nos permitirao calcular rapidamente cada uma das medias
apresentadas anteriormente. Contudo, ao observamos uma situacao, devemos decidir qual das medias utilizar e isso
nem sempre e f
acil. Nos Exemplos 10.1.5, 10.1.6 e 10.1.7 respondemos `a pergunta norteadora Que media queremos?.
Isso s
o foi possvel pois conheciamos a natureza dos dados. Contudo, dispondo apenas dos dados, advindos de uma
situac
ao onde sua real natureza e desconhecida, como proceder? Vejamos agora algumas consideracoes sobre o uso de
cada uma das medias.
Para entendermos qual media utilizar, devemos, antes de tudo, saber o que a funcao da media. A resposta e
bastante simples, a m
edia deve representar os dados. Essa representacao deve levar em conta a frequencia com
que os dados aparecem.
A media arimetica e, de longe a mais comum dentre as tres medias. Recomenda-se seu uso quando os dados n
ao
apresentam valores atpicos muito elevados. Por outro lado, a media harmonica, talvez a menos conhecida das tres
medias, presta-se muito bem nos casos, onde a maioria dos dados se apresentam distribuidos de maneira uniforme e
uma pequena parte apresenta valor elevado. Em outras palavras, Uma vez que a media harmonica de uma serie de
n
umeros tende fortemente para o mnimo de elementos da lista, ele tende (em comparacao com a media aritmetica)
para mitigar o impacto de grandes valores atpicos e agravar o impacto de valores menores.
Exemplo 10.3.1. Determine, em cada caso, dentre a media aritmetica aquela que melhor representam as series
dadas.
A: 1 1 1 2 2 2 2 3 3 4
B: 1 1 1 2 2 2 2 3 3 8
C : 0, 1 1 1 1 2 2 2 2 3 3
Soluc
ao: Calculando as medias aritmeticas e harm
onicas das series obtemos: s
ao descartadas da contagem.
53
Media
Serie A
Serie B
Serie C
Aritmetica
2,1
2,7
1,71
Harm
onica
1,6901
1,7341
0,6383
Observe que a serie A, tanto pode ser representada pela media aritmetica, quanto pela media harm
onica, uma vez
que estas est
ao pr
oximas dos dados, isto e, ambas est
ao entre 1 e 3 que corresponde ao grupo apresentando a maior
parte dos dados! Por outro lado, a serie B apresenta uma media aritmetica, embora entre 1 e 3, muito pr
oxima
do 3, quando, na verdade, deveria est
a pr
oxima do valor 2 uma vez que os valores 1 e 2 s
ao mais frequentes, com 7
ocorrencias em 10 observac
oes. Sendo assim, a media harm
onica e mais representativa que a media aritmetica quando
tratamos da serie B. Por u
ltimo, a media aritmetica e a que parece representar melhor a serie C. Note qua a media
harm
onica apresenta uma for tendencia em se aproximar do menor valor 0, 1, mesmo sua frequencia sendo apenas 1
em 10.
Observando a f
ormula da media harm
onica, podemos perceber por que ela e tao boa para avaliar series contendo
dados com alto valor (em pequena quantidade) e tao ruim quando nos deparamos com dados com baixo valor:
Elemento xk grande: xk +
Pk
Fi
limxk + M h(x1 , ..., xk ) = limxk + Pki=1 F =
i
i=1 xi
F1
x1
F1 + ... + Fk1 + Fk
M h(x1 , ..., xk1 )
k1
+ ... + Fxk1
+ limxk + Fxkk
Elemento x1 pequeno: x1 0
Pk
Fi
limx1 0 M h(x1 , ..., xk ) = limx1 0 Pki=1 F =
i
i=1 xi
F1 + F2 + ... + Fk
limx1 0 Fx11 + Fx22 + ... +
Fk
xk
Quanto `
a media geometrica, n
ao h
a muito o que discutir, sendo sua utilizacao bastante clara. Ela se adequa de modo geral a situc
oes nas quais os dados estiverem inter-relacionados como, por exemplo, taxas de crescimento/decrescimento, taxas de investimento, no qual a quantidade futura aumenta/diminui levando-se em conta a
quantidade atual. O Exemplo 10.1.6 e bastante claro neste caso.
10.4
No Computador
O c
alculo das medias j
a vem implementado em praticamente todos os softwares estatsticos. Em particular,
citamos o Excel e o Octave:
Excel: Escreva a f
ormula correspondente e depois selecione os dados. Celulas em branco s
ao descartadas da contagem.
Media
F
ormula
=MEDIA
Aritmetica
Geometrica
Harm
onica
=MEDIA.GEOM
ETRICA
=MEDIA.HARM
ONICA
F
ormula
Aritmetica
mean(x,a)
Geometrica
mean(x,g)
Harm
onica
mean(x,h)
54
Captulo 11
Aula 11
11.1
Quantis
in
m,
i = 1, 2, ..., m 1.
Passo 2: Identifica-se a classe de Div(i) pela Fac . Para tanto observa-se em que classe o valor de
in
m
se encontra.
Passo 3: Aplica-se a f
ormula.
Algumas divis
oes mais comuns s
ao:
i) Mediana (m=2): Obteremos um valor que divide a distribuicao (dados em ordem crescente ou decrescente) em
duas partes com igual quantidade de elementos. Indicaremos por x
.
ii) Quartis (m=4): Obteremos tres valores Qi = Div(i), isto e, estes tres valores separam os elementos em quatro
intervalos contendo uma quantidade de elementos aproximadamente igual. Mais especificamente, o primeiro quartil
Q1 deixa 25% dos elementos antes e 75% depois. O segundo quartil Q2 corresponde a mediana. E o terceiro quartil
Q3 deixa 75% dos elementos antes e 25% depois.
iii) Decis (m=10):: Obteremos nove valores Di = Div(i), que nos fornecerao 10 subintervalos com quantidade de
elementos aproximadamente iguais. Em particular, o sexto decil D6 deixa 60% dos elementos antes e 40% depois.
iv) Percis (m=100): Obteremos noventa e nove valores Pi = Div(i), que nos fornecerao 100 subintervalos com
quantidade de elementos aproximadamente iguais.
55
Quantidade
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
63, 2 ` 68, 6
68, 6 ` 74, 0
74, 0 ` 79, 4
Determine:
a) A mediana.
b) O terceiro quartil.
c) O setimo decil.
Soluc
ao: A tabela de frequencia acumulada nos ajudar
a bastante.
Peso (kg)
Quantidade
Fac
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
16
63, 2 ` 68, 6
23
68, 6 ` 74, 0
27
74, 0 ` 79, 4
30
x
: Note que a mediana x
est
a associada ao valor
1.30
2
Assim,
?
x = lx +
1.30
2
P
F .h
= 57, 8 +
Fx
= 62, 525 kg
= 62, 5 kg
3.30
4
3.30
4
1.30
2
8 .5, 4
=
8
= 68, 21428571 kg
= 68, 2 kg
?D7 : Note que D7 est
a associado ao valor
D7 = lD7 +
7.30
10
7.30
10
= 67, 05714286 kg
= 67, 1 kg
11.2
Moda
56
Mo = l +
onde,
1
.h
1 + 2
Quantidade
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
63, 2 ` 68, 6
68, 6 ` 74, 0
74, 0 ` 79, 4
Determine a moda.
Soluc
ao: Note que a classe modal e exatamente a terceira. Assim,
Mo = l +
= 57, 8 +
11.3
1
.h =
1 + 2
83
.5, 4 = 62, 3 kg.
(8 3) + (8 7)
Exerccios
Quant
Altura (cm)
Quant
17 ` 20
145, 1 ` 153, 5
20 ` 23
10
153, 5 ` 161, 9
23 ` 26
161, 9 ` 170, 3
26 ` 29
170, 3 ` 178, 7
11
29 ` 32
178, 7 ` 187, 1
32 ` 35
187, 1 ` 195, 5
Fac
800, 00 ` 1200, 00
15
1200, 00 ` 1600, 00
50
1600, 00 ` 2000, 00
70
2000, 00 ` 2400, 00
80
2400, 00 ` 2800, 00
90
2800, 00 ` 3200, 00
97
3200, 00 ` 3600, 00
100
Determine o sal
ario mais frequente e aquele cujo valor e menor que 60% dos sal
arios da empresa.
57
N. deEmpregados
80, 00 ` 180, 00
70
180, 00 ` 250, 00
140
250, 00 ` 300, 00
140
300, 00 ` 500, 00
60
M o = 21 anos
M o = 174, 8 cm anos
x
= 23 anos
x
= 171, 8 cm
11.4
No Computador
O c
alculo dos percis e da moda e bastante facil quando dispusermos dos dados brutos correspondentes a uma
serie. Vejamos o seguinte exemplo no Octave.
Exemplo 11.4.1. Considere a seguinte serie correspondente
as notas obtidas pelos alunos na disciplina Probabilidade
e Estatstica no segundo semestre de 2015.
5, 7 6, 3 4, 7 4, 3 6, 2 9, 1 6, 1 5, 3 6, 0 5, 0 7, 2 4, 8 5, 3 3, 2
3, 9 5, 3 4, 2 4, 3 6, 7 8, 0 5, 0 5, 2 2, 1 7, 5 6, 1 4, 8 5, 4 5, 9
Determine:
i) A mediana,
ii) o 1o quartil,
iii) o 7o decil,
v) a moda.
Soluc
ao: Para o c
alculo dos quantis, usamos a func
ao quantile(x, p)onde x e o vetor linha correspondente aos dados brutos x = [5.7 6.3 4.7 . . . 5.4 5.9]e p e a quantidade de elementos que e deixada. Em particular, temos
M ediana = quantile(x, 0.5), Q1 = quantile(x, 0.25), D7 = quantile(x, 0.7), P85 = quantile(x, 0.85),
M oda = mode(x). Os resultados obtidos foram precisamente:
Quando n
ao dispomos dos dados brutos, mas sim de uma tabela, o calculo dos quantiles e da moda e feito de
maneira manual usando-se as f
ormulas vistas no incio desta aula.
11.5
M
edia, Mediana e Moda, qual delas escolher?
59
Captulo 12
Aula 12
12.1
Medidas de Dispers
ao
7, 0
7, 0
b) 6, 0,
7, 0
8, 0
c) 1, 0,
10, 0
10, 0
Note que todos os alunos possuem uma media igual a 7, 0. Contudo o aluno c) tem notas com certo distanciamento
da media. Dizemos que a media em quest
ao n
ao e t
ao representativa quanto nos casos anteriores.
a diferenca entre o maior e o menor dos valores da serie.
i) Amplitude total: E
R = xmax xmin .
Exemplo 12.1.2. Voltando ao Exemplo 12.1.1, temos
a) R = 7, 0 7, 0 = 0, 0
b) R = 8, 0 7, 0 = 2, 0
c) R = 10, 0 1, 0 = 9, 0
Contudo, a amplitude total e uma medida de dispersao bastante limitada como veremos no exemplo a seguir.
Exemplo 12.1.3. As notas finais de um aluno em 10 disciplinas s
ao:
1, 0 8, 0 8, 0 9, 0 9, 0
9, 3 9, 4 9, 7 9, 9 9, 9
apida comparac
ao com
Note que R = 9, 9 1, 0 = 8, 9. Contudo, a media da distribuic
ao e igual a x = 8, 3. Uma r
o aluno c) do Exemplo 12.1.1 nos permite ver que a media 7, 0 daquele aluno est
a mais distantedos valores obtidos
pelo aluno que o aluno deste exemplo.
Uma medida de dispers
ao menos limitada que a amplitude total e a que se segue:
ii) Desvio M
edio: Consiste na soma dos desvios absolutos dos valores em torno da media, isto e
P
|di |Fi
DM = P
Fi
onde di = x xi .
Por que n
ao se utilizar a soma dos desvios sem o modulo?
60
|7,07,0|.3
=0
3
|7,06,0|+|7,07,0|+|7,08,0|
= 0, 67
3
|7,01,0|+|7,010,0|+|7,010,0|
=4
3
iii) Vari
ancia e Desvio-Padr
ao: A vari
ancia populacional consite na media aritmetica dos quadrados dos desvios.
P 2
di Fi
2
=
N
onde di = x xi , e N e o tamanho da populacao. Nos casos onde se desconhece o tamanho populacional utiliza-se a
vari
ancia amostral
S2 =
d2i Fi
n1
Exemplo
q 12.1.5. Voltando ao Exemplo 12.1.1, temos:
2 .3
a) S = (7,07,0)
=0
31
q
2
2 +(7,08,0)2
=1
b) S = (7,06,0) +(7,07,0)
31
q
2
2
.2
c) S = (7,01,0) +(7,010,0)
5, 20
31
Observa
c
ao 12.1.6. Contudo, uma u
nica das medidas de dispers
ao apresentadas, pode n
ao ser suficiente para caracterizar uma distribuica
o completamente. Isto e, podemos ter diferentes distribuic
oes apresentando, ora mesma media
e mesmo desvio medio, ora mesma media e mesmo desvio padr
ao. Neste caso, busca-se calcular mais de uma medida
de dispers
ao ou analisarmos a assimetria e curtose do gr
afico, como veremos logo mais.
Consideremos as distribuic
oes:
a) 6, 0,
6, 0,
7, 0,
8, 0,
8, 0
b) 5, 0,
7, 0,
7, 0,
7, 0,
9, 0
Note que ambas apresentam a mesma media 7, 0 e o mesmo desvio medio DMa = DMb =
4
5.
Contudo se diferem
b) 5, 848612181
8
7, 5
7, 651387819
2
3
A caracterizac
ao de distribuic
oes com diferentes medias pode ser feita, de maneira a observar o tamanho relativo
do desvio padr
ao (dispers
ao) em relac
ao `
a media.
o quociente do desvio-padrao populacional/amostral pela media da distribuic
iii) Coeficiente de Varia
c
ao: E
ao.
CV =
100
x
(populacional)
61
CV =
S
100
x
(amostral)
12.2
CVHomens =
4000, 00
100 = 37, 5%
1500, 00
CVM ulheres =
3000, 00
100 = 40, 0%
1200, 00
Exerccios
Exerccio 12.2.1. A seguir, apresentaremos o consumo de energia eletrica de tres famlias ao longo de 36 meses.
Consumo (kWh)
Quantidade
130, 0 ` 140, 0
140, 0 ` 150, 0
150, 0 ` 160, 0
10
160, 0 ` 170, 0
170, 0 ` 180, 0
180, 0 ` 190, 0
190, 0 ` 200, 0
P
1
36
Consumo (kWh)
Quantidade
130, 0 ` 140, 0
140, 0 ` 150, 0
150, 0 ` 160, 0
19
160, 0 ` 170, 0
170, 0 ` 180, 0
180, 0 ` 190, 0
190, 0 ` 200, 0
P
1
36
Consumo (kWh)
Quantidade
130, 0 ` 140, 0
140, 0 ` 150, 0
150, 0 ` 160, 0
160, 0 ` 170, 0
170, 0 ` 180, 0
180, 0 ` 190, 0
190, 0 ` 200, 0
P
3
36
12.3
No Computador
Quantidade
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
63, 2 ` 68, 6
68, 6 ` 74, 0
74, 0 ` 79, 4
Soluc
ao: Construa a tabela auxiliar (sobreada em azul) conforme feito no Exemplo 9.4.1 contendo as colunas xi Fi ,
di = |x xi |e d2i Fi . Observe que a linha 9 da planilha contem os somat
orios de algumas colunas.
63
64
Captulo 13
Aula 13
Nesta sec
ao apresentaremos medidas capazes de nos fornecer informacoes graficas a respeito do comportamento
de uma distribuic
ao. S
ao elas as medidas de assimetria e as medidas de curtose.
13.1
Medidas de Assimetria
As medidas de assimetria indicam o grau de afastamento de uma distribuicao da unidade de simetria. Temos tres
tipos b
asicos de distribuic
ao. Vejamos cada um.
Distribui
c
ao Sim
etrica: Em uma distribuicao simetrica, tem-se uma igualdade dos valores da media, mediana e
moda.
x Mo
x Mo
ou AS =
.
65
2o Coeficiente de Pearson
AS =
Q1 + Q3 2
x
Q3 Q1
N
ao e difcil ver que,
AS = 0 indica uma distribuic
ao simetrica.
AS > 0 indica uma distribuic
ao positiva.
AS < 0 indica uma distribuic
ao negativa.
Devido
a quantidade de maneiras de se calcular a simetria/assimetria de uma distribuicao, recomenda-se usar as
duas f
ormulas para se ter um indicador mais preciso.
Exemplo 13.1.1. Considere a distribuic
ao:
Peso (kg)
Quantidade
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
63, 2 ` 68, 6
68, 6 ` 74, 0
74, 0 ` 79, 4
P
3
30
x
= Q2 = 57, 1,
Q3 = 62, 8,
M o = 58, 6,
x = 62, 5,
S = 8, 3
Por fim,
62, 5 58, 6
x Mo
=
0, 47
S
8, 3
Q1 + Q3 2
x
62, 8 + 51, 5 2.57, 1
AS =
0, 01.
=
Q3 Q1
62, 8 51, 5
Com base nos dois resultados pode-se observar que a distribuic
ao apresenta assimetria positiva (levemente no segundo)
AS =
13.2
Medida de Curtose
66
Q3 Q1
2(P90 P10 )
Quantidade
47, 0 ` 52, 4
52, 4 ` 57, 8
57, 8 ` 63, 2
63, 2 ` 68, 6
68, 6 ` 74, 0
74, 0 ` 79, 4
P
3
30
Soluc
ao: Ap
os muitas e muitas contas temos (confira),
Q1 = 51, 5, Q3 = 62, 8, P10 = 50, 2, P90 = 74, 0
Por fim,
K=
62, 8 51, 5
Q3 Q1
=
= 0, 237 < 0, 263
2(P90 P10 )
2(74, 0 50, 2)
e portanto a distribuic
ao e leptoc
urtica.
67
13.3
Exerccios
Exerccio 13.3.1. A seguir, apresentaremos o consumo de energia eletrica de tres famlias ao longo de 36 meses.
Consumo (kWh)
Quantidade
130, 0 ` 140, 0
140, 0 ` 150, 0
150, 0 ` 160, 0
10
160, 0 ` 170, 0
170, 0 ` 180, 0
180, 0 ` 190, 0
190, 0 ` 200, 0
P
1
36
Consumo (kWh)
Quantidade
130, 0 ` 140, 0
140, 0 ` 150, 0
150, 0 ` 160, 0
19
160, 0 ` 170, 0
170, 0 ` 180, 0
180, 0 ` 190, 0
190, 0 ` 200, 0
P
1
36
Consumo (kWh)
Quantidade
130, 0 ` 140, 0
140, 0 ` 150, 0
150, 0 ` 160, 0
160, 0 ` 170, 0
170, 0 ` 180, 0
180, 0 ` 190, 0
190, 0 ` 200, 0
P
3
36
xM o
S
157,5159,0
15,0
= 0, 10 < 0,
AS =
Q3 +Q1 2
x
Q3 Q1
167,1+146,32.161,0
167,1146,3
= 0, 41 < 0
Distribuic
ao Assimetrica Negativa
Curtose: K =
Q3 Q1
2(P90 P10 )
167,1146,3
2(178,5139,0)
= 0, 263
Distribuicao Mesoc
urtica.
Famlia 2:
Assimetria: AS =
xM o
S
158,9160,6
11,6
= 0, 15 < 0,
AS =
Q3 +Q1 2
x
Q3 Q1
167,1+152,12.161,8
167,1152,1
= 0, 29 < 0
Distribuic
ao Assimetrica Negativa
Curtose: K =
Q3 Q1
2(P90 P10 )
167,1152,1
2(174,7146,5)
= 0, 266
161,7160,0
19,0
= 0, 09 > 0,
Distribuicao Platic
urtica.
Famlia 3:
Assimetria: AS =
xM o
S
AS =
68
Q3 +Q1 2
x
Q3 Q1
176,0+146,7=2.165,0
176,0146,7
= 0, 25 < 0
Inconclusivo (Geralmente usa-se o primeiro coeficiente de Pearson, isto e, teramos uma distribuicao Assimetrica
Positiva).
Curtose: K =
13.4
Q3 Q1
2(P90 P10 )
176,0146,7
2(188,5137,2)
= 0, 286
Distribuicao Platic
urtica.
No Computador
mean((xmean(x))3)
std(x)3
mean((xmean(x))4)
std(x)4
69
13.5
Algo a se observar quando estamos trabalhando com tabelas ao inves de observarmos os dados brutos e o erro
cometido ao se utilizar uma maneira ao inves da outra.
Defini
c
ao 13.5.1. Dada uma medida real x e seu valor aproximado x definimos os erros:
Eabs = |x x|
|x x|
100
x
|x x|
=
100
x
Er1 =
Er2
O erro Eabs e chamado de erro absoluto. Os erros Er1 e Er2 sao chamados de erros relativos e sao mais u
teis uma
vez que nos dizem percentualmente o quanto estamos afastados do valor exato.
Exemplo 13.5.2. Volte ao Exemplo 8.3.1 e compare os resultados obtidos via dados brutos e os dados obtidos via
tabela.
Soluc
ao: Os resultados foram precisamente o seguintes:
Medida
Rol
Tabela
Er1
Media Aritmetica
62,1
62,5
0,64
Moda
63,2
62,3
0,142
Mediana
62,1
62,5
0,64
Desvio Padr
ao Amostral Amostral
8,34
8,33
0,12
1 Coef. Pearson
-0,13
0,47
127,66
2o Coef. Pearson
0.07
0,01
85,71
Curtose
0.217
0,237
9,22
70
Captulo 14
Aula 14
Nesta sec
ao trataremos de alguns modelos de distribuicao contnuas de probabilidade, a Distribuicao Uniforme e
a Distribuic
ao Exponencial.
14.1
Distribui
c
ao Uniforme
Uma v.a. X e chamada uniforme sobre um intervalo aberto (a, b) se sua f dp e dada por
1 ,
a<x<b
ba
fX (x) =
0,
do contrario
Sua f cd e dada por
FX (x) =
0,
xa
xa
xb ,
a<x<b
1,
xb
A media e a vari
ancia de uma v.a. uniforme, sobre um intervalo aberto (a, b), X sao dadas por
a+b
2
x = E(X) =
X 2 = V ar(X) =
(b a)2
12
Exemplo 14.1.1. Seja a v.a. contnua X denotando o peso (em libras). A faixa de peso de pacotes est
a distribuda
unifomemente entre 45 e 60 libras.
a) Encontre a fcd.
b) Determine a probabilidade de que um pacote pese mais que 50 libras;
c) Encontre a media e o desvio padr
ao do peso dos pacotes.
d) Determine os quartis Q1 , Q2 e Q3 .
Soluc
ao:
a) A f cd de X e dada por
FX (x) =
0,
x 45
x45
15 ,
45 < x < 60
1,
x 60
b)
P (X > 50) = 1 P (X 50) =
= 1 FX (50) = 1
71
50 45
2
=
15
3
c)
45 + 60
= 52, 5 libras
2
X = E(X) =
X 2 = V ar(X) =
(60 45)2
= 18, 75 libras
12
1
Q1 45
1
= Q1 = 48, 75 libras
4
15
4
14.2
Distribui
c
ao Exponencial
Uma v.a. X e chamada exponencial com parametro > 0 se sua f dp e dada por
ex , x > 0
fX (x) =
0,
x<0
A f cd correspondente e dada por
1 ex , x > 0
FX (x) =
0,
x<0
A meida e a vari
ancia de uma v.a. exponencial X sao dadas por
X = E(X) =
X 2 = V ar(X) =
1
2
1 x/10
,
10 e
x>0
0,
x<0
1 x/10
e
dx =
10
P (X < 5) =
0
ex/10 |50 =
1 e0,5 0.393
b)
5
1 x/10
e
dx =
10
0,5
e1 0, 239
Z
P (5 < X < 10) =
0
ex/10 |10
5 =
72
1 ex/10 ,
FX (x) =
0,
x>0
x<0
Temos que
1
3
1 eQ1 /10 = eQ1 /10 = =
4
4
Q1
3
=
= ln
Q1 2, 877 min
10
4
Analogamente, Q2 6, 931 min e Q3 13, 863 min.
Exemplo 14.2.2. Os defeitos em um fio seguem a distribuic
ao de Poisson com media de um defeito para cada 100
metros. Qual a probabilidade de que o intervalo entre dois defeitos consecutivos seja de no mnimo 250 metros.
Soluc
ao: Temos que
==
1
100
Assim,
250
14.3
Exerccios
a) P (X < 1),
1 ,
a<x<b
ba
fX (x) =
0,
do contrario
determine:
Determine D1 , D2 ,... D9 .
Exerccio 14.3.3. Uma peca de computador tem durac
ao dada por uma distribuic
ao exponencial com par
ametro
=
1
1000 .
Determinar:
a) A probabilidade de que uma destas pecas apresente defeito antes de 1000 horas de uso.
b) A probabilidade de que uma dessas pecas queime depois de sua durac
ao media adicionado de um desvio padr
ao.
Exerccio 14.3.4. Dada uma distribuic
ao exponencial de par
ametro determine D1 , ..., D9 .
Observa
c
ao 14.3.5. Observe a relac
ao entre os quantis e cada uma das distribuic
oes vistas nesta aula. Quando se
tem apenas os dados os quantis s
ao muito u
teis no enquadramento em algumas das distribuic
oes em algum dos modelos
estudados. Na distribuic
ao uniforme, por exemplo, temos que os quantis s
ao igualmente espacados!
REPOSTAS:
14.3.1. a) 43 ,
14.3.2. Dn =
3
4
n(ba)+10a
ba
b)
1
ln
b) 13, 53%
10
10n
73
14.4
No Computador
14.4.1
Simulac
ao Computacional de Uma Distribuic
ao Uniforme
O Octave disp
oe, como ja foi dito, do comando randcapaz de gerar n
umeros aleatorios no intervalo (0, 1), de
tal sorte que estes n
umeros estar
ao distribudos de maneira uniforme. Vejamos como determinar a media e a vari
ancia
da v.a. definida no Exemplo 14.1.1.
Exemplo 14.4.1. Encontre a media e a vari
ancia da v.a. definida no Exemplo 14.1.1
Soluc
ao: Temos a seguinte rotina em Octave:
74
14.4.2
Simulac
ao Computacional da Distribuic
ao Exponencial
75
Captulo 15
Aula 15
15.1
Distribui
c
ao Normal de Gauss
1 x 2
1
e 2 ( ) ,
2
< x <
Seu gr
afico e dado por:
f (x)dx =
a
1 x 2
1
e 2 ( ) dx
2
15.2
Distribui
c
ao Normal Padr
ao
Xi
X
1
V ar(X)
V ar(Z) = V ar
= 2 V ar(X ) =
=1
2
Assim, podemos definir,
f (x) =
1 X 2
1
e 2 ( )
2
76
Note que
Zi =
Xi
1
dz = dx
donde,
1 2
1
(z) = e 2 z
2
Seu gr
afico e dado por:
15.3
Agora veremos como calcular as probabilidades sub a curva normal por meio da utilizacao da tabela associada `
a
distribuic
ao padronizada.
Para tanto, utilizaremos a tabela de Faixa Central. Ela oferece a area sob a curva normal padrao entre z = 0 e
qualquer valor positivo z1 , isto e,
P (0 < z < z1 )
77
78
7, 3
z1 =
z2 =
60, 0 48, 0
X
=
= 1, 64
7, 3
Assim,
P (40 < x < 60) = P (1, 10 < z < 1, 64) =
= P (0 < z < 1, 10) + P (0 < z < 1, 64) =
0, 3643 + 0, 4495 = 0, 8138
79
15.4
Exerccios
b) 0, 1401
15.4.2. a) 0, 0132
b) 792, 4 horas
15.5
c) 0, 3830
d) 0, 7642.
c) 745, 15 horas
Algumas Considera
co
es Sobre a Distribuic
ao Normal
Uma pergunta bastante interessante reside em descobrirmos quais os quantis separam os valores menores que
x + n, onde n varia no conjunto {3, 2, 1, 1, 2, 3}?. Usando a forma padronizada, temos que
P (x < x 3) P (z < 3) = 0, 0013
P (x < x 2) P (z < 2) = 0, 0228
P (x < x ) P (z < 1) = 0, 1587
P (x < x + ) P (z < 1) = 0, 8413
P (x < x + 2) P (z < 2) = 0, 9772
P (x < x + 3) P (z < 3) = 0, 9987
De maneira an
aloga, temos:
P (x 3 < x < x + 3) P (3 < z < 3) = 0, 9974
P (x 2 < x < x + 2) P (2 < z < 2) = 0, 9544
P (x < x < x + ) P (1 < z < 1) = 0, 6826
Portanto, conhecendo-se a media e o desvio padrao de uma amostra (adequamente escolhida) podemos estimar se esta
e ou n
ao normal observando as devidas porcentagens de elememntos em cada regiao. Contudo, trata-se apenas de
uma estimativa. Uma an
alise gr
afica tambem e indicada no caso em que se deseja verificar o carater normal de uma
distribuic
ao. Para uma an
alise mais precisa podemos recorrer aos testes de normalidade.
Exemplo 15.5.1. Estude a amostra a seguir:
47,0
48,5
49,7
51,4
51,9
54,7
55,4
57,4
58,0
59,2
59,9
60,4
61,2
61,2
61,8
62,4
63,2
63,2
63,2
63,2
64,4
65,2
67,5
69,3
69,9
70,2
70,4
77,3
78,4
78,9
80
i)
P (62, 8 10, 1 < x < 62, 8 + 10, 1) = P (52, 7 < x < 72, 9)
22
= P (54, 7 x 77, 3) =
= 0, 7333
30
0, 7333 0, 6826
E =
7, 4%
0, 6826
ii)
P (62, 8 2 10, 1 < x < 62, 8 + 2 10, 1) = P (42, 6 < x < 83)
30
=1
= P (47, 0 x 78, 9) =
30
1 0, 9544
E2 =
4, 8%
0, 9544
iii)
P (62, 8 3 10, 1 < x < 62, 8 + 3 10, 1) = P (32, 5 < x < 93, 1)
30
= P (47, 0 x 78, 9) =
=1
30
1 0, 9974
E3 =
0, 26%
0, 9974
Assim, podemos tomar como erro o maior dos erros, isto e, a curva se dista de uma curva normal em 7, 4% aproximadamente.
Poderamos tambem usar os quartis, decis ou percis para estimarmos o quanto uma distribuic
ao qualquer se aproxima
de uma curva normal. Por exemplo, em se tratando de uma distribuic
ao normal, a tabela nos d
a que Q1 est
a associado
7, 3
Observando a distribuic
ao temos que
55, 4 + 57, 4
= 56, 4
2
56, 4 57, 9
E=
2, 7%.
56, 4
Contudo, para se ter certeza se um a distribuic
ao tem um car
ater normal e mais complicado. Costuma-se ent
ao
Q1 =
41,5
42,7
53,4
54,9
55,7
55,4
58,4
59,0
61,2
61,9
62,4
63,2
64,2
64,8
65,4
65,6
66,8
67,2
67,2
68,4
69,2
70,5
72,3
74,9
79,2
80,4
82,3
83,4
87,9
36,0
44,5
46,7
50,4
51,9
54,7
55,4
57,4
58,0
59,2
59,9
60,4
61,2
61,2
61,8
62,4
63,2
63,2
63,2
63,2
64,4
65,2
69,5
70,3
70,9
71,2
82,4
89,3
90,4
94,9
81
15.6
No Computador
O software STATDISK e bastante util no estudo de distribuicoes normais. Ele apresenta as diversas medidas j
a
calculadas.
Exemplo 15.6.1. Resolva o item a) do Exerccio 15.4.1.
Soluc
ao: Por meio do STATDISK obtemos:
82
83
Captulo 16
Aula 16
16.1
Amostragem
16.1.1
Dimensionamento da Amostra
O dimensionamento depender
a de dois fatores:
a.1) o tipo de vari
avel: contnua ou nominal/ordinal;
a.2) o tamanho da populac
ao: finita ou infinita(muito grande).
? Para vari
aveis contnuas e populc
ao infinita, temos:
n=
Z.
d
2
? Para vari
aveis contnuas e populc
ao finita, temos:
n=
Z 2 . 2 .N
d2 (N 1) + Z 2 2
onde
N e o tamanho populacional;
Z e abscissa da curva normal padr
ao;
e o desvio padr
ao populacional;
d e o erro amostral, expresso na unidade da variavel. O erro amostral e a maxima diferenca que o investigador admite
suportar entre e x, isto e, |x | < d.
Em alguns casos, n
ao temos o conhecimento de para a determinacao amostral. Neste caso temos alguns procedimentos:
i) Assuma que aplitude/4; (TRIOLA, 2013, pg. 87);
ii) Comece o processo de coleta da amostra sem o conhecimento de e, com base em varios dos primeiros valores,
calcule o desvio-padr
ao normal s e use-o no lugar de . Observe que o valor de pode ser melhorado fazendo o
tamanho amostral se aproximar do ideal `
a medida que mais dados vao sendo analisados;
iii) Estime o valor de usando os resultados de algum outro estudo feito anteriormente.
84
22 .102 .600
1,52 (6001)+22 .102 =
2
2,57.10
= 294
1,5
2
2,57 .102 .600
1,52 (6001)+2,572 .102
138
= 198
Observa
c
ao 16.1.2. Observe como o nvel de confianca e o tamanho da populac
ao finita/infinita modificam os
tamanhos amostrais!
? Para vari
aveis nominais ou ordinais e populacao infinita, temos:
n=
Z 2 pq
d2
? Para vari
aveis nominais ou ordinais e populacao finita, temos:
n=
d2 (N
Z 2 pqN
1) + Z 2 pq
onde
N e o tamanho populacional;
Z e a abscissa da curva normal padr
ao;
p e estimativa da verdadeira proporc
ao de um dos nveis da variavel escolhida;
q = 1 p;
d e o erro amostral, expresso na unidade da variavel. O erro amostral e a maxima diferenca que o investigador admite
suportar entre e x, isto e, |p p| < d.
Em alguns casos, n
ao temos qualquer estimativa de p. Neste caso, tomamos pq como 0, 25, isto e, usamos as
f
ormulas:
Z 2 .0, 25
d2
2
Z .0, 25
n= 2
d (N 1) + Z 2 .0, 25
n=
sobre a proporc
ao de
eleitores favor
aveis.
d) admitindo uma populaca
o finita de 20000 eleitores e que o investigador n
ao tenha qualquer informac
ao sobre a
proporc
ao de eleitores favor
aveis.
85
Soluc
ao:
a) n =
b) n =
c) n =
d) n =
2,572 .0,30.0,70
= 3468;
0,022
2,572 .0,30.0,70.20000
0,022 (200001)+2,572 .0,30.0,70 = 2956
2,572 .0,25
= 4129
0,022
2,572 .0,25.20000
0,022 (200001)+2,572 .0,25 = 3422
16.1.2
Composic
ao da Amostra - M
etodos Probabilsticos
Um metodo de amostragem e dito probabilstico se cada elemento da populacao tenha a mesma probabilidade de
ser selecionado, isto e, em uma populac
ao de N indivduos, a probabilidade de qualquer indivduo ser selecionado deve
ser 1/N . Isso garante cientificamente a representatividade de uma amostra a fim de se realizar inducoes ou inferencias
sobre a populac
ao.
o processo mais elementar e frequentemente utilizado. Atribui-se a cada
? Amostragem Aleat
oria Simples: E
elemento da populac
ao um n
umero distinto (se a populacao ja for numerada utilizam-se esse rotulos). Efetuam-se
sucessivos sorteios ate completar-se o tamanho da amostra n. Nestes sorteios utilizam-se as chamadas t
abuas de
n
umeros aleat
oriosque consistem em tabelas que apresentam sequencias dos dgitos 0 a 9 distribudos aleatoriamente.
Exemplo 16.1.4. Suponhamos uma populac
ao com N = 1000 elementos, numerada de 000 a 999. Escolhendo uma
posic
ao de qualquer linha da tabela de n
umeros aleat
orios, faz-se o sorteio, ou seja, retiram-se conjuntos de tres
algarismos para se escolherem os elementos que ir
ao compor a amostra. Assim, imagine que a sequecia dos dgitos
eleat
orios seja:
385 559 555 432 886...
Dessa forma, os n
umeros sorteados s
ao 385 559 555 432....
Para entender melhor veja (FONSECA, 1996, pg.318). No nosso exemplo foi tomada a segunda linha correspondente
aos seguintes dgitos:
38555 95554 32886 59780....
[385][55 9][555][4 32][886] [597][80....
Observa
c
ao 16.1.5. Se o n
umero sorteado superar o maior n
umero dos elementos rotulados, abandona-se o n
umero
sorteado, prosseguindo o processo. Se o n
umero for repetido, convem abandon
a-lo. Se os dgitos aleat
orios de uma
linha n
ao s
ao suficientes v
aa para a pr
oxima.
? Amostragem Sistem
atica: Trata-se de uma variacao da amostragem aleatoria simples, conveniente quando
a populac
ao est
a ordenada segundo algum criterio, como fichas em um fichario, listas telefonicas etc. Calcula-se o
intervalo de amostragem N/n aproximando-o para o inteiro mais proximo a. Utilizando a tabua de n
umeros aleat
orios,
sorteia0se um n
umero x entre 1 e a, formando-se a amostra dos elementos correspondentes aos n
umeros x, x+a, x+2a,
...
Exemplo 16.1.6. Por exemplo, seja N = 1000, n = 200. Logo,
a=
1000
N
=
=5
n
200
16.2
Exerccios
c)
Classe
Fi
05| 11
11| 17
15
17| 23
23| 29
29| 35
35| 41
b) 1068
16.3
No Computador
Voce pode ter notado que e bastante demorado o sorteio de uma amostra aleatoria usando a tabela de dgitos
aleat
orios. Uma outra alternativa e recorrermos ao Octave. Apresentaremos a solucao do Exerccio 16.2.1 por meio
do Octave.
Exemplo 16.3.1. Resoluc
ao do Exerccio 16.2.1 usando o Octave.
Soluc
ao: A rotina a seguir usa muitos passos e, exceto pela amostra, e bastante generica sendo aplicada a uma
populac
ao finita qualquer.
88
89
90
Captulo 17
Aula 17
17.1
Intervalos de Confian
ca
Os c
alculos das medidas de posic
ao e dispersao vistos anteriormente nos fornecem estimativas pontuais sobre para
um dado par
ametro populacional. Contudo, nao temos nenhuma indicacao de quao boa e nossa estimativa. Nesta
aula apresentaremos uma forma intervalar de estimativa para a media populacional, isto e, uma faixa de valores, em
vez de um u
nico valor. Tal faixa vir
a estar
a associada a um nvel de confianca.
Exemplo 17.1.1. Retira-se uma amostra de 500 brasileiros e calcula-se a media de suas alturas encontrando-se
1, 66 m. Logo, uma estimativa pontual da verdadeira altura () e dada por x = 1, 66 m. Por outro lado, um intervalo
de confianca nos fornecer
a um intervalo, digamos, [1, 58; 1, 68] que, em 95% das vezes, incluir
a .
17.1.1
Sabemos que o estimador da verdadeira media populacional e dado por x. Temos dois casos:
Populacoes Infinitas
2
x =d N ; n
A vari
avel padronizada x ser
a:
Z=
91
Z 2
!
Z 2
=1
Isolando a vari
avel no centro do intervalo, temos:
P x Z 2 x + Z 2
=1
n
n
Analogamente, temos
Populacoes Finitas
2
n
x =d N ; n N
N 1
x Z 2
n
N n
x + Z 2
N 1
n
N n
N 1
!
=1
30
30
4000 + 1, 96
= 95%
4000 1, 96
100
100
P (3994, 12 4005, 88) = 95%
Z 2
n
N n
N 1
92
17.1.2
Tratando-se de amostra retirada de uma populacao normal, contudo, desconhecendo-se a variancia populacional
2
x
S
n
S
x t 2
n
N n
S
x + t 2
N 1
n
N n
N 1
!
=1
17.2
Exerccios
b) 167;
17.3
No Computador
Exemplo 17.3.2. Uma amostra composta por 10 elementos apresenta media x = 8, 7 e desvio padr
ao amostral S = 2
foi extrada de uma populca
o normal. Construa um intervalo de confianca para a media ao nvel de 95%.
Soluc
ao: Usando o comando IN T.CON F IAN C
A.T do Excel, obtemos:
95
Captulo 18
Aula 18
18.1
Intervalo de Confian
ca - Continuac
ao
Nesta sec
ao apresentaremos intervalos de confianca para a variancia e para proporcao.
18.1.1
Sabemos que o estimador de 2 e S. Tratando-se de amostra retirada de uma populacao normal, pode-se mostrar
que a vari
avel padronizada 2 ter
a distribuic
ao qui-quadrado com (n 1) graus de liberdade:
n1 =d
(n 1)S 2
2
(n 1)S 2 N n
(n 1)S 2 N n
2
2
N 1
21 N 1
=1
Um r
apido (e
obvio) ajuste nas f
ormulas acima nos permite obter um intervalo de para o desvio-padrao:
s
s
!
(n 1)
(n 1)
S
=1
P S
2
21
e para populac
oes finitas
s
P
(n 1)
2
N n
S
N 1
96
(n 1)
2
N n
N 1
!
=1
9.4
9.4
2
23, 6
1, 73
= 99%
18.1.2
P f Z2
p f Z2
=1
n n1
n n1
97
18.2
Exerccios
18.3
No Computador
Assim como feito na aula anterior utilizaremos o Excel para a determinacao de intervalos de confianca para a
vari
ancia e para a proporc
ao.
Exemplo 18.3.1. Admita que n = 10, S 2 = 4 e que se deseje construir um intervalo de confianca ao nvel de 90%
para a vari
ancia.
Soluc
ao: Usando o comando IN V.QU IQU Ado Excel, obtemos (Ver Figura 18.1):
Passos: i) Insira o tamanho amostral, a vari
ancia amostral, e 1 respectivamente nas celulas A2, B2, C2 e D2;
ii) Na celula F 4 insira a f
ormula
= ((A2 1) B2)/IN V.QU IQU A(C2; A2 1);
iii) Na celula H4 insira a f
ormula
= ((A2 1) B2)/IN V.QU IQU A(D2; A2 1).
98
99
Captulo 19
Aula 19
19.1
Teste de Hip
otese
H0 : = y
Teste Bicaudal
H1 : 6= y
II)
III)
H0 : = y
Teste Unicaudal
H1 : > y
(`a direita)
H0 : = y
Teste Unicaudal
H1 : < y
(`a esquerda)
100
19.2
19.3
Testes de Signific
ancia
Vejamos agora um conjunto de procedimentos genericos que adotaremos nos teste que se seguirao:
1. Enunciar as hip
otese H0 e H1 ;
2. Fixar o nvel de signific
ancia , e identificar a variavel do teste;
3. Com o auxilio das tabelas estatsticas, considerando e a variavel do teste, determinar a regiao crtica (RC) e a
regi
ao de aceitacao (RA);
4. Com os elementos amostrais, calcular o valor da variavel do teste;
5. Concluir pela aceitac
ao ou rejeic
ao de H0 pela observacao de em que regiao se encotra a variavel de teste obtida no
item 4.
19.3.1
Teste de Signific
ancia Para M
edias
Supondo a vari
ancia populacional desconhecida e uma amostra pequena (n < 30), fixamos no item 2, a vari
avel
de teste como sendo t de Student com = n1 graus de liberdade. No intem 3 determinemos as regioes de aceitac
ao e
rejeic
ao obtendo os valores crticos vc () = t 2 (teste bilateral) ou vc () = t (teste unilateral). Neste caso, a vari
avel
de teste, tcal , exigida no item 4 ser
a dada por:
tcal =
x 0
S
n
101
Exemplo 19.3.1. Um teste da resitencia de 6 cordas fabricadas por determinada companhia acusou resistencia media
de 7750 lbs com desvio padr
ao de 143 lbs, contra a aleagaca
o do fabricante de que a resistencia media seria de 8000 lbs.
Pode-se justificar a alegac
ao do fabricante ao nvel de a) 0, 05?
Soluc
ao: Devemos decidir entre as hip
oses:
H0 : = 8000
Teste Unicaudal
H1 : < 8000
(`
a esquerda)
A nossa regi
ao de aceitac
ao observando-se a tabela t de Student e:
vc (; ) = vc (0, 1; 5) = 2, 0150 RA = [2, 0150; )
Temos portanto, um teste unilateral. Sob H0 , temos
tcal =
x
S
n
7750 8000
145
= 4, 22.
Note que 4, 22
/ RA. Logo, rejeitamos H0 .
Exemplo 19.3.2. Considere o Exemplo 19.3.1 tomando como hip
otese alternativa H1 : 6= 8000.
Soluc
ao: Devemos decidir entre as hip
oses:
H0 : = 8000
Teste Unicaudal
H1 : 6= 8000
(`
a esquerda)
A nossa regi
ao de aceitac
ao observando-se a tabela t de Student e:
vc (; ) = vc (0, 05; 5) = 2, 5706 RA = [2, 5706; 2, 5706]
Temos portanto, um teste unilateral. Sob H0 , temos
tcal =
x
S
n
7750 8000
145
= 4, 22.
Note que 4, 22
/ RA. Logo, rejeitamos H0 .
19.4
Exerccios
19.5
No Computador
O Excel se mostra uma ferramenta bastante util como alternativa computacional para a determinacao do resultado
em um teste de hip
otese.
Exemplo 19.5.1. Uma amostra de 25 elementos resultou media 13, 5 com desvio padr
ao 4, 4. Efetuar o teste ao nvel
de 0, 05 para a hip
otese = 16 contra 6= 16; e < 16.
Soluc
ao: Usando o comando INV.Tdo Excel apresentamos uma rotina que faz todos os testes, bilateral, unilateral
direito e unilateral esquerdo.
103
Captulo 20
Aula 20
20.1
Teste de Hip
otese - Continuac
ao
Assim como feito na Aula anterior, trataremos de mais alguns teste de hipotese, neste caso, para a vari
ancia e
para a proporc
ao.
20.1.1
Teste de Signific
ancia Para a Vari
ancia
Seguindo o procedimento descrito na aula anterior, escolhemos, no item 2, a variavel teste como sendo quiquadrado com = n 1 graus de liberdade. No item 3 determinemos as regioes de aceitacao e rejeica obtendo os
valores crticos vinf (; ) e vsup (; ). Assim,
2cal =
(n 1)S 2
.
02
(25 1).18, 3
= 17, 56.
25
Como 2cal RA n
ao se pode rejeitar H0 ao nvel de 0, 10.
Exemplo 20.1.2. Considere o Exemplo 20.1.1 tomando a hip
otese alternativa H1 : 2 6= 25.
Soluc
ao: Devemos decidir entre as hip
otese:
H0 : = 25
H1 : 2 6= 25
A nossa regi
ao de aceitac
ao observando-se a tabela 2 e:
vinf (0, 05; 24) = vinf (0, 95; 24) = 13, 8, vsup (0, 05; 24) = vinf (0, 95; 24) = 36, 4 [13, 8; 36, 4].
104
(25 1).18, 3
= 17, 56.
25
Como 2cal RA n
ao se pode rejeitar H0 ao nvel de 0, 10.
20.1.2
Teste de Signific
ancia Para Proporco
es
p0 (1p0 )
n
Exemplo 20.1.3.
As condico
es de mortalidade de uma regi
ao s
ao tais que a proporca
o de nascidos que sobrevivem
p0 (1p0 )
n
0, 53 0, 6
=q
= 4, 42.
0,6(10,6)
1000
Note que 4, 42
/ RA. Logo, rejeitamos H0 .
20.2
Exerccios
20.3
No Computador
Assim como feito na aula anterior, utilizaremos o Excel para testes de hipotese para a variancia e para a proporc
ao.
105
107